【GEE笔记6】数据连接Join

于 2022-08-07 22:16:38 发布
阅读量732 收藏 14
点赞数 1
分类专栏： GEE 遥感 文章标签： GEE 遥感 云计算 javascript
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41159191/article/details/126201398
版权
遥感 同时被 2 个专栏收录
38 篇文章 56 订阅
订阅专栏
GEE
15 篇文章 17 订阅
订阅专栏

连接ee.Join用于根据 ee.Filter 指定的条件组合来自不同集合（例如 ImageCollection 或 FeatureCollection）的元素。
过滤器由每个集合中相互关联的属性的参数构成。具体来说，leftField 指定主集合中与辅助集合中的 rightField 相关的属性。
过滤器的类型（例如，equals、greaterThanOrEquals、lessThan 等）表示字段之间的关系。

连接的类型表示集合中元素之间的一对多或一对一关系以及要保留多少匹配项。
连接的输出由 join.apply() 生成，并且会根据连接的类型而有所不同。

具体方法有：

  1. 只保留左侧数据集
  • 筛选符合条件的
ee.Join.simple()
  • 反选符合条件的
ee.Join.inverted()
  1. 两侧数据集均保留（数据集合并）
ee.Join.inner()
  1. 对符合要求的数据集以属性形式添加左侧数据集内
  • 用于确定符合要求的右侧数据集，结果标记在左侧新增属性字段内
ee.Join.saveAll()
  • 确定最优数据集，返回在属性字段内，只保留最优图像
ee.Join.saveBest()
  • 只保留右侧第一个符合要求数据影像
ee.Join.saveFirst()
  1. 空间连接（空间筛选器）
  • 基于距离对数据集进行连接
ee.Filter.withinDistance()
  • 基于几何位置进行连接
ee.Filter.intersects()

1. 只保留左侧数据集

筛选符合条件的

ee.Join.simple()
  • 代码详解
'用于筛选数据集影像之间相差times以内的数据集'
var filter_1 = ee.Filter.maxDifference(
{
  difference: times,
  '通过系统时间联系数据集（system:time_start）'
  leftField: 'system:time_start',//左字段的选择器，类型为time_start，即从起始计时，单位毫秒
  rightField: 'system:time_start' //右字段的选择器'
//注意：左右字段(Field)与左右对象只能选其一，如果有左右对象则无选择器（字段的单位已经存在）;有选择器时，不能有对象，对象目前为未知
});   
//其中times单位为毫秒，例如1天为1*24*60*60*1000
 
'定义一个空的simpleJoin，后边应用筛选器时是选择符合条件的结果'
var simpleJoin = ee.Join.simple();     
'定义一个空的invetJoin，后边应用筛选器时是选择不符合条件的结果'
var invetJoin = ee.Join.inverted();
 
'对simpleJoin应用筛选器'
var simpleJoined = simpleJoin.apply(数据集1, 数据集2, filter_1);
print(simpleJoined);        //可以打印查看满足条件的数据集1影像名称
  • 案例
// 引入Landsat8和Sentinal数据，利用重庆市点进行地理筛选
var L8 = ee.ImageCollection('LANDSAT/LC08/C01/T1_TOA')
    .filterBounds(ee.Geometry.Point(106.3737, 29.9262));
var Sentinel = ee.ImageCollection("COPERNICUS/S2")
    .filterBounds(ee.Geometry.Point(106.3737, 29.9262));
// 筛选出2018年的图像
var L8_2018= L8.filterDate('2018-01-01','2018-12-31')
var ST_2018= Sentinel.filterDate('2018-01-01','2018-12-31')
// 定义1天的变量
var One_Day_Millis = 1*24*60*60*1000
// 通过maxDifference定义Sentinel图像获取前后一天内的图像
// 单位为毫秒，1*24*60*60*1000就是一整天
var L8_Within_Sentinel = ee.Filter.maxDifference({
    difference: One_Day_Millis,
    leftField: 'system:time_start',
    rightField: 'system:time_start'
  })
// 定义一个simpleJoin
var simpleJoin = ee.Join.simple();
// 应用SimpleJoin.
var simpleJoined = simpleJoin.apply(L8_2018, ST_2018, L8_Within_Sentinel);
// 打印结果.
print('Simple join: ', simpleJoined);

