rgee学习笔记

最新推荐文章于 2024-04-15 09:48:51 发布
最新推荐文章于 2024-04-15 09:48:51 发布
阅读量652 收藏 4
点赞数
分类专栏： R 遥感 文章标签： 学习
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_41718357/article/details/124123896
版权
R 同时被 2 个专栏收录
27 篇文章 41 订阅
订阅专栏
遥感
16 篇文章 61 订阅
订阅专栏

rgee学习笔记

01_rgee_hello world

library(rgee)
ee_Initialize()

print("Hello World")
# [1] "Hello World"


#python style
ee$String("Hello World from Earth Engine!")$getInfo()
# [1] "Hello World from Earth Engine!"
ee$Image("LANDSAT/LC08/C01/T1/LC08_044034_20140318")$getInfo()

#pipes style
ee$String("Hello World frmo Earth Engine!") %>%
  ee$String$getInfo()
# [1] "Hello World frmo Earth Engine!"

ee$Image("LANDSAT/LC08/C01/T1/LC08_044034_20140318") %>%
  ee$Image$getInfo()

02_rgee_simple mapdisplay

library(rgee)
library(sf)

ee_Initialize()

image <- ee$Image("LANDSAT/LC08/C02/T1_TOA/LC08_121038_20220115")

#Display the image
Map$centerObject(image)
Map$addLayer(image, name = "HF Landsat 8 original image")

#Define visualization parameters in an object literal
visParams <- list(
  bands = c("B5", "B4", "B3"),
  min = 0, max = 0.8
)
hf <- sf::st_read("D:\\01learn\\rgee\\shp\\hefei.shp") %>%
  st_transform(4326) %>%
  sf_as_ee()

Map$addLayer(image, visParams, "Landsat 8 False color") +
  Map$addLayer(
    eeObject = hf,
    opacity = 0.8,
    name = "hf"
  )

在这里插入图片描述

03_rgee_finding images

library(rgee)

ee_Initialize()

collection <- ee$ImageCollection("LANDSAT/LC08/C01/T1")

point <- ee$Geometry$Point(117.25, 31.83)

filterCollection <- ee$ImageCollection("LANDSAT/LC09/C02/T1_L2")$
  filterBounds(point)$
  filterDate('2021-12-01', '2022-04-11')$
  sort("CLOUD_COVER", TRUE)

ee_get_date_ic(filterCollection)

first <- filterCollection$first()


visParams <- list(
  bands = c("SR_B5", "SR_B4", "SR_B3"),
  min = 7272, max = 18182
)

Map$addLayer(first, visParams, "hf l9 image")

hf <- st_read("D:\\01learn\\rgee\\shp\\hefei.shp")%>%
  st_transform(4326)%>%
  sf_as_ee()
hf$getInfo()
  
hf_filter <- hf$filter(ee$Filter$eq("name","肥西县"))
Map$addLayer(first, visParams, "hf l9 image")+
  Map$addLayer(
    eeObject = hf_filter,
    visParams = list(palette="yellow"),
    name = "肥西县"
  )

在这里插入图片描述
在这里插入图片描述

04_rgee_band math

library(rgee)

ee_Initialize()

#计算NDVI
getNDVI <- function(image){
  return(image$normalizedDifference(c("B5","B4")))
}

image1 <- ee$Image("LANDSAT/LC08/C02/T1_TOA/LC08_121038_20220115")
image2 <- ee$Image("LANDSAT/LC08/C02/T1_TOA/LC08_121038_20210605")

NDVI1 <- getNDVI(image1)
NDVI2 <- getNDVI(image2)

#计算ndvi差异
ndviDifference <- NDVI2$subtract(NDVI1)

ndviParams <- list(palette=c(
  "#d73027", "#f46d43", "#fdae61", "#fee08b",
  "#d9ef8b", "#a6d96a", "#66bd63", "#1a9850"
))

ndwiParams <- list(min=-0.5, max = 0.5, palette = c("FF0000", "FFFFFF", "0000FF"))

