GEE：使用Python编程对多波段影像进行归一化

最新推荐文章于 2025-11-26 15:40:52 发布

心之飞翼

最新推荐文章于 2025-11-26 15:40:52 发布

阅读量326

点赞数 1

CC 4.0 BY-SA版权

文章标签： python 开发语言编程

本文链接：https://blog.youkuaiyun.com/TechO_O/article/details/132330270

编程专栏收录该内容

407 篇文章 ¥29.90 ¥99.00

订阅专栏

本文介绍了如何使用Python在Google Earth Engine (GEE) 上对多波段影像进行归一化，包括获取Landsat 8卫星数据，使用线性拉伸法进行归一化处理，以及归一化后的影像数据应用。

GEE：使用Python编程对多波段影像进行归一化

多波段影像归一化是遥感图像处理中常用的一项技术，它可以将不同波段的像素值转换为相同的数值范围，以便于进行后续分析和比较。本文将介绍如何使用Python编程语言在Google Earth Engine (GEE) 平台上对多波段影像进行归一化。

首先，我们需要使用GEE平台提供的API来获取多波段影像数据。以下是一个示例代码，用于获取Landsat 8卫星的多光谱影像数据：

import ee

# 初始化 GEE
ee.Initialize()

# 定义区域范围
region = ee.Geometry.Rectangle([

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

心之飞翼

关注关注

1
点赞
踩
1

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）——将所选影像的波段影响至进行归一化处理

此星光明博客

03-23

1118

如何进行计算归一化标准化波段，很多时候我们只知道归一化多波段遥感影像，也就是归一化植被指数等操作，因为有现成的函数，但是我们在没有影像单一波段的归一化操作的标准函数，这里我们可以参考以下函数进行分析，归一化所有影像波段。

GEE Python 使用1990和2010年单景影像进行NDVI归一化植被指数差值计算

此星光明博客

06-28

356

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。这里我们加载landsat 5的影像，然后进行NDVI的单景计算，这里分别查看20年的差异的对比，值得注意的是我们这里需要使用getNDVI(image1)来分别获取相应的NDVI影像，这个不同于select函数，所以我们值得注意和JavaScript的差异。更新现有蒙版不存在的所有位置的图像蒙版。mask：图像的新掩码，作为浮点值。单波段，用于输入图像中的所有波段；

参与评论您还未登录，请先登录后发表或查看评论

Python遥感图像处理应用篇(十八)：GDAL +numpy对遥感图像归一化处理

soderayer的博客

06-21

2426

所用输入数据为遥感影像数据，可以是单波段也可以是多波段数据。运行环境：windows10 pycharm python3.7.7 GDAL-3.2.3-cp37-cp37m-win_amd64.whl包等。完整代码如下：采用批处理方式，输入和输出为文件路径。只需要修改输入输出文件路径即可计算所需结果。 3.数据运行测试与结果比如采用Landsat8中的NDVI数据进行批量计算. 图像对比：图像数值范围：图像背景值变化：原图是nodata计算之后背景值出现变化，变为0值。像元值查看对比：..

GEEer成长日记二十：使用Sentinel 2影像计算水体指数NDWI、MNDWI并下载到本地

微信公众号：GEEer成长日记

05-09

1万+

以Sentinel2影像为例，计算NDWI和MNDWI

Google Earth Engine（GEE）——GEE自带的归一化指数计算工具介绍

此星光明博客

11-18

2497

上一篇当中有介绍直接通过波段运算，但是更好的方式是通过内置的算法来实现，这样适配性问题会更好一些 normalizedDifference(bandNames) Computes the normalized difference between two bands. If the bands to use are not specified, uses the first two bands. The normalized difference is computed as (first − seco

Google Earth Engine（GEE）深度学习入门教程-Python数据读入篇

weixin_41099712的博客

05-23

1966

num_rows 和 num_cols代表区块内patch的行列数，可以从GEE导出的json格式文件中获取，num_rows和num_cols不一致是因为GEE导出坐标系为默认EPSG：4326（地理坐标系），作者后来更改为EPSG：32650（投影坐标系），num_rows和num_cols就相同了（区块为矩形）。然后，将旋转的图像乘以 0.9 和 1.1 之间的随机值（波段间相同，时相间不同），以增加样本数据时间序列曲线的波动。编写训练集和验证机的加载函数，根据自己的需求加载指定路径的数据包。

GEE训练教程：基于MNDWI（Modified Normalized Difference Water Index，改进归一化差异水体指数）进行水体分析并可视化

