此星光明-优快云博客

原创 GEE教程：利用MODIS数据对海岸线水体的变化进行分析（美国东海岸）

利用MODIS数据对海岸线水体的变化进行分析（美国东海岸）

2025-06-14 13:08:23 5

原创塔帕若斯国家森林 KM 67 塔楼遗址 LBA-ECO CD-10 森林凋落物数据

该数据集包含一个文本文件，报告了帕拉西部（圣塔伦）地区67公里原始森林塔点原始高地森林的凋落物类型和质量。该地点位于巴西中北部的塔帕若斯国家森林。测量时间跨度为2000年7月至2005年6月。凋落物收集工作于 2000 年 7 月开始，使用 40 个圆形网状筛网陷阱（直径 0.43 米，面积 0.156 平方米）随机放置在 19.75 公顷的树木调查区域内（Rice 等人，2004）。大约每 14 天收集一次凋落物，进行分类，在 60 摄氏度的烘干机中烘干，然后称重。

2025-06-14 12:52:23 409

原创 GEE APP：多模态时间序列生成工具（MMTS-GEE）使用指南

在这篇博客中，我们将探讨如何使用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。

2025-06-14 09:00:00 6

原创 GEE 案例：基于sentinel-1数据对2018年缅甸洪灾的面积监测

利用Sentinel-1 SAR数据进行洪水监测的原理是通过比较洪水前后的地表反射率变化来识别洪水区域。以下是具体的原理步骤：1. 数据获取：首先，需要获取Sentinel-1 SAR数据。这些数据包括雷达波束扫描的回波信号，可以用来生成地表反射率图像。2. 数据预处理：对于洪水监测，需要对数据进行预处理。这可能包括去除噪声、辐射校正、辐射斑纹校正等，以确保数据的质量和一致性。3. 洪水前景区域提取：使用洪水前期的SAR图像来提取地表的特征，例如湿地、河道和土地利用类型，以建立一个基准。

2025-06-14 08:00:00 1

原创 GEE 教程：利用IDAHO_EPSCOR/GRIDMET数据计算美国温度增长变化趋势图

利用IDAHO_EPSCOR/GRIDMET数据计算美国温度增长变化趋势图。

2025-06-13 21:27:32 10

原创塔帕若斯国家森林 KM 67 塔站 LBA-ECO CD-10 H2O 剖面图

该数据集报告了在帕拉西部（圣塔伦）67 公里原始森林塔站（图 1）测得的水蒸气浓度垂直剖面图。该站位于巴西中北部的塔帕若斯国家森林内。测量时间从 2002 年 1 月持续到 2006 年 1 月。在塔的 8 个高度（62.2、50、39.4、28.7、19.6、10.4 和 0.91 米）测量了水蒸气浓度。以 1000 sccm（标准立方厘米/分钟）的速度依次通过 8 个剖面入口（每个高度持续 2 分钟）抽取样品空气，然后同时从所有 8 个高度抽取混合空气样本，以获得总柱积分（每 20 分钟一次），并用红外

2025-06-13 21:21:35 409

原创 GEE案例：利用sentinel-2数据进行NDVI指数的计算并进行阈值提取

利用sentinel-2数据进行NDVI指数的计算并进行阈值提取。

2025-06-13 08:00:00 12

原创 GEE教程：如何利用DEM计算坡度，并统计不同坡度范围内的土地面积

如何利用DEM计算坡度，并统计不同坡度范围内的土地面积。

2025-06-12 16:51:22 17

原创塔帕若斯国家森林 67 公里塔站 LBA-ECO CD-10 CO2 和 H2O 涡流通量数据

该数据集包含一个文本文件，报告了帕拉西部（圣塔伦）地区 67 公里处原始森林塔点的二氧化碳和水交换涡流通量测量值以及相关气象测量值。该地点位于巴西中北部的塔帕若斯国家森林内。测量时间跨度为 2002 年 1 月至 2006 年 1 月。使用塔式闭路 Licor 6262 气体分析仪和 Campbell CSAT3 声波风速计，在两个高度（58 米和 47 米）测量了二氧化碳和水的涡旋通量（图 1）。涡旋通量测量的采样率为 8 赫兹，并以 1 小时为间隔进行平均。

2025-06-12 16:48:22 929

原创 GEE 案例：根据AW3D30 DEM地形数据计算坡度、破相和山体阴影变量并导出

该脚本从ALOS DSM数据生成地形产品（坡度、坡向、山体阴影）。坡度将进一步分为几个区域，分类区域将作为ShapFile输出到Google Drive。本教程利用两种方式进行地形提取。

2025-06-12 08:00:00 19

原创 GEE数据集：亚马逊雨林冠层树木高度数据集（4.7m分辨率）

2025-06-04。

2025-06-11 16:00:00 1592

原创 GEE 教程：利用MODIS中FIRMS数据进行火灾图层展示

USDOS/LSIB_SIMPLE/2017是美国国务院地理信息办公室为了满足国土安全和外交需求而开发的一个数据集。该数据集包含了美国国内以及美国对外领土的地理边界信息，主要用于国土安全和外交政策的分析和决策。该数据集是基于国务院地理信息办公室的地理数据库（Global Geographic Database）的一个简化版本。它提供了边界线数据，包括国家边界线、州边界线、县边界线以及其他地理区域的边界线。此外，数据集还包括一些国际边界线的详细信息，如国界河流和河道。

2025-06-11 13:35:27 24

原创塔帕若斯国家森林 KM 67 塔楼遗址 LBA-ECO CD-10 粗木质碎片数据

该数据集包含一个文本文件，报告了位于帕拉西部（圣塔伦）67公里处原始森林塔遗址一片原始高地森林中倒塌粗粒木质残体的属性。该遗址位于巴西中北部的塔帕若斯国家森林内。测量时间跨度为2001年4月至2001年7月。在塔帕若斯国家森林 67 公里涡流通量塔观测点的一系列生态样地中，测量了立木和倒木粗木质残体（CWD），又称死木块（图 2）。数据集包含不同大小样地测量的不同尺寸等级的残体。

