Google Earth Engine中获取随机点的长时序波段折线图

最新推荐文章于 2024-06-16 14:00:00 发布
最新推荐文章于 2024-06-16 14:00:00 发布
阅读量131 收藏
点赞数
CC 4.0 BY-SA版权
文章标签： GEE
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.youkuaiyun.com/IxtProgramming/article/details/133245096
GEE 专栏收录该内容
75 篇文章 ¥59.90 ¥99.00
订阅专栏
本文展示了如何在Google Earth Engine中使用JavaScript编程提取随机点的Landsat 8卫星波段数据，并创建折线图展示长时序变化。通过导入图像、创建随机点图层、提取波段数据和生成图表，实现了对遥感数据的可视化分析。

Google Earth Engine（GEE）是一个功能强大的云平台，提供了丰富的地理空间数据和计算资源，用于进行遥感影像分析和地理空间数据处理。在GEE中，我们可以使用JavaScript编程语言来访问和处理遥感数据。

本文将介绍如何在GEE中获取随机点的长时序波段折线图。首先，我们将创建一个随机点图层，然后从该图层中选择一些点，并提取这些点在一段时间内的多个波段数据。最后，我们将使用图表工具在折线图中可视化这些波段数据的变化趋势。

以下是在GEE中实现此任务的详细步骤和代码示例：

步骤1：导入图像和区域兴趣

首先，我们需要导入我们感兴趣的图像数据。在此示例中，我们将使用Landsat 8卫星的图像作为示例数据。我们还需要选择一个区域兴趣（Region of Interest，ROI），以便在该区域内选择随机点。