Map$centerObject(NDVI1)
Map$addLayer(NDVI1, ndviParams, "NDVI1")+
  Map$addLayer(NDVI2, ndviParams, "NDVI2")+
  Map$addLayer(ndviDifference, ndviParams, "NDVI Difference")

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

05_rgee_map function

library(rgee)

ee_Initialize()

addNDVI <- function(image){
  return(image$addBands(image$normalizedDifference(c('B5', 'B4'))$rename("NDVI")))
}

#根据位置和时间添加Lansat8数据
col <- ee$ImageCollection("LANDSAT/LC08/C02/T1")$
  filterBounds(ee$Geometry$Point(117.38, 31.83))$
  filterDate("2022-01-01","2022-04-14")

ee_get_date_ic(col)
# 1 LANDSAT/LC08/C02/T1/LC08_121038_20220115 2022-01-15 02:43:46
# 2 LANDSAT/LC08/C02/T1/LC08_121038_20220131 2022-01-31 02:43:41
# 3 LANDSAT/LC08/C02/T1/LC08_121038_20220304 2022-03-04 02:43:33

ndviCol <- col$map(addNDVI)

first <- ndviCol$first()
print(first$getInfo()$properties$CLOUD_COVER)
# 0.11

bandNames <- first$bandNames()
print(bandNames$getInfo())
# [1] "B1"        "B2"        "B3"        "B4"        "B5"        "B6"        "B7"        "B8"       
# [9] "B9"        "B10"       "B11"       "QA_PIXEL"  "QA_RADSAT" "SAA"       "SZA"       "VAA"      
# [17] "VZA"       "NDVI"

06_rgee_reducing

library(rgee)
ee_Initialize()

#引接导数据集
col = ee$ImageCollection("LANDSAT/LC08/C02/T1")$
  filterBounds(ee$Geometry$Point(117.25,31.83))$
  filterDate("2021-01-01","2022-04-15")$
  sort("CLOUD_COVER")

#计算前5景云最少影像的像素中值
median <- col$limit(5)$reduce(ee$Reducer$median())
# median$bandNames()$getInfo()
# [1] "B1_median"        "B2_median"        "B3_median"        "B4_median"        "B5_median"       
# [6] "B6_median"        "B7_median"        "B8_median"        "B9_median"        "B10_median"      
# [11] "B11_median"       "QA_PIXEL_median"  "QA_RADSAT_median" "SAA_median"       "SZA_median"      
# [16] "VAA_median"       "VZA_median"

#定义可视化参数
vizParams <- list(
  bands = c("B5_median", "B4_median", "B3_median"),
  min = 5000, max = 15000, gamma = 1.3
)
Map$centerObject(ee$Geometry$Point(117.25,31.83),8)
Map$addLayer(
  eeObject = median,
  visParams = vizParams,
  name = "median image"
)

在这里插入图片描述

07_rgee_image statistics

library(rgee)

ee_Initialize()

#加载并显示Landsat TOA影像
image <- ee$Image("LANDSAT/LC08/C02/T1_TOA/LC08_121038_20220115")
image$bandNames()$getInfo()

Map$addLayer(
  eeObject = image,
  visParams = list(bands=c("B5","B4","B3"), gamma = 1.3),
  name = "Landsat 8"
)