2025-06-11 13:24:15 860

原创 GEE土地分类：基于sentinel-2影像的面向对象和像素的土地分类精度对比分析

本文介绍了使用Google Earth Engine（GEE）处理Sentinel-2遥感数据进行土地覆盖分类的完整流程。首先通过区域、时间和云量过滤数据，利用SWIR波段掩蔽云和阴影；然后计算中位数影像并裁剪至研究区。接着采用SNIC算法进行影像分割，合并训练样本点并随机分为80%训练集和20%验证集。使用50棵树的随机森林分类器训练模型，对分类结果进行可视化并导出为GeoTIFF格式。最后通过混淆矩阵评估模型精度，训练集和验证集整体准确率分别达到0.95和0.93。这套流程展现了GEE在大规模遥感数据处

2025-06-11 10:00:00 103

原创 GEE生物量和高度：实现森林冠层高度的多级分类与空间分布制图（广西北部湾典型森林区为研究对象）。通过本方法可快速获取区域森林垂直结构特征（树高）

本文以广西北部湾典型森林区为研究对象，利用Google Earth Engine平台，实现森林冠层高度的多级分类与空间分布制图。通过本方法可快速获取区域森林垂直结构特征，为森林资源管理提供科学依据。通过本方法，林业部门可在3小时内完成传统野外调查需要3个月的工作量，实现大范围森林垂直结构的快速评估。建议结合实地样方数据定期校准模型，持续提升监测精度。采用mosaic方法融合多期观测数据，提升空间连续性。全程在GEE平台完成，无需本地计算资源。结合均值与百分位数多维度描述林分结构。

2025-06-11 08:00:00 79

原创 GEE训练教程：`ee.Filter.hasType`函数（筛选特定数据类型或子类型的特征或影像）

摘要：本文介绍了Google Earth Engine中的ee.Filter.hasType函数，用于根据数据类型或子类型筛选特征或影像。该函数通过左右操作数（字段或值）指定匹配条件，返回过滤器对象。文章提供了三个使用示例，包括按点/多边形类型筛选特征，并展示了完整的代码实现（如筛选Dallas数据集中的多边形特征）和可视化结果。该函数在空间数据类型筛选中具有重要应用价值，能帮助用户精确获取目标数据集。

2025-06-10 20:30:00 743

原创 GEE 教程：Köppen-Geiger全球长时序气候分区的图层加载

这些数据按照不同的气候类型进行分类，并在地图上用不同的颜色或符号来表示。该数据可以用于研究地球不同地区的气候分布、气候变化等问题。它可以帮助科学家和研究人员了解不同地区的气候特征，比较不同地区的气候差异，以及预测未来的气候变化趋势。Köppen-Geiger气候分类是用于对地球上不同地区的气候进行分类的一种方法。它是根据气温、降水和植被类型等因素来判断气候类型的。这些数据可以用于制作气候分布地图、气候变化模型等，并且可以在气候科学、环境研究、农业规划和天气预报等领域中得到广泛应用。

2025-06-10 20:20:26 30

原创 LBA-ECO CD-10 CO、CO2 和气象数据，巴西马克萨兰瓜佩

本数据集报告了 2003 年 1 月 4 日至 2006 年 12 月 27 日期间在巴西东北部马克萨兰瓜佩大气观测站测得的一氧化碳 (CO) 和二氧化碳 (CO2) 浓度、风向、风速和气温。数据为 30 分钟平均值。马克萨兰瓜佩观测到的浓度代表了亚马逊河流域上游大气边界条件，可与圣塔伦数据和其他数据集结合使用，估算这些气体的区域预算（Kirchhoff 等人，2003）。此数据集包含一个逗号分隔的 ASCII 文本文件。

2025-06-10 20:11:48 929

原创 GEE土地分类：基于土地分类数据进行居住区和非居住区的分类结果和面积统计并进行可视化

本文介绍了使用Google Earth Engine（GEE）进行土地利用分类可视化和分析的方法。主要内容包括：定义感兴趣区域（AOI）、加载三类土地利用数据（开放空间、住宅、非住宅）、设置可视化参数（包括颜色调色板）、图像拼接与可视化展示、创建交互式图例面板，以及计算各土地利用类别的面积（单位：km²）。通过完整的JavaScript代码示例，展示了如何利用GEE平台实现从数据加载到结果分析的全过程，为土地利用监测和管理提供了有效工具。

2025-06-10 13:15:00 334

原创 GEE训练教程：使用了Landsat和MODIS卫星数据来计算2000年和2020年之间的NDVI来分析植被变化

本文使用遥感技术分析德国德累斯顿地区2000-2020年的植被变化。通过Landsat和MODIS卫星数据，计算植被指数(NDVI)并进行可视化对比。主要步骤包括：1)加载Landsat 7和8的二级数据集；2)计算2000年和2020年NDVI中值；3)创建植被区域掩膜；4)比较两时期NDVI差异识别植被变化；5)使用MODIS数据补充分析；6)生成NDVI时间序列图表。结果显示：红色表示植被增加，绿色表示减少。该方法可有效监测城市植被动态变化。

2025-06-10 10:00:00 16

原创 GEE 案例：NOAH（逐时土壤湿度和温度）模型数据的批量下载（ee.batch）

该脚本计算、显示和输出年平均气温，年平均降水量。气候数据是NOAH全球土地模拟系统数据。注意：计算需要很长时间，因此可能很好地输出通过任务。根据我自己的经验，完成30年需要15个小时数据处理。

2025-06-10 08:00:00 137

原创 GEE 高阶(python)：利用sankee包交互式桑基图可视化分类时间序列数据的变化（土地分类和NDVI）

桑基图（Sankey diagram）是一种用来可视化流量、能量、资金等理论与实际量之间的关系的图表。它以流线型的条带表示不同流动的量，并在不同宽度的条带上标示出数量的大小，通过不同宽度和颜色的条带来展示数据的分布和流动情况。桑基图的基本结构由多个节点和连线组成。节点代表不同的实体或类别，可以是地区、产业、产品、人群等，连线则代表不同实体之间的流动或转化。连线的宽度表示不同实体的数量或比例关系，从而突出展示流量的大小。