// 导入Landsat 8图像
var imageCollection = ee.ImageCollection('LANDSAT/LC08/C01/T1'
了解本专栏 订阅专栏 解锁全文
Google Earth Engine（GEE）——求随机点中的长时序的各波段的折线图（附给矢量集合添加时间属性）
此星光明博客
05-04 1133
给点添加随机数id的一个函数，然后方便获取点的位置，最后通过设定影像时间加载每一个点的波段值，下面是所需用到的函数，这里 面还解决了一个问题就是把处理过后的影像没有时间属性的点，通过添加原始影像的时间，可以进一步来通过时间属性来加载chart randomColumn(columnName, seed, distribution) 在一个集合中添加一列确定性的伪随机数。输出是双精度的浮点数字。当使用 "均匀 "分布（默认）时，输出在[0, 1]的范围内。使用 "正常 "分布，输出有μ=0，𝛔=1，但没有明
使用Google Earth Engine进行Landsat 5影像融合和时序分析并导出影像视频
TpjtRuby的博客
09-18 785
通过执行上述代码，您将能够使用Google Earth Engine进行Landsat 5影像融合和时序分析，并将结果导出为影像视频。请注意，这只是一个简单的例子，您可以根据自己的需求进行更复杂的分析和可视化。在本文中，我们将介绍如何使用Google Earth Engine（GEE）平台进行Landsat 5影像融合和时序分析，并将结果导出为影像视频。您可以使用GEE的交互式地图工具来绘制一个区域或使用预定义的边界，这取决于您的需求。接下来，我们将对筛选后的影像执行影像融合操作。
Google Earth Engine（GEE）——一个简单的影像波段时序折现图
此星光明博客
09-02 1015
绘制一个区域内每个波段在不同图像中的衍生值。用于生成Y轴数值的还原器。必须返回一个单一的值。通过计算所有匹配波段堆栈中每个像素的所有值的平均值来减少图像集合。波段是按名称匹配的。作为X轴上每个图像的标签的属性。一个包含数据的ImageCollection，将被包含在图表中。将地图视图放在给定坐标和给定缩放级别的中心位置。xProperty（字符串，可选）。这个也可以直接防止geometry。与还原器一起使用的刻度，单位是米。reducer（还原器，可选）。中心的经度，单位是度。中心的纬度，单位是度。...
Google Earth Engine：生成影像波段时序折线图的简单方法
LhlbPerl的博客
09-17 631
在Google Earth Engine (GEE) 中，我们可以使用影像时序数据创建波段的时序折线图。本文将介绍如何使用GEE生成影像波段的时序折线图，并提供相应的源代码。通过这种方式，我们可以在GEE中很方便地生成影像波段的时序折线图。你可以根据自己的需求选择不同的遥感数据和感兴趣区域，进一步探索和分析地球观测数据。运行以上代码后，你将在控制台中看到生成的影像波段时序折线图。接下来，我们需要计算ROI中每个时间点上波段的平均值，并将结果保存为一个特征集合（FeatureCollection）。
Google Earth Engine APP —— 全球地表温度监测APP（时序折线图和直方图展示）按照每个月展示
此星光明博客
10-28 1693
本次APP展示主要的目的是为了给全球地表温度通过点击任何一个点来获取这个点时间序列展示，当然这里我们除了进行正常的影像设置，也就是默认状态下的设定，我们可以通过改变间隔时间来展示我们每个月的影像温度。这里仅仅呈现了一个默认状态下的折线图 ，我们通过改变collection，并且设定时间属性来改变最后图表的横坐标轴，这里按照指定的年和月来筛选影像，从而获得指定的按照逐年每月的影像集合。必须返回一个单一的值。作为X轴上每个图像的标签的属性。一个包含数据的ImageCollection，将被包含在图表中。
Google Earth Engine（GEE）——计算闪闪红星的ndvi的值和折线图（时序分析）
此星光明博客
06-16 289
函数：ui.Chart.image.doySeries(imageCollection, region, regionReducer, scale, yearReducer, startDay, endDay)Generates a Chart from an ImageCollection. Plots derived values of each band in a region for a each day of the year.- X-axis: Day of year (startDay to
Google Earth Engine（GEE）——单个像素点的时序分析可以获取NDVI、EVI、NDMI、TCG、TCB、TCW等指数1984至2021年的单点时序
此星光明博客
05-17 2813
今天给大家介绍一个简单的时间序列的计算APP，这个APP是俄勒冈大学开发的，可以获取众多指数和单波段影像的指数长达近40年的分析。 本次的APP的链接网址在：LT-GEE Pixel Time Series 整体的界面很简单，最左边是时间年份的选择也就是时间序列的起始值，期间范围可以定义月和日的时间。指数可以选择合成的波段也可以有单一波段的。值域像素点的定位你可以按照经纬度去定义即可，下面的一些参数大家可以根据自己的需求去定义。中间部分就是和MAP一样的内容，右侧就相当于console控制台，显示时间序
Google Earth Engine（GEE）——合并VCI指数和TCI温度得时序影像折线图（危地马拉、萨尔瓦多为例）
此星光明博客
06-22 1136
本次得实验是适用MODIS影像MODIS/006/MOD13Q1和MODIS/006/MOD11A2对影像进行分析分别选取NDVI波段和LST波段进行时间序列分析，分别先对NDVI最大最小值归一化，然后计算VCI，然后通过LST同样计算TCI，然后分别将两者展示：代码： 结果：...
【遥感与地理信息系统】基于Google Earth Engine的多源卫星数据处理框架：水体环境参数时序分析系统设计