#创建一个矩形区域并展示
region <- ee$Geometry$Rectangle(117.2500,31.8300,117.3700,31.9500)
Map$addLayer(
  eeObject = image,
  visParams = list(bands=c("B5","B4","B3"), gamma = 1.3),
  name = "Landsat 8"
)+
  Map$addLayer(
  eeObject = region,
  name = "Region")

mean <- image$reduceRegion(
  reducer = ee$Reducer$mean(),
  geometry = region,
  scale = 30
)

print(mean$getInfo())
# $B1
# [1] 0.1907487
# 
# $B10
# [1] 280.9586
# 
# $B11
# [1] 281.0627
# 
# $B2
# [1] 0.168557
# 
# $B3
# [1] 0.134187
# 
# $B4
# [1] 0.1248478
# 
# $B5
# [1] 0.1553403
# 
# $B6
# [1] 0.1325599
# 
# $B7
# [1] 0.1015001
# 
# $B8
# [1] 0.1306403
# 
# $B9
# [1] 0.001265682
# 
# $QA_PIXEL
# [1] 22936.31
# 
# $QA_RADSAT
# [1] 0
# 
# $SAA
# [1] 15329.37
# 
# $SZA
# [1] 5782.864
# 
# $VAA
# [1] 1246.485
# 
# $VZA
# [1] 53.5197

在这里插入图片描述

08_rgee_masking

因为需要借助谷歌云存储，所以只用了简单的clip()函数，没有用updatemask()

library(rgee)
ee_Initialize(gcs = TRUE)

#计算Landsat 5的NDVI

getNDVI <- function(image){
  return(image$normalizedDifference(c("B4","B3")))
}

COL <- ee$ImageCollection("LANDSAT/LT05/C01/T1_TOA")$
  filterBounds(ee$Geometry$Point(117.25,31.83))$
  filterDate("1990-01-01","2010-12-31")$
  sort("CLOUD_COVER",TRUE)

ee_get_date_ic(COL)
# 1   LANDSAT/LT05/C01/T1_TOA/LT05_121038_19901209 1990-12-09 02:02:50
# 2   LANDSAT/LT05/C01/T1_TOA/LT05_121038_19911025 1991-10-25 02:07:39
# 3   LANDSAT/LT05/C01/T1_TOA/LT05_121038_19911110 1991-11-10 02:07:44
# 4   LANDSAT/LT05/C01/T1_TOA/LT05_121038_19911228 1991-12-28 02:07:52
# 5   LANDSAT/LT05/C01/T1_TOA/LT05_121038_19920605 1992-06-05 02:07:02
# 6   LANDSAT/LT05/C01/T1_TOA/LT05_121038_19921128 1992-11-28 02:04:38
# 7   LANDSAT/LT05/C01/T1_TOA/LT05_121038_19930421 1993-04-21 02:05:56
# 8   LANDSAT/LT05/C01/T1_TOA/LT05_121038_19931115 1993-11-15 02:05:29
# 9   LANDSAT/LT05/C01/T1_TOA/LT05_121038_19931217 1993-12-17 02:05:19
# 10  LANDSAT/LT05/C01/T1_TOA/LT05_121038_19940323 1994-03-23 02:04:03
# 11  LANDSAT/LT05/C01/T1_TOA/LT05_121038_19941204 1994-12-04 01:57:32
# 12  LANDSAT/LT05/C01/T1_TOA/LT05_121038_19950326 1995-03-26 01:53:19
# 13  LANDSAT/LT05/C01/T1_TOA/LT05_121038_19950902 1995-09-02 01:46:08
# 14  LANDSAT/LT05/C01/T1_TOA/LT05_121038_19951207 1995-12-07 01:43:59
# 15  LANDSAT/LT05/C01/T1_TOA/LT05_121038_19970110 1997-01-10 02:06:59
# 16  LANDSAT/LT05/C01/T1_TOA/LT05_121038_19970211 1997-02-11 02:08:25
# 17  LANDSAT/LT05/C01/T1_TOA/LT05_121038_19970331 1997-03-31 02:10:19
# 18  LANDSAT/LT05/C01/T1_TOA/LT05_121038_20000915 2000-09-15 02:21:46
##……