2025-06-09 12:57:36 127 1

原创 GEE 教程：利用三种不同方式进行Sentinel-2单景影像和影像集合的NDVI（归一化植被指数）的计算

利用三种不同方式进行Sentinel-2单景影像和影像集合的NDVI（归一化植被指数）的计算。

2025-06-09 12:56:11 242

原创 GEE错误：2016-2018 年间的特定时间点得到了非常奇怪的哨兵-1 数值的正确解决方案

摘要该代码用于分析Sentinel-1 SAR卫星在特定位置(9.226818, 54.315088)的时间序列后向散射数据。初版代码使用了GRD产品，但发现异常值后改进为GRD_FLOAT产品。主要修改包括：使用sample()方法替代reduceRegion()获取点值，添加相对轨道号(ron)信息，并对数据进行对数转换(dB)。结果显示该位置在相对轨道号44时出现异常低值(-45dB以下)，建议过滤掉这些异常值或排除整条轨道。代码包含完整的数据过滤、特征提取、异常值分析和可视化流程，可用于SAR时间

2025-06-09 10:00:00 151

原创 GEE案例：利用sentinel-1SAR数据进行雅加达区域洪水区域监测和面积提取

利用sentinel-1SAR数据进行雅加达区域洪水区域监测和面积提取。

2025-06-09 08:00:00 136

原创 GEE训练教程：计算孟加拉国Jashore地区在2020年4月至6月期间的地表温度（LST）

摘要：本文介绍了使用Google Earth Engine计算孟加拉国Jashore地区2020年4-6月地表温度(LST)的方法。通过加载GAUL行政区划数据获取Jashore边界，筛选Landsat 8 TOA影像集合（云量<10%），提取热红外波段(B10)并转换为摄氏度。采用20-45℃的渐变调色板可视化温度分布，添加图例说明不同温度区间（凉爽至极端）。最终将30米分辨率的温度数据导出为GeoTIFF格式，为区域热环境分析提供数据支持。整个流程展示了GEE平台在遥感数据处理和分析中的高效应用。

2025-06-08 14:00:00 17 1

原创 GEE案例：利用sentinel-2数据和NBR指数进行火灾前后的面积计算分析

NBR指数（Normalized Burn Ratio）是一种用于评估植被火灾烧伤程度的指数。火灾通常会引起植被的烧伤和变化，而NBR指数可以衡量这种烧伤程度。NBR指数的计算基于热红外遥感数据和近红外遥感数据。热红外遥感数据可以提供火灾烧伤后的热量分布情况，近红外遥感数据可以提供植被烧伤前后的反射率变化。通过将这两种数据进行计算和比较，可以得到NBR指数。NBR指数的计算公式如下：其中，NIR代表近红外波段的反射率，SWIR代表短波红外波段的反射率。

2025-06-08 13:22:52 25

原创 GEE 教程：使用MOD13A2中的NDVI进行MK趋势性分析

该脚本使用Datab 1 km RDX产品，通过Mann-Kendal检验分析了RDX的长期趋势。tau值范围从-1到1。正值（绿色）表示趋势增加，而负值表示植被减少的趋势。

2025-06-08 13:21:15 22

原创塔帕若斯国家森林 67 公里塔站 LBA-ECO CD-10 地面生物统计数据

该数据集包含一个文本文件，报告了位于帕劳西部（圣塔伦）67 公里原始森林塔遗址的原始高地森林的生物统计测量数据。该遗址位于巴西中北部的塔帕若斯国家森林内。测量时间从 1999 年 7 月持续到 2005 年 3 月。为了监测树木的木质生长量，1999 年 12 月在 1000 棵树的子样本上放置了金属测树仪带（图 1）。该数据集包含基于大约每六周进行一次的卡尺测量得出的树木胸高直径（厘米）的估值。第一列数据表示树木识别号。有关生物统计研究的更详细描述，请参阅 Rice 等人的著作，2004 年。

2025-06-08 13:15:57 1006

原创 GEE APP：世界任何区域Landsat4/5/7/8/9和Sentinel1/2数据的时间查询

很多时候我们需要查找我们研究区的影像时间，世界任何区域Landsat4/5/7/8/9和Sentinel1/2数据的时间。此次，我们利用GEE 平台，构建遥感影像的可视化图表。

2025-06-08 08:00:00 15

原创 GEE 教程：长期平均GRACE地球重力场数据的交互式应用

这里当我们加载图例到面板的时候，我们就需要进行利用UI.thumbnail来转化整个影像的数值和图像作为图例、

2025-06-07 23:27:36 27

原创 LBA-ECO CD-09 巴西塔帕若斯国家森林土壤和植被特征

该数据集报告了 1999 年 11 月在巴西帕拉州圣塔伦以南 50 至 100 公里的塔帕若斯国家森林 (TNF) 内四个不同区域进行的土壤和植被调查的结果。在四个区域的 13 个独立站点（均位于原始森林中），收集了深度为 10、30 和 50 厘米的核心土壤样本，并分析了干质量、容重、质地、碳百分比 (C)、有机质百分比和氮百分比 (N)。在这 13 个站点，植被沿着 250 米长、10 米宽的横断面进行描述。

2025-06-07 23:23:41 779

原创 GEE高阶：如何使用JavaScript函数来构RMSE\MSE\R2建模块以实现函数的调用

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。

2025-06-07 11:00:00 21 1

原创 GEE生物量预测：利用多源遥感数据和随机森林算法RF构建地上生物量（AGB）预测模型，并实现未来年份的生态变化模拟（大面积生物量反演）

数据融合策略：整合5类遥感产品（AGB、NDVI、LAI、土地覆盖、地形）时序特征构建：采用生长季中值法降低云污染影响机器学习优化分层采样保证数据代表性80棵决策树平衡精度与效率预测可靠性基准期R²达0.76需结合地面实测数据校正。

