Google Earth Engine：加载和下载北京市的多指数影像

最新推荐文章于 2025-07-20 23:20:47 发布
最新推荐文章于 2025-07-20 23:20:47 发布
阅读量127 收藏
点赞数
CC 4.0 BY-SA版权
文章标签： java 数据库 前端 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/LrlDebug/article/details/133206299
GEE 专栏收录该内容
79 篇文章 ¥59.90 ¥99.00
订阅专栏
本文展示了如何利用Google Earth Engine进行地理空间数据分析，以北京市为例，详细说明加载Landsat 8 TOA反射率数据、选择波段、裁剪影像以及将处理结果导出为GeoTIFF格式的过程。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Google Earth Engine（GEE）是一个强大的云平台，用于进行地理空间数据分析和可视化。它提供了丰富的遥感数据集和分析工具，使用户能够轻松处理大规模的地理空间数据。本文将以北京市为例，介绍如何在GEE中加载和下载多指数影像。

  1. 登录和导航至Google Earth Engine

首先，访问Google Earth Engine网站（https://earthengine.google.com/ ↗），使用您的Google账号登录。登录后，您将进入GEE的代码编辑器界面。

  1. 加载多指数影像

在GEE代码编辑器中，您可以使用JavaScript编写代码来加载和处理数据。下面是一个加载多指数影像的示例代码：

// 选择感兴趣区域
var roi = ee.Geometry.Rectangle(
了解本专栏 订阅专栏 解锁全文
使用Google Earth Engine进行逐月数据下载：以北京市为例
TpjtRuby的博客
09-28 244
在本文中，我们将介绍如何使用Google Earth Engine（GEE）平台下载逐月数据，并以北京市为例进行说明。通过使用GEE，我们可以轻松地获取和处理各种地理空间数据，并进行进一步的分析和可视化。以北京市为例，我们可以根据自己的需求修改代码，下载适合自己研究的地理空间数据。请注意，需要根据实际情况修改代码中的图像集合和处理逻辑，以适应你所需的数据和操作。在上述代码中，我们首先定义了一个地理区域（以北京市为例），然后设置了要下载的时间范围（从2010年1月1日到2020年12月31日）。
Google Earth Engine（GEE）——一个简单的多指数影像的加载和下载以北京市为例
此星光明博客
09-21 1192
以及（d）带有分隔符的文件夹名称（例如'path/to/file'）被解释为字面字符串，而不是系统路径。注意，返回的图像波段名称是'nd'，输入的图像属性不会保留在输出的图像中，任何一个输入波段的负像素值都会导致输出的像素被屏蔽。可以指定一个单一的数字来表示正方形，也可以指定一个两个尺寸的数组来表示（宽，高）。"crsTransform"、"scale "和 "dimensions "是相互排斥的。输出的图像所使用的尺寸。指定要使用的波段的名称的列表。直方图桶的最小宽度，如果为空，则允许2的任何次方。
谷歌地球引擎GEE保姆级注册教程，完整注册流程，问卷填写
qq_62780732的博客
08-07 1万+
谷歌地球引擎GEE保姆级注册教程，完整注册流程，问卷填写
探索 Google Earth Engine：连续干旱天数的计算与空间可视化
Promising_GEO的博客
10-10 1749
本文教会你在GEE上实现连续干旱天数的空间可视化，一篇很好的案例！
基于 Google Earth Engine 的北京市中心区域地表温度反演
lestatlu的博客
04-22 1152