此星光明博客

07-07

256

本文介绍了MNDWI水体指数的原理及应用，并展示了基于Google Earth Engine的水体监测流程。MNDWI通过绿波段与短波红外波段的比值增强水体识别，尤其适用于城市和浑浊水体。研究采用Sentinel-2影像计算MNDWI，结合SRTM DEM数据生成坡度图，并可视化建筑物分布。代码实现了影像获取、指数计算、地图可视化及数据导出功能，为洪水监测提供了完整的技术方案，包括日期筛选、波段选择、阈值设定等关键步骤。

GEE Python：基于Sentinel-2影像进行火山热异常分析

此星光明博客

07-27

本文介绍了一个基于Google Earth Engine Python API的自定义脚本，用于在Sentinel-2影像中检测火山活动。该脚本通过设置位置、日期范围和NHI阈值三个关键参数，自动处理数据并应用Marchese等人(2019)提出的归一化热点指数(NHI)方法，利用SWIR和NIR波段(B12、B11、B8A)识别热异常。主要处理步骤包括：加载Sentinel-2数据、裁剪感兴趣区域、添加采集日期、反射率转换、计算NHI指数以及基于阈值过滤场景。脚本需要安装earthengine-api、g

【RS】GEE(Python)：影像加载

2303_80346267的博客

10-15

1031

遥感影像加载是遥感数据处理工作流中的重要步骤之一，特别是在使用 Google Earth Engine (GEE) 等平台进行大规模影像分析时。无论你是要进行土地覆盖变化分析、气候变化监测，还是农业评估，影像的选择、加载和可视化都是核心环节。本文将从基础知识到进阶技巧，详细讲解如何在 GEE 中加载遥感影像、进行预处理及可视化。

利用GEE（Google Earth Engine）在线处理NDVI、EVI、SAVI、NDMI等指数归一化教程！

热门推荐

此星光明博客

07-02

2万+

1.首先进行“去云”函数的准备 //landsat5、7 EVI指数计算 // SR数据去云 function rmCloud(image) { var cloudShadowBitMask = (1 << 3); var cloudsBitMask = (1 << 5); var qa = image.select("pixel_qa"); var mask = qa.bitwiseAnd(cloudShadowBitMask).eq(0)

GEE学习笔记8：遥感影像归一化处理

晚秋的专栏

04-15

6458

// get one image var image = ee.ImageCollection("LANDSAT/LC08/C01/T1_RT").first(); // calculate the min and max value of an image var minMax = image.reduceRegion({ reducer: ee.Reducer.minMax(), geometry: image.geometry(), scale: 30, maxPixels: 10e.

Google Earth Engine笔记-影像归一化与异常值去除

qq_44589327的博客

07-21

7833

3影像归一化与异常值去除 归一化 对于多波段影像数据，需要对每个波段进行归一化，常用的归一化方法有 x′=x−xminxmax−xmin x'=\frac {x-x_{min}}{x_{max}-x_{min}} x′=xmax−xminx−xmin 以及 x′=x−xˉs x'=\frac {x-\bar{x}}{s} x′=sx−xˉ xˉ\bar{x}xˉ与sss分别对应的影像一个波段的均值与标准差异常值去除常用的异常值去除的方法有许多方法，较为常用的是平均值加标准差法，正常情况

Google Earth Engine(GEE)实例代码学习三——归一化差分指数(Normalized Difference)

little00bee的博客

04-18

5014

标题本文主要分享利用影像各波段如何计算归一化差分指数——‘Normalized Difference’ 这里例子为计算NDVI //加载MODIS地表反射率影像，位置为全球范围 var img = ee.Image('MODIS/006/MOD09GA/2012_03_09'); //计算公式：normalizedDifference(A, B)，表示 (A - B) / (A + B) //计...

Java总结进阶之路（基础二）

2509_94006474的博客

11-24

845

提示：java总结学习之路。

Python在机器学习中的模型训练

2509_93937153的博客

11-26

362

上周对比SVM和随机森林时，用Pipeline把预处理和训练步骤串起来，cross_val_score直接出十折交叉验证结果，整个实验可复现性极高。数据预处理这块绝对是重头戏。最近在做回归项目，r2_score和mean_squared_error这几个指标函数随调随用，省去了自己实现的麻烦。但平心而论，在常规业务场景下，从数据探索到模型上线的整个生命周期，Python的生态链确实做到了无缝衔接。很多库的默认参数就够用，想要精细调控又能深入底层，这种灵活性才是我们坚持用Python搞机器学习的根本原因。

Python自动化测试框架开发