在这里插入图片描述

反选符合条件的

ee.Join.inverted()
  • 代码详解
'用于筛选两影像某字段之间满足条件的数据集'
var filter_1 = ee.Filter.eq(
{
  leftField: '字段1名称',
  rightField: '字段2名称'
});   
 
'定义一个空的innerJoin，应用筛选器时是选择符合条件的结果'
var innerJoin = ee.Join.inner('名称1', '名称2'); 
//定义生成结果的合成两产品的名称    
 
'对innerJoin应用筛选器'
var toyJoin = innerJoin.apply(数据集1, 数据集2, filter_1);
print(toyJoin);        
//可以打印查看满足条件的两个影像名称，分别对应前边的名称1与名称2
  • 案例
// 引入Landsat8和Sentinal数据，利用重庆市点进行地理筛选
var L8 = ee.ImageCollection('LANDSAT/LC08/C01/T1_TOA')
    .filterBounds(ee.Geometry.Point(106.3737, 29.9262));
var Sentinel = ee.ImageCollection("COPERNICUS/S2")
    .filterBounds(ee.Geometry.Point(106.3737, 29.9262));
// 筛选出2018年的图像
var L8_2018 = L8.filterDate('2018-01-01','2018-12-31')
var ST_2018 = Sentinel.filterDate('2018-01-01','2018-12-31')
// 定义1天的变量
var One_Day_Millis = 1*24*60*60*1000
// 通过maxDifference定义Sentinel图像获取前后一天内的图像
var L8_Within_Sentinel = ee.Filter.maxDifference({
    difference: One_Day_Millis,
    leftField: 'system:time_start',
    rightField: 'system:time_start'
  })
// 定义一个invertJoin
var Invet_Join = ee.Join.inverted();
// 应用invertJoin
var Invet_Join_Results = Invet_Join.apply(L8_2018, ST_2018, L8_Within_Sentinel);
// 打印结果.
print('Invet_Join: ', Invet_Join_Results);

在这里插入图片描述

2. 两侧数据集均保留（数据集合并）

并且会增加字段，表示左侧第几个位置和右侧第几个位置的数据符合筛选条件

ee.Join.inner()
  • 代码详解
'用于筛选两影像某字段之间满足条件的数据集'
var filter_1 = ee.Filter.eq(
{
  leftField: '字段1名称',
  rightField: '字段2名称'
});   
 
'定义一个空的innerJoin，应用筛选器时是选择符合条件的结果'
var innerJoin = ee.Join.inner('名称1', '名称2'); 
//定义生成结果的合成两产品的名称    
 
'对innerJoin应用筛选器'
var toyJoin = innerJoin.apply(数据集1, 数据集2, filter_1);
print(toyJoin);        
//可以打印查看满足条件的两个影像名称，分别对应前边的名称1与名称2
  • 案例1
// 创建FeatureCollection_1.
var primaryFeatures = ee.FeatureCollection([
  ee.Feature(null, {foo: 0, label: 'a'}),
  ee.Feature(null, {foo: 1, label: 'b'}),
  ee.Feature(null, {foo: 1, label: 'c'}),
  ee.Feature(null, {foo: 2, label: 'd'}),	]);
//创建FeatureCollection_2.
var secondaryFeatures = ee.FeatureCollection([
  ee.Feature(null, {bar: 1, label: 'e'}),
  ee.Feature(null, {bar: 1, label: 'f'}),
  ee.Feature(null, {bar: 2, label: 'g'}),
  ee.Feature(null, {bar: 3, label: 'h'}),	]);
// 定义一个ee.Filter.equals，要求foo=bar.
var toyFilter = ee.Filter.equals({
  leftField: 'foo',
  rightField: 'bar'
});
// 定义一个innerJoin.包括左侧数据集的名称primary和右侧数据集的名称secondary
var innerJoin = ee.Join.inner('primary', 'secondary');
// 运用innerJoin.
// 打印结果. var toyJoin = innerJoin.apply(primaryFeatures, secondaryFeatures, toyFilter);

print('Inner join toy example:', toyJoin);