有些话说在前面，我看到现在有很多类似的GEE资源是收费的，但是实际上这些内容都很简单，大家可以自己试一试，没必要为这些简单的内容付费。如果有一些更为复杂的部分或者比较完整费时费力的内容项目，再去付费学习更为合理。本文将详细介绍如何使用 GEE 对北京市中心区域的地表温度进行反演，并将结果导出保存。
基于 Google Earth Engine 的北京市植被 NDVI 时间序列分析
lestatlu的博客
04-23 431
本文将详细介绍如何使用 GEE 对北京市的植被 NDVI 进行时间序列分析，并生成可视化图表和导出数据。
Google Earth Engine谷歌地球引擎GEE中JavaScript脚本语言代码基础规则与函数语句
疯狂学习GIS的博客
08-09 3052
  本文主要对GEE中的JavaScript代码基础规则与语句、函数等加以介绍。本文是谷歌地球引擎（Google Earth Engine，GEE）系列教学文章的第九篇，更多GEE文章请参考专栏：GEE学习与应用（https://blog.youkuaiyun.com/zhebushibiaoshifu/category_11081040.html）。   在前面的八篇GEE教学博客中，我们对GEE的基本与主要操作加以了详细介绍与应用实践；通过前八篇文章，我们初步了解了GEE的简单规则与应用。有了初步的了解，我们便可以
Google Earth Engine (GEE)——GEE制作gif动态图（北京市为例）
此星光明博客
10-11 1318
palette (逗号分隔的字符串) CSS风格的颜色字符串的列表（仅适用于单频段预览）。bands (逗号分隔的字符串) 以逗号分隔的要映射到RGB的波段名称列表。bias (逗号分隔的数字) 映射到00-FF的偏移（或每个波段一个）。gain（逗号分隔的数字）映射到00-FF的增益（或每个波段的一个）。gamma 伽玛（逗号分隔的数字） 伽玛校正因子（或每个波段一个）。min (逗号分隔的数字) 要映射到00的值（或每个波段一个）。max (以逗号分隔的数字) 映射到FF的值（或每个波段一个）。
Google Earth Engine（GEE）批量下载哨兵1号数据
热门推荐
guaicaicexu的博客
08-23 1万+
今天来简单分享下如何在GEE中批量下载哨兵1号数据数据介绍：数据源为COPERNICUS/S1_GRD，是SAR数据。可能的组合是单波段 VV 或 HH，以及双波段 VV+VH 和 HH+HV：波段介绍如下：VV：单共极化，垂直发射/垂直接收HH：单共极化，水平发射/水平接收VV + VH：双频交叉极化，垂直发射/水平接收HH + HV：双频交叉极化，水平发射/垂直接收还包括一个额外的“角度”...
使用PIE engine免费快速下载全球12.5m的DEM影像
锐多宝的地理空间
07-21 6817
下载高程数据,一共就四个个步骤: 1.注册PIE engine 2.加载范围文件; 3.加载高程数据文件; 4.导出DEM文件; 引言 在这之前,我先说明一下,为什么要使用PIE engine来下载DEM数据?我们也可以直接用官网下载DEM数据啊? 12m的DEM下载官网的地址是https://search.asf.alaska.edu/#/,有需要的自取; 但是这种方法并不方便:因为需要筛选使用哪一景影像；下载到本地还需要自己裁剪、镶嵌。 我的原则是能省事就省事，能懒就懒。当朋友问我
Google Earth Engine(GEE) 03-矢量数据类型
m0_37755995的博客
06-26 704
Google Earth Engine(GEE) 03-矢量数据类型（GEE基本语法、Geometry, Dictionary, Feature和FeatureCollection之间的关系、Dictionary、Feature—常用函数、FeatureCollection—常用函数、实例1— 陆丝经济带与成渝经济圈、实例2— 一带一路沿线国家与城市、实例3— 影像可用性分析条带号（研究区的图幅范围）、实例4— 研究区分块运算原理（解决算力不足的问题））...
