此星光明博客

本文摘要：本研究利用Google Earth Engine平台和Sentinel-2数据，对肯尼亚四个典型红树林区域（拉穆群岛、基利菲溪、塔纳三角洲和姆特瓦帕溪）进行植被动态监测。通过计算NDVI、EVI和NDMI三个关键植被指数，结合全球红树林分布数据集(GMW)进行时空分析。研究方法包括云掩膜处理、年度合成影像生成和红树林范围提取，实现了红树林健康状况和水分状况的自动化评估。该技术方案具有云端处理、自动化流程和多指数综合分析等优势，为红树林保护修复提供科学依据，可扩展应用于长期趋势分析和驱动因素研究。

该地球引擎脚本分析了2003-2019年全球农田变化情况，使用Potapov等人的农田数据集识别了稳定农田、新增农田和消失农田区域。通过创建三组二进制栅格（稳定、增益、损失）并应用有效农田掩膜，最终生成一个3波段GeoTIFF文件（每波段代表一种变化类型）和RGB可视化图层（红=损失、绿=稳定、蓝=增益）。分析结果以30米分辨率输出，覆盖全球范围，适用于GIS系统进一步处理。该脚本通过对比两个年份的农田数据，清晰地展示了16年间全球农田的时空变化特征。

本文探讨了在Google Earth Engine中使用reduceToImage函数进行矢量转栅格时，如何选择reducer参数的问题。通过以武汉森林样点数据为例，测试了mean、min等不同reducer对点状矢量数据转换的影响。结果表明，当处理单点数据时，由于每个像素对应唯一属性值，不同reducer（如均值、最小值）的处理结果相同。研究特别指出，这一结论仅适用于点状矢量数据，而面状矢量数据转换时reducer选择会产生显著差异。实验代码和可视化结果证实了这一发现，为使用点状矢量数据的用户简化了red

摘要 本研究评估了美国佛罗里达州奥兰多地区2010年的土壤侵蚀风险。采用RUSLE模型计算土壤侵蚀量，通过五个关键因子分析：降雨侵蚀力(R)、土壤可蚀性(K)、地形(LS)、植被覆盖(C)和水土保持措施(P)。研究利用Landsat影像、CHIRPS降雨数据、MODIS土地覆盖和SRTM高程数据，计算各因子并生成空间分布图。结果显示该地区R因子范围78-83，K因子0.0053-0.05，LS因子3-106，C因子通过NDVI计算。最终将各因子相乘得到土壤侵蚀风险图，为区域水土保持提供科学依据。

本文介绍利用Google Earth Engine平台分析企业到最近地铁站空间关系的方法。通过创建企业位置和地铁站位置两个要素集合，使用distance()函数计算每个企业到所有地铁站的距离，并利用sort().first()筛选出最近站点。算法将最近站名、距离和位置信息存入企业属性，支持批量处理与CSV导出结果。该方法可直观可视化企业、地铁站及其空间关系，适用于商业选址评估、城市交通规划等场景。核心优势在于利用云端计算实现大规模空间数据分析，通过调整输入数据可扩展至各类设施可达性研究。

这篇技术报告详细介绍了如何利用人工智能和地理空间数据分析技术发现亚马逊雨林中的未知考古遗址。作者通过Kaggle竞赛，结合OpenAI模型和Sentinel-2卫星数据，采用多阶段方法：首先基于土壤碳含量、植被异常和河流邻近性筛选潜在区域；然后使用霍夫变换和短波红外图像验证遗址特征；最终成功识别出与已知考古记录高度吻合的新遗址。研究过程包括异常检测、数据交叉验证和考古叙事重建，证实了AI在考古探索中的实用价值。完整代码和分析结果已开源。