在这里插入图片描述

图中，有5个Feature满足要求，编号为01234（编号是从0开始的，0就是第1个，4就是第5个）。

在编号为0的元素（element）中，也就是Feature 1_0 ，左侧primary的数据为primaryFeatures里面的第2个，编号为1，也就是Feature 1 ---> ee.Feature(null, {foo: 1, label: 'b'})，因为条件是foo eq bar， 所以满足这个条件的右侧数据是ee.Feature(null, {bar: 1, label: 'e'})，也就是第1个，编号为0，所以是Feature 0。

因此，第一个满足要求的数据就是Feature 1_0（左边第2个=右边第1个）

  • 案例2
    将相同时间段内的2个数据集连接成一个数据集合
// 定义时间filter.
var dateFilter = ee.Filter.date('2014-01-01', '2014-02-01');
// 引入 MODIS 图像（EVI产品）.
var mcd43a4 = ee.ImageCollection('MODIS/MCD43A4_006_EVI')
    .filter(dateFilter);
// 引入 MODIS 图像（Quality产品）.
var mcd43a2 = ee.ImageCollection('MODIS/006/MCD43A2')
    .filter(dateFilter);
// 定义Inner Join.
var innerJoin = ee.Join.inner();
// 定义ee.Filter.equals，通过“系统时间”联系两种产品.
var filterTimeEq = ee.Filter.equals({
  leftField: 'system:time_start',
  rightField: 'system:time_start'
});
// 运用Inner Join.
var innerJoinedMODIS = innerJoin.apply(mcd43a4, mcd43a2, filterTimeEq);
// 显示结果，结果为FeatureCollection.
print('Inner join output:', innerJoinedMODIS);
// 利用map命令将两种产品整合.
var joinedMODIS = innerJoinedMODIS.map(function(feature) {
  return ee.Image.cat(feature.get('primary'), feature.get('secondary'));
});
// 打印结果.
print('Inner join, merged bands:', joinedMODIS);

在这里插入图片描述
primary数据有1个band（element），secondary数据有19个bands（elements）（如上图所示）

整合后的数据集有20个bands（elements）（如下图所示）
在这里插入图片描述

3. 对符合要求的数据集以属性形式添加左侧数据集内

用于确定符合要求的右侧数据集，结果标记在左侧新增属性字段内

ee.Join.saveAll()
  • 代码详解
var filter_1 = ee.Filter.maxDifference(
{
  difference: times,
  leftField: 'system:time_start',
  rightField: 'system:time_start'
});   
 
var saveAllJoin = ee.Join.saveAll(
{
  matchesKey: 属性名称,
  ordering: 'system:time_start'，  //排序字段
  ascending：true   //升序
});  
 
