<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[TpjtRuby的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/TpjtRuby</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; TpjtRuby]]></copyright><item><title><![CDATA[GEE 中 PDSI 和 NDVI 之间的关系]]></title><link>https://blog.youkuaiyun.com/TpjtRuby/article/details/133380977</link><guid>https://blog.youkuaiyun.com/TpjtRuby/article/details/133380977</guid><author>TpjtRuby</author><pubDate>Thu, 28 Sep 2023 12:19:41 +0800</pubDate><description><![CDATA[通过运行上述代码，我们可以得到 PDSI 和 NDVI 的数值结果，并可视化 NDVI 的时间序列图表。根据图表和数值结果，我们可以分析 PDSI 和 NDVI 之间的关系。然后，我们加载了 PDSI 和 NDVI 数据集，并对其进行了空间和时间上的裁剪，以确保数据集与指定的区域和时间范围一致。接下来，我们绘制了 NDVI 的时间序列图表，以可视化 NDVI 随时间的变化趋势。总之，利用 GEE 平台和 Python 编程语言，我们可以方便地计算 PDSI 和 NDVI，并分析二者之间的关系。]]></description><category></category></item><item><title><![CDATA[使用Google Earth Engine将美国电厂的矢量数据转换为栅格数据]]></title><link>https://blog.youkuaiyun.com/TpjtRuby/article/details/133373538</link><guid>https://blog.youkuaiyun.com/TpjtRuby/article/details/133373538</guid><author>TpjtRuby</author><pubDate>Thu, 28 Sep 2023 05:56:10 +0800</pubDate><description><![CDATA[总结起来，本文介绍了如何使用Google Earth Engine将美国电厂的矢量数据转换为栅格数据，并提供了相应的源代码。使用Google Earth Engine的强大功能，我们可以对地球观测数据进行分析和可视化，从而更好地理解我们的环境和资源利用情况。本文将介绍如何使用Google Earth Engine将美国电厂的矢量数据转换为栅格数据，并提供相应的源代码。函数将电厂矢量数据转换为栅格数据，并选择了一个属性（feature_id）作为栅格数据的值。接下来，我们将电厂的矢量数据转换为栅格数据。]]></description><category></category></item><item><title><![CDATA[使用Google Earth Engine显示自己上传的地图文件]]></title><link>https://blog.youkuaiyun.com/TpjtRuby/article/details/133372251</link><guid>https://blog.youkuaiyun.com/TpjtRuby/article/details/133372251</guid><author>TpjtRuby</author><pubDate>Thu, 28 Sep 2023 04:50:57 +0800</pubDate><description><![CDATA[如果您想显示自己上传的地图文件，可以按照以下步骤进行操作。为您的地图文件在GEE账户中的路径和名称。这段代码将创建一个地图显示对象，并在地图上添加您上传的地图文件的图层。通过执行以上步骤，您应该能够成功显示自己上传的地图文件。请确保在代码中使用正确的文件路径和名称，并根据需要进行修改。首先，您需要准备您自己的地图文件。确保您的地图文件符合GEE支持的格式要求。为您地图文件的实际路径和名称。同时，您可以为地图文件指定一个描述，以及将其存储在GEE账户中的路径和名称。第3步：显示上传的地图文件。]]></description><category></category></item><item><title><![CDATA[使用Google Earth Engine提取水体面积的地形分析]]></title><link>https://blog.youkuaiyun.com/TpjtRuby/article/details/133371300</link><guid>https://blog.youkuaiyun.com/TpjtRuby/article/details/133371300</guid><author>TpjtRuby</author><pubDate>Thu, 28 Sep 2023 04:03:17 +0800</pubDate><description><![CDATA[通过使用Google Earth Engine（GEE）平台，结合MODIS数据和地形分析技术，我们可以有效地提取水体的面积信息。本文将介绍如何在GEE中利用MODIS数据进行地形分析，并计算水体面积的方法。