2025-06-07 08:00:00 32

原创 GEE 教程：利用2000-2024年MODIS/061/MCD12Q1数据城市和建筑用地的和气溶胶数据时序变化

GEE 教程：利用2000-2024年MODIS/061/MCD12Q1数据城市和建筑用地的和气溶胶数据时序变化。

2025-06-06 15:15:16 36 1

原创 LBA-ECO CD-08 树木库存数据，Ducke 保护区，马瑙斯，巴西：1999 年

该数据集包含一个数据文件，其中包含位于巴西亚马逊中部马瑙斯附近杜克保护区一块 5 公顷地块（20 x 2,500 米）内近 3,000 棵树的常用名、直径和计算出的树干质量。测量时间为 1999 年 10 月至 12 月。所有直径测量均在树高（DBH）1.3 米处进行，或在板根或其他树干异常处以上。从这些数据中可以得出森林结构特征，例如生物量密度、树干密度、径级分布以及科级甚至属级的分类信息。

2025-06-06 14:44:08 601

原创我的创作纪念日：AI带来的机遇和挑战

这四年的创作，给我带来了许多意想不到的收获。更让我开心的是，通过博客，我结识了许多志同道合的朋友。同时，写作这一过程，不仅锤炼了我的逻辑思维，还显著提高了我的语言表达能力。四年前，我怀着对技术的热爱，开启了在优快云的创作之旅。我希望能通过写博客的方式，记录下自己的学习过程，分享给更多和我一样热爱技术的朋友。四年前那个写下第一篇博客的我，也不会想到今天能获得优快云的"纪念勋章"，更不会想到技术写作能给我的职业生涯带来如此多的可能性。未来，我将持续前行，探索新技术领域，撰写更多有价值文章，与读者共享。

2025-06-06 11:58:37 1004

原创 GEE数据集：利用哨兵-1 号和哨兵-2 号卫星图像，结合深度学习模型提取的刚果盆地森林道路

刚果盆地森林道路该数据集利用哨兵-1 号和哨兵-2 号卫星图像，结合深度学习模型，提供了刚果盆地热带森林道路发展的高精细地图。它提供了可公开获取的最新道路地图，为森林保护、可持续管理和政策决策提供了重要见解。刚果盆地森林中的道路建设主要由选择性采伐驱动，对生态和气候构成了重大风险。然而，人们对这些道路网络的全部范围，尤其是偏远地区的道路网络还知之甚少。该数据集揭示了自2019年以来建立的所有道路网络，为研究伐木的影响、监测非法森林活动以及大规模评估人类对热带森林的影响提供了重要工具。

2025-06-06 08:00:00 1012

原创 GEE训练教程：利用GEE中进行时间转化从毫秒到日期和当年的第几天你会了吗？

本文介绍了如何使用JavaScript将时间戳转换为可读日期格式并计算该日期在当年中的天数。首先通过Date对象获取年、月、日信息，并格式化为YYYY-MM-DD输出。然后计算当前日期与年初的时间差，转换为天数得到当年第几天。这种方法适用于各种时间数据处理场景，文中提供了完整代码实现和详细解析，帮助开发者掌握JavaScript日期处理技巧。

2025-06-05 19:30:00 77 1

原创 GEE 教程：2000年至2016年森林损失量的计算

这段文字描述了利用Landsat图像进行时间序列分析，用来表征森林的范围和变化。树木被定义为高度超过5米的植被，并以“2000年树木覆盖百分比”来表示每个输出格网单元。‘森林覆盖损失’被定义为变为非森林状态的替代植被破坏，发生在2000年至2016年期间。‘森林覆盖增加’被定义为损失的反向值，即在2000年至2012年期间完全是非森林到森林的改变。‘森林减少年’是总‘森林减少’按年度时间尺度的细分。参考2000年和2016年的影像是一组质量评估通过的生长季节观测的中位数观测结果。

2025-06-05 14:57:50 20

【地球科学与遥感技术】基于Google Earth Engine的湖泊水体面积动态监测与可视化：以犹他州鲍威尔湖为例

内容概要：本文档介绍了一项基于Python的地理空间数据分析项目，主要利用Google Earth Engine（GEE）API、geemap、pandas和matplotlib等工具对犹他州鲍威尔湖地区的Landsat卫星图像进行处理和可视化。具体步骤包括：安装必要的Python包、初始化GEE API、定义研究区域边界、创建并筛选 Landsat 图像集合、应用云掩膜和计算归一化差异水体指数（NDWI）、生成水体分类地图、计算水域面积时间序列以及将数据组织成Pandas DataFrame并绘制时间序列图。; 适合人群：具备一定Python编程基础和地理信息系统（GIS）知识的研究人员和技术人员。; 使用场景及目标：① 利用GEE API获取并处理卫星遥感数据；② 分析特定区域的水域变化情况；③ 可视化展示遥感数据分析结果，如水域面积随时间的变化趋势；④ 提供数据驱动的决策支持，如水资源管理和环境监测。; 其他说明：此项目需要确保已正确配置Google Cloud项目，并且安装了geemap、matplotlib和ipykernel等额外依赖包。此外，建议在Jupyter Notebook环境中运行代码，以便更好地利用交互式元素。

2025-06-06

遥感技术基于Google Earth Engine的S1 SAR后向散射数据处理与可视化：含多视处理和斑点滤波的影像分析系统设计

内容概要：本文档详细介绍了如何使用Google Earth Engine (GEE) 和 RadGEEToolbox 工具包来处理和分析Sentinel-1 SAR（合成孔径雷达）数据。首先，文档解释了如何安装必要的Python包（如geemap和ipykernel），以支持交互式地图可视化。接着，文档展示了如何初始化Earth Engine API，并定义研究区域（ROI）。随后，通过设置参数（如日期范围、极化方式、轨道方向等），创建并过滤Sentinel-1 SAR图像集合。为了提高效率，对图像进行了裁剪、多视处理和斑点滤波。最后，文档演示了如何将处理后的图像转换回dB单位进行分析，并通过时间平均合成图像，最终利用geemap包在地图上可视化结果。适合人群：具有一定的Python编程基础，对遥感数据分析尤其是SAR数据处理感兴趣的科研人员和技术开发者。使用场景及目标：① 学习如何使用GEE和RadGEEToolbox进行SAR数据的预处理，包括裁剪、多视处理和斑点滤波；② 掌握如何将处理后的SAR数据可视化，以便于进一步分析和解释；③ 为后续深入研究提供基础，例如环境监测、灾害评估等领域。阅读建议：由于文档涉及较多的技术细节和代码示例，在阅读时应确保理解每个步骤的目的和逻辑，同时可以尝试运行提供的代码片段，以加深理解和掌握实际操作技能。此外，建议参考官方文档获取更多关于RadGEEToolbox的功能和用法。