'对saveAllJoin应用筛选器'
var saveAll_Join_Images = saveAllJoin.apply(数据集1, 数据集2, filter_1);
print(saveAll_Join_Images);
  • 案例
// 引入Landsat8和Sentinal数据，利用重庆市点进行地理筛选
var L8 = ee.ImageCollection('LANDSAT/LC08/C01/T1_TOA')
    .filterBounds(ee.Geometry.Point(106.3737, 29.9262));
var Sentinel = ee.ImageCollection("COPERNICUS/S2")
    .filterBounds(ee.Geometry.Point(106.3737, 29.9262));
// 筛选出2018年的图像
var L8_2018= L8.filterDate('2018-01-01','2018-12-31')
var ST_2018= Sentinel.filterDate('2018-01-01','2018-12-31')
// 定义1天的变量
var One_Day_Millis = 1*24*60*60*1000
// 通过maxDifference定义Sentinel图像获取前后一天内的图像
var L8_Within_Sentinel = ee.Filter.maxDifference({
    difference: One_Day_Millis,
    leftField: 'system:time_start',
    rightField: 'system:time_start'
  })
// 定义一个simpleJoin
var SaveALL_Join = ee.Join.saveAll({
  matchesKey: 'Sentinel_Match', // 符合要求的时候形成的数据集的名称
  ordering: 'system:time_start',
  ascending: true
});
// 应用SimpleJoin.
var SaveAll_Join_Images = SaveALL_Join.apply(L8_2018, ST_2018, L8_Within_Sentinel);
// 打印结果.
print('SaveALL_Join: ', SaveAll_Join_Images);

在这里插入图片描述
在这里插入图片描述
新增的Sentinel_Match，把右侧的数据（sentinel）添加到左侧数据（landsat）中去（如上图所示）

确定最优数据集，返回在属性字段内，只保留最优图像

筛选符合条件的所有数据，通过差值选择最优的数据

ee.Join.saveBest()
  • 代码详解
var filter_1 = ee.Filter.maxDifference(
{
  difference: times,
  leftField: 'system:time_start',
  rightField: 'system:time_start'
});   
 
var saveBestJoin = ee.Join.saveBest(
{
  matchesKey: 属性名称,
  measureKey: 测量字段   //返回测量结果，例如时间差距毫秒 timeDiff
});  
 
'对saveBestJoin应用筛选器'
var saveBest_Join_Images = saveBestJoin.apply(数据集1, 数据集2, filter_1);
print(saveBest_Join_Images);
  • 案例
// 加载Landsat8图像
var primary = ee.ImageCollection('LANDSAT/LC08/C01/T1_TOA')
    .filterDate('2014-04-01', '2014-06-01')
    .filterBounds(ee.Geometry.Point(-122.092, 37.42));
// 加载 GRIDMET 气象图像数据
var gridmet = ee.ImageCollection('IDAHO_EPSCOR/GRIDMET');
// 利用maxDifference定义两种产品的最大时间差为2天.
var maxDiffFilter = ee.Filter.maxDifference({
  difference: 2 * 24 * 60 * 60 * 1000,
  leftField: 'system:time_start',
  rightField: 'system:time_start'
});
//定义SaveBest join.
var saveBestJoin = ee.Join.saveBest({
  matchKey: 'bestImage',
  measureKey: 'timeDiff'
});
// 应用SaveBest join.
var landsatMet = saveBestJoin.apply(primary, gridmet, maxDiffFilter);
// 打印结果.
print(landsatMet);

在这里插入图片描述
在这里插入图片描述

只保留右侧第一个符合要求数据影像

ee.Join.saveFirst()
  • 案例
// 加载Landsat8图像
var primary = ee.ImageCollection('LANDSAT/LC08/C01/T1_TOA')
    .filterDate('2014-04-01', '2014-06-01')
    .filterBounds(ee.Geometry.Point(-122.092, 37.42));
// 加载 GRIDMET 气象图像数据
var gridmet = ee.ImageCollection('IDAHO_EPSCOR/GRIDMET');
// 利用maxDifference定义两种产品的最大时间差为2天.
var maxDiffFilter = ee.Filter.maxDifference({
  difference: 2 * 24 * 60 * 60 * 1000,
  leftField: 'system:time_start',
  rightField: 'system:time_start'
});
//定义SaveFirst join.
var saveFirstJoin = ee.Join.saveFirst({
  matchKey: 'First_Image',
});
// 应用SaveFirstjoin.
var landsatMet = saveFirstJoin.apply(primary, gridmet, maxDiffFilter);
// 打印结果.
print(landsatMet);