摘要：本研究利用Landsat卫星遥感数据（1994-2024年）分析了德国汉堡市的城市热岛效应。通过计算地表温度(LST)、归一化植被指数(NDVI)和归一化建筑指数(NDBI)，评估了城市绿地对局部气候的影响。研究采用Google Earth Engine平台进行数据处理，包括云层掩膜、波段处理和季节性分析。结果表明，城市绿地能有效降低地表温度，缓解热岛效应。可视化图表展示了不同季节温度变化趋势，为城市规划和气候适应策略提供了科学依据。

本文介绍了使用Google Earth Engine (GEE)平台分析Sentinel-2卫星影像的方法。主要内容包括：定义秘鲁研究区域的参考点和地图中心设置；加载Sentinel-2表面反射率协调数据集并进行日期、边界、云量过滤；使用evaluate()和forEach()函数评估影像集合并进行可视化展示。文章详细说明了关键函数的作用和用法，并提供了完整代码实现，展示了如何批量处理Sentinel-2影像数据。

摘要：Google Earth Engine实现最小成本路径走廊分析 本文介绍了一种基于Google Earth Engine(GEE)平台的最小成本路径走廊(LCC)分析方法。该方法采用Anaya Hernandez算法计算坡度成本，结合渐进式细化策略提高计算效率，可识别两点间所有低阻力通道形成"走廊"区域。关键技术包括：1)使用NASADEM高程数据和JRC水体数据构建成本表面；2)采用二次多项式成本函数计算移动阻力；3)通过多轮迭代逐步细化提高精度。该方法适用于野生动物迁徙研究、公

本文介绍了基于Google Earth Engine平台处理PlanetScope遥感影像的云掩膜与合成技术。研究利用PlanetScope配套的UDM2质量评估文件，通过选择清晰像素掩膜(b1=1)，对4幅影像进行云掩膜处理，并采用中值合成法生成无云合成影像。该方法包括数据加载、云掩膜处理、影像合成、可视化及导出等完整流程，可有效解决高分辨率遥感影像中的云污染问题。技术要点包括UDM2掩膜应用、中值/镶嵌合成方法选择及可视化参数优化，适用于土地利用监测、灾害评估等应用场景。文中提供了核心JavaScrip

摘要：本文介绍了如何利用Google Earth Engine中的where函数实现土地分类结果的重分类，将多类别波段合并为二值分类。通过代码示例展示了如何将不同地类（如水体、林地、草地）合并为单一类别，并详细解释了where函数的工作原理：当测试图像像素值非零时输出指定值，否则保留原值。该方法适用于将多值分类结果转换为二值分类，为后续分析处理提供便利。文章强调该技术可推广到类似的重分类场景中。

谷歌地球引擎红树林制图方法（GEM）提供了一种直观、易用且可复制的工具，适用于广泛的非专业沿海管理者和决策者。该工具全面回顾并整合了相关的红树林遥感文献，并利用云计算的力量，包括简化的基于图像的潮汐校准方法。GEM 可免费用于非营利用途，并在 GEE 中运行，包含全面且详细注释的代码。GEM 专门设计用于绘制全球范围内多日期红树林分布并量化其动态变化。目前可用的工具和方法未能充分利用沿海管理者通常持有的丰富地方专业知识——GEM 致力于填补这一空白，帮助结合地方专业知识与 GEE 的云计算能力。

本文介绍了使用Landsat Collection 2进行连续变化监测的分析方法，包含代码实现和可视化界面两部分。代码部分通过Google Earth Engine平台运行LandTrendr算法，设置参数包括时间范围、光谱指数、变化检测阈值等，最终生成变化幅度和检测年份的可视化图层，并将结果导出至Google Drive。可视化界面部分展示了基于LandTrendr的土地覆盖变化结果，结合Landsat影像进行分析。整个方法实现了从数据处理到结果展示的完整流程，适用于森林覆盖等环境变化监测。

Hurst 指数源于英国水文学家 Harold Edwin Hurst 的研究，最初用于评估尼罗河流域水库的蓄水能力。他发现，河流的水位变化呈现长期依赖性，即过去的水位变化对未来有持续影响。这一现象被称为“长期记忆性”，并通过 Hurst 指数进行量化。Hurst 指数的定义基于重标极差（R/S）分析法，其数学表达式为： (重标极差（R/S）分析法计算Hurst指数（Python）_r/s分析hurst指数-优快云博客。

