使用Google Earth Engine将JRC水体数据转化为矢量数据（GEE）

最新推荐文章于 2025-07-06 22:49:40 发布
最新推荐文章于 2025-07-06 22:49:40 发布
阅读量900 收藏 1
点赞数
CC 4.0 BY-SA版权
文章标签： 信息可视化
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/TpjtRuby/article/details/133108797
GEE 专栏收录该内容
45 篇文章 ¥59.90 ¥99.00
订阅专栏
本文介绍了如何利用Google Earth Engine（GEE）将JRC水体数据转换为矢量数据，便于进一步分析和可视化。通过GEE导入JRC水体数据集，使用图像分割算法转化为矢量数据，最终实现水体数据的详细分析和处理。

Google Earth Engine（GEE）是一个强大的云平台，用于存储、处理和分析地理空间数据。在GEE中，我们可以访问各种遥感数据集，并应用丰富的分析功能。本文将介绍如何使用GEE将JRC水体数据转化为矢量数据。

JRC水体数据是由欧洲联合研究中心（Joint Research Centre，JRC）提供的全球水体覆盖数据集。它提供了有关全球水体分布的有用信息，例如河流、湖泊和水库等。我们将使用GEE来将这些水体数据转化为矢量数据，以便进行进一步的分析和可视化。

首先，我们需要在GEE中导入JRC水体数据。以下是导入JRC水体数据的代码：

// 导入JRC水体数据
var waterDataset = ee.Image('JRC/GSW1_2/GlobalSurfaceWater');

// 选择水体层
了解本专栏 订阅专栏 解锁全文
Google Earth Engine（GEE）——尝试用JRC水体数据将其转化为为矢量
此星光明博客
09-24 1117
给定一个图像，包含一个带标记的片段和零个或更多的附加带，在每个片段的像素上运行一个还原器，每个片段产生一个特征。"多边形"（包围该段像素的多边形）、"bb"（限定像素的矩形）或 "中心点"（像素的中心点）中的一个。如果没有指定，将使用图像的第一个波段的投影。如果相邻的像素在这个波段有相同的值，它们将在同一个区段。如果多边形在给定的比例下包含太多的像素，计算并使用一个更大的比例，这样可以使操作成功。减速器的输入必须比图像的段数少一个，或者它必须有一个输入，并对每个段数进行重复。默认为图像的第一个波段的面积。
使用Google Earth Engine下载JRC全球水体数据
LrlDebug的博客
09-21 1007
通过Google Earth Engine平台和提供的源代码，研究人员和水资源管理者可以方便地获取和利用这一重要的水资源监测数据集，从而开展相关的研究和决策支持工作。要使用Google Earth Engine下载JRC全球水体数据，首先需要在Google Earth Engine平台上进行注册和登录。JRC全球水体数据是由欧洲联合研究中心开发的高分辨率全球水体分类数据集，覆盖了整个地球的陆地和水域。下载完成后，你可以使用各种遥感数据处理软件来打开和分析这些数据，以满足不同的研究和应用需求。
JRC Water Retention Index JRC保水指数-数据集
03-28
WRI是一项综合指标，旨在评估景观调节和保留流经该景观的水的能力。该指标表明，景观的保水能力可能不足，再加上极端降雨，可能导致更高的洪水风险或水资源短缺。WRI是无量纲的，并考虑了植被的拦截作用，土壤的持水能力以及土壤和基岩的相对能力，以允许水渗透。另外考虑了土封和坡度的影响。
笔记11 JRC水体数据集
qq_43568283的博客
03-15 687