然后，我们使用阈值分割的方法将高程小于0的像素标记为水体，并根据像素面积计算水体的实际面积。最后，我们将水体面积可视化在地图上。上述代码中，我们选择了MODIS数据集中的三个波段（sur_refl_b02、sur_refl_b03和sur_refl_b04），这些波段对于水体的分析是非常有用的。]]></description><category></category></item><item><title><![CDATA[如何在 Google Earth Engine 中为地图自定义颜色]]></title><link>https://blog.youkuaiyun.com/TpjtRuby/article/details/133370092</link><guid>https://blog.youkuaiyun.com/TpjtRuby/article/details/133370092</guid><author>TpjtRuby</author><pubDate>Thu, 28 Sep 2023 03:10:21 +0800</pubDate><description><![CDATA[请记住，GEE 提供了强大的编程功能和丰富的数据集，您可以根据自己的需求进行更高级的地理空间数据分析和可视化。在 GEE 中，还有其他许多选项可供您探索和使用，例如调整图层的透明度、应用图层混合模式等。在实际应用中，您可能需要根据数据的特定范围和分布选择适当的颜色方案。在上面的代码中，我们定义了一个包含蓝色、绿色、黄色和红色的渐变调色板数组。在上面的代码中，我们定义了一个包含蓝色、白色和绿色的调色板数组。调色板是一个由颜色值组成的数组，用于定义图层中不同值的颜色。您还可以使用连续的颜色调色板来呈现图层。]]></description><category></category></item><item><title><![CDATA[使用Google Earth Engine（GEE）创建属性以在Feature Collection加载过程中显示名称]]></title><link>https://blog.youkuaiyun.com/TpjtRuby/article/details/133367913</link><guid>https://blog.youkuaiyun.com/TpjtRuby/article/details/133367913</guid><author>TpjtRuby</author><pubDate>Thu, 28 Sep 2023 01:35:31 +0800</pubDate><description><![CDATA[如果您希望在加载Feature Collection的过程中显示要素的名称或标识符，可以通过添加一个名为"名称"（Name）的属性来实现。在上面的代码中，首先定义了一个包含三个点要素的Feature Collection。每个要素都具有一个名为"名称"（Name）的属性，对应要素的名称。然后，定义了一个名为。方法获取Feature Collection的要素，并为每个要素创建一个名称标签，然后将标签添加到地图中。的函数，该函数创建一个空白地图，并将Feature Collection添加到地图中。]]></description><category></category></item><item><title><![CDATA[使用Google Earth Engine进行逐月数据下载：以北京市为例]]></title><link>https://blog.youkuaiyun.com/TpjtRuby/article/details/133367523</link><guid>https://blog.youkuaiyun.com/TpjtRuby/article/details/133367523</guid><author>TpjtRuby</author><pubDate>Thu, 28 Sep 2023 01:19:41 +0800</pubDate><description><![CDATA[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）。]]></description><category></category></item><item><title><![CDATA[Google Earth Engine：基于OTSU算法的MNDWI水体面积提取和统计分析]]></title><link>https://blog.youkuaiyun.com/TpjtRuby/article/details/133362175</link><guid>https://blog.youkuaiyun.com/TpjtRuby/article/details/133362175</guid><author>TpjtRuby</author><pubDate>Wed, 27 Sep 2023 19:15:43 +0800</pubDate><description><![CDATA[本文介绍了在Google Earth Engine平台上使用OTSU算法进行MNDWI水体面积提取和统计分析的步骤。通过计算MNDWI指数，应用OTSU算法，以及对二值化图像进行面积统计，我们能够准确提取水体面积并获得相应的统计结果。我们将使用MNDWI指数（Modified Normalized Difference Water Index）来识别水体，并通过OTSU算法自动确定阈值，从而实现水体面积的提取和统计分析。首先，我们需要在GEE平台中导入相应的地理数据。]]