使用Google Earth Engine进行云和雪的分析和K-Means聚类

最新推荐文章于 2025-12-01 17:46:36 发布

LrlDebug

最新推荐文章于 2025-12-01 17:46:36 发布

阅读量131

点赞数

CC 4.0 BY-SA版权

文章标签： kmeans 聚类机器学习

本文链接：https://blog.youkuaiyun.com/LrlDebug/article/details/133021740

GEE 专栏收录该内容

79 篇文章 ¥59.90 ¥99.00

订阅专栏

本文介绍了如何利用Google Earth Engine进行云和雪的分析，以及K-Means聚类处理Sentinel-2遥感影像。首先导入GEE Python API并进行身份验证，接着加载Sentinel-2数据，定义云雪去除函数，应用该函数后进行K-Means聚类，最后导出聚类结果。读者可根据需求调整参数以优化结果。

Google Earth Engine（GEE）是一个强大的云平台，可以用于处理和分析遥感影像数据。在本文中，我们将介绍如何使用GEE来进行云和雪的分析，并将导出K-Means聚类分析后的影像结果。

首先，我们需要导入Google Earth Engine的Python API，并进行身份验证。

import ee

# 初始化 Earth Engine
ee.Initialize()

接下来，我们将加载Sentinel-2影像数据。Sentinel-2是欧洲空间局（ESA）的一组卫星，提供高分辨率的多光谱遥感影像数据。

# 加载Sentinel-2影像数据
sentinel_collection = ee.ImageCollection(

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

LrlDebug

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
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

Google Earth Engine（GEE）——MOD10A1.005 Terra Snow Cover Daily Global 500m下载高质量雪覆盖数据下载

此星光明博客

03-31

1476

我们用到的这个modis数据，这里有两个数据集： MOD10A1.006 Terra Snow Cover Daily Global 500m MOD10A1.005 Terra Snow Cover Daily Global 500m [deprecated] MOD10A1 V5 Snow Cover Daily Global 500m产品包含雪盖、雪反照率、雪盖分率和质量评估（QA）数据。积雪覆盖数据是基于采用归一化差异积雪指数（NDSI）和其他标准测试的积雪制图算法。正常的话我们用第一个数

Google Earth Engine（GEE）——Kmeans聚类快速进行土地分类(双for循环快速调参)

此星光明博客

06-17

2057

k均值聚类算法（k-means clustering algorithm）是一种迭代求解的聚类分析算法，其步骤是，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有（或最小数目）对象被重新分配给不同的聚类，没有（或最小数目）聚类中心再发生变化，误差平方和局

参与评论您还未登录，请先登录后发表或查看评论

Google Earth Engine（GEE）——MOD10A1 V6 Snow Cover Daily Global 500m积雪、积雪反照率、部分积雪和质量评估 (QA) 数据

此星光明博客

09-18

1911

1：亮度温度 >= 281K，像素高度 < 1300m，标志设置，雪检测反转为不下雪或亮度温度 >= 281K，像素高度 >= 1300m，标志设置，雪检测未反转。1：SWIR > 0.45 的雪像素，设置标志，雪检测反转为不下雪或雪像素 25% < SWIR

ISPRS2021/遥感影像云检测：一种地理信息驱动的方法和一种新的大规模遥感云/雪检测数据集

ssshyeong的博客

07-05

2686

本文提出了一种用于云和雪检测的新型神经网络——地理信息驱动网络(GeoInfoNet)。除了使用图像数据外，该模型还集成了训练和检测阶段的地理信息。专门设计了“地理信息编码器”，将图像的海拔、纬度和经度编码为一组辅助地图，然后将其输入检测网络。该网络可以通过密集鲁棒特征提取和融合进行端到端训练。建立了用于云雪检测的新数据集“Levir_CS”，该数据集包含4168幅高分一号卫星图像和相应的地理记录，比该领域其他数据集大20多倍。......

遥感分类误差矩阵_遥感图像如何识别山地与冰川

weixin_34151005的博客

01-09

2683

原标题：基于遥感图像的山地冰川识别方法对比摘要:研究识别山地冰川面积对预测全球气候变化和洪水灾害具有重要意义。在总结国内外山地冰川识别方法的基础上，以各拉丹冬冰川及其周围冰川群作为研究对象，基于有关遥感数据对比分析了目前计算冰川面积的 9 种主要方法，包括比值法、雪盖指数法( NDSI) 、非监督分类方法、监督分类方法、面向对象分类方法和神经网络分类方法，并基于混淆矩阵对这些分类方法进行了...

【Google Earth Engine零基础入门】

![【Google Earth Engine零基础入门】](https://img-blog.csdnimg.cn/img_convert/f9c4eb55575b3a4e6ab49490c80ea78a.png) ...在遥感技术和地理信息系统（GIS）领域，Google Earth Engine (GEE) 是一个革命性的云

GEE提取非洲养殖池，采用kmeans聚类算法和大津算法，具体步骤怎么做

10-28

以下是在Google Earth Engine (GEE) 中结合K-means聚类算法和大津算法(OTSU)提取非洲养殖池的具体步骤，包含完整的技术流程和代码实现： ### 技术流程 1. **数据准备与预处理** 2. **水体指数计算与大津阈值分割** ...

【GEE空间分析】：空间统计和模式识别技术的探索之旅

随着地球观测技术的发展，Google Earth Engine (GEE) 已经成为进行大规模空间数据分析和遥感应用的重要平台。本文对GEE的基础概念、空间统计、模式识别技术、高级应用以及未来发展进行了详细介绍。文章首先介绍了GEE...

