adhuahd的博客

GEE学习室是一群由认真学习和使用GEE等遥感大数据平台的高校博士生（含在读和已毕业）组建的团队，致力于GEE等大数据原创和优质算法开发，希冀通过团队的努力为遥感大数据智能处理普及和广大学子科研之路提供绵薄之力、荧荧之光。那么，有没有办法实现我们通常理解的正确的结果呢？也是有办法的，那就是把原始的transpose(2,0)用三次连续转置替换，也就是使用下面的代码就可以实现了。我们使用下面的代码生成如下的三维矩阵，该矩阵的维度分别是。的方式组织的，当我们把轴1和轴3兑换后，理论上我们是先从原来的。

GEE学习室是一群由认真学习和使用GEE等遥感大数据平台的高校博士生（含在读和已毕业）组建的团队，致力于GEE等大数据原创和优质算法开发，希冀通过团队的努力为遥感大数据智能处理普及和广大学子科研之路提供。再次说明，本文只实现了简单的过程，具体效果和原文有偏差可以理解，诸君自行甄别。当然，这种迁移从现有技术标准等角度来看还是一种朴素的方法，但是这篇论文作为样本迁移研究的pioneer，还是很值得学习的。，这些没有变化的数据则可以用于目标年份的分类研究，从而完成了年际迁移任务。

GEE学习室是一群由认真学习和使用GEE等遥感大数据平台的高校博士生（含在读和已毕业）组建的团队，致力于GEE等大数据原创和优质算法开发，希冀通过团队的努力为遥感大数据智能处理普及和广大学子科研之路提供。昨天，中科院发布了最新的期刊分区表，这是广大学生党和科研工作者比较关心的事情，毕竟涉及到自己能不能满足要求毕业和科研绩效等。，这些期刊也是小编经常浏览和追踪的，所以大家也可以对应的浏览和追踪起来。假如你是北京大学的生态学方向的研究生，则可以备注“，来自各地高校和研究所，涵盖本科、硕士和博士群体，

昨天在分享了两个大尺度长时序土地利用数据集，今天在此基础再次分享几个土地利用数据集，希望对当前能够获取的大尺度长时序高精度土地利用数据集进行一个系统总结，希望有助于大家开展有关研究。这些数据集都非常棒。大家可以比较使用。

今天要讲的是GEE中Landsat Collection 2数据集的使用。事情的起因是这样的，GEE中Landsat Collection 1数据集已经不更新了，但是依然可以使用。但是，最近由于研究的原因，开始使用GEE中Landsat Collection 2数据集，通过对比后我发现GEE中Landsat Collection 2可能更好用了，尤其是在预处理等方面变得更加协调一致了。

今天，GEE学习室小编再分享一个中国10米的土地利用数据集，是有利用Sentinel-2数据生成的。具体论文信息参考如下。文章给出了数据链接，包括百度云和Google云盘等，但是没有上传到GEE云平台。因此，GEE学习室对这个数据进行了整理并上传到了GEE平台，方便大家调用使用。最后看一下在GEE中调用的效果图。

当然，这只是我们GEE学习室所开展探索和研究的一小方面，希望广大研究工作者能够就这些问题多多交流探索。

随着众多对地观测卫星的出现以及计算机技术的发展，遥感为大范围地表覆盖分布及变化信息的获取提供了重要的技术手段。基于NOAA/AVHRR、MODIS、ENXISAT/MERIS等卫星传感器影像数据，国际学者相继开展了全球尺度的地表覆盖制图工作，研制出了一系列300—1000 m空间分辨率的数据产品。例如，美国地质调查局USGS（United States Geological Survey）研制了全球1 km分辨率的土地覆盖数据集IGBP-DISCover（Loveland等，2000）；