本文介绍了如何使用 Google Earth Engine (GEE) 提取特定区域的水体边缘。首先，通过定义研究区域并加载 NAIP 影像数据，创建马赛克影像并裁剪到研究范围。接着，计算归一化差异水指数（NDWI）以识别水体，并应用平滑滤波器减少噪声。随后，使用 Sobel 核计算水平和垂直梯度，计算梯度幅度以识别边缘强度。最后，通过设定阈值提取水体边缘，并将结果可视化。整个过程展示了 GEE 在遥感影像分析中的强大功能，特别是在水体检测方面的应用。

在这篇博客中，我们将介绍如何使用Google Earth Engine（GEE）工具生成多模态时间序列数据集（MMTS-GEE）。MMTS-GEE旨在高效生成综合数据集，以支持多模态和多时间分析，适用于各种机器学习任务。用户可以根据特定的研究目标自定义数据生成。一个用于生成具有空间和时间对齐的多模态和时序数据集的 Google Earth Engine 工具：Sentinel-1 GRD SAR 数据，包含斑点滤波，包括 SAR 极化指数；

本文介绍了用于模型验证的JavaScript度量工具，包含计算均方根误差(RMSE)和R平方(R²)的方法。通过导入metrics_utils.js模块，用户可便捷评估模型预测性能。RMSE函数计算预测值与真实值的平方差均值的平方根，R²函数通过比较残差平方和与总平方和来评估模型解释能力。这两个工具采用Google Earth Engine的ee.Number数据类型，适用于处理遥感数据特征集合，为机器学习模型提供关键性能指标。

本文介绍了使用Google Earth Engine (GEE)分析优胜美地国家公园NDVI数据的方法。通过导入Landsat 5/7/8卫星数据，设置时间范围并应用云掩膜处理，计算归一化植被指数(NDVI)。重点包括：1)过滤公园边界数据；2)定义各卫星数据的时间段；3)NDVI计算公式和云掩膜处理；4)合并多源数据并导出时间序列；5)可视化NDVI变化趋势。该流程为监测植被变化提供了完整的解决方案，代码可直接用于GEE平台实施分析。

我们不必编写编排逻辑、代理交接或历史跟踪。ADK 处理了这些。我们只需专注于定义代理角色、指定工具功能以及完善提示指令。整个系统在几个小时的工作（包括测试）中整合完成，最终的实现代码大约有 200 行。

本文介绍了使用Google Earth Engine (GEE)分析水体变化、沉积与侵蚀的技术流程。通过定义研究区域(ROI)并整合多个特征数据集，包括海岸线、流域边界等空间数据。核心步骤包括：(1)加载Landsat系列卫星影像并进行云掩膜预处理；(2)计算改进型归一化水体指数(mNDWI)；(3)采用线性回归分析水体变化趋势；(4)通过设定阈值实现沉积与侵蚀区域的自动化分类；(5)最终导出分析结果。该流程充分利用了GEE强大的云计算能力，实现了大规模长时间序列水体变迁的定量分析，为海岸带管理和环境监测提

本研究利用Sentinel-1雷达影像和HydroSHEDS河流数据，分析了瓜亚斯河流域的水文特征。研究通过提取2014年至今的VV极化雷达影像中值，结合数字高程模型生成的河流网络，对流域形态进行可视化分析。结果显示雷达影像能有效识别水域范围（图SAR），与矢量河流数据（图水域）具有良好对应关系。方法实现了流域水文要素的遥感提取，为水文形态学研究提供了技术支持。数据已导出为GeoTIFF和GeoJSON格式以供进一步分析。