Spring Cloud Gateway 电商系统实战指南：架构设计与深度优化
weixin_43680337的博客
07-20 425
场景推荐配置注意事项秒杀活动令牌桶burstCapacity=3倍常规值配合Redis集群使用支付接口严格限流+熔断设置独立路由组商品查询启用缓存过滤器注意缓存击穿防护用户登录双活认证中心路由熔断策略要宽松。
非控制器（如 Service、工具类）中便捷地获取当前 HTTP 请求的上下文信息
weixin_42456784的博客
07-16 1175
Spring的RequestContextHolder工具类允许在Service层或工具类中直接获取当前HTTP请求上下文，无需通过参数传递。它基于ThreadLocal存储请求对象，提供静态方法获取HttpServletRequest/Response。适用于获取请求头、IP等场景，但需注意：1)仅Web线程有效，异步环境需额外处理；2)过度使用会增加代码耦合；3)线程安全但异步操作需手动传递上下文。该工具虽便利，但应合理使用以避免增加测试难度和系统耦合。
在Java中String类为什么不可以修改？
Java开发者，专注后端技术分享，深耕框架实战与架构优化，持续输出优质技术干货。
07-17 995
Java中String类的不可变性是其核心设计，通过final修饰和私有字符数组确保内容不可修改。这种设计支持字符串常量池优化、哈希码缓存和线程安全。虽然可通过反射强制修改，但会破坏设计原则。频繁修改字符串应使用StringBuilder/StringBuffer。不可变性在性能、安全和内存管理方面提供了关键优势，是Java语言的主动选择。
SQL，在join中，on和where的区别
【小石头的茅坑】
07-16 425
参考。
Java学习------------Fork/Join框架
shouxifeiwu的博客
07-16 314
其中，Fork部分采用了工作窃取算法，Fork拆分时会产生多个线程，每个线程都会有一个自己的队列用于存储任务，例如A队列对应的就是A线程的任务，B队列对应的就是B线程的任务，一旦出现某个线程把自己的任务干完了，其回去别的线程里的队列里“偷走”任务，由于这时会出现2个线程都在调用一个队列，所以为了防止资源浪费，这个队列会设计成双端队列，即可以从队列头调用任务，也可以从队列尾调用任务，“偷窃”线程从队列尾“偷走”任务，而队列对应的线程则从队列头调用任务。
Springboot中的Shiro框架
m0_58680378的博客
07-16 1022
** doGetAuthorizationInfo：权限校验* 获取用户权限信息*/@Override/** doGetAuthenticationInfo：认证校验*/@Override认证和授权的过程通常需要把这两个方法实现就可以。
RocketMQ核心编程模型
最新发布
weixin_74024217的博客
07-20 214
RocketMQ的客户端设计充分考虑了金融级场景需求，通过多种消息模型组合可满足复杂业务场景。
C++ 编译链接机制的演化路径
he_wen_jie的博客
07-20 424
以 完全问题驱动的方式 推导 C++ 编译链接机制的演化路径。每一步都基于前一阶段无法解决的问题，提出新的设计方案，不依赖当前 GCC 或 MSVC 的实现细节，而是像一个架构师一样，从零开始设计一个现代 C++ 系统。
遥感影像指数折线图出图
03-28
<think>嗯，用户想用Python或GIS工具生成遥感影像指数的折线图。首先，我得回想一下相关的工具和方法。记得之前看过GDAL和GEE的用法，可能这两个库能派上用场。 用户提到的站内引用里，引用[1]提到用GDAL批量绘制多时相栅格影像的像元时间序列曲线图，这应该是一个方法。GDAL处理栅格数据比较常见，可以读取每个时间点的影像数据，提取特定像元的值，然后画图。可能需要遍历所有影像文件，获取时间序列数据，再用matplotlib绘图。 另外，引用[2]提到了Google Earth Engine的Python库，也就是GEE。GEE适合处理大规模的遥感数据，可能更方便，特别是如果用户需要处理长时间序列或者大范围的数据。GEE可以直接在云端处理数据，不需要下载到本地，这对大量数据来说可能更高效。 接下来，用户的问题是如何生成这些折线图。需要分步骤考虑。比如，使用GDAL的话，步骤可能包括：读取所有影像文件，提取某个像元或区域的指数值，按时间排序，然后绘制折线图。而用GEE的话，可能需要先筛选影像集合，提取感兴趣的点或区域的时间序列，然后导出数据并绘图。 还需要考虑用户的具体需求，比如是单个像元还是区域平均，时间范围，以及需要哪种指数（比如NDVI、NDWI等）。不同的指数可能需要不同的计算方法，比如在GEE中可能已经内置了这些指数的计算函数，而用GDAL的话可能需要手动计算。 另外，GIS工具方面，比如QGIS有没有相关的插件或者工具可以直接生成时间序列的折线图？可能有一些时间序列插件，或者通过Python控制QGIS来处理。不过用户可能更倾向于直接用Python脚本，所以重点放在GDAL和GEE的方案上。 需要确保代码示例正确。GDAL的代码可能需要先读取所有tif文件，提取日期信息，比如从文件名中解析日期，或者从元数据中获取。然后对于每个影像，读取特定坐标的像元值，保存到列表中，最后用matplotlib绘图。而GEE的代码可能需要先定义感兴趣点，过滤影像集合，映射计算指数函数，然后获取时间序列数据，导出到Pandas，再绘图。 可能遇到的问题：坐标系统的统一，确保所有影像对齐；处理缺失数据或云覆盖；时间排序的正确性；以及性能问题，特别是GDAL处理大量文件时可能较慢，而GEE在云端处理更快。 另外，用户可能需要安装相应的库，比如GDAL的安装可能比较麻烦，需要先安装二进制文件再装Python绑定。而GEE需要注册账号和验证，这些在代码示例中需要提及，比如eemont和geemap的安装，以及初始化的步骤。 