10-22
代码实现了数据预处理（如辐射校正、云掩膜）、多种植被与水体指数计算（如NDVI、NDWI）、地表温度（LST）提取以及多项水质参数反演（包括叶绿素a...地图可视化、图例生成、交互式UI控制面板、导出影像到Google Drive...
基于GEC6818平台的五子棋人机对战系统设计与实现
11-25
五子棋作为一种广为人知的策略性棋盘游戏，其基本规则易于掌握。在选定人机对战模式后，由程序执黑先行，用户执白应对。双方依次在棋盘上落子，任何一方在横向、纵向或斜向形成连续五个或更多同色棋子即获胜。 项目资源涵盖多个技术领域的程序代码，涉及前后端开发、移动终端应用、操作系统、智能系统、物联网技术、信息管理系统、数据存储方案、硬件设计、大数据处理、教学资料、多媒体处理及网站构建等多个方向。具体技术实例包括嵌入式平台如STM32与ESP8266，编程语言如PHP、QT、C++、Java、Python、C#，系统开发如Linux与iOS，以及电子设计自动化工具和实时操作系统等。 主要技术栈包含服务端开发语言Java、Python及Node.js，后端框架Spring Boot与Django，前端技术React、Angular与Vue，界面设计框架Bootstrap与Material-UI，数据库系统MySQL、PostgreSQL和MongoDB，缓存工具Redis，以及容器化部署方案Docker与Kubernetes。 资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！
lv_0_20251125195629.mp4
11-25
lv_0_20251125195629.mp4
numpy、pandas、sklearn、pytorch等数据分析工具的一些使用技巧
11-25
NumPy数组操作实战技巧 numpy、pandas、sklearn、pytorch等数据分析工具的一些使用技巧
中国Cassandra数据库用户组开源社区项目-专注于Apache-Cassandra分布式NoSQL数据库技术研究与实践-提供技术文档下载与源码解析-集成Titan图数据库与Lu.zip
最新发布
11-25
Buffer内存管理实战技巧中国Cassandra数据库用户组开源社区项目_专注于Apache_Cassandra分布式NoSQL数据库技术研究与实践_提供技术文档下载与源码解析_集成Titan图数据库与Lu.zip中国Cassandra数据库用户组开源社区项目_专注于Apache_Cassandra分布式NoSQL数据库技术研究与实践_提供技术文档下载与源码解析_集成Titan图数据库与Lu.zip
图像处理基于电磁学优化算法的多阈值分割算法研究（Matlab代码实现）
11-25
【图像处理】基于电磁学优化算法的多阈值分割算法研究（Matlab代码实现）内容概要：本文研究基于电磁学优化算法（Electromagnetism-like Optimization, EMO）的多阈值图像分割方法，并通过Matlab代码实现。该方法借鉴电磁学中电荷间相互作用的机制，将图像分割问题转化为优化问题，利用EMO算法搜索最优阈值组合，以最大化分割效果的评价指标（如Otsu法或多级别熵）。文中详细介绍了EMO算法的基本原理、实现步骤及其在图像多阈值分割中的具体应用流程，展示了该算法能够有效避免传统方法易陷入局部最优的问题，从而获得更精确的分割结果。; 适合人群：具备图像处理基础知识和Matlab编程能力的高校学生、科研人员及工程技术人员。; 使用场景及目标：①解决复杂背景下图像的多目标分割问题，提升医学影像、遥感图像等领域的分割精度；②学习智能优化算法（如EMO）在图像处理中的实际应用，为研究新型分割算法提供技术参考和实现范例。; 阅读建议：在学习过程中应结合Matlab代码，深入理解EMO算法的寻优机制与图像分割评价函数的构建方法，建议自行调试不同参数对分割效果的影响，以加深对算法性能的理解。
DriverBooster12pro
11-25
DriverBooster12pro
Java8与Java21切换方法[项目代码]
11-25
本文介绍了如何通过设置环境变量实现Java8与Java21版本的自由切换，避免反复卸载安装。具体步骤包括分别安装Java8和Java21，设置JAVA_HOME环境变量指向所需版本，并调整Path变量中的路径顺序。此外，还提供了版本切换失效的解决方法，如重新打开cmd窗口或调整Path中路径的优先级。最后，文章提到了残留问题，如javac -version显示旧版本及java -version始终显示8版本的情况。
基于机器学习的糖尿病风险预测系统源码实现（含详细注释）
11-25
本研究提供一套运用机器学习技术进行糖尿病风险预测的系统源代码，该成果在学术评审中获得优异评价。程序结构清晰且附带详尽注释，便于初学者理解与应用。系统界面设计直观，功能模块完备，支持管理员高效管理操作。经过多轮严格测试验证，系统运行稳定可靠，具备显著的实践推广价值。本资源适用于毕业设计、课程结业作业及学术研究等场景，部署流程简单快捷，下载后即可直接投入教学或科研使用。所有程序文件均已完整包含在项目包内，确保开箱即用的便捷性。 资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！
彩虹易支付快手支付插件 – 支持微信支付宝
11-25
这是一款彩虹易支付快手支付插件支持微信/支付宝支付，已适配彩虹易支付2025/06/02：3088 版本，将压缩包丢到网站根目录解压覆盖替换。进入后台支付接口->>支付插件->>刷新支付插件，喜欢的自行部署吧！
chrome142版本无更新组件安装包
11-25
chrome142版本无更新组件安装包
gee水体长时序变化监测
03-20
