GEE笔记-0-GEE数据汇总

已于 2023-03-22 10:49:21 修改
阅读量761 收藏 3
点赞数
分类专栏： GEE 文章标签： javascript
于 2023-03-21 19:18:44 首次发布
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/captain_keating/article/details/129695234
版权
本文介绍了Google Earth Engine（GEE）截至2019年9月的数据情况，包括超过29 PB的共享数据，涵盖遥感影像、地形、土地覆被、气象、人口和部分矢量数据。GEE提供丰富的全球和区域数据集，并允许用户上传自定义数据进行分析。

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

截止2019-09，GEE共享数据量已超过29 PB，包括超过290个公共的数据集、500万景影像，每天数据量增加大约4000景影像，包括（1）遥感影像数据，包括全球尺度的陆地资源卫星Landsat系列、哨兵Sentinel系列、中等分辨率成像光谱仪MODIS，以及局部区域的高分辨率影像等数据；（2）地形数据；（3）土地覆被数据；（4）天气、降雨和大气数据；（5）人口数据，包括WorldPop和GPW（Gridded Population of the World）两类数据；（6）部分矢量数据。同时，GEE用户也可以上传自己栅格或矢量数据到Assets进行后续分析。
<摘自：http://www.jors.cn/jrs/ch/reader/view_html.aspx?file_no=202101014&flag=1>

对当前GEE中的常用数据汇总如下：

○ 气象数据
    ▪ ERA-5数据：是欧洲中期天气预报中心（ECMWF）对全球气候的第五代大气再分析数据，ERA5 取代了其前身 ERA-Interim 再分析，能达到0.25度；ERA5-Land可以达到0.1度，是通过ECMWF ERA5再分析模型生产的再分析数据集。
    ▪ TerraClimate数据：是一个全球陆地表面月度气象数据集，它将来自WorldClim数据集的高空间分辨率的气候常态与来自CRU Ts4.0和日本55年再分析（JRA55）的较粗的空间分辨率但有时间变化的数据相结合，以创建一个涵盖更广泛时间记录的高空间分辨率数据
最低0.47元/天 解锁文章
GEE学习笔记（一）简介+账号申请+教程推荐
BlueBrynn的博客
04-11 3万+
大四小菜鸡毕设要做GEE相关内容，从零开始学起，目前进展还算顺利，开一个帖子记录这个过程，也希望能与大家多多交流，第一次写博客，不对的地方还请大家多多指正。 GEE简介 GEE(Google Earth Engine)是由谷歌、卡内基梅隆大学、美国地质调查局(USGS)共同开发的用以处理卫星遥感影像数据和其他地球观测数据的云端运算平台。GEE平台融合了谷歌服务器提供的强大计算能力或者以及大范围的云计算资源，平台数据集提供了对地观测卫星大量完整的影像数据如Sentinel， MODIS，Landsat等，也提
遥感云平台-GEE利用Landsat5/7/8/9计算时序RSEI（javascript）
uwpk123的博客
10-23 2815
GEE计算时序RSEI，资料整理与问题汇总
Earth-Engine-Datasets-List:Google Earth Engine中包含的所有数据集的列表（由https生成）
04-03
更新的数据集列表（包含在Google Earth Engine中） 想法是使该列表计算机可读，以便您可以基于过滤器以编程方式调用资产，并为尚未注册但想要查看Earth Engine中的数据集列表的用户提供一个列表。 注册一个免费的。 数据集生成为始终更新的JSON文件以及具有以下设置的CSV文件 ID 提供者 标题 开始日期 结束日期 开学年 年终 类型 标签 asset_url thumbnail_url AAFC / ACI 加拿大农业和农业食品 加拿大AAFC年度作物清单 2009-01-01 2021-03-08 2009年 2020年 image_collection aafc，加拿大，庄稼，土地覆盖 该列表允许将数据集构建到解析器中，我们可以像应用字典一样在应用任何其他工具之前提取它们。 地球引擎工具 ：此工具已经开发了许多迭代，以将其他功能与Google
GEE系列：第2单元 探索数据集
GEE水生态空间
02-15 2656
​遥感集成到您的研究和分析中，学习如何解析 Google 地球引擎上可用的大量栅格数据集非常重要。了解这些数据的分类方式有助于开始此过程。如果您完全不知道从哪里开始，这里有一个非常有用的资源来细读Google 地球引擎数据目录中可用的一般栅格类别。对 Google 地球引擎中可用的所有栅格执行各种级别的数据清理和图像预处理，但对于本模块，我们将专注于更广泛的探索，为一些示例生态应用程序寻找合适的数据集。