2025-06-06

【地理信息系统】基于Google Earth Engine的云像素插值与研究区域分割：MODIS LAI数据处理及可视化

内容概要：本文档展示了如何使用Python库pymapee和Google Earth Engine（GEE）进行地理空间数据分析。首先，通过初始化GEE并定义感兴趣区域（AOI），对MODIS卫星数据进行了云像素掩膜处理，使用MODIS LAI Terra数据集作为示例，通过质量控制字段筛选有效数据，并对缺失值进行线性插值填补。其次，将研究区域划分为多个小块（chunks），以便于分布式计算和可视化展示。最后，通过循环遍历每个小块，实现了对特定区域的详细分析与可视化。适合人群：具有一定Python编程基础并对遥感数据处理感兴趣的科研人员或地理信息系统（GIS）开发者。使用场景及目标：① 对MODIS等卫星影像数据进行预处理，包括去除云层干扰和插补缺失值；② 将大面积研究区细分为便于管理的小单元，提高计算效率；③ 利用GEE平台强大的云计算能力，实现高效的空间数据分析与可视化。阅读建议：读者应熟悉Python编程语言以及基本的地理空间概念，建议在阅读过程中配合实际操作练习，同时可以参考官方文档以加深理解。

2025-06-06

Notebook 01. Cloud masking and vegetation indices.ipynb

pymapee 是一个简单的 Python 包，旨在提供常见功能，使用 Google Earth Engine 预处理或计算植被干旱指数。目前，该包支持云掩膜（MODIS、Landsat、Sentinel-2）、合成（月度）、缺失值插值，以及计算植被异常指数（VAI）和植被状况指数（VCI）。它还支持下载图像集合（例如，时间序列 NDVI 或 LST）或单个图像。

2025-06-06

Notebook 02. Interpolating MODIS Time-Series and chunks.ipynb

2025-06-06

Notebook 03. Extract Raster Values From Image.ipynb

2025-06-06

Notebook 04. Interactive maps.ipynb

2025-06-06

【地理信息系统】基于Google Earth Engine的MODIS NDVI可视化：Python脚本实现遥感影像展示规范，具体解释

内容概要：本文档展示了如何使用gee和pymapee库来可视化MODIS NDVI数据。首先导入了必要的库并初始化了Earth Engine。然后创建了一个地图对象。接着选择了MODIS/061/MOD13A2数据集中的第一个图像作为NDVI数据源。定义了显示参数，包括波段选择、数值范围以及颜色调色板。最后将NDVI图层添加到地图上，并设置了地图中心位置和缩放控件等配置。; 适合人群：对地理信息系统（GIS）、遥感数据处理或地球科学领域感兴趣的开发者或研究人员。; 使用场景及目标：①学习如何利用Google Earth Engine API进行遥感影像的获取与处理；②掌握pymapee库的基本用法，能够快速构建包含遥感数据的地图应用；③理解MODIS NDVI数据集及其可视化方法。; 阅读建议：读者可以参照本文档中的代码示例，在自己的环境中运行以加深理解。同时建议进一步探索更多类型的遥感数据集及其应用场景。

2025-06-06

【遥感与地理信息系统】基于Google Earth Engine的MODIS NDVI数据提取与分析：省级行政区划植被指数统计

内容概要：本文档展示了如何利用Python库pymapee和Google Earth Engine（GEE）API进行遥感数据处理。首先初始化GEE环境，然后以MODIS NDVI Terra数据集为例，演示了如何从影像中提取栅格值。具体步骤包括：加载图像集合、进行云层像素掩膜处理并选择NDVI波段、创建月度NDVI合成图、定义研究区域（越南各省）。最后，使用平均法从第一个影像中提取每个省的值，并展示部分数据框内容，数据框中包含多个遥感参数如年积日、详细质量评估、EVI、NDVI等；适合人群：有一定编程基础，对遥感数据分析、地理信息系统感兴趣的科研人员或学生；使用场景及目标：①学习如何利用pymapee与GEE API获取并处理遥感数据；②掌握基于矢量边界提取栅格数据的方法；阅读建议：建议读者提前安装好所需的Python库，并熟悉基本的Python编程和遥感基础知识，在实践中逐步理解代码逻辑和数据处理流程。

2025-06-06

【遥感与地理信息系统】基于Python的GEE脚本：NDVI月合成及植被指数计算与可视化

内容概要：本文档详细介绍了利用Python库（如pymapee、geemap和Google Earth Engine API）进行地理空间数据分析与可视化的方法。主要内容包括：1) 通过MODIS NDVI数据集去除云层干扰并生成月度合成图像；2) 计算植被异常指数(VAI)和植被状况指数(VCI)，以评估植被健康状态；3) 利用ERA5-Land数据集创建每日温度合成图像；4) 提供了从Google Earth Engine导出特定区域NDVI时间序列数据至Google Drive的功能。文档不仅展示了数据处理流程，还提供了具体的代码实现。适合人群：对地理信息系统(GIS)、遥感技术和Python编程有一定了解的研究人员或工程师。使用场景及目标：① 对MODIS和ERA5-Land等卫星数据进行预处理，去除噪声和无效值；② 分析植被变化趋势，监测环境质量；③ 学习如何使用Google Earth Engine平台处理大规模时空数据；④ 掌握将处理后的数据导出为可进一步分析的形式。阅读建议：由于涉及较多技术细节，建议读者具备一定的GIS基础知识和Python编程经验，在实践中逐步理解各步骤的意义，并尝试修改参数观察结果的变化。同时，对于不熟悉的部分，可以通过查阅官方文档或相关教程加深理解。