在这里插入图片描述

在这里插入图片描述

  1. 空间连接（空间筛选器）

基于距离对数据集进行连接

ee.Filter.withinDistance()
  • 代码详解
var filter_1 = ee.Filter.withinDistance({
  distance: 距离,
  leftField: '.geo',   //.geo特指空间属性
  rightField: '.geo',
  maxError: 10         //运行电脑最大缩放误差
});
  • 案例
// 引入Landsat-8图像并进行时间和地点筛选.
var primary = ee.ImageCollection('LANDSAT/LC08/C01/T1_TOA')
    .filterDate('2014-04-01', '2014-06-01')
    .filterBounds(ee.Geometry.Point(-122.09, 37.42));
// 引入FLUXNET 站点数据.
var fluxnet = ee.FeatureCollection('ft:1f85fvccyKSlaZJiAta8ojlXGhgf-LPPNmICG9kQ');
// 定义空间筛选：筛选100km以内数据.
var distFilter = ee.Filter.withinDistance({
  distance: 100000,
  leftField: '.geo', // .geo 特指空间属性
  rightField: '.geo',
  maxError: 10
});
// 定义SaveAll-Join.
var distSaveAll = ee.Join.saveAll({
  matchesKey: 'points',
  measureKey: 'distance'
});
// 应用SaveAll-Join.
var spatialJoined = distSaveAll.apply(primary, fluxnet, distFilter);
// 打印结果.
print(spatialJoined);

在这里插入图片描述
在这里插入图片描述

左侧数据集和右侧数据集都会被保存起来，左侧被保存为feature，右侧被保存为geometry point。

基于几何位置进行连接

ee.Filter.intersects()
  • 代码详解
var filter_1 = ee.Filter.intersects({
  leftField: '.geo',   //.geo特指空间属性
  rightField: '.geo',
  maxError: 10         //运行电脑最大缩放误差
});
  • 案例
// 引入加州行政边界.
var cali = ee.FeatureCollection('ft:1fRY18cjsHzDgGiJiS2nnpUU3v9JPDc2HNaR7Xk8')
  .filter(ee.Filter.eq('Name', 'California'));
// 引入Landsat卫星轨道数据.
var wrs = ee.FeatureCollection('ft:1_RZgjlcqixp-L9hyS6NYGqLaKOlnhSC35AB5M5Ll');
// 定义空间筛选：利用边界进行叠加筛选.
var spatialFilter = ee.Filter.intersects({
  leftField: '.geo',
  rightField: '.geo',
  maxError: 10
});
// 定义SaveAll-Join.
var saveAllJoin = ee.Join.saveAll({
  matchesKey: 'scenes',
});
//运用SaveAll-Join.
var intersectJoined = saveAllJoin.apply(cali, wrs, spatialFilter);
// 显示结果.
var intersected = ee.FeatureCollection(ee.List(intersectJoined.first().get('scenes')));
Map.centerObject(cali);
Map.addLayer(intersected, {}, 'WRS-2 polygons');
Map.addLayer(cali, {color: 'FF0000'}, 'California polygon');

在这里插入图片描述

参考资料：
GEE(Google Earth Engine)学习——常用筛选器Filter操作
第10节 GEE的参数类型 (Filter，Join)
Inner Joins
在这里插入图片描述