GEE数据集操作深度解析：带你从新手到专业分析者的全流程

本文详细介绍了Google Earth Engine（GEE）平台的入门知识、基础数据集操作、高级分析技术、编程实践以及应用案例研究。首先，入门章节帮助读者快速掌握GEE平台的使用方法；随后，基础数据集操作章节涉及数据集的...

Google Earth Engine中使用K-Means聚类算法实现具有相同大小的集群

IxtProgramming的博客

09-22

305

在本文中，我们将使用Google Earth Engine（GEE）和QGIS来实现K-Means聚类算法，并确保生成的集群拥有相同的大小。K-Means是一种常用的聚类算法，它可以将数据点分为预定数量的簇。通过调整算法参数，我们可以确保生成的簇具有相同的大小。通过这些步骤，我们可以使用GEE和QGIS实现K-Means聚类算法，并确保生成的簇具有相同的大小。您可以根据自己的需求调整参数和进行进一步的分析。希望这篇文章对您有帮助！

GEE土地分类：土地分类精度评定和分类后影像进行（Kmeans，Gmeans，SNIC (Simple Non-Iterative Clustering）聚类分析和滤波（focal_mode）分析

此星光明博客

01-05

2407

使用聚类分析和滤波分析来进一步处理土地分类后的影像数据。聚类分析可以帮助您识别影像中的相似区域。您可以使用聚类算法，如K均值聚类或层次聚类，将像素分组到具有相似像素值的群集中。这可以帮助您更好地理解图像中的空间模式和结构，并可能揭示有用的信息。滤波分析可以帮助您平滑图像并去除噪声。常见的滤波器包括中值滤波器和高斯滤波器。这些滤波器可以帮助您消除图像中的随机变化，并使其更易于解释和分析。

google earth engine(GEE)进行非监督分类

锐多宝的地理空间

05-05

6236

在GEE非监督分类中，需要考虑的步骤

GEE (Google Earth Engine)高阶学习一影像分割

开心超人的博客

08-07

8025

影像分割就是把影像分成若干个特定、具有独特性质区域的技术和过程，是面向对象分类的重要基础。下面介绍几种GEE中自带的影像分割的算法。具体的算法原理，在这里不多介绍，主要还是展示算法的应用。使用例子的原始图像如下： 1.GMeans算法主要参数如下： image：待处理影像。 numlterations:迭代次数。 pValue:正态检验的显著性水平。相当于阈值，值越小，分割的越精细，影像被分割成的块数就越多。 neighborhoodSize

Google Earth Engine（GEE）——机器学习（非监督分类）

此星光明博客

08-19

1885

无监督分类（聚类）该ee.Clusterer包处理Earth Engine 中的无监督分类（或聚类）。这些算法目前基于Weka 中的同名算法。Clusterer代码编辑器中的参考文档中提供了有关每个的更多详细信息。聚类器的使用方式与地球引擎中的分类器相同。聚类的一般工作流程是：组合具有数字属性的特征以在其中查找聚类。实例化一个聚类器。如有必要，设置其参数。使用训练数据训练聚类器。将聚类器应用于图像或特征集合。标记集群。训练数据是一个FeatureCollection将输入到.

Google Earth Engine: 使用K-means聚类进行快速土地分类

VwajAlgorithm的博客

09-21

493

本文将介绍如何使用Google Earth Engine的Python API在GEE中使用K-means聚类算法快速进行土地分类，并提供相应的源代码。通过使用Google Earth Engine的Python API和K-means聚类算法，我们可以快速进行土地分类。使用这些方法，我们可以在Google Earth Engine平台上进行高效的土地分类分析。注意：请确保在执行上述代码之前，已正确安装所需的Python库，并且已进行了Google Earth Engine的身份验证。

Google Earth Engine（GEE）——单景影像的监督分类的案例分析（k means算法对数据进行聚类）

此星光明博客

08-17

274

每个特征在输入图像中的每一带都有一个属性。请注意，默认行为是放弃与被遮挡的像素相交的特征，这将导致属性为空值（见dropNulls参数）。

GEE python：使用geemap进行kmeans聚类土地分类（土地分类函数已经更新需要变动）

此星光明博客

06-30

745

安装地球引擎的Python API和geemap。geemap Python包是建立在ipyleaflet和folium包之上的，它实现了几个与地球引擎数据层交互的方法，比如Map.addLayer()、Map.setCenter()和Map.centerObject()。如果没有，它将安装geemap，它会自动安装其依赖项，包括earthengine-api、folium和ipyleaflet。这里我们需要改变一个函数，这里新的改变就是我们需要改变函数，ee.Classifier.libsvm（）

Google Earth Engine（GEE）——QGIS中具有相同大小集群的K-Means聚类

此星光明博客

11-21

2471

K-Means 聚类是一种流行的算法，用于自动将点分组为自然聚类。QGIS 带有处理工具箱算法“K-means 聚类”，它可以采用矢量图层并将特征分组为 N 个簇。该算法的一个问题是您无法控制每个集群中的最终点数。许多应用程序要求您将数据层分割成大小相等的集群或具有最少点数的集群。您可能需要的一些示例在规划 FTTH（光纤到户）网络时，人们可能希望将社区划分为至少 250 个房屋的集群，以放置节点。在销售团队之间平均划分销售区域/客户，将同一地区的客户分配到同一团队。 K-means 算法有一个变体

KNN分类器与K-means无监督聚类详解