Google Earth Engine（GEE）——全球8,502个污水处理厂（WWTPs）数据集
此星光明博客
03-31 1014
该数据库是通过将国家和地区的数据集与辅助信息结合起来，得出或完成缺失的特征，包括服务的人数、污水的流速和处理后的废水水平。带有水流估算的HydroSHEDS河网被用来对工厂的排污口位置进行地理参照，并在全球范围内评估废水的分布。所有的废水处理厂都通过其估计的排污口位置共同注册到HydroRIVERS数据库的全球河流网络中。关于HydroATLAS的更多信息，请参考Hydroatlas的hydrosheds页面，技术信息包含在论文中。免责声明：数据集的全部或部分描述是由作者或其作品提供的。
GEE获取气象数据
whu2017302590176的博客
04-12 1852
1. **更高的时间分辨率**：每日数据提供更频繁的观测值，这有助于更精确地捕捉气温的日变化和异常情况。3. **捕捉极端事件**：在评估气候变化的影响时，每日数据可以帮助识别和分析短暂的极端天气事件，如热浪或寒潮，这些可能在月度平均数据中不那么显著。2. **灵活性**：每日数据可以自定义到不同的时间聚合级别，例如可以从每日数据计算季节性平均值或其他非标准时间段的平均值。1. **计算简便**：月度数据已经是聚合过的，减少了处理数据的计算负担，使得快速获取和分析长时间序列变得更加容易。
GEE下载气象数据（降雨、气温、风向等）
Czi.的博客
07-13 1万+
ERA5 Monthly Aggregates - Latest Climate Reanalysis Produced by ECMWF / Copernicus Climate Change ServiceERA5 is the fifth generation ECMWF atmospheric reanalysis of the global climate. Reanalysis combines model data with observations from across the world
【GEE学习日记01】Cloud-Based Remote Sensing with Google Earth Engine
qq_52037636的博客
11-15 630
找到一本据说是最好的GEE入门书籍，打算花几个月系统跟着学习一下，所以在这里打一个卡吧！
总结归纳2023【10月 - 11月】【收获分享，仅供学习使用】
z377989129的博客
11-08 360
​ (3) CNN：数据输入（预处理：去均值、归一化…） + 卷积（提取特征）+ 激活（非线性映射，避免梯度消失与过拟合）+ 池化（下采样、去冗余、扩大感受野） + 全连接（分类器）​ (2) 整个网络的学习过程：反向传播+梯度下降 —— loss+优化器+合适的学习率（一般随数据量增大而适当降低）​ (4) 隐藏层数、batch大小、训练迭代次数 等超参数。​ (1) dropout：解决过拟合问题。​ (5) 预训练与迁移学习。
GEE python：决策树、随机森林和梯度提升决策树以及YDF（Yggdrasil 决策森林）库训练和解读决策树
最新发布
此星光明博客
04-27 710
决策树是一种由一系列条件组成的模型，这些条件以树形结构分层排列。条件分为以下几类：与轴对齐的条件仅涉及单个地图项。斜向条件涉及多个地图项。二元条件有两种可能的结果。非二元条件有两种以上的可能结果。训练决策树涉及在每个节点中搜索最佳条件。分屏器例程使用信息增益或基尼等指标来确定最佳条件。决策森林是一种由多个决策树组成的模式。决策森林的预测是其决策树预测的汇总。随机森林是一组决策树，其中每个决策树都使用特定的随机噪声进行训练。Bagging。
GEE 全部数据集列表（904个数据）2024-10-16.csv
10-16
GEE（Google Earth Engine）中包含了各种类型的遥感数据，包括但不限于以下几类： 1. 卫星影像数据：GEE中包含了来自多个卫星的高分辨率遥感影像数据，如Landsat系列、MODIS、Sentinel系列等。这些数据可以用于地表覆盖分类、植被指数计算、土地利用/覆盖分析等应用。 2. 气象数据：GEE中包含了全球范围的气象观测数据，如降水量、温度、湿度、风速等。这些数据可以用于气候研究、天气预测等应用。 3. 地形数据：GEE中包含了数字高程模型（DEM）和数字地面模型（DSM）数据，可以用于地形分析、坡度计算、洪水模拟等应用。 4. 土地利用/覆盖数据：GEE中包含了各个地区的土地利用/覆盖数据集，可以用于土地变化监测、土地规划等应用。 5. 植被数据：GEE中包含了植被指数数据，如NDVI、EVI等，可以用于植被监测、植被变化分析等应用 每个数据包含的具体内容： id title type snippet provider state_date end_date bbox deprecated keywords catalog url license