全球河流洪灾风险图是一种网格化数据集，表示河流网络沿线的洪灾，涵盖七种不同的洪灾重现期（从 10 年 1 次到 500 年 1次）。新地图的输入河流数据是通过开源水文模型 LISFLOOD 生成的，而洪灾模拟是使用流体力学模型 LISFLOOD-FP 执行的。这些地图可用于评估人口和经济资产面临的河流洪灾风险，以及进行洪灾风险评估。该数据集是在哥白尼应急管理服务的框架下创建的。该图绘制了过去 35 年来地表水的空间和时间分布情况的不同方面。此产品包含有关计算全球地表水数据集所用观测数据的元数据。
GEE案例分析——利用全球地表水（JRC/GSW1_4/YearlyHistory）数据实现全球任何区域的逐像素新增水体的监测
此星光明博客
06-26 1606
要利用全球地表水数据集（JRC/GSW1_4/YearlyHistory）计算新增水域面积，可以按照以下步骤进行：1. 下载和准备数据集：从相关数据源（如JRC网站）下载全球地表水数据集（JRC/GSW1_4/YearlyHistory）的相关文件。确保你有数据集的文件和相关元数据。2. 数据预处理：根据你的分析需求，选择适当的时间范围和地理区域，将数据集进行筛选和裁剪，以获取你需要的数据。确保你的数据集与你要分析的区域和时间范围相匹配。
GEE教程：使用Google Earth Engine将栅格数据转换为矢量数据：以流域地表水制图为例
此星光明博客
04-24 200
本文通过Google Earth Engine将地表水的栅格数据转换为矢量数据，并以特定流域为例进行了展示。这种方法可以为水文分析、生态保护和环境监测等应用提供重要的数据支持。希望本文的介绍和代码示例能够帮助你更好地利用GEE进行地理空间分析。
【遥感与地理信息系统】基于JRC全球地表水数据的最大水体范围提取及矢量化方法研究
11-18
本文介绍了如何利用Google Earth Engine（GEE）平台访问和处理全球地表水数据（Global Surface Water），通过选择“最大覆盖范围”波段并进行可视化设置，对地表水区域进行掩膜处理，并将栅格数据转换为矢量多边形...
【遥感影像处理】基于Google Earth Engine的季节性地表水体提取与连通性分析方法
最新发布
12-03
内容概要：该文档为一段Google Earth Engine（GEE）平台的JavaScript代码，主要用于处理全球地表水数据集（JRC/GSW1_4/GlobalSurfaceWater）。通过对“季节性”波段进行阈值过滤（大于10），提取出长期存在或季节性...
GEE训练教程：全球水体分布可视化分析（包括流域、JRC地表水和分布）
此星光明博客
07-06 139
本文介绍了使用Google Earth Engine进行全球表面水体分析的方法。主要内容包括：加载全球水体数据集并可视化水体出现频率；创建水体掩膜提取水体区域；分析水体丧失变化；获取2020年水体历史数据；全球流域水文分析；定位特定子流域；创建表面水体图并进行栅格转矢量处理。这些技术为水资源管理和环境保护提供了重要支持。
Google Earth Engine ——全球1984年至2018年JRC/GSW1_1/GlobalSurfaceWater地表水数据集
此星光明博客
09-23 3721
This dataset contains maps of the location and temporal distribution of surface water from 1984 to 2018 and provides statistics on the extent and change of those water surfaces. For more information see the associated journal article:High-resolution mappi.