Vigo*GIS_RS
关注
  • 1
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 3
    评论
专栏目录
Google Earth Engine（GEE）——join连接在GEE中的应用（同一sentinel-2影像集合）含滑动窗口平滑影像过程
qq_31988139的博客
11-20 1431
如果指定了 measureKey，则每个匹配项都附加了其连接度量的值。获取匹配项 ee.Join.saveFirst()、ee.Join.saveBest()、ee.Join.saveAll()按几何 ee.Filter.withinDistance()、ee.Filter.intersects()、...过滤项目。保留匹配/不匹配项 ee.Join.simple(), ee.Join.inverted()如果指定了 leftField，则不应指定。一个可选的属性名称，用于保存每个匹配项的连接条件的度量。
Google Earth Engine（GEE)——join连接的建立
qq_31988139的博客
07-23 508
本次学习一个方法，就 ee.Join.simple() 返回一个连接，产生主集合中与次集合中任何元素相匹配的元素。没有属性被添加到结果中。 Returns a join that produces the elements of the primary collection that match any element of the secondary collection. No properties are added to the results. No arguments. Returns
Google Earth Engine（GEE）——Join连接的案例分析
qq_31988139的博客
08-18 881
联接用于根据 指定的条件组合来自不同集合（例如ImageCollection或FeatureCollection）的元素ee.Filter。过滤器是用每个集合中彼此相关的属性的参数构造的。具体来说，leftField指定与次要集合中的 相关的主要集合中的属性rightField。过滤器的类型（例如equals、greaterThanOrEquals、lessThan等）指示字段之间的关系。连接的类型指示集合中元素之间的一对多或一对一关系以及要保留的匹配项数。联接的输出由join.apply()联接的类...
数据集连接
ztx01001的博客
05-15 306
这是一份非常全面的开源数据集，你，真的不想要吗？ https://www.jiqizhixin.com/articles/2018-09-05-2 推荐领域数据集 https://www.cnblogs.com/startover/p/3261476.html 收集数据太困难？这里为你准备了 71 个免费数据集 https://www.leiphone.com/news/201801/2O4PbN...
多数据集连接问题的探索
格物钛智能科技作为非结构化数据赋能专家，为企业及AI开发者提供全新的智能时代数据管理方案，以数据引擎为核心技术，打造下一代数据平台，解决非结构化数据难发现、难管理、难利用等痛点，帮助企业筑牢新基建底层，实现海量复杂数据的灵活存取用，助推AI工程化和数据资产
11-18 1103
近期，浙江大学欧明锋在TechBeat人工智能社区进行了“以数据为中心的研究探索”的分享。分享内容来源于在格物钛实习期间，与科学顾问赵俊博、CEO崔运凯、算法负责人薛林继合作完成的论文《Joining datasets via data augmentation in the label space for neural networks》。论文基于格物钛Open dataset数据集研究，成功被2021机器学习顶会ICML收录。Talk主要聚焦同领域相似的同构数据集的连接融合问题，并提出解决思路与方案。
NetSuite 数据集连接-2022.1新功能
NetSuite知识会
02-06 744
2022.1发版在即，今天在预览环境测试了一下“数据集连接（Dataset Linking）”功能。 首先说下这个功能是咋回事。 在之前的作文中，我们提到过SuiteAnalytics Workbook将作为New King扮演越来越重要的角色。特别是Saved Search无法完成的功能。例如，跨表查询。跨表查询（Join）的功能在22.1之前已经能够通过SuiteScript实现，但是对于没有编程技能的用户来说则没有任何意义。在22.1，可以通过UI实现跨表查询了。 今朝，我们就做个讲解。
GEE-土地利用分类种两个矢量集合中不同列进行相减的方式（利用join进行连接处理）.pdf
01-08
join连接是一个功能，用于将两个数据表或图层基于共享字段值进行连接。连接操作可以将两个表或图层中的记录合并到一个新的表或图层中。连接操作可以在地理数据库中的表或图层之间进行，也可以在文件数据库中的表或...
GEE python-将GEE ASSETS中存储的影像或者矢量转化为数据格式.pdf
10-30
数据转换器是内置于 getPixels、computePixels、listFeatures 和 computeFeatures 中的客户端转换能力。通过指定兼容的文件格式，这些方法可以返回 Python 原生格式的数据，如用于栅格的结构化 NumPy 数组和用于矢量...
gee landsat 数据预处理第一部分
10-15
gee landsat 数据预处理第一部分
GEE课程笔记-GEE自学课程笔记
最新发布
01-29
GEE课程笔记---GEE自学课程笔记
GEE google earth engine批量裁剪下载MODIS数据
