使用google earth engine(GEE)提取2000年到2019年长江下游水体（河流、湖泊）数据

最新推荐文章于 2025-03-15 11:01:38 发布
最新推荐文章于 2025-03-15 11:01:38 发布
阅读量2.1w 收藏 374
点赞数 66
分类专栏： 锐多宝的地理空间 文章标签： google earth
本文为博主原创文章，未经博主允许不得转载。
本文链接：https://blog.csdn.net/weixin_36396470/article/details/106899589
版权
最低0.47元/天 解锁文章
Google Earth Engine（GEE）——导出指定区域的河流和流域范围
此星光明博客
06-25 1256
我们今天利用GEE上用户长上传的矢量数据进行河流和矢量文件的导出，在导出之前我们先看一下两者的定义：河流是指由降水、融雪或地下水等形成的、沿着一定的地形坡度和地形线路向下流动的、流量大小不断变化的水道。河流在地球上分布广泛，对维持生态平衡和人类社会的发展都具有重要的意义。河流可以提供水资源、运输通道、农业灌溉、工业用水等多种用途。同时，河流也具有重要的生态功能，如维持生态平衡、调节气候、净化水质等。流域是指一个地区的所有水体（如河流、湖泊、地下水）汇聚的地方。
Google Earth Engine（GEE）——计算水体面积提取2013-2020年青海湖面积的为例
此星光明博客
09-13 4141
今天我们要做的就是计算青海湖面积长时间序列的分析，这里用到的一点过就是用mask建立一个常量影像，然后淹没掉NDVI大于0的部分，剩下的部分就可以作为估算的面积，这里是反向操作就是把NDVI小于0的分布来进行分析，然后再分别获取时间和格式修改，然后进行乡原属两的统计最后返回值给相应矢量设定面积和影像的属性波段。当然这个里面没有进行影像的去云，所以大家可以先进性去云后再进行分析，加入去云函数。这是打印出来的水体影像的面积统计。回传给矢量后的矢量属性统计。
基于GEE平台实现湖泊水位与水体面积关系分析
yuanYW7556的博客
10-08 6327
对于传统的湖泊水位面积关系模型研究,长时间序列遥感影像水体提取存在数据下载和处理繁琐、大量使用专业软件和人工干预多等问题,研究过程耗时长、效率低.基于Google Earth Engine,对2002年至2016年长时间序列Landsat影像数据进行预处理,利用NDWI提取东洞庭湖水体范围并计算水域面积，结合城陵矶水文站日水位数据,设计水位加权平均法、阈值法和单点水位法比较并确定影像对应的最优水位,建立水位-水体面积关系曲线研究结果表明: (1)东洞庭湖水域范围随季节变化大，面积在79月最大，在13月最小;
笔记11 JRC水体数据集
最新发布
qq_43568283的博客
03-15 389
全球河流洪灾风险图是一种网格化数据集，表示河流网络沿线的洪灾，涵盖七种不同的洪灾重现期（从 10 年 1 次到 500 年 1次）。新地图的输入河流数据是通过开源水文模型 LISFLOOD 生成的，而洪灾模拟是使用流体力学模型 LISFLOOD-FP 执行的。这些地图可用于评估人口和经济资产面临的河流洪灾风险，以及进行洪灾风险评估。该数据集是在哥白尼应急管理服务的框架下创建的。该图绘制了过去 35 年来地表水的空间和时间分布情况的不同方面。此产品包含有关计算全球地表水数据集所用观测数据的元数据。
Google Earth Engine（GEE）——利用JRC全球水体数据求湖泊面积以2000—2020年青海湖为例
此星光明博客
03-18 4101
问题： 之前写了一篇关于JRC水体面积分析和下载的文章，但是前两天有同学问到，如何进行青海湖面积水体的分析，逐月还是逐年的我记不清楚了，但其实都一样，只是在时间筛选的过程中有所不同而已。上次的链接： (111条消息) Google Earth Engine（GEE）——JRC全球水体数据下载（以河南省为例）_此星光明的博客-CSDN博客 实验目的： 本次的实验目的主要是，再上一次的基础上在线进行水体面积的分析，通过像素的面积来计算，而并非通过我们的NDWI水体指数的计算来统计，因为上一次通过直接下载
Google Earth Engine（GEE）——批量计算水体面积、监测洪水情况并导出面积最大的影像、水体、excel表格
weixin_46493028的博客
07-13 4213
Google Earth Engine（GEE）——批量计算水体面积、监测洪水情况并导出面积最大的影像、水体、excel表格
Google Earth Engine（GEE）——用两种方法计算NDWI水域面积提取（Landsat 8）
此星光明博客
09-15 3504
