提取特定地物类别的样本点并分析：Google Earth Engine

最新推荐文章于 2025-11-25 12:11:01 发布

IxtProgramming

最新推荐文章于 2025-11-25 12:11:01 发布

阅读量277

点赞数

CC 4.0 BY-SA版权

文章标签：人工智能算法 GEE

本文链接：https://blog.youkuaiyun.com/IxtProgramming/article/details/133208114

GEE 专栏收录该内容

75 篇文章 ¥59.90 ¥99.00

订阅专栏

本文介绍了如何利用Google Earth Engine (GEE) 进行遥感数据分析，提取特定地物类别的样本点，并进行统计分析。首先，通过GEE API获取遥感影像数据，如Landsat 8；然后，定义样本点使用GeoJSON文件；接着，使用GEE的空间查询功能提取像素值；最后，对样本点进行频数、均值等统计分析。GEE的丰富资源和工具对于遥感任务非常有用。

在遥感数据分析中，提取特定地物类别的样本点是一项常见的任务。Google Earth Engine（GEE）是一个强大的云平台，提供了丰富的遥感数据和分析工具，可以帮助我们完成这个任务。本文将介绍如何使用GEE提取特定地物类别的样本点，并进行进一步的分析。

首先，我们需要通过GEE获取遥感影像数据。GEE提供了大量的遥感数据集，包括卫星影像、地形数据等。我们可以使用GEE提供的API来访问这些数据。以下是一个获取Landsat 8卫星影像数据的示例代码：

var dataset = ee.ImageCollection('LANDSAT/LC08/C01/T1')
                  .filterDate('2018-01-01'

了解本专栏

订阅专栏解锁全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

IxtProgramming

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

订阅专栏

样本点选择教程：Google Earth Engine（GEE）中的样本点选择方法

IxtProgramming的博客

09-26

881

在地学和环境科学领域，样本点选择是一项重要的任务，用于从遥感图像或地理空间数据中选择代表性的样本点。Google Earth Engine（GEE）是一个强大的平台，提供了丰富的地理空间数据和分析工具。本教程将介绍如何使用GEE进行样本点选择，并提供相应的源代码。通过上述步骤，您可以在GEE中进行样本点选择，并通过可视化查看结果。根据您的需求，您可以调整抽样方法和参数，以获得最佳的样本点选择效果。希望本教程对您在GEE中进行样本点选择有所帮助！

1 条评论您还未登录，请先登录后发表或查看评论

1 条评论

优快云-Ada助手 2024.02.03
很棒的博客！你对使用Google Earth Engine提取特定地物类别的样本点进行了很好的介绍。希望你能继续分享更多关于遥感数据分析的经验和技巧。另外，除了提取样本点并进行分析，你还可以尝试使用GEE进行时间序列分析，如监测植被变化等，这也是遥感数据分析中非常有用的技能。期待你未来的分享！如何写出更高质量的博客，请看该博主的分享：https://blog.youkuaiyun.com/lmy_520/article/details/128686434?utm_source=csdn_ai_ada_blog_reply2

地球引擎高级教程：使用 Google Earth Engine 获取各波段的光谱特征图并提取像素值至点操作

LrlDebug的博客

09-21

455

本教程介绍了如何使用 Google Earth Engine 平台获取各波段的光谱特征图，并提取感兴趣区域的像素值至点操作。通过使用 GEE 的 JavaScript API，您可以轻松地访问和处理遥感影像数据，并从中提取有用的信息。在本教程中，我们将介绍如何使用 Google Earth Engine（GEE）平台获取各波段的光谱特征图，并提取感兴趣区域的像素值至点操作。我们将使用 GEE 的 JavaScript API 编写相应的代码。接下来，我们将从影像数据中获取各波段的光谱特征图。

遥感影像提取特定坐标点的值

weixin_58881280的博客

04-25

673

值提取至点

ENVI软件使用与样本采集

热门推荐

Solomon1558的专栏

11-06

2万+

博主目前研究可见光遥感图像的物体检测问题，需要在Google Earth 20级地图上制作数据集。本文主要介绍遥感图像处理平台ENVI以及基于ENVI的样本采集方法。 1.ENVI简介　　ENVI——完整的遥感图像处理平台ENVI(The Environment for Visualizing Images)是美国Exelis Visual Information Solutions公司的旗舰产品，