2025-06-06

S1_SAR_Backscatter_Basic_Usage (1).ipynb

RadGEEToolbox 是一个开源 Python 包，它简化了使用 Google Earth Engine Python API 处理和分析卫星图像的过程。它提供了现成的工具，用于过滤、掩膜、镶嵌、光谱指数计算，以及从多光谱（Landsat、Sentinel-2）和 SAR（Sentinel-1）数据集中提取统计数据。 RadGEEToolbox 专为 Google Earth Engine 的新手和高级用户设计，它减少了重复脚本编写，加速了常见的遥感工作流程，并旨在在 Google Earth Engine API 的约束条件下最大化效率。无论是构建植被指数的时间序列还是沿样线提取地表属性，这个包都能帮助您更快地获得结果。

2025-06-06

Palettes_and_Visualization (1).ipynb

2025-06-06

Multispectral_Functions_Examples (1).ipynb

2025-06-06

Complete_ReadMe_Example.ipynb

2025-06-06

【遥感与地理信息系统】基于RadGEEToolbox的地球引擎图像可视化：调色板与参数配置在陆地卫星数据处理中的应用

内容概要：本文档详细介绍了gee scripts.txt的内容，主要围绕地球引擎（Earth Engine）与RadGEEToolbox工具包的结合使用展开。文档首先说明了需要安装geemap和ipykernel包来支持地图可视化功能。接着介绍了如何初始化Earth Engine并处理可能出现的认证问题。文档重点讲解了RadGEEToolbox中的两个用于图像可视化的包：GetPalette和VisParams。前者提供获取不同调色板的功能，后者用于定义卫星影像的可视化参数。此外，文档还展示了如何创建、处理和可视化Landsat图像集合，包括真彩色、NDVI、NDWI、地表温度（LST）等指数的可视化，以及相对水体浑浊度的计算与展示。每个步骤都配有具体的代码示例，使用户能够轻松理解和应用。适合人群：对地理信息系统（GIS）、遥感数据处理感兴趣的科研人员、学生或开发者，特别是那些希望利用Python进行地球观测数据分析的人群。使用场景及目标：①为用户提供从安装必要软件到完成特定遥感数据分析任务的完整流程指导；②帮助用户掌握如何使用RadGEEToolbox工具包处理Landsat等卫星影像，进行如真彩色、植被指数、地表温度等常见遥感产品的制作与可视化；③通过具体案例演示，让用户了解如何快速高效地处理大规模遥感数据集，并生成直观的地图输出。阅读建议：由于文档涉及较多的技术细节和代码实现，建议读者在阅读前先熟悉Python编程语言和基本的遥感概念。同时，按照文档提供的步骤逐步操作，确保每一步都能正确执行，以便更好地理解整个流程和技术要点。

2025-06-06

遥感技术基于Google Earth Engine的多光谱指数计算与时间序列影像处理：Landsat和Sentinel-2数据的光谱分析及应用

内容概要：本文档详细介绍了如何使用RadGEEToolbox库进行多光谱指数计算。首先通过初始化Google Earth Engine并验证连接状态确保数据获取通道畅通。然后重点讲解了针对Landsat和Sentinel-2卫星影像的多种光谱指数（如NDWI、NDVI、NDTI、叶绿素浓度、蒸发岩指数等）的快速计算方法，以及地表温度的计算方式。此外，还展示了对图像集合进行时间维度上的统计汇总（均值、最小值、中位数、最大值），并且支持基于阈值的二值化掩膜处理。最后提到可以利用静态方法函数直接操作GEE对象完成上述任务。; 适合人群：遥感领域研究人员、地理信息系统开发者以及对卫星影像处理感兴趣的初学者或进阶用户。; 使用场景及目标：①需要处理和分析多光谱卫星影像的专业人士；②希望了解如何使用Python库来自动化计算各类植被、水质等环境参数的研究人员；③想要掌握如何对长时间序列影像数据集执行时间聚合分析的操作人员。; 阅读建议：建议读者熟悉基本的Python编程知识，尤其是有关地理空间数据处理的概念。同时，在实践中应参考官方文档以获取最新的API更新和支持信息。

2025-06-06

【遥感影像处理】基于RadGEEToolbox的Sentinel-2和Landsat图像集合定义与数据管理操作：地球引擎影像处理与分析工具使用指南

内容概要：本文档详细介绍了如何使用 RadGEEToolbox 定义和初始化图像集合（Image Collections），并执行基本的数据管理操作。首先，文档展示了如何通过指定开始日期、结束日期、MGRS 瓦片编号或相对轨道号来定义 Sentinel-2 和 Landsat 图像集合。接着，讲解了如何使用边界几何、云覆盖率阈值和无数据像素阈值进行过滤，以及如何将 RadGEEToolbox 对象与原生 Earth Engine 图像集合对象相互转换。此外，还提供了多种实用方法，如云掩膜、水体掩膜、按日期镶嵌图像、选择特定日期的图像、计算水体面积等。最后，通过具体示例展示了如何创建有价值的时间序列数据集。适合人群：具备一定编程基础，特别是对遥感数据处理和 Earth Engine 平台有一定了解的研发人员和数据科学家。使用场景及目标：①定义和初始化 Sentinel-2 和 Landsat 图像集合；②基于时间范围、地理边界、云覆盖率和无数据像素进行图像过滤；③将 RadGEEToolbox 对象与原生 Earth Engine 图像集合对象相互转换；④应用云掩膜、水体掩膜、镶嵌图像等高级处理方法；⑤创建和分析时间序列数据集，如计算特定区域内的水体面积变化。阅读建议：此文档不仅涵盖了代码实现，还强调了实际应用场景中的需求分析和解决方案设计。读者应结合实际需求，逐步实践每个步骤，并根据需要调整参数设置。同时，建议参考 RadGEEToolbox 的官方文档获取更多详细信息。

2025-06-06

NEON-Field-Site-Metadata-20250604.csv

Quantifying ecological processes over time and across the U.S. requires a complex sampling design. NEON's 47 terrestrial and 34 freshwater aquatic sites support studies that characterize ecological change and link individual local measurements to site-level and continental-scale questions about ecological change. From habitats spanning deserts to tropical forests and from tiny streams to lakes, each site has unique characteristics.

