备忘录：eemont

一、Image类（Image）

1. 获取公开影像信息

1.1 getCitation：获取图像的引用

ee.ImageCollection('NASA/GPM_L3/IMERG_V06').first().getCitation()
'Huffman, G.J., E.F. Stocker, D.T. Bolvin, E.J. Nelkin, Jackson Tan (2019),
GPM IMERG Final Precipitation L3 Half Hourly 0.1 degree x 0.1 degree V06, Greenbelt,
MD, Goddard Earth Sciences Data and Information Services Center (GES DISC),
Accessed: [Data Access Date],
[doi:10.5067/GPM/IMERG/3B-HH/06](https://doi.org/10.5067/GPM/IMERG/3B-HH/06)'

1.2 getDOI：获取图像doi

ee.ImageCollection('COPERNICUS/S2_SR').first().getDOI()
'doi:10.5067/GPM/IMERG/3B-HH/06'

1.3 getSTAC：获取图像的 STAC

ee.ImageCollection('COPERNICUS/S2_SR').first().getSTAC()
{'stac_version': '1.0.0-rc.2',
 'type': 'Collection',
 'stac_extensions': ['https://stac-extensions.github.io/eo/v1.0.0/schema.json'],
 'id': 'COPERNICUS/S2_SR',
 'title': 'Sentinel-2 MSI: MultiSpectral Instrument, Level-2A',
 'gee:type': 'image_collection',
 ...}

2. 影像处理

• 影像预处理：preprocess = ScaleAndOffset+maskClouds

2.1 辐射校正：ScaleAndOffset

• getScaleParams：获取图像每个波段的比例参数
• GetOffsetParams: 获取图像每个波段的偏移量参数。
• ScaleAndOffset: 根据缩放和偏移参数缩放图像上的波段

2.2 去云：maskClouds

支持
Sentinel：Sentinel-2 SR 和 Sentinel-3、
Landsat：SR产品
一些 MODIS 产品

ds = (ee.ImageCollection('COPERNICUS/S2_SR')
    .first()
    .maskClouds(prob = 75,buffer = 300,cdi = -0.5))

参数：

• method: 默认为 ‘cloud_prob’
  可选：（仅适用Sentinel）
  - ‘cloud_prob’ : Use cloud probability.
  - ‘qa’ : Use Quality Assessment band.
• prob: numeric [0, 100], default = 60
  云概率阈值. 只适用方法 ‘cloud_prob’。 (Landsat忽视)
• maskCirrus: boolean, default = True
  是否去 cirrus clouds，'qa’可用。(Landsat忽视)
• maskShadows: boolean, default = True
  是否去 cloud shadows.【Sentinel-2
  Cloud Masking with s2cloudless】
• scaledImage: boolean, default = False
  反射率是否归一化到[0,1] 。(Landsat忽视)
• dark: float [0,1], default = 0.15，近红外波段阈值，低于该值则是潜在云阴影。(Landsat忽视)
• cloudDist: int, default = 1000，从云边寻找云影的最大距离(米)。(Landsat忽视)
• buffer: int, default = 250，以米为单位的距离扩大云和云的阴影物体。(Landsat忽视)
• cdi: float [-1,1], default = None，云位移指数阈值。低于这个阈值的值被考虑潜在云团。(Landsat忽视)

2.3 匹配影像：

• matchHistogram
  调整图像的直方图以匹配目标图像
  参数：
  • target：匹配影像
  • band(dict)：匹配波段
  • geometry：default=None，匹配重叠两幅图像的直方图的区域。如果没有提供，则将使用源图像的几何形状。
  • maxBuckets：default=256，构建直方图时要使用的桶的最大数量。将四舍五入到最接近的2次方

source = ee.Image("LANDSAT/LC08/C01/T1_TOA/LC08_047027_20160819")
target = ee.Image("LANDSAT/LE07/C01/T1_TOA/LE07_046027_20150701")
bands = {
   "B4": "B3",
   "B3": "B2",
   "B2": "B1"
}
matched = source.matchHistogram(target, bands)