总结下来，回答应该分为两个主要部分：使用Python GDAL的方案和使用GEE的方案。每个部分给出步骤和代码示例，并提醒可能需要注意的问题，比如坐标转换、时间解析、数据过滤等。最后生成相关问题，帮助用户深入理解。</think>### 分步解决方案 以下是使用**Python GDAL**和**Google Earth Engine (GEE)**生成遥感影像指数折线图的具体方法： --- ### **方法一：Python GDAL实现** #### **步骤说明** 1. **数据准备** - 将所有多时相遥感影像（如NDVI、NDWI等指数计算结果）存储在同一文件夹，文件名需包含日期（如`NDVI_20200101.tif`）。 - 确保所有影像的坐标系和分辨率一致。 2. **读取数据并提取像元值** ```python import os import gdal import matplotlib.pyplot as plt import pandas as pd # 目标像元坐标（需根据实际影像坐标系调整） x, y = 500, 300 # 遍历文件夹读取数据 folder_path = "path/to/rasters" time_series = [] dates = [] for file in sorted(os.listdir(folder_path)): if file.endswith(".tif"): date = file.split("_")[1].split(".")[0] # 从文件名提取日期 dates.append(pd.to_datetime(date, format="%Y%m%d")) ds = gdal.Open(os.path.join(folder_path, file)) band = ds.GetRasterBand(1) value = band.ReadAsArray(x, y, 1, 1)[0][0] time_series.append(value) ds = None # 关闭数据集 # 创建时间序列DataFrame df = pd.DataFrame({"Date": dates, "Index": time_series}).sort_values("Date") ``` 3. **绘制折线图** ```python plt.figure(figsize=(12, 6)) plt.plot(df["Date"], df["Index"], marker='o', linestyle='-') plt.title("遥感指数时间序列（坐标：x=500, y=300）") plt.xlabel("日期") plt.ylabel("指数值（如NDVI）") plt.grid(True) plt.show() ``` --- ### **方法二：Google Earth Engine (GEE)实现** #### **步骤说明** 1. **初始化GEE环境** ```python import ee import geemap import pandas as pd ee.Authenticate() # 首次使用需验证 ee.Initialize() ``` 2. **定义感兴趣区域（ROI）与数据集** ```python # 定义点坐标（示例为北京市中心） roi = ee.Geometry.Point([116.3975, 39.9087]) # 加载Landsat 8影像集（示例为NDVI计算） collection = ee.ImageCollection("LANDSAT/LC08/C02/T1_L2") \ .filterBounds(roi) \ .filterDate('2010-01-01', '2023-12-31') # 定义NDVI计算函数 def calculate_ndvi(image): ndvi = image.normalizedDifference(['SR_B5', 'SR_B4']).rename('NDVI') return image.addBands(ndvi) ``` 3. **提取时间序列数据** ```python # 应用NDVI计算并提取时间序列 ndvi_collection = collection.map(calculate_ndvi) ts_data = ndvi_collection.getRegion(roi, scale=30).getInfo() # 转换为DataFrame headers = ts_data[0] df = pd.DataFrame(ts_data[1:], columns=headers) df['Date'] = pd.to_datetime(df['time'], unit='ms') df['NDVI'] = df['NDVI'].astype(float) ``` 4. **绘制折线图** ```python plt.figure(figsize=(12, 6)) plt.plot(df['Date'], df['NDVI'], marker='o', linestyle='-') plt.title("GEE提取的NDVI时间序列") plt.xlabel("日期") plt.ylabel("NDVI") plt.grid(True) plt.show() ``` --- ### **关键注意事项** 1. **坐标对齐**：确保GDAL方法中所有影像坐标系一致，GEE中需使用实际地理坐标[^1][^2]。 2. **数据质量**：GEE方法可通过`.filter(ee.Filter.lt('CLOUD_COVER', 10))`过滤云覆盖高的影像。 3. **性能优化**：GDAL处理大量数据时可使用多线程或`rasterio`库替代。 ---
评论 1
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