使用 Landsat 8 使用指标 NDWI 使用两种方法计算水域面积 ，这次我们随便选择了陕西附近的一个部分作为我们的研究区，我们所需用到的函数：ee.Image(args)
Google Earth Engine ——MOD44W V6陆地/水面掩膜250米产品是使用用MODIS数据
此星光明博客
10-13 1509
The MOD44W V6 land/water mask 250m product is derived using a decision tree classifier trained with MODIS data and validated with the MOD44W V5 product. A series of masks are applied to address known issues caused by terrain shadow, burn scars, cloudiness,
GEE提取水体
热门推荐
Soul_taker的博客
09-01 1万+
GEE提取水体 老板需要提取2015-2019年，每年4、7、10月份的水体数据，一个月的卫片需要4张才能盖住研究区，我表示有点儿懵，看了大神的文章（https://blog.csdn.net/weixin_36396470/article/details/106899589），毅然入坑GEE！！！ 然而，坑入的并不顺利，科学上网、用户申请、环境搭建（到现在还没搭好本地的Python环境）一步一个坎儿，下回整理一下发出来吧，今天主要说水体的提取问题。 1.工作环境 由于时间短、任务急，我直接参考大神的代码，
GEE：探索北运河流域30多年来水体面积的变化【逐年变化】
GEE水生态空间
02-06 3031
使用GEE分析流域内水体面积变化特征，以北运河流域为例
Google Earth Engine（GEE）—— 一种快速提取河流及中心线的算法
此星光明博客
04-04 2519
本次用到的数据是JRC Global Surface Water Mapping Layers, v1.0使用1984年3月16日至2015年10月10日期间获取的Landsat 5、7和8的3,066,102个场景生成的。使用专家系统将每个像素单独分类为水/非水，并将结果整理为整个时间段的月度历史和两个纪元（1984-1999年，2000-2015年），用于变化检测。 该测绘层产品由1张包含7个波段的图像组成。它描绘了过去32年中地表水的空间和时间分布的不同方面。从未检测到水的区域被掩盖了。 Name
Google Earth Engine（GEE）——河流的可视化操作使用ee.Reducer.anyNonZero()统计结果
此星光明博客
12-23 914
本文对比两种书体数据的结果，并统计非0区域，将季节和非季节性河流变化进行体现出来。
GEE6：获取每年水体数据
amyniez的博客，欢迎交流讨论
10-26 2263
地表水的位置和时间分布地图，并提供了关于这些水面的范围和变化的统计数据。这些数据使用1984年3月16日至2019年12月31日期间从陆地卫星5号、7号和8号获得的4185439个场景生成的。使用专家系统将每个像素分别分类为水/非水，并将结果整理成整个时间段和两个时代(1984-1999,2000-2019)的月度历史，以进行变化检测。集合包含逐月的水检测的整个历史。该图集包含430张图片，从1984年3月到2019年12月。
GEE水体提取之NDWI（矢量裁剪、统计面积、数据导出）
Lbta的博客
06-25 1万+
GEE专栏：GEE水体提取之MNDWI（矢量裁剪、数据导出） 计算区域2018年6-10月武汉市所有Landsat 8数据。 效果图 1、基于otsu计算结果，基于otsu提取结果，之前一直处于途中计算状态，原因推测数据量大，计算耗时，此外GEE给每个人分配的计算资源是有一定的限制的，非无线计算资源。 源码部分 function maskL8sr(image) { var cloudShadowBitMask = (1 << 3); var cloudsBitMask = (1 &
Google Earth Engine（GEE）——全球JRC/GSW1_1/YearlyHistory数据集的批量下载（中国区域）
此星光明博客
06-25 1794
(577条消息) Google Earth Engine ——全球JRC/GSW1_1/YearlyHistory数据集的观测数据_此星光明2021年博客之星云计算Top3的博客-CSDN博客其它水体数据(576条消息) Google Earth Engine（GEE）——GLCF: Landsat Global Inland Water内陆水体数据集_此星光明2021年博客之星云计算Top3的博客-CSDN博客代码：...