GEE：提取出特定地物类别的样本点（比如筛选耕地内的样本点）

养乐多的博客

04-29

2476

本文记录了提取出特定地物类别的样本点的代码，以便进行后续的监督分类或机器学习模型训练。结果如下图所示，蓝色区域为耕地，图中红点是所有样本点，粉色点是耕地内的样本点。

Google Earth Engine（GEE）——样本点提取间隔距离500米提取样本点

此星光明博客

11-26

1570

假设您已经有了点，只想选择一个满足缓冲标准的子集。在这种情况下，您可以在随机图像上使用 reduceRegions 和最大缩减器，按细胞图像分组。max reducer 将允许您指定额外的输入（例如：协变量或像素坐标）以携带它找到的任何最大值。函数：selfMask()

使用Google Earth Engine提取随机样本点进行随机森林土地分类

XtAbap的博客

09-20

976

通过加载土地分类数据集、定义研究区域、提取随机样本点、训练随机森林分类器和进行土地分类，我们能够获得具有准确分类的土地分类图像。在本文中，我们将使用Google Earth Engine（GEE）平台，利用已加载的特定土地分类数据，在研究区域提取随机样本点，并使用随机森林算法进行土地分类。最后，我们将Earth Engine图像转换为Numpy数组，并使用Matplotlib库显示研究区域和提取的样本点。一旦我们提取了随机样本点，我们可以使用这些样本点来训练随机森林分类器，以进行土地分类。

探索Google Earth Engine：归一化植被指数（NDVI）的地物差异对比

Promising_GEO的博客

03-19

2310

此处分别定义三个矩形变量city、forest、desert，存储相应的坐标，并加上标签表示选择的森林、城市以及沙漠覆盖区域，而后，我们需要对不同的地物设置不同的颜色以作区分，区分好后加载地物覆盖的边框，并将三个区域联合起来形成一个新的矢量数据集，方便后续分析。小编选择的研究区域主要位于我国的甘肃省境内，该境内处于我国的交错带分布区，各类地物均有分布，是进行实验的好地方，小编在Google地图上寻找合适的地点绘制矩形方框，设置好案例样本，将坐标点导入GEE中。今天这期，跟着小编的视角一起来看看吧。

Google Earth Engine（GEE）农作物种植结构提取

bless的博客

01-06

1万+

前段时间因为考研的原因一直没能更新，已经完成了农作物种植结构的提取，现在给大家分享一下。主要也是结合前面写过的Google Earth Engine（GEE）使用土地利用数据（modis）上采样Landsat数据提取农田范围，将以上结果作为研究的基础，结合物候特征，光谱特征，地形特征，选择随机森林算法进行农作物的提取。

【地理信息系统】基于Google Earth Engine的流域Sentinel-2影像处理与土地覆盖分析：不丹地区案例研究

07-24

内容概要：本文档详细介绍了如何使用Google Earth Engine (GEE) 平台进行地理空间数据分析。首先加载了WWF提供的六级流域边界数据集，并将流域边界添加到地图。接着，在特定研究区域内定义了一个兴趣点(POI)，并通过...

【遥感影像处理】基于Google Earth Engine的多光谱影像分类与精度评估：土地利用变化分析系统实现

07-23

然后定义了四类地物样本点（城市、水稻田、水体和其他植被），并将它们合并成训练样本集。通过随机森林算法对影像进行监督分类，同时评估分类精度，包括混淆矩阵、总体精度、Kappa系数、用户精度和生产者精度等指标...

基于学习的人工智能（1）为什么学习？

致力于大数据+AI 的应用创新。

11-24

233

学习是人类最重要的认知活动之一，贯穿我们的一生。出生后，我们无时无刻不在学习：从父母那里学说话，自己尝试走路，从小伙伴那里学会折纸飞机，从老师那里学到语文、数学等各种知识。研究人员始终将光源和风扇放在同一侧，经由学习，玉米幼苗逐渐学会了“有风的地方就会有光”的规律。之后，研究人员移去光源，并改变风扇方向，玉米幼苗依然按照所学知识，向风扇方向生长。1959 年，美国计算机学家亚瑟·塞缪尔设计了一款可以自我学习的跳棋程序，并将这一新方法称为“机器学习”，从而开启了机器自我学习的道路。