#计算两景间隔20年的Landsat 5影像
hf <- st_read("D:\\01learn\\rgee\\shp\\hefei.shp")%>%
  sf_as_ee()

image1 <- ee$Image("LANDSAT/LT05/C01/T1_TOA/LT05_121038_19901209")$
  clip(hf)
image2 <- ee$Image("LANDSAT/LT05/C01/T1_TOA/LT05_121038_20100319")$
  clip(hf)

image1$getInfo()$properties$CLOUD_COVER
# 0
image2$getInfo()$properties$CLOUD_COVER
# 0


ndvi1 <- getNDVI(image1)
ndvi2 <- getNDVI(image2)


#计算两景NDVI的差异
ndviDifference <- ndvi2$subtract(ndvi1)


# MaskedDifference <- ndviDifference$updateMask(hf)

#结果可视化
vizParams <- list(
  min = -0.5,
  max = 1,
  palette = c('FFFFFF', 'CE7E45', 'DF923D', 'F1B555', 'FCD163', '99B718', '74A901',
              '66A000', '529400', '3E8601', '207401', '056201', '004C00', '023B01',
              '012E01', '011D01', '011301')
)
vidParams <- list(
  min = -0.5,
  max = 0.5,
  palette = c("FF0000", "FFFFFF", "0000FF")
)

Map$centerObject(ndvi1)
Map$addLayer(
  eeObject = ndvi1,
  visParams = vizParams,
  name = "NDVI1"
)+
  Map$addLayer(
    eeObject = ndvi2,
    visParams = vizParams,
    name = "NDVI2"
  )+
  Map$addLayer(
    eeObject = ndviDifference,
    visParams = vidParams,
    name = "NDVI Difference"
  )

1990年NDVI，从图中可以看出巢湖里满是绿色，而2010年便没有了。究其原因主要是因为当时蓝藻太多，水体富营养化严重。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