全球地表数据说明书
08-04
该说明书介绍了全球30米数据的详细信息，全球30米地表覆盖数据（GlobeLand30）覆盖南北纬80度的陆地范围。
【GEE】获取区域气象数据
hanv79的博客
12-16 1339
在案例中，我们展示了如何利用 Google Earth Engine (GEE) 处理 ERA5 数据集，分析区域的气象数据（如温度或降水量），如何将结果导出为 CSV 文件，供进一步分析使用
Google Earth Engine（GEE）——美国近地表高精度实时气象数据集（2500米分辨率）
此星光明博客
09-18 1412
NOAA 的数据、信息和产品，无论采用何种交付方式，均不受版权保护，对公众后续使用也没有任何限制。一旦获得，它们可以用于任何合法用途。上述数据属于公有领域，提供时不受使用和分发限制。欲了解更多信息，请访问。实时中尺度分析 (RTMA) 是针对近地表天气条件的高空间和时间分辨率分析。该数据集包括 CONUS 在 2.5 公里处的每小时分析。* 估计的最小值或最大值。
GEE用户贡献的数据列表
qq_44589327的博客
09-14 975
分享一个GEE用户贡献的数据列表（不在GEE官方数据库里的数据） Earth Engine Dataset Share List: https://docs.google.com/spreadsheets/d/1FTKsZwQ52P5dBDXyyfw-nPXVUhzKvZkCzXFClt_JlcM
GEE中如何制作多线段图表？以气象数据中气温、风速和气压制作时序图表为例
此星光明博客
09-26 564
我们首先使用时间序列制图函数 ui.Chart.image.series()，该函数允许您在单个位置从图像集合创建时间序列图。输入数据集的每个波段都会得到一个时间序列。我们以 TerraClimate 数据集为例，选择每月最高和最低温度带。生成的图表是折线图，可以使用 .setOptions() 方法进一步自定义。以下是应用于默认时间序列图表的自定义选项：lineWidth：设置线条粗细pointSize：设置数据点的大小title标题：设置图表标题vAxis：设置 Y 轴选项。
GEE数据集：TerraClimate爱达荷大学全球陆地表面的每月气候和气候水平衡数据集
热门推荐
GEE水生态空间
02-20 1万+
​ TerraClimate 是全球陆地表面的月度气候和气候水平衡数据集。它使用气候辅助插值，将 WorldClim 数据集的高空间分辨率气候法线与来自CRU Ts4.0和 日本 55 年再分析 (JRA55)的较粗空间分辨率但随时间变化的数据 相结合。从概念上讲，该程序将来自 CRU Ts4.0/JRA55 的插值时变异常应用于 WorldClim 的高空间分辨率气候学，以创建涵盖更广泛时间记录的高空间分辨率数据集。
GEE数据集——全球保护价值的地区数据集
此星光明博客
02-08 1907
自然地图项目提供了一系列。这些地图是通过共同优化生物多样性和碳和/或水等国家保护目标绘制的。它们以连续的比例描述了对扩大保护工作具有最大潜在价值的土地面积。
Google Earth Engine（GEE）——Terraclimate 用于+2C和+4C气候全球平均温度变化数据集
此星光明博客
06-11 1484
我们使用模式缩放的方法，利用Qin等人，2020中描述的23个CMIP5全球气候模型的月度预测，并通过强加从模式的平均值和方差的预测变化来提供对月度气候的预测，这些预测可扩展到全球温度的变化。这些数据集可用于2C和4C情景，并将比例和偏移量作为元数据添加到每个数据集中，以便在下面的变量列表中提到的适当单位中进行处理。正如他们的网页所指出的，这些数据集有相关的刻度和偏移值，必须用来在预定的单位中生成变量数据的正确表示。作为数据处理的一部分，变量比例和偏移值被作为每个变量的元数据，然后可以直接应用于计算。
GEE Sentinel-2 数据处理 取周平均方法
04-03
### 使用 GEE 处理 Sentinel-2 数据并计算周平均值 在 Google Earth Engine (GEE) 中，可以利用其强大的云原生功能来处理 Sentinel-2 卫星影像数据，并通过时间序列分析技术实现周平均值的计算。以下是具体方法： #### 1. 加载 Sentinel-2 数据集 首先，在 GEE 中加载 Sentinel-2 的 Level-2A 或者 Level-1C 数据集合。Level-2A 是经过大气校正的数据，通常更适合用于定量分析[^1]。 ```javascript var sentinel2 = ee.ImageCollection('COPERNICUS/S2_SR'); ``` #### 2. 