• panSharpen(method, qa)
  应用全色锐化图像。可选地，在原始图像和锐化图像之间运行质量评估，以测量光谱失真，并将结果设置为锐化图像的属性

3. 影像指数

• spectralIndices：
  • 内置指数列表：eemont.listIndices()
  • 检查指数信息
    • indices = eemont.indices()
    • indices.BAIS2.formula
    • indices.BAIS2.reference
  • index: default=‘NDVI’,可计算指数列表
    • 可供选择的方案:
    • “vegetation”: 计算所有的植被指数。
    • “ burn”: 计算所有的烧伤指数。
    • “water”: 计算所有的水指数。
    • “snow”: 计算所有的雪指数。
    • “urban”: 计算所有城市(建成)指数。
    • “kernel”: 计算所有内核索引。
    • “ all”: 计算下面列出的所有指数。

S2.spectralIndices(['NDVI','EVI','GNDVI'])

二、影像集（ImageCollection）

1. 以上都行

2. 时间序列

2.1 getTimeSeriesByRegion

根据指定的缩减器(或缩减器)获取给定图像集合和几何(也支持特征或特征集合)的按区域分列的时间序列：

• reducer
• bands：str | list[str]
• geometry
• scale
• crs: Projection
• crsTransform
• bestEffort
• maxPixels
• tileScale
• dataColumn: (str, default = ‘date’) , 日期列的输出名称
• dataFormat: (str, default = ‘ISO’) ,日期列的输出格式。默认值为 ISO。可用选项: “ ms”(毫秒)、“ ISO”(ISO 标准格式)或自定义格式模式。
• naValue: 当区域缩减由于屏蔽像素而没有检索到值时，作为 NA 使用的值

2.2 getTimeSeriesByRegions

(reducer, collection, bands=None, scale=None, crs=None, crsTransform=None, tileScale=1, dateColumn=‘date’, dateFormat=‘ISO’, naValue=-9999)

import ee, eemont
ee.Initialize()
f1 = ee.Feature(ee.Geometry.Point([3.984770,48.767221]).buffer(50),{'ID':'A'})
f2 = ee.Feature(ee.Geometry.Point([4.101367,48.748076]).buffer(50),{'ID':'B'})
fc = ee.FeatureCollection([f1,f2])
S2 = (ee.ImageCollection('COPERNICUS/S2_SR')
     .filterBounds(fc)
     .filterDate('2020-01-01','2021-01-01')
     .maskClouds()
     .scaleAndOffset()
     .spectralIndices(['EVI','NDVI']))
ts = S2.getTimeSeriesByRegions(reducer = [ee.Reducer.mean(),ee.Reducer.median()],
                               collection = fc,
                               bands = ['EVI','NDVI'],
                               scale = 10)

三、DataFrame转FeatureCollection

• toEEFeatureCollection
  • latitude
  • longitude

df = pd.DataFrame()
df['lat'] = [2.92846, 4.8927]
df['lon'] = [-76.0269, -75.3188]
df['name'] = ['Nevado del Huila', 'Nevado del Ruiz']
fc = df.toEEFeatureCollection(latitude = 'lat',longitude = 'lon')

四、列表类

• add = +

eeList1 = ee.List([1,2,3,4])
eeList2 = ee.List([5,6,7,8])
eeList3 = eeList1 + eeList2

• contains：list1 in list2

eeList = ee.List([1,2,3,5])
1 in eeList
True

• getitem

eeList = ee.List([1,2,3,5])
eeList[0].getInfo()
1

• len

• mul = *

eeList2 = eeList * 2

• radd

eeList = ee.List([1,2,3,4])
normalList = [5,6,7,8]
eeList2 = normalList + eeList
eeList2.getInfo()
[5,6,7,8,1,2,3,4]

• rmul

eeList1 = ee.List([1,2,3,4])
eeList2 = 2 * eeList1
eeList2.getInfo()
[1,2,3,4,1,2,3,4]