JRC Water Productivity (LUISA Platform REF2014) JRC水生产率（LUISA平台REF2014）-数据集
03-12
这是由欧盟开放数据门户网站托管的联合研究中心的数据集。 JRC Water Productivity (LUISA Platform REF2014).txt lf312-water-productivity-luisa-platform-ref2014_metadata.json
全球地表水年度数据集JRC Yearly Water Classification History, v1.4数据集
此星光明博客
11-21 1744
数据集根据水体的类型和水体覆盖的百分比进行分类，包括河流、湖泊、人工水体和沼泽等。该数据集可以在JRC的网站上免费下载和使用。3. 评估水资源利用的可行性：长时间序列观测能够提供水资源的质量和量的信息，有助于科学家评估水资源的利用的可行性，包括是否能够满足人类需求以及是否拥有足够的水资源来支持其生态系统的健康。2. 检测地表水资源的变化趋势：长时间序列观测数据能够反映出地表水资源的变化趋势，包括变化的周期、变化的单调性、变化速率等，有助于发现地表水资源的威胁和机会，以及制定水资源的管理计划。
GEE训练教程——基于JRC数据的不同波段（季节、永久和变化）地表水的可视化
此星光明博客
12-03 397
GEE训练教程——基于JRC数据的不同波段（季节、永久和变化）地表水的可视化。
Google Earth Engine（GEE）——利用JRC全球水体数据求湖泊面积以2000—2020年青海湖为例
此星光明博客
03-18 4251
问题： 之前写了一篇关于JRC水体面积分析和下载的文章，但是前两天有同学问到，如何进行青海湖面积水体的分析，逐月还是逐年的我记不清楚了，但其实都一样，只是在时间筛选的过程中有所不同而已。上次的链接： (111条消息) Google Earth Engine（GEE）——JRC全球水体数据下载（以河南省为例）_此星光明的博客-优快云博客 实验目的： 本次的实验目的主要是，再上一次的基础上在线进行水体面积的分析，通过像素的面积来计算，而并非通过我们的NDWI水体指数的计算来统计，因为上一次通过直接下载
GEE数据下载——1984-2022年指定区域的逐月地表水数据批量下载（JRC Monthly Water History, v1.4）
此星光明博客
05-11 937
以前的数据是JRC/GSW1_3/MonthlyHistory版本为1.3，现在的数据是JRC/GSW1_4/MonthlyHistory 1.4版本，GEE在数据中进行了更新。所以我们使用新的数据进行下载。JRC Monthly Water Recurrence, v1.4同理也更新到1.4版本。
Google Earth Engine（GEE）——JRC全球水体数据下载（以河南省为例）
此星光明博客
03-14 6237
之前有人问如何下载JRC数据，当然JRC数据又很多： JRC Global Surface Water Mapping Layers, v1.3 JRC Global Surface Water Metadata, v1.3 JRC Monthly Water History, v1.3 JRC Monthly Water Recurrence, v1.3 JRC Yearly Water Classification History, v1.3 之前关于JRC的数据文章请看下面链接：
Google Earth Engine ——全球JRC/GSW1_3/MonthlyRecurrence数据集的观测数据
此星光明博客
09-19 1051
This dataset contains maps of the location and temporal distribution of surface water from 1984 to 2020 and provides statistics on the extent and change of those water surfaces. For more information see the associated journal article:High-resolution mappi.
利用Google Earth Engine和JRC全球水体数据计算湖泊面积：以年青海湖为例
UoEmacs_Lisp的博客
09-24 583
其中，JRC全球水体数据提供了全球范围内的水体分布信息。在本文中，我们将利用GEE平台和JRC全球水体数据来计算湖泊面积，并以中国的年青海湖为例进行演示。你可以根据需要修改代码中的ROI和湖泊名称，来计算其他湖泊的面积。这一方法可以帮助我们更好地理解和分析全球水体分布情况，以及湖泊的变化趋势。接下来，我们需要定义感兴趣区域（ROI），并在该区域内筛选出年青海湖的数据。首先，我们需要在GEE平台上导入JRC全球水体数据。运行以上代码后，你将在控制台输出中看到年青海湖的面积值。
Google Earth Engine（GEE）——将自己做的影像添加到GEE中ASSET中
此星光明博客
11-06 2621
函数： Export.image.toAsset(image,description,assetId,pyramidingPolicy,dimensions,region,scale,crs,crsTransform,maxPixels,shardSize) Creates a batch task to export an Image as a raster to an Earth Engine asset. Tasks can be start...
