GEE初步学习

原创 已于 2025-04-17 22:58:02 修改 · 147 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#java

于 2025-04-17 22:06:15 首次发布

由于现在要基于GEE计算遥感数据，所以在此记录GEE相关的学习经验

GEE python：基于NDVI和NDBI遥感指数的地表温度(LST)机器学习预测模型
此星光明博客
09-29 222
本文提出了一种基于NDVI和NDBI遥感指数的地表温度(LST)预测模型。研究首先通过栅格数据处理和可视化方法加载并探索了三个关键数据集，然后进行数据清洗、异常值检测和处理（使用IQR方法）。数据处理后构建了包含172万条记录的数据集，并采用多种机器学习模型（线性回归、随机森林、XGBoost等）进行训练和评估。研究还包含了模型解释工具SHAP分析，为理解遥感指数与地表温度的关系提供了技术框架。
GEE应用（1）—降雨数据时间序列分析
Promising_GEO的博客
02-10 1647
基于GEE的降水数据分析
Google Earth Engine(GEE)学习笔记 零
热门推荐
无形的风专栏
09-01 1万+
初步列了一个大纲 1. GEE初识 2. GEE示例以及学习资源介绍 3. GEE工作台介绍 4. GEE资源查找 5. GEE资源上传 6. GEE资源导出 7. GEE控件介绍（1） 8. GEE控件介绍（2） 9. GEE控件介绍（3） 10. GEE控件示例 11. GEE基本数据类型 12. GEE影像Image 13. GEE影像集合ImageCollectio
游戏引擎学习第28天
虾球
11-30 1223
颜色的表示色彩通常使用RGB模型，其中每个通道（红、绿、蓝）有一个值，表示颜色的强度。这些值通常在[0, 1]范围内表示浮点值，其中0代表没有该颜色，1代表该颜色的最大强度。标准化和浮点运算当你将颜色值标准化到0到1的范围时，进行颜色混合和其他图像处理操作会变得更加简单。因为浮点数计算在处理这些颜色时比整数更高效。你提到如果你要做颜色混合（例如让颜色变亮或变暗），浮点数在计算中更为有效，而不是将颜色值压缩成24位整数格式。物理学和视觉系统。
Google Earth Engine 入门2 GEE初体验
Never Settle
05-14 1568
一只热衷于分享的科研狗，一个曾经为产品算法熬过很多很多个夜的科研狗。以前的我热衷于产品生产，而不是应用，比如SR的生产，LST的生产，这样的话，就需要数月甚至数年的原始数据下载下来，OK，你可能说在GEE上面也可以调用TOAR，调用BT，但是其实是有很多细节需要处理，很多的不便之处的，比如你可能要调用IDL中的函数，调用ENVI中的函数，才能完成初步处理，有的东西非IDL不能处理，除非Esri把ENVI工具源码公布，让其他语言，如JS有复制的可能，但是不可能的，ESRI不可能公布的，这样就是说，下载下来比较
7days-golang/gee-web/day01 标准库启动Web服务-学习笔记
Pyroyster的博客
02-16 235
这部分内容展示了如何使用 Go 标准库来启动一个 HTTP 服务。Go 内置的 net/http 库提供了 HTTP 网络编程的基本接口。这一标准库来构建 Web 服务，这样就不用从零实现 TCP 连接和 HTTP 协议细节，可以直接关注于业务逻辑的实现。通过使用 http.HandleFunc 注册路由，初步展示了“路由映射”这一概念。在后续构建自己的 Web 框架时，正是基于这一点——将路由和处理函数解耦，构建一个灵活的路由映射表。
GEE23：基于植被物候实现农作物分类
amyniez的博客，欢迎交流讨论
03-30 2683
今天分享一个有意思的文章，用于进行农作物分类。文章提出了一个**灵活的物候辅助监督水稻(PSPR)制图框架**。主要是通过提取植被物候，并自动对物候数据进行采样，获得足够多的样本点，再使用随机森林等机器学习方法进行分类。这种方法有效解决了样本量不足或者样本位置不够精确的问题，并且分类结构相较于之前的方法更高。我认为这是一种比较有意思的文章，当然这种方法还可以用到其他植被类型分类中。
GEE数据集——2025 年洛杉矶大火激光雷达
此星光明博客
03-14 950
本数据集包括 2025 年 1 月加利福尼亚州洛杉矶县帕利塞兹和伊顿大火的应急激光雷达数据和后续地形变化分析。该数据集结合了为紧急救灾而创建的初步火灾后数字高程模型 (DEM)，以及比较火灾前（2016 年）和火灾后（2025 年）状况的详细地形差异分析。
机器学习--网格搜索
2201_75491841的博客
04-11 1618
网格搜索（Grid Search），简单来说，就是通过遍历给定的超参数取值范围，尝试所有可能的超参数组合，并在每个组合下训练模型，根据模型在验证集上的性能指标（如准确率、均方误差等）来选择最优的超参数组合。它就像是在一片超参数的 “网格” 中，逐一探索每个节点，以找到那个能让模型发挥最佳性能的 “黄金点”。网格搜索作为一种经典的超参数调优方法，在机器学习领域有着广泛的应用。它以其简单直观和全面搜索的特点，为我们寻找最优超参数提供了有力的工具。然而，其计算成本高和对连续型超参数处理能力有限等局限性也不容忽视。
精选资源
如何利用Google Earth Engine (GEE) API获取卫星影像并进行初步处理
05-27
内容概要：本文档展示了如何利用Google Earth Engine (GEE) API获取卫星影像并进行初步处理。首先通过定义坐标创建多边形GeoJSON文件来指定感兴趣区域（如澳大利亚Arrabeen地区），然后设置日期范围检索卫星图像。...
精选资源
“零基础轻松入门：小编精心整理的GEE学习笔记”
02-19
笔记的主要内容包括GEE的数据类型、数据处理与分析的基础操作，以及GEE在遥感应用中的初步应用。笔记以《遥感云计算和科学分析》为主要参考书籍，并结合了个人的实践经验，使内容更加贴合初学者的学习需求。通过学习...
GEE_x_1_CE_platform.docx
08-27
在这个练习中，你将学习如何使用代码编辑器，并初步接触JavaScript编程概念。使用代码编辑器进行地球引擎分析工作需要一定的基础编程和JavaScript知识。 **数据存档的探索** 在地球引擎中，你可以访问一个庞大的...