></description><category></category></item><item><title><![CDATA[Google Earth Engine时序分析案例：海南岛降水量分析]]></title><link>https://blog.youkuaiyun.com/TpjtRuby/article/details/133360234</link><guid>https://blog.youkuaiyun.com/TpjtRuby/article/details/133360234</guid><author>TpjtRuby</author><pubDate>Wed, 27 Sep 2023 18:02:32 +0800</pubDate><description><![CDATA[本案例展示了如何使用Google Earth Engine进行时序分析，以研究海南岛的降水量变化。通过导入降水数据、定义分析区域、进行数据处理和可视化，我们可以得到有关降水量时序变化的详细信息。使用GEE强大的计算能力和数据集，我们可以进行更广泛的地球观测数据分析，并从中获得有关地球系统的深入洞察。本案例将展示如何使用GEE进行时序分析，以研究海南岛的降水量变化。运行上述代码后，我们将获得一个图表，显示了从2000年到2020年期间海南岛降水量的时序变化。]]></description><category></category></item><item><title><![CDATA[Google Earth Engine 实现南美洲EVI和NDVI影像的动画加载]]></title><link>https://blog.youkuaiyun.com/TpjtRuby/article/details/133358319</link><guid>https://blog.youkuaiyun.com/TpjtRuby/article/details/133358319</guid><author>TpjtRuby</author><pubDate>Wed, 27 Sep 2023 17:15:33 +0800</pubDate><description><![CDATA[其中，EVI（增强型植被指数）和NDVI（归一化植被指数）是常用的遥感指数，用于评估植被的生长和健康状况。在上述代码中，首先我们设置了时间范围，并定义了南美洲的边界。接下来，我们创建了一个时间动画，遍历每个影像，并对EVI和NDVI影像进行可视化处理。通过这种方法，我们可以更直观地观察植被变化的时间序列，并进行进一步的分析和研究。如果您还有任何问题，请随时提问。完成代码编写后，我们可以在Google Earth Engine中运行该代码，并观察加载并动画展示南美洲的EVI和NDVI影像的结果。]]></description><category></category></item><item><title><![CDATA[中心趋势和离散程度：使用广义估计方程（GEE）进行分析]]></title><link>https://blog.youkuaiyun.com/TpjtRuby/article/details/133354396</link><guid>https://blog.youkuaiyun.com/TpjtRuby/article/details/133354396</guid><author>TpjtRuby</author><pubDate>Wed, 27 Sep 2023 15:54:08 +0800</pubDate><description><![CDATA[其中，方差是观测值与均值之差的平方的平均值，可以用来表示数据的离散程度。标准差是方差的平方根，它与均值具有相同的单位，是最常用的度量离散程度的指标之一。其中，均值是数据集所有观测值的总和除以观测数量，可以用来表示数据的平均水平。同时，还提供了一个简单的GEE分析的示例，使用statsmodels库进行模型构建和参数估计。本文将介绍如何使用广义估计方程（GEE）方法来计算数据的中心趋势和离散程度，并提供相应的源代码示例。需要注意的是，本文仅提供了基本概念和代码示例，并没有涉及具体数据集的处理和分析。]]></description><category></category></item><item><title><![CDATA[Google Earth Engine 图表绘制技巧：使用 ChartWrapper GEE]]></title><link>https://blog.youkuaiyun.com/TpjtRuby/article/details/133353636</link><guid>https://blog.youkuaiyun.com/TpjtRuby/article/details/133353636</guid><author>TpjtRuby</author><pubDate>Wed, 27 Sep 2023 15:36:21 +0800</pubDate><description><![CDATA[其中一个有用的功能是通过绘制图表来展示数据的趋势和模式。ChartWrapper GEE 是 GEE 提供的一个强大工具，它使得在 Earth Engine 中创建交互式图表变得更加简单和灵活。通过调整 ChartWrapper 对象的属性，您可以根据需要创建各种类型的图表，并将其与地理空间数据集集成在一起进行可视化。请记住，ChartWrapper GEE 还提供了其他属性和方法，可用于进一步自定义和控制图表的外观和行为。这将在地图上创建一个图表窗口，展示我们定义的图表样式和数据。]]