### GEE 水体长时序变化监测方法 #### 数据准备 Google Earth Engine (GEE) 提供了一个强大的云计算平台，支持大规模遥感数据分析。对于水体长时序变化监测，通常会使用 Sentinel-2 或 Landsat 系列影像作为主要数据源。这些影像具有较高的时间和空间分辨率，适合进行长时间序列的水体动态分析[^1]。 为了提高分析精度，可以结合地理信息系统（GIS）中的辅助数据层，例如高程模型（DEM）、土地覆盖分类图等。通过将遥感影像与 GIS 数据融合，可以获得更加丰富的背景信息和支持条件，从而提升水体提取和变化检测的效果。 --- #### 影像预处理 在实际应用中，原始遥感影像往往受到云、阴影以及大气效应的影响。因此，在执行具体分析之前，需要完成一系列预处理操作： 1. **去云和阴影掩膜**：利用 Sentinel-2 的 QA 波段或者 Fmask 工具去除受云污染的部分。 2. **辐射校正和大气校正**：采用 Sen2Cor 或者 Dark Object Subtraction 方法对反射率进行标准化处理。 3. **重采样和裁剪**：根据研究区域范围调整影像的空间分辨率并裁切至目标边界。 以下是基于 Python API 实现的一个简单示例代码片段来展示如何加载和清理 Sentinel-2 图像集合： ```python import ee ee.Initialize() def maskClouds(image): qa = image.select('QA60') cloudBitMask = 1 << 10 cirrusBitMask = 1 << 11 maskedImage = image.updateMask(qa.bitwiseAnd(cloudBitMask).eq(0)).updateMask(qa.bitwiseAnd(cirrusBitMask).eq(0)) return maskedImage.divide(10000) studyArea = ee.Geometry.Rectangle([102, 24, 103, 25]) # Example area: Dianchi Lake region collection = (ee.ImageCollection('COPERNICUS/S2_SR') .filterDate('2015-01-01', '2023-12-31') .filterBounds(studyArea) .map(maskClouds)) print(collection.size().getInfo()) ``` --- #### 水体指数计算 常用的水体识别算法包括归一化差分水体指数（NDWI），它可以通过以下公式定义： \[ NDWI = \frac{\rho_{green} - \rho_{nir}}{\rho_{green} + \rho_{nir}} \] 其中 \( \rho_{green} \) 和 \( \rho_{nir} \) 分别代表绿光波段和近红外波段的地表反射率值。当 NDWI 值较高时表明该像素更可能是水面的一部分。 另一种改进版本 MNDWI 则加入了短波红外波段 SWIR 来进一步增强对比度效果： \[ MNDWI = \frac{\rho_{green} - \rho_{swir}}{\rho_{green} + \rho_{swir}} \] 下面是一个完整的函数实现用于批量生成年度最大值合成图像，并从中提取潜在水域面积比例统计结果的例子： ```javascript // JavaScript Code Snippet for Google Earth Engine Platform var calculateAnnualMaxWaterExtent = function(year){ var startDate = year+'-01-01'; var endDate = year+'-12-31'; var annualImages = collection.filter(ee.Filter.calendarRange(parseInt(year), parseInt(year), 'year')); // Compute the median composite. var waterIndexComposite = annualImages.median(); // Apply threshold to identify water pixels based on NDWI values (-0.1 is an example value). var waterThresholded = waterIndexComposite.expression( '(b("ndwi") >= -0.1)', { ndwi: waterIndexComposite.normalizedDifference(['B3','B8']) } ).rename('water'); return waterThresholded; }; for(var y=2015; y<=2023; ++y){ Export.image.toDrive({ image:calculateAnnualMaxWaterExtent(String(y)), description:'DianChi_Water_Year_'+String(y), scale:10, maxPixels:1e9, region: studyArea.coordinates() }); } ``` --- #### 时间序列分析 时间序列分析可以帮助揭示水体随季节波动规律及其长期演变趋势。常见的做法是对多年份的数据集按月平均聚合后再绘制折线图表可视化呈现出来；另外也可以借助机器学习聚类算法自动发现隐藏模式特征等等^。 此外值得注意的是植被生长状况同样会对局部微气候造成影响进而间接改变附近湖泊河流水量平衡关系等方面因素也应纳入考量范畴之内[^2]. 最后提醒一下如果涉及到洪水灾害应急响应场景下则需特别关注实时更新频率较快的小卫星星座资料来源以便尽快掌握最新受灾情况进展动态信息反馈给相关部门决策参考依据之用[^3]. ---
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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