定义研究区域和日期范围 为了缩小计算规模，定义感兴趣的研究区域（AOI），并通过指定起始时间和结束时间筛选图像集合[^2]。 ```javascript // Define the Area of Interest (AOI) var aoi = ee.Geometry.Rectangle([78, 19, 79, 20]); // Example coordinates for India region. // Filter by date range and AOI var startDate = '2023-01-01'; var endDate = '2023-01-31'; var filteredS2 = sentinel2.filterBounds(aoi) .filterDate(startDate, endDate); ``` #### 3. 计算每周的时间间隔 使用 `ee.Filter.calendarRange` 方法按周划分图像集合。这一步骤允许提取特定时间段内的所有可用图像[^3]。 ```javascript // Function to calculate weekly composites function getWeeklyComposites(imageCollection) { var startWeek = ee.Date(startDate).get('week').subtract(1); // Adjust week numbering. var endWeek = ee.Date(endDate).get('week'); var weeksList = ee.List.sequence(startWeek, endWeek); return ee.ImageCollection.fromImages( weeksList.map(function(weekNum){ var startOfWeek = ee.Date(startDate).advance(weekNum.subtract(1), 'weeks'); var endOfWeek = startOfWeek.advance(1, 'week'); var weeklyImages = imageCollection.filterDate(startOfWeek, endOfWeek); // Compute median composite per band over this period return weeklyImages.median().set({ 'system:time_start': startOfWeek.millis(), 'year': startOfWeek.get('year'), 'week': startOfWeek.get('week') }); }) ); } var weeklyComposite = getWeeklyComposites(filteredS2); ``` #### 4. 提取所需波段并生成周平均值 对于 Sentinel-2 数据中的各个波段（如 B2、B3 和 B4 对应蓝光、绿光和红光反射率），可以通过 `.select()` 函数选取感兴趣的波段组合，并进一步应用统计函数（例如均值或中位数）生成每周期间的合成图[^4]。 ```javascript // Select specific bands such as ['B2', 'B3', 'B4'] weeklyComposite = weeklyComposite.select(['B2', 'B3', 'B4']); ``` #### 5. 可视化结果 最后，将生成的结果可视化以便于观察变化趋势。可采用 Map.addLayer() 添加每一层到地图上显示出来[^5]。 ```javascript Map.setCenter(78.5, 19.5, 8); // Set map center near Mumbai area weeklyComposite.aggregate_array('system:time_start').evaluate(function(datesArray){ datesArray.forEach(function(dateMillis){ var img = weeklyComposite.filter(ee.Filter.eq('system:time_start', dateMillis)).first(); Map.addLayer(img.clip(aoi), {min: 0, max: 3000}, 'Week '+dateMillis.toString()); }); }); ``` 以上流程展示了如何基于 GEE 平台完成对 Sentinel-2 影像数据按照自然周单位进行汇总操作的过程。 ---
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