></description><category></category></item><item><title><![CDATA[Google Earth Engine：如何从字符串中提取所需信息]]></title><link>https://blog.youkuaiyun.com/TpjtRuby/article/details/133180221</link><guid>https://blog.youkuaiyun.com/TpjtRuby/article/details/133180221</guid><author>TpjtRuby</author><pubDate>Fri, 22 Sep 2023 18:06:46 +0800</pubDate><description><![CDATA[在本文中，我将向您展示如何使用GEE的函数来获取字符串中所需的信息，并提供相应的源代码示例。要提取字符串中的城市名称，我们可以使用正则表达式（Regular Expression）或字符串的内置方法。在Google Earth Engine中，我们可以使用内置的字符串方法和函数来从字符串中提取所需的信息。根据具体的需求，您可以使用其他适当的方法和函数来处理和提取字符串中的其他信息。要提取字符串中的日期信息，我们可以使用字符串的内置方法。在上面的代码中，我们使用正则表达式。在上面的代码中，我们使用字符串的。]]></description><category></category></item><item><title><![CDATA[Google Earth Engine 年度植被覆盖度元线性回归分析]]></title><link>https://blog.youkuaiyun.com/TpjtRuby/article/details/133177141</link><guid>https://blog.youkuaiyun.com/TpjtRuby/article/details/133177141</guid><author>TpjtRuby</author><pubDate>Fri, 22 Sep 2023 16:55:25 +0800</pubDate><description><![CDATA[通过导入遥感数据、计算植被指数、计算年度平均植被覆盖度以及进行元线性回归分析，我们可以评估植被覆盖度随时间的变化趋势。Google Earth Engine（GEE）是一个强大的云计算平台，提供了丰富的遥感数据和分析工具，可以用于进行植被覆盖度的分析和监测。本文将介绍如何使用GEE进行年度植被覆盖度的元线性回归分析，并提供相应的源代码。其中，'LANDSAT/LC08/C01/T1_SR’是Landsat 8表面反射率数据集的ID，'2019-01-01’和’2019-12-31’是选择的时间范围，]]></description><category></category></item><item><title><![CDATA[逐年日的太湖水华遥感监测应用程序分析]]></title><link>https://blog.youkuaiyun.com/TpjtRuby/article/details/133172218</link><guid>https://blog.youkuaiyun.com/TpjtRuby/article/details/133172218</guid><author>TpjtRuby</author><pubDate>Fri, 22 Sep 2023 15:14:37 +0800</pubDate><description><![CDATA[太湖水华是指在太湖等湖泊中大量繁殖的蓝藻，它对水质和生态系统造成了严重的影响。在本文中，我们将介绍如何使用GEE来进行逐年日的太湖水华遥感监测，并提供相应的源代码。总结起来，本文介绍了如何使用Google Earth Engine进行逐年日的太湖水华遥感监测分析。我们使用了GEE的Python API，并结合MODIS数据集，计算了每年太湖水华的指数。通过这种方法，我们可以更好地了解太湖水华的时空变化情况，为相关研究和管理提供支持。通过上述代码，我们可以得到每年太湖水华的指数，并在控制台上打印出来。]]></description><category></category></item><item><title><![CDATA[Google Earth Engine：对所选影像进行波段归一化处理]]></title><link>https://blog.youkuaiyun.com/TpjtRuby/article/details/133168822</link><guid>https://blog.youkuaiyun.com/TpjtRuby/article/details/133168822</guid><author>TpjtRuby</author><pubDate>Fri, 22 Sep 2023 14:05:13 +0800</pubDate><description><![CDATA[波段归一化是一种常用的遥感数据预处理方法，通过对影像中的波段值进行线性变换，将其压缩到特定的范围内，常见的归一化方法包括最小-最大归一化（Min-Max Normalization）和Z-score归一化。本文将介绍如何使用GEE对所选影像进行波段归一化处理，并提供相应的源代码示例。使用上述代码示例，你可以在GEE平台上对所选影像进行波段归一化处理。通过调整代码中的参数和波段选择，你可以根据自己的需求进行定制化的处理。最后，我们打印了归一化后的影像信息，并在地图上显示了归一化后的影像。]]