09_rgee_一个完整的例子

GeoSuper
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Google Earth Engine（GEE）——rgee: Google Earth Engine for R
qq_31988139的博客
08-29 719
rgee 是一个 R 绑定包，用于从 R 内部调用Google Earth Engine API。实现了各种功能以简化与 R 空间生态系统的连接。 •安装•Hello World•rgee 如何工作？•指南•贡献•引文 什么是 Google 地球引擎？ Google Earth Engine是一个基于云的平台，可让用户访问 PB 级的遥感数据存档，并在 Google 的基础架构上运行地理空间分析。目前，Google 仅提供对 Python 和 JavaScript 的支持...
rgee安装与初始化
qq_44322368的博客
05-06 1218
rgee安装与初始化
喜大普奔！rgee能用了！R语言也可以使用Google Earth Engine了！
xydf_1992的博客
07-06 2535
喜大普奔！rgee能用了！R语言也可以使用Google Earth Engine了！ 去年的时候曾经写过一个推文，关于rgee，但是由于rgee的不知道是BUG还是啥问题，认证一直不成功，没有办法愉快的使用，今天我收到了来自rgee的作者之一的邮件，告诉我了这个BUG已经有了解决方法，我再次试验了rgee，成功运行！ rgee安装 我使用了R4.0.3版本，建议大家使用最新的R语言版本，R4.0版本我目前已经用了几个月，感觉和3差别不大，以前的一些包也都可以使用，强烈大家更新R4.0最新版本。 安装RGE
使用`rgee`进行卫星图像处理：一项强大的R语言遥感工具
最新发布
gitblog_00079的博客
04-15 545
使用rgee进行卫星图像处理：一项强大的R语言遥感工具 项目地址:https://gitcode.com/r-spatial/rgee 在数据分析和地理信息系统领域，rgee是一个必不可少的工具，它允许用户利用Google Earth Engine（GEE）的强大功能直接在R环境中处理遥感数据。这篇文章将深入探讨rgee项目的特性、用途和技术优势，以吸引更多用户尝试并利用这个出色的项目。 项目简...
Google Earth Engine（GEE）——基本 rgee - 地图信息
qq_31988139的博客
08-30 1027
由于网状的R会话，中嵌入一个Python会话rgee和地球引擎的Python API共享相同的模块，类，函数和方法。换句话说，语法的逻辑是相同的，并且同样快（只需将.更改为$）。尽管如此，R 和 Python 的语言设计差异在特定场景下可能会导致一些问题。我们确定了三个潜在的错误案例。它们中的每一个都在下面进行了深入解释。 1.地图信息错误： 在以下两种情况下使用map方法时会出现此问题：（1）使用低于1.14的网状版本的用户（请更新！）；(2) 如果您使用ee$List对象进行引导。例如： l.
rgee：适用于R的Google地球引擎
02-05
Google Earth Engine for RR绑定程序包，用于从R... rgee将填补空白，开始为R提供支持！ 。 在下面，您将找到rgee语法与两个Google支持的客户端库之间的比较。 JS（代码编辑器） Python[R var db = 'CGIAR/SRTM90_V4'
rgee-ProImage:遗传学评论
03-22
Rgee-ProImage遗传学评论JS（代码编辑器） Python [R var db = 'CGIAR/SRTM90_V4'var image = ee . Image ( db )print ( image . bandNames ( ) )# > 'elevation'import eeee . Initialize ()db = 'CGIAR/SRTM90_V4'...
RGee_Unit1：第1单元的工作
02-08
在本单元，我们将深入探讨C#编程语言，特别是在"RGee_...在"RGee_Unit1"的学习过程中，你将逐步掌握这些C#的关键概念，并通过实践应用加深理解。无论是新手还是有经验的开发者，这个单元都会提供有价值的知识和技能。
ge
02-15
标题 "ge" 提供的信息可能是指“Google Earth Engine”（GEE）的简写，而描述中的 "Testovacískripty Google Earth Engine for R...学习和掌握这些技能将使你能够充分利用GEE的大量遥感数据进行科学研究或项目实施。
Google Earth Engine（GEE）——1.计算夜间灯的趋势（R-GEE版）
qq_31988139的博客
08-29 762
验证和初始化 Earth Engine R API。 #先导入库然后加载你的认证 library(rgee) ee_Initialize() 添加一个包含图像日期自 1991 年以来的波段。 #船舰一个函数要求波段信息获取自1991年的时间 createTimeBand <-function(img) { year <- ee$Date(img$get('system:time_start'))$get('year')$subtract(1991L) ee$Image(y
GEE教程基础篇-v3.pdf
08-20
Google Earth Engine（GEE）教程，来源：无形的风 （GEE大神），介绍GEE的基本操作，当然，英文好的朋友可以直接去看GEE官网的英文教程，那个更全面和官方。这个教程还是更适合英文不好的朋友入门使用。