2025-06-05

NEON ALGORITHM THEORETICAL BASIS DOCUMENT (ATBD).pdf

This document details the algorithms used for creating the NEON Level 3 ecosystem structure data product (NEON.DOM.SITE.DP3.30015.001) from Level 1 data, and ancillary data (such as calibration data), obtained via instrumental measurements made by the Light Detection and Ranging (LiDAR) sensor on the Airborne Observation Platform (AOP). It includes a detailed discussion of measurement theory and implementation, appropriate theoretical background, data product provenance, quality assurance and control methods used, approximations and/or assumptions made, and a detailed exposition of uncertainty resulting in a cumulative reported uncertainty for this product.

2025-06-05

竹山茶北亚热带低中山生境保护与可持续发展案例数据集

湖北省竹山县位于鄂西北秦巴山区，地处南北气候过渡带，迄今有千年的种茶历史。调查研究结果表明，竹山59.38%的区域位于500–1,000 m的低山，65%的区域坡度多在25°以下，具有927 mm年降水量和16 ℃的年均气温，除了7月之外全年日均日照时数小于6 h。经检测，茶园土壤和水质的各项指标均符合国家标准，均未检出农残。竹山茶包括红茶和绿茶。其中，竹山绿茶具有高茶多酚、高儿茶素；竹山红茶具有高茶黄素和高聚酯儿茶素。截止2024年底，竹山户籍人口44万人。其中，茶农人口达20万人。竹山茶业综合产值突破70亿元，占全县总GDP一半以上。竹山茶北亚热带低中山生境保护与可持续发展案例数据集内容包括：（1）案例区范围数据；（2）自然地理环境数据（高程分类数据、坡度分类数据、气候数据、土壤数据、水质数据、植被数据）；（3）人口、经济、管理和文化数据；（4）茶品质和农残化验数据；（5）照片数据。数据集存储为.shp、.xlsx、.tif、.docx、.jpg格式，一共由56个数据文件组成，数据量为548 MB（压缩为1个文件153 MB）。刘苏峡, 范奇, 李叶云, 任图生, 张小福, 孟迪, 姚亭亭, 杨丽虎, 马军花, 熊应标, 丁葛, 周作明, 高兴恕, 杨大明, 陈必奇, 王兴明, 张永毅, 李佳荫, 沈义锋, 陈墩桥, 林航, 杨松, 李容, 郭艳, 李明宏, 张进, 杨才华, 成伟, 张成. 竹山茶北亚热带低中山生境保护与可持续发展案例数据集[J/DB/OL]. 全球变化数据仓储电子杂志(中英文), 2025.

2025-06-05

demo.ipynb

demo

2025-06-11

demo2.ipynb

demo2

2025-06-11

【命令行工具开发】基于Python的野火数据导出与下载系统：命令行参数解析及核心流程实现

内容概要：本文档主要介绍了一个名为`ee_wildfire`项目的命令行工具的核心逻辑与实现细节。该工具主要用于处理和下载野火数据，涉及多个模块的功能实现。首先通过解析命令行参数初始化用户配置（UserConfig），包括设置日志级别、清除屏幕、处理用户配置重置等。核心逻辑由`run`函数实现，根据用户配置执行一系列操作，如数据导出、生成GeoDataFrame、创建火灾配置、从Google Drive下载文件等。此外，还支持在操作前后清理数据的功能。; 适合人群：具有一定Python编程经验，对命令行工具开发及数据处理感兴趣的开发者。; 使用场景及目标：①需要批量处理或下载野火相关地理数据的研究人员；②希望通过命令行参数灵活控制程序行为的开发者；③希望学习如何构建复杂命令行应用及了解Google Drive API使用的程序员。; 阅读建议：此文档详细描述了命令行工具的工作流程及各功能模块的具体实现方式，建议读者结合实际代码深入理解每个步骤的作用，并尝试运行示例来熟悉整个流程。同时，对于涉及到的第三方库（如argparse、Google Drive API等）也应有所了解。

2025-06-11

软件测试基于Python的命令行参数解析与配置加载：野火项目配置重置和参数测试实现

内容概要：本文档展示了如何通过 Python 单元测试框架 unittest.mock 和命令行参数解析模块来验证配置加载过程的正确性。文中定义了多个测试函数，分别测试不同命令行参数组合下的配置对象属性值是否符合预期。测试函数通过模拟 sys.argv 参数列表，调用命令行参数解析函数 parse() 来获取配置对象，并对配置对象的各个属性进行断言检查。测试用例覆盖了重置配置、字典风格参数以及内部配置变化后的验证等多个方面，确保命令行参数能够正确映射到配置对象的属性上。适合人群：具有 Python 编程基础并熟悉单元测试概念的技术人员，特别是从事命令行工具开发或维护工作的开发者。使用场景及目标：① 学习如何使用 unittest.mock.patch 模拟命令行输入以进行单元测试；② 掌握命令行参数解析后生成配置对象的最佳实践；③ 理解如何通过测试驱动开发（TDD）确保程序行为的一致性和正确性。阅读建议：读者应具备一定的 Python 编程经验和对单元测试的理解，在阅读过程中可以尝试运行代码片段并理解每个测试用例的设计意图及其背后的逻辑。同时，建议结合实际项目中的命令行工具开发需求来加深对本文档内容的理解。

2025-06-11

【Python编程】基于ConsoleUI的进度条与用户交互实现：环境监测数据生成脚本示例片段，此标题

内容概要：本文展示了如何使用 `ee_wildfire.UserInterface` 模块中的 `ConsoleUI` 类创建交互式的命令行界面。文中通过一段Python代码示例，演示了从清除屏幕、打印带颜色的文字到处理用户输入（包括路径补全）的一系列操作。同时，还介绍了进度条的添加与更新方法，通过循环模拟数据生成和文件下载进度，并利用进度条的颜色变化（如红色表示可能出错，黄色表示下载进度）来直观地反馈程序运行状态。; 适合人群：对Python编程有一定了解，尤其是对命令行界面开发感兴趣的开发者。; 使用场景及目标：①学习如何利用 `ConsoleUI` 类构建具有丰富视觉反馈的命令行应用；②掌握进度条、彩色文本输出、用户输入处理等功能的具体实现方式。; 阅读建议：本段代码重在演示 `ConsoleUI` 的各项功能，因此读者可以一边阅读代码一边尝试运行并观察实际效果，理解不同函数调用所带来的界面变化。此外，还可以尝试修改参数或添加新功能以加深理解。