我们知道，想发表SCI期刊论文，除了需要非常好的idea以及非常严谨且优美的写作之外，还需要在论文的图表等方面下功夫。很多时候，一张图做好了，审稿人看到了会心情愉悦，论文发表后作者本身也会觉得是一种享受。一直以来，高质量的SCI期刊图表都是在本地做的。为了制作精美的图片，需要把数据都在本地准备好。例如，我们想实现下面的图片，就需要下载DEM数据到本地然后再出图，这种方式还是比较繁琐的。既然Google Earth Engine已经把各类遥感影像数据以及一些高级算法都集成到GEE云平台了，那么有没有可能把作图

反思到自己的工作，包括我们自己的文章，很多时候并没有把一些很好的东西讲清楚，甚至有时候把简单的事情复杂化了。举个例子，我了解到的很多科研工作者在实现了一个idea后，就没有完善相关的代码，更没有做好优化，导致最后的工作只是一些零零散散的片段，实际上要真的实现可靠工程方案的时候，距离还很远，维护成本很高。这个功能虽说不复杂，其主要功能实现的是一种GEE中经常遇到的操作，有人可能听说过，叫Join的操作，也就是把数据集根据有些属性组合到一起。在常用的Join中，是需要定义过滤条件，涉及到一些繁琐的步骤。

最近要利用到土地利用数据集，就对当前的大尺度长时序土地利用数据集进行了适当总结，并总结了如何在Google Earth Engine中的调用方式。这里，我只总结了多年的土地利用数据集，也有很多文章提供了单独年份的土地利用数据，这些数据我们此次没有涵盖。

CLCD数据集是30米分辨率中国区域土地利用数据集，涵盖了1985、1990-2023年份。本次分享是通过在Google Earth Engine云平台调用CLCD数据集，方便大家开展科学研究

其实整个步骤是这样的，首先准备素材，这个可以去Google上搜索（一般Google搜的图片比bd要好）；GEE学习室是一群由认真学习和使用GEE等遥感大数据平台的高校博士生（含在读和已毕业）组建的团队，致力于GEE等大数据原创和优质算法开发，希冀通过团队的努力为遥感大数据智能处理普及和广大学子科研之路提供。:geeAI学习室创建了多个学习交流群，交流群成员来自各地高校和研究所，涵盖本科、硕士、博士和老师群体，可以在交流群交流讨论、积极碰撞、找到共同研究兴趣的“科研搭子”以及下载各种学术论文等。

很显然，sampleRegions函数的功能就是：将与一个或多个区域相交的图像中的每个像素（在给定的比例尺下）转换为一个要素，返回一个要素集合（FeatureCollection）。最近在准备gee学习室的暑假课程，在筹备基础课程内容的时候，发现了一个之前没有注意到的问题，其中主要涉及一个函数，这个函数的功能存在一定的缺陷，其主要问题是运行速度慢、效率低，这一缺陷（几乎）影响99%的用户。也就是说，在三个波段情况下，是可以采样得到近13000个样本点的数据的。此外，geeAI前沿哨创建了多个学习交流群，

截至目前，已经有好几千人参加了本平台的学习课程等，其中报名的会员人数已经超过400+，协助学员发表SCI一区/二区高级别论文20篇以上。科研搭子:geeAI学习室创建了多个学习交流群，交流群成员来自各地高校和研究所，涵盖本科、硕士、博士和老师群体，可以在交流群交流讨论、积极碰撞、找到共同研究兴趣的“科研搭子”以及下载各种学术论文等。章同学在论文中开展了基于主被动遥感数据的云南省高度非均质区土地覆盖制图，并采用了我们之前反复强调的Tile-based的分类方式进行土地分类。，如下图所示，下图来自文下面文章。

后来，他把代码发给了我们。我们对其进行了检查，发现在对时序数据采样时，经常会出现这样的问题。主要原因是去云后时序数据很容易出现空值，而一旦出现空值，sampleRegions函数得到的featureCollection数据集就会有样本丢失，甚至可能为空集的情况。因此，在使用sampleRegions函数的时候，一定要时刻留意采样影像是否有空值。前一阵子，徐老师问了我们一个问题，说他的样本数据采样后都变成空的了，然而实际是有影像的。下面的代码部分，大家一定要留意，值得细细品味。