01-16
在本文中，我们将深入探讨如何使用Google Earth Engine（GEE）平台批量裁剪并下载MODIS（Moderate Resolution Imaging Spectroradiometer）数据。MODIS是NASA地球观测系统卫星上的一系列传感器，提供了全球范围内的...
了解一些数据集联接
weixin_26704745的博客
08-18 246
Where ever you go, data is every where. Look at your car dashboard. It is a dashboard of data. It tells you your speed, odometer and gas in a few simple visuals. Go to a cash register, and it tells yo...
【数据平台】python数据集连接和组合
医疗影像检索
09-30 624
场景：dataframe之间的链接，以及list之间的组合。 参考： # -*- coding: utf-8 -*- ''' Created on 2017年9月30日 @author: Administrator ''' import pandas as pd import itertools from itertools import product #merge df1=pd.Dat
数据库Join实现
半日闲的博客
10-11 2563
测试sql ： select * from a join b where a.id= b.id;a 0 hash map table b 1 scan table alias ：　１MapJoinOperator 核心代码// MapJoinOperator.java 在cleanUpInputFileChangedOp() 方法中load hash tablegenerateMap
菜鸟程序员之mysql的七种join连接
freedomlove_的博客
12-17 343
建表 在这里呢我们先来建立两张有外键关联的张表。 CREATE DATABASE db0206; USE db0206; CREATE TABLE `db0206`.`tbl_dept`( `id` INT(11) NOT NULL AUTO_INCREMENT, `deptName` VARCHAR(30), `locAdd` VARCHAR(40), PRIMAR
可视化学习-从连接数据集提取节点集
qq_44936441的博客
09-23 316
目标 从连接数据集（科幻作者及其影响）中提取节点集合 代码 #打开csv文件，调用函数增加两个节点 import csv nodemap={} #定义空的hashmap def addNode(name): #添加节点的函数 ...
MapReduce编程小案例.9th—join算法
RobertDowneyLm的博客
05-16 2514
MapReduce编程小案例.9th—join算法数据：有订单数据：order001,u001 order002,u001 order003,u005 order004,u002 order005,u003 order006,u004  有用户数据：u001,senge,18,angelababy u002,laozhao,48,ruhua u003,xiaoxu,16,chunge...
Google Earth Engine ——MCD43A2 V6双向反射分布函数和反照率（BRDF/Albedo）质量500m数据集是一个500米的每日16天产品。包含质量信息！
qq_31988139的博客
10-10 1218
The MCD43A2 V6 Bidirectional Reflectance Distribution Function and Albedo (BRDF/Albedo) Quality dataset is a 500 meter daily 16-day product. It contains all the quality information for the corresponding 16-day MCD43A3 Albedo and the MCD43A4 Nadir-BRDF (NBA
Google Earth Engine（GEE）——ee.Join.inner的使用方法（以两个MODIS影像集合为例组成一个MODIS多波段影像集合）
qq_31988139的博客
06-04 972
要列举两个集合的元素之间的所有匹配，使用ee.Join.inner()。内联的输出是一个特征集合（即使是将一个ImageCollection连接到另一个ImageCollection）。 本次要使用到的函数： ee.Join.inner(primaryKey,secondaryKey,measureKey) 返回将主集合中的元素与辅助集合中的匹配元素配对的连接。每个结果都有一个包含来自主集合的元素的“primary”属性，以及一个包含来自辅助集合的匹配元素的“secondary”...
GEE零基础入门学习笔记：从数据类型到地图展示
笔记内容涵盖了GEE的数据类型、服务器与客户端的概念以及如何在GEE平台上进行地图展示。笔记作者以代码+截图+解释的方式，使学习过程更易于理解，特别适合需要使用云计算平台进行遥感分析的学习者。" 在GEE学习笔记...
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Vigo*GIS_RS

来瓶可乐~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值