本文介绍了利用Google Earth Engine (GEE)处理Sentinel-1 SAR数据估算田间土壤湿度的方法。工作流程包括：定义研究区域并筛选指定日期、轨道参数的Sentinel-1图像；预处理计算双极化雷达植被指数(DpRVIc)和VV极化后向散射强度(VVdB)，通过均值滤波降噪并去除无效像素；结合动态世界数据集掩膜水体/城市区域；最终导出时序GeoTIFF文件。DpRVIc基于双极化后向散射系数比，对植被结构敏感，而VVdB反映地表反射特性，二者结合可有效评估土壤湿度。该方法适用于农业监

本文利用Google Earth Engine平台，对孟加拉湾地区2016年和2024年的归一化植被指数（NDVI）进行了监测分析。通过处理Sentinel-2卫星影像数据，采用掩膜函数过滤云层干扰，计算NDVI值并生成中位数影像。结果显示，2016-2024年间该地区植被变化明显，NDVI差异图（-0.3至0.3范围）直观展示了植被退化（红色）和增长（绿色）区域。该方法为评估植被健康状况和生态变化提供了有效技术手段，对区域环境保护和可持续发展具有重要参考价值。全部分析过程通过GEE JavaScript代

本文介绍了在Google Earth Engine (GEE)中进行分区计算的方法，主要包括以下步骤：1)加载广西矢量数据；2)计算边界坐标并设置网格参数；3)定义网格生成函数；4)创建网格并过滤区域内的单元；5)处理Sentinel-2图像云掩膜；6)加载时间序列影像并应用掩膜；7)遍历网格单元实现分区计算与可视化。该方法通过将研究区域划分为网格单元，实现了高效的大规模遥感数据处理与分析。

本文介绍了使用Google Earth Engine (GEE)分析植被指数(NDVI、EVI、SAVI)与蒸散发(ET)关系的方法。通过定义感兴趣区域和时间范围，从MODIS数据集(MOD13A1、MOD16A2GF、MOD09A1)提取数据，计算各植被指数并与ET数据进行时间匹配。最后对每个指数进行线性回归分析，计算斜率、截距和R平方值。该流程可用于定量评估不同植被指数与蒸散发之间的关系，为生态水文研究提供技术支持。

本文介绍了如何使用 Google Earth Engine (GEE) 分析荷兰地区的地表温度 (LST)。首先，通过导入国家边界数据并筛选出荷兰的边界，明确分析区域。接着，加载 MODIS 地表温度数据集，筛选出 2016 年至 2021 年的影像，并将温度数据从 Kelvin 转换为摄氏度。随后，绘制了荷兰地区 LST 的时间序列图表，展示了温度变化趋势。进一步计算了该区域的平均温度，并将结果裁剪到荷兰边界范围内，最后将平均温度图像导出到 Google Drive。通过这一过程，展示了 GEE 在地理空

本文介绍了如何使用 Google Earth Engine (GEE) 分析锡金地区的冰川湖及其环境特征。通过定义锡金地区边界、应用云掩膜处理 Sentinel-2 数据、计算归一化差异水体指数 (NDWI) 提取水体，并结合历史冰川湖数据、海拔、坡度及历史洪水范围，深入分析了该地区的水体变化及其影响。最终，提取的数据被导出为 CSV 文件，并生成了当前冰川湖的地图，为未来的研究和决策提供了重要数据支持。

本文介绍了如何使用 Google Earth Engine (GEE) 分析印度锡金地区的地理特征。首先，通过 GEE 的功能集合定义了锡金的地理边界，并设置了地图中心。接着，利用 SRTM 数字高程模型获取并可视化了该地区的海拔数据。随后，使用 Sentinel-2 卫星影像和归一化差异水体指数 (NDWI) 检测了冰川湖，并通过全球河流流量数据集分析了历史性洪水。此外，还利用 RGI 数据集获取了冰川信息，并通过 ESA 世界覆盖 2020 数据集分析了土地覆盖情况。最后，计算并可视化了锡金地区的坡度。