></description><category></category></item><item><title><![CDATA[Google Earth Engine新特性发布：GEE 强大功能的增强]]></title><link>https://blog.youkuaiyun.com/TpjtRuby/article/details/133148041</link><guid>https://blog.youkuaiyun.com/TpjtRuby/article/details/133148041</guid><author>TpjtRuby</author><pubDate>Thu, 21 Sep 2023 20:46:18 +0800</pubDate><description><![CDATA[这些功能的引入将进一步增强GEE的能力，使用户能够更高效地处理地理空间数据、进行时间序列分析和去除云影等操作，从而更好地理解地球表面的变化和动态。无论是科学研究、环境监测还是地理信息系统应用，GEE都提供了强大的工具和资源，帮助用户进行深入的地理空间分析。请注意，以上示例代码可能需要根据具体的数据集和分析目的进行适当的修改和调整。GEE的官方文档和社区论坛提供了更详细的信息和示例，可以作为进一步学习和探索的资源。用户可以利用这些功能进行更深入的研究和可视化，从而更好地理解地球表面的变化和动态。]]></description><category></category></item><item><title><![CDATA[使用Python获取影像集合的中心点位置信息]]></title><link>https://blog.youkuaiyun.com/TpjtRuby/article/details/133140306</link><guid>https://blog.youkuaiyun.com/TpjtRuby/article/details/133140306</guid><author>TpjtRuby</author><pubDate>Thu, 21 Sep 2023 17:23:15 +0800</pubDate><description><![CDATA[在本文中，我们将使用Google Earth Engine（GEE）的Python API来获取影像集合的中心点位置信息，并提供相应的源代码。首先，确保你已经安装了Google Earth Engine的Python API，并且已经配置好了你的账号认证信息。通过运行以上代码，你将获得影像集合的中心点位置信息。请将代码中的’影像集合ID’替换为你要获取中心点位置信息的实际影像集合的ID。请确保将代码中的’影像集合ID’替换为你实际使用的影像集合的ID。函数获取影像集合的几何信息，然后使用。]]></description><category></category></item><item><title><![CDATA[使用Sentinel数据和随机森林模型在Google Earth Engine中预测森林地上生物量]]></title><link>https://blog.youkuaiyun.com/TpjtRuby/article/details/133139540</link><guid>https://blog.youkuaiyun.com/TpjtRuby/article/details/133139540</guid><author>TpjtRuby</author><pubDate>Thu, 21 Sep 2023 17:07:06 +0800</pubDate><description><![CDATA[本文将介绍如何在GEE中使用Sentinel数据和随机森林方法进行森林地上生物量预测，并提供相应的源代码。通过以上步骤，我们可以利用Sentinel数据和随机森林方法在GEE中预测森林地上生物量。然后，我们使用这些数据训练了随机森林模型，并将模型应用于预测新的地点。接下来，我们需要准备用于训练和验证随机森林模型的地面测量数据。最后，我们可以使用训练好的随机森林模型来预测森林地上生物量。预测森林地上生物量的过程涉及将地面测量数据与Sentinel影像数据相匹配，并使用训练好的随机森林模型执行分类。]]></description><category></category></item><item><title><![CDATA[地球引擎初级教程：使用哨兵2号Sentinel C/A级数据进行云去除]]></title><link>https://blog.youkuaiyun.com/TpjtRuby/article/details/133119635</link><guid>https://blog.youkuaiyun.com/TpjtRuby/article/details/133119635</guid><author>TpjtRuby</author><pubDate>Thu, 21 Sep 2023 07:02:09 +0800</pubDate><description><![CDATA[通过使用地球引擎平台和哨兵2号Sentinel数据，我们可以轻松进行C/A级数据的云去除。通过生成云掩膜并将其应用于影像数据，我们可以获得更清晰、更准确的影像结果，从而提高地理空间数据的分析和应用效果。在上述代码中，我们导入了哨兵2号Sentinel的云掩膜数据集，并将其应用于影像数据。云掩膜数据集是通过多个影像数据生成的，因此我们使用了。在上述代码中，我们选择了2021年的影像数据集，并选择了红、绿、蓝和近红外四个波段。接下来，我们将根据哨兵2号Sentinel的云掩膜数据生成云掩膜。]]></description><category></category></item></channel></rss>