三大空间信息焕新：辉视让酒店服务、教育通知、监所管控更智能高效

CalebLXL的博客

11-24

454

走访这些场所后我发现，系统的真正价值不在于那些炫目的屏幕，而在于它构建了一套"空间信息免疫系统"——就像人体淋巴网络般，能智能识别各区域的信息需求，精准输送"营养"，快速清除"毒素"。当我们在酒店大堂不再错过末班机场大巴，在学校走廊偶遇恰好需要的竞赛通知，甚至在高墙内获得规整的信息权时，或许该重新思考：所谓智能化，本质是对空间信息代谢效率的一次外科手术式改造。这种荒诞的割裂感，正是传统信息分发模式崩溃的缩影——直到我最近走访数家采用辉视系统的场所，才意识到我们早已进入"精准信息触达"的新纪元。

（116页PPT）关于5G和新基建赋能智慧工地整体解决方案（附下载方式）

最新发布

2501_92808811的博客

11-25

291

在整体架构方面，方案以“5G智慧工地平台”为核心，依托多类感知设备（如传感器、摄像头、AI眼镜、智能安全帽等）采集数据，通过5G网络实时回传至云平台，再借助大数据、云计算、人工智能等技术进行分析处理，最终在PC、手机、监控大屏等多终端进行可视化展示。此外，文件还详细列举了传统智慧工地子系统（如深基坑监测、升降机监控、扬尘噪音监测、智能水电计量等）的功能与部署方式，并补充了如5G企业专网、实测机器人、智慧科技体验中心等延伸应用，体现出方案的系统性与前瞻性。详细资料请看本解读文章的最后内容。

中国计算机学会（CCF）推荐学术会议-A（人工智能）：ACL 2026

iaast的博客

11-24

445

大会官网：https://2026.aclweb.org/录用率：20.3%（1699/8360，2025年）时间地点：2026年7月2日-加州·美国。截稿时间：2026年1月5日。CCF推荐：A（人工智能）

RAG 的诞生：为了让 AI 不再“乱编”

weixin_44876263的博客

11-24

448

RAG全称，中文为“检索增强生成”。其核心思想是：在生成答案时，不仅依赖大模型内部的训练知识，还能够实时访问外部知识库或文档，从而生成更加准确和可靠的内容。就像一个学生回答问题，不仅依靠自己记忆，还会去图书馆查资料，然后结合记忆和查到的资料回答问题。你问模型：“请告诉我最新的新能源补贴政策。纯模型可能只靠训练记忆，回答的是过时或模糊的信息。RAG 模型会先去查最新政策文件，再结合训练知识生成答案，因此更准确。检索资料：先找到相关文档或信息。结合生成：把找到的资料和问题一起输入模型，让模型生成答案。

基于华为开发者空间实现花卉识别

优快云高校俱乐部官方博客

11-21

1941

基于华为开发者空间实现花卉识别

人工智能在医疗行业的革命性应用：从诊断到个性化治疗

2501_94114442的博客

11-21

504

人工智能（AI）技术近年来已经渗透到各个行业，其中，医疗行业无疑是受益最大之一。从疾病的早期诊断到个性化治疗方案的制定，AI正在加速医学领域的变革。通过机器学习、深度学习、自然语言处理等技术，AI不仅能够处理和分析大量的医疗数据，还能够帮助医生做出更加精准的决策，提升患者的治疗效果，并优化整个医疗体系的运作效率。本文将探讨人工智能在医疗行业的应用，分析其在不同医疗领域的具体作用，并展望AI如何进一步推动医疗健康行业的发展。

【NullSwap】NullSwap: Proactive Identity Cloaking Against Deepfake

人生不是轨道，是旷野。希望每天都有好心情。

11-23

311

由于生成模型的进步，被动检测高质量Deepfake图像的性能瓶颈，主动扰动提供了一种有前途的方法，通过将信号插入良性图像来禁用Deepfake操作。【生成模型的发展，使得生成高质量伪图越来越难被检测】然而，现有的主动扰动方法在以下几个方面仍然不能令人满意：【当前主动扰动存在的问题】1）由于直接元素添加而导致的视觉退化;2）对交换操纵的有效性有限;3）不可避免地依赖于白盒和灰盒设置，以在训练期间涉及生成模型。我们分析了深度伪造swap技术的本质，并论证了保护源身份而非目标图像的必要性。

Collect Earth：基于Google Earth的遥感数据采集与分析工具

其核心功能是将Google Earth、Bing Maps以及Google Earth Engine等多源影像服务集成到一个统一的操作界面中，使用户能够在全球范围内选择样本点并进行人工判读或辅助分析，从而实现对地表覆盖、土地利用变化、森林...