Google Earth Engine（GEE）——rgee 是如何工作的？
qq_31988139的博客
08-29 746
rgee是不是像JavaScript或Python客户端本地地球引擎API。从头开始开发地球引擎 API 将很难维护，尤其是考虑到 API 正在积极开发中。那么，如何使用 R 运行 Earth Engine？答案是网状的。reticulate是一个 R 包，旨在实现 R 和 Python 之间的无缝互操作。当在 R 中创建Earth Engine请求时，reticulate会将这部分转换为 Python。一旦生成了 Python 代码，就会Earth Engine Python API将请求转换为一种JSO
GEE学习笔记九十一：栅格影像叠置分析
02-15 1739
在GEE中栅格影像不像矢量数据那样有直接的函数来做数据分析。
GEE学习笔记 九十一：栅格影像叠置分析
无形的风专栏
05-07 8333
最近发现好多人都在问一个问题，两张影像如何取其相交区域？其实这个问题简单来讲就是多张栅格影像进行叠加分析。在GEE中栅格影像不像矢量数据那样有直接的函数来做数据分析，需要我们自己手动写一些代码来实现这些操作。要实现这个功能有很多方法，这里简单说一下有几种方式： 第一种：先将栅格影像数据转换为矢量数据，然后在利用矢量数据计算。这种方式想想可以，但是千万别在实际中使用。 第二种...
GEE：栅格计算（GoogleEarthEngine平台）
热门推荐
养乐多的博客
04-01 1万+
ArcGIS中常用到的栅格计算器公式 https://blog.csdn.net/ccnucb/article/details/81010308 在GEE中怎么对影像进行栅格计算呢？ 我们可以用.where()和.clamp() 具体语法可以参考https://zhuanlan.zhihu.com/p/76343298 这里抽取他的例子。 var DEM = ee.Image("USGS/SRTMGL1_003"); var Land_Cover = ee.Image("ESA/GLOBCOVER_L4_
Google Earth Engine（GEE）——R 语言图像概览
qq_31988139的博客
08-30 778
改编自Google Earth Engine 文档。 栅格数据在 Earth Engine中表示为Image对象。图像由一个或多个波段组成，每个波段都有自己的名称、数据类型、比例、遮罩和投影。每个图像都将元数据存储为一组属性。 1. ee.Image 构造函数 可以通过将地球引擎资产ID粘贴到ee$Image构造函数中来加载图像。您可以在数据目录中找到图像ID。例如，要加载JAXA 的 ALOS DSM： library(rgee) ee_Initialize() srtm <- ee$I
Google Earth Engine python ——从谷歌地球引擎（GEE）上的点提取栅格值的实现
qq_31988139的博客
07-09 1528
在本教程中，我们计划从点特征集中提取栅格像元值，并将这些值记录在属性表中作为输出。在带有 python API 的 Google 地球引擎 (GEE) 上。在我们深入研究工作步骤之前，我将解释如何实现这个概念的一般概念。 栅格值提取的过程可以通过两种方式实现， 在某些时候，任何处理绘图中收集的现场数据的人几乎肯定需要为这些绘图提取栅格数据。例如，归一化差异植被指数 (NDVI) 是一种广泛使用的植被绿度度量，可以使用许多卫星数据集得出。您可能还想绘制气候数据或从多光谱卫星波段提取反射率，以便稍后计算您自
GEE：基于GEE的空间叠加分析【叠加分析】
GEE水生态空间
03-07 2015
利用GEE实现以下空间叠加分析： （1）缓冲区分析（buffer） （2）intersect空间叠加分析 （3）union空间叠加分析 （4）difference空间叠加分析 （5）symmetric difference空间叠加分析
GEE系列：第5单元 遥感影像预处理【GEE栅格预处理】
GEE水生态空间
02-15 5659
了解常用于遥感影像的数据校正类型。 如何直观地比较同一数据集中不同预处理级别的空间数据。 如何在 Google Earth Engine for Landsat 8 表面反射率图像中执行云遮蔽和云遮蔽评估。
GEE计算遥感生态指数
08-25
GEE (Google Earth Engine) 是一种云端计算平台，可以用于遥感数据的分析和处理。要计算遥感生态指数，你可以按照以下步骤在 GEE 上进行操作： 1. 导入遥感数据：使用 GEE 的图像集功能导入你所需要的遥感数据，如 Landsat、MODIS 等。 2. 预处理数据：根据你想要计算的生态指数，可能需要对导入的数据进行预处理，如云去除、辐射校正等。 3. 计算生态指数：使用 GEE 的函数和算法来计算你所需的生态指数。不同的生态指数有不同的计算方法，比如 NDVI (Normalized Difference Vegetation Index)，EVI (Enhanced Vegetation Index) 等。 4. 可视化结果：使用 GEE 的可视化功能，将计算得到的生态指数结果进行展示和分析。 请注意，具体计算遥感生态指数的代码和流程会根据你所选择的数据和指数而有所不同。你可以参考 GEE 的官方文档和教程来了解更多关于如何在 GEE 上计算遥感生态指数的信息。
评论
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
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