车载系统应用开发集成系统API
yangyulong0622的博客
12-16 258
车载开发中，为了快速迭代常将系统应用剥离为普通应用开发，但调用系统API时反射效率低。解决方法是通过集成framework.jar，但会遇到编译报错问题。通用方案是在gradle中配置bootstrapClasspath引入jar包。当使用高版本JDK时，必须强制指定模块使用JDK8并关闭lint检查才能生效。关键步骤：先加载jar包到工程，再设置模块JDK版本为1.8。
命令执行漏洞 (RCE) 渗透测试实战指南
weixin_45631123的博客
12-15 356
Burp Suite 或 OWASP ZAP 抓包工具、授权测试环境。：Burp Collaborator 或公网DNS服务器。：Java Web应用，可注入Java代码。：安装ysoserial工具、Java环境。：安装Commix、Python3环境。：识别表单输入点（如登录框）：无回显但命令执行成功时。：确认RCE漏洞存在。
使用idea启动一个springboot项目
qq_51389137的博客
12-19 751
5.装配置maven配置到idea下载项目依赖。4.装navicat。
LinkedHashMap：有序HashMap
weixin_43076660的博客
12-15 800
LinkedHashMap是HashMap的子类，通过双向链表维护元素顺序，支持插入顺序和访问顺序两种模式。其核心结构是哈希表+双向链表，节点类扩展了前驱和后继指针。默认按插入顺序维护链表，设置accessOrder=true可改为访问顺序，适合实现LRU缓存。重写removeEldestEntry方法可自动移除最老元素，get/put操作会触发链表调整。LinkedHashMap通过回调方法（afterNodeAccess/Insertion/Removal）在哈希表操作时同步维护链表顺序，既保留Hash
【FastAPI】FastAPI依赖注入完全指南
weixin_63434398的博客
12-18 2360
本文全面介绍FastAPI的依赖注入机制，主要包含两大注入方式：原生自动注入和Depends自定义注入。原生注入支持Request/Response等框架对象以及路径/查询参数等自动解析，而Depends则用于自定义依赖项注入。文章详细讲解依赖注入的核心思想、实现方式、生命周期管理、高级技巧，并通过完整认证系统案例展示实战应用。最后剖析Depends底层原理，并与Spring框架进行对比，帮助开发者彻底掌握FastAPI这一核心特性，实现代码解耦和高效开发。
nl2sql技术实现自动sql生成之Spring AI Alibaba Nl2sql
疾风sxp的博客
12-15 972
上一节我们在介绍了自然语言转sql的基本思路，今天我们通过实操来解决这一技术实现，通过Spring AI Alibaba开源的nl2sql框架进行这块技术的讲解。
Maven进阶
最新发布
Gu_yyqx的博客
12-19 203
build><resource><includes><excludes><resource><includes>-- 属性替换配置 --><filters></filters>-- 测试资源 --></build>
gee深度学习
03-11
### GEE与深度学习结合的应用 Google Earth Engine (GEE) 提供了一个强大的平台用于处理大规模地理空间数据，并且通过集成TensorFlow等工具，使得应用深度学习算法成为可能[^3]。这种组合允许研究人员和开发者不仅能够访问大量的历史卫星图像和其他环境数据，还可以构建复杂的模型来进行预测分析或者分类任务。 对于希望使用GEE进行深度学习工作的用户来说，官方文档提供了详细的指导说明如何设置自己的工作流程以及具体的操作步骤。例如，在创建自定义机器学习模型时，可以指定拥有该模型的Google Cloud项目的ID以便更好地管理和部署训练好的模型。 此外，社区贡献了许多开源资源可以帮助初学者快速上手。一些流行的GitHub仓库包含了完整的案例研究、Jupyter Notebook教程以及其他实用脚本，这些都是非常好的起点。特别是那些专注于特定应用场景如土地覆盖变化检测、作物识别或是灾害响应等方面的资料尤为宝贵。 为了实现高效的开发体验，建议熟悉以下几个方面： - **Python编程语言**：大多数交互都是基于此完成； - **Earth Engine API**：掌握其核心功能以有效获取所需的数据集； - **TensorFlow框架**：了解基本概念并能编写简单的神经网络结构； 最后值得注意的是虽然部分高级特性不是完全免费提供的，但对于学术用途和个人实验而言通常有足够的配额可供试用和发展初步想法。 ```python import tensorflow as tf from google.cloud import storage # 初始化客户端实例 client = storage.Client(project='your-google-cloud-project-id') bucket_name = 'gs://path-to-your-bucket' model_path = f'{bucket_name}/saved_model' def load_and_preprocess_data(): # 加载预处理后的数据... pass def build_model(input_shape): model = tf.keras.Sequential([ tf.keras.layers.InputLayer(input_shape=input_shape), # 添加更多层... ]) return model if __name__ == "__main__": data = load_and_preprocess_data() input_shape = (None,) + tuple(data.shape)[1:] model = build_model(input_shape) model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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