本文介绍了如何使用 Google Earth Engine (GEE) 分析孟加拉国的降雨异常。首先，导入国家边界数据并选择孟加拉国区域。接着，导入 MODIS 数据集中的降雨（蒸散发）数据，并计算所有年份中每个月的平均值。通过设置起始日期和创建时间序列，按月计算降雨异常值，并生成柱状图进行可视化。最后，将降雨异常数据添加到地图上，帮助理解降雨模式及其变化。该方法对气候研究和农业管理具有重要意义。

本文介绍了如何利用Google Earth Engine (GEE)平台和Landsat 8影像分析城市热应激区域。首先，定义感兴趣区域并筛选符合条件的Landsat影像，计算土地表面温度（LST）。接着，提取城市区域的LST数据，并进行统计分析。通过随机森林算法训练分类器，将区域分为低、中、高和极端热应激等级，最终可视化分类结果。该方法为城市规划和环境管理提供了有效的遥感数据分析支持。

var roi =] */：定义了一个多边形（实则是矩形），传入的坐标是一组四个顶点（左上、左下、右下、右上）。：将 ROI 以红色图层的形式添加到地图。：将地图视角居中到roi。

该网页是 Google Earth Engine Community 仓库中的一个实验性文件，位于路径下。这个笔记本是一个开源工具，旨在帮助用户更高效地使用 Google Earth Engine 和 geemap。

GEE训练教程——利用MCD12Q1数据（土地分类数据）计算城市化进程中的城市扩张面积的时序变化图表。

这段代码的主要目的是从 Sentinel-5P 卫星获取 SO₂ 数据，并对其进行处理和可视化。通过定义多个地点，计算平均 SO₂ 浓度，生成时间序列图表，以及添加图例，用户可以直观地了解 SO₂ 浓度的空间分布和时间变化趋势。

geometry: 创建一个点的几何形状，表示特定的经纬度位置。country: 加载一个国家的边界数据，并根据定义的点进行过滤。: 将国家边界添加到地图上进行可视化。: 将地图中心设置为定义的点，并设置缩放级别为8。这段代码的主要目的是从Sentinel-5P卫星数据中提取特定区域内的氮氧化物浓度信息，生成时间序列图表，计算平均浓度并可视化为热图，同时提供图例以帮助理解可视化结果。

ERA5是ECMWF对全球气候的第五代大气再分析。再分析将模型数据与来自世界各地的观测数据结合起来，形成一个全球完整的、一致的数据集。ERA5取代了其前身ERA-Interim再分析。ERA5 DAILY提供每天7个ERA5气候再分析参数的汇总值：2米空气温度、2米露点温度、总降水量、平均海平面气压、表面气压、10米u风分量和10米v风分量。此外，根据每小时的2米空气温度数据，计算出2米处的每日最低和最高空气温度。每日总降水值以每日总和给出。所有其他参数都以日平均数提供。ERA5的数据从1979年到

基于sentinel-2的地形校正，拓扑校正（ Sun-Canopy-Sensor + C (SCSc) 校正方法和帕特里克·伯恩斯的函数）

在 Google 地球引擎中平铺大型导出从 Google 地球引擎导出大型栅格时，建议您将导出内容分割成多个较小的平铺。在这篇文章中，我将分享在目标投影中创建平铺导出的最佳实践，这些平铺导出可以拼接在一起，不会出现任何像素间隙或重叠。其中的关键概念是使用 crsTransform 来确保每个独立的平铺都在相同的像素网格上。在高分辨率下导出全球或国家级图像时，作业可能需要几个小时，甚至几天。为了加快非常大的导出，推荐的做法是将图像拆分成较小的瓦片，并在单独的任务中导出每个瓦片。

创建基于每月中位数MODIS场景的z-score时间序列的脚本，经过云、云阴影和雪的掩膜处理。

Google Earth Engine——在GEE 中创建一个NDVI谐波时间序列，基于经过云、云阴影和雪掩膜处理的月度中位数 MODIS 数据。