Google Earth Engine ——全球1984年至2015年Landsat系列卫星获取地表水的位置和时间即地表水月度数据集的观测数据
此星光明博客
09-20 634
This dataset contains maps of the location and temporal distribution of surface water from 1984 to 2015 and provides statistics on the extent and change of those water surfaces. For more information see the associated journal article:High-resolution mappi.
全球地表水年度数据集JRC Yearly Water Classification History, v1.4数据集
此星光明博客
11-21 1350
数据集根据水体的类型和水体覆盖的百分比进行分类，包括河流、湖泊、人工水体和沼泽等。该数据集可以在JRC的网站上免费下载和使用。3. 评估水资源利用的可行性：长时间序列观测能够提供水资源的质量和量的信息，有助于科学家评估水资源的利用的可行性，包括是否能够满足人类需求以及是否拥有足够的水资源来支持其生态系统的健康。2. 检测地表水资源的变化趋势：长时间序列观测数据能够反映出地表水资源的变化趋势，包括变化的周期、变化的单调性、变化速率等，有助于发现地表水资源的威胁和机会，以及制定水资源的管理计划。
全球地表水数据集JRC Global Surface Water Mapping Layers, v1.2数据
此星光明博客
11-17 2738
全球地表水指的是所有位于地球表面上的水体，包括河流、湖泊、水库、沼泽、冰川、海洋、海湾和海峡等。全球地表水的储量和分布受各种自然因素和人类活动的影响，如气候、地形、土壤、降水、蒸发、渗漏和污染等。为了更好地管理和保护全球地表水资源，需要进行科学的水资源评估和全球性的水资源管理合作。全球地表水覆盖（Global Surface Water）是利用1984至2019年获取的landsat5、landsat7和landsat8的卫星影像，生成分辨率为30米的一套全球地表水覆盖的地图集。
Google Earth Engine ——全球JRC/GSW1_1/YearlyHistory数据集的观测数据
此星光明博客
09-24 1007
This dataset contains maps of the location and temporal distribution of surface water from 1984 to 2018 and provides statistics on the extent and change of those water surfaces. For more information see the associated journal article:High-resolution mappi.
如何编写一个脚本，在Google Earth Engine (GEE) 中提取山西省2019年的甲烷浓度变化数据？
10-29
在Google Earth Engine (GEE) 中编写一个脚本来提取山西省2019年甲烷浓度变化数据需要几个步骤。请注意，这里假设你已经具备基本的GEE Python API知识，并且有可用的甲烷浓度数据源。以下是一个简化的示例： ```python # 首先，安装geemap库，如果还没有安装 !pip install geemap import ee import geemap # 登录到GEE并初始化地图 ee.Authenticate() ee.Initialize() # 定义地理位置和时间范围 province = '山西省' year = 2019 # 导入甲烷数据集，这通常需要从GEE的数据目录中找到合适的数据源 methane_dataset = ee.ImageCollection('Your/Methane/Data/Source') \ .filterDate(f'{year}-01-01', f'{year}-12-31') \ .filterBounds(ee.Geometry.Point('经度', '纬度')) # 用实际的经纬度替换 # 提取山西省的甲烷数据 filtered_data = methane_dataset.filter(ee.Filter.eq('Province', province)) # 计算平均值或差分（假设有一个'Year'字段） average_methane = filtered_data.mean() if 'mean' in your_analysis else \ filtered_data.select(['Year'], [' Methane']) \ .reduce(ee.Reducer.difference(filtered_data.first().select('Methane'))) # 下载结果到Google Drive或其他存储服务（如Cloud Storage） map_id = average_methane.getMapId({'bands': ['Methane'], 'min': 0, 'max': 100}) # 调整范围和颜色 gee_map = geemap.Map() gee_map.addLayer(map_id, {}, 'Average Methane') geemap.ee_export_image(average_methane, description='shangxi_2019_ch4_change', folder='your_folder', scale=1000) # 替换'your_folder' # 显示地图 gee_map #
评论 57
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

叫我锐多宝

请我喝杯啤酒吧

¥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