gee多源数据耕地提取
04-21
<think>好的，用户想了解如何在Google Earth Engine（GEE）中使用多源数据进行耕地提取的方法或教程。首先，我需要回忆GEE的基本功能和相关的数据处理方法。用户提到的多源数据可能包括光学影像（如Sentinel-2）和雷达数据（如Sentinel-1），结合这些数据可以提高耕地提取的准确性，尤其是在云层覆盖较多的地区。 首先，用户需要明确耕地提取的步骤，可能包括数据预处理、特征组合、分类算法选择等。根据引用[2]，FUSU数据集使用了光学和SAR数据的整合，并进行了云移除、大气校正等预处理，这些步骤在耕地提取中同样重要。因此，我应该建议用户先进行数据预处理，确保数据质量。 接下来，特征工程是关键。Sentinel-2提供的光谱波段和植被指数（如NDVI、NDWI）对于区分植被类型有帮助，而Sentinel-1的雷达数据能在多云条件下提供地表信息。此外，地形数据（如SRTM）也能辅助分类。需要将这些不同来源的数据融合，构建多维特征集。 然后，分类算法的选择。随机森林在遥感分类中表现良好，适合处理高维数据，并且能评估特征重要性。用户可能需要指导如何训练分类器，如何选择训练样本，以及如何进行精度验证。 用户还可能关心如何获取训练样本，这里可以建议使用现有的土地利用数据集，或者手动绘制样本点。同时，结果的后期处理如去噪、矢量导出也是实际应用中的常见需求。 最后，用户可能需要具体的代码示例来实践整个流程。代码应包括数据加载、预处理、特征提取、样本选取、分类训练、结果后处理等步骤。需要确保代码符合GEE的API规范，并注释清晰，方便用户理解。 另外，考虑到用户可能遇到的问题，比如数据时间范围的选择、云掩膜的处理、分类精度评估方法等，应该在教程中提及解决方案或优化建议，如使用时间序列分析、结合多时相数据提高准确性等。 总结下来，回答需要结构清晰，分步骤讲解，结合引用中的相关信息，并提供可操作的代码示例和相关问题建议，帮助用户全面掌握多源数据耕地提取的方法。</think>### Google Earth Engine多源数据耕地提取方法 根据GEE平台特性和遥感耕地提取需求，以下是基于Sentinel-1/2多源数据的技术路线： #### 一、数据预处理流程 1. **Sentinel-2光学数据**： - 加载$COPERNICUS/S2_SR$数据集 - 使用`QA60`波段进行云掩膜 - 计算植被指数： $$ NDVI = \frac{B8 - B4}{B8 + B4} $$ $$ NDWI = \frac{B3 - B8}{B3 + B8} $$ - 时间序列合成（中值/百分位数合成） 2. **Sentinel-1雷达数据**： - 加载$COPERNICUS/S1_GRD$数据集 - 应用`Terrain Correction`地形校正 - 计算后向散射系数： $$ \sigma^0 = 10 \times \log_{10}(DN) - 83.0 $$ - 生成VV/VH极化比值特征 3. **辅助数据融合**： - 融合SRTM高程数据 - 添加JRC地表水体数据 - 整合耕地样本数据集[^2] #### 二、特征工程构建 ```javascript var featureStack = optical .addBands(sar) .addBands(terrain) .addBands(indices); ``` #### 三、分类算法实现 推荐使用随机森林分类器： ```javascript var classifier = ee.Classifier.smileRandomForest(100) .train({ features: trainingData, classProperty: 'class', inputProperties: featureStack.bandNames() }); ``` #### 四、精度验证方法 ```javascript var validation = classified.sampleRegions({ collection: validationData, properties: ['class'], scale: 10 }); print('Accuracy:', validation.errorMatrix('class', 'classification')); ``` #### 五、结果后处理 ```javascript var postprocessed = classified .focal_mode(100) // 形态学滤波 .connectedPixelCount(100) // 去除小图斑 .gt(6); // 保留连续6像素以上区域 ```
评论
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