2025-06-11

【地球引擎与野火监测】基于Python的Google Earth Engine野火图像导出与下载测试：实现自动化任务验证和数据同步

内容概要：本文档展示了与地球引擎（Earth Engine）进行交互并处理野火相关图像数据的一系列Python函数和测试方法。首先定义了身份验证函数`__auth()`，用于设置用户配置并完成认证过程。接下来，分别介绍了三个测试函数：`test_export_queue_pull()`用于对比预期文件列表与已完成任务列表的一致性；`test_download()`实现了从Google Drive下载指定文件的功能；`test_others()`则演示了如何初始化地球引擎环境、定义地理区域、选择影像以及将影像导出到Google Drive。此外，还涉及到一些辅助模块如`UserConfig`、`ConsoleUI`、`google_drive_util`和`DriveDownloader`的使用。适合人群：对遥感数据分析、地理信息系统（GIS）、特别是利用Google Earth Engine平台处理野火监测数据感兴趣的科研人员或开发者。使用场景及目标：①需要频繁与Google Earth Engine API交互，获取、处理并下载卫星图像数据的研究人员；②希望自动化处理野火监测图像数据的工作流，提高工作效率的技术团队；③学习如何通过编程方式访问、操作Google Drive上存储的地理空间数据的开发者。阅读建议：本代码示例专注于实际应用层面的操作流程，建议读者先熟悉Google Earth Engine的基本概念和服务，同时掌握Python编程语言的基础知识，在理解各个函数功能的基础上逐步尝试运行示例代码。

2025-06-11

【地球科学与遥感】基于Python的野火数据处理常量配置：路径、参数及命令行参数定义

内容概要：本文档为一个Python脚本文件，定义了与森林火灾数据处理相关的常量、路径和命令行参数配置。首先，定义了程序所需的常量变量，如版本号、权限范围、日志级别等。其次，设定了路径相关变量，包括项目根目录、用户配置文件路径、日志文件路径等。再次，规定了默认的用户配置参数，如默认项目ID、时间范围、数据存储路径等。最后，详细列出了支持的命令行参数及其类型、默认值和行为说明，如帮助信息、版本显示、配置文件路径、数据导出下载等操作。适合人群：熟悉Python编程语言，对森林火灾监测或地理信息系统（GIS）有一定了解的研究人员和技术人员。使用场景及目标：①为森林火灾监测项目提供配置模板；②便于开发者快速上手并调整程序运行参数；③作为参考，帮助理解森林火灾数据处理流程和配置需求。其他说明：此脚本主要用于配置和初始化环境，确保森林火灾监测系统能够正确获取、处理和存储相关数据。用户可以根据实际需求修改配置项，以适应不同的应用场景。

2025-06-11

【遥感与火灾监测】高分辨率火灾事件数据转换：从TIFF到HDF5的高效数据存储系统设计与实现

内容概要：本文档提供了一个Python脚本`convert_tiff_to_hdf5.py`的详细实现，旨在将高分辨率火灾事件数据从TIFF格式转换为HDF5格式。该脚本首先导入必要的库和自定义的数据集类`HighResFireEventDataset`，并设置环境变量以避免文件锁定问题。接着，通过命令行参数解析指定输入数据目录、目标存储目录以及需要处理的具体事件名称列表。然后初始化数据集加载器并获取用于生成HDF5文件的数据生成器。最后，遍历每个事件的数据，创建对应的HDF5文件，并将图像数据、时间戳和地理元数据作为属性存储在文件中，支持GZIP压缩选项。; 适合人群：具有一定Python编程经验，尤其是熟悉数据处理和文件操作的开发者或研究人员。; 使用场景及目标：①从高分辨率火灾事件的TIFF图像数据中提取并转换成高效存储的HDF5格式；②确保数据的完整性和可访问性，便于后续分析和研究；③学习如何使用Python处理大规模科学数据集，包括图像序列及其相关元数据。; 阅读建议：此脚本展示了完整的数据处理流程，从命令行参数解析到复杂数据类型的HDF5文件存储。建议读者先理解各部分的功能，再逐步运行代码，注意观察不同阶段的输出信息，以便更好地掌握整个流程。同时，对于不熟悉的函数或库，可以通过查阅官方文档来加深理解。

2025-06-11

【地理信息系统】基于GeoPandas的火灾事件配置生成：从GeoDataFrame创建火灾时间与地理位置配置文件

内容概要：本文档介绍了一个名为`create_fire_config_globfire`的函数，用于创建火灾配置YAML文件。此函数接收一个用户配置对象`UserConfig`作为参数，该对象包含火灾数据集的开始日期和地理数据框。函数首先对地理数据框中的点火时间和扑灭时间进行预处理，筛选出指定年份的数据，并计算每个火灾ID的首次和最后一次出现的时间。接着，为每个火灾ID构建包含经纬度、起止时间（前后各加4天缓冲期）的配置项，并将所有配置项整合到一个字典中。最后，确保输出路径所在的目录存在后，将配置字典保存为YAML文件，同时自定义了日期格式化规则以确保时间戳正确写入。; 适合人群：熟悉Python编程语言，尤其是对地理信息系统(GIS)有一定了解的研究人员或开发者。; 使用场景及目标：①从GeoDataFrame中提取火灾事件信息并组织成结构化的YAML配置文件；②为后续的火灾扩散预测模型提供标准化输入数据；③确保输出的YAML文件符合特定的时间格式要求。; 阅读建议：由于涉及到多个库（如geopandas、pandas等）以及地理空间数据处理的概念，在阅读时应重点关注数据处理流程和YAML文件生成的具体细节，同时了解各个参数的意义及其对最终结果的影响。

2025-06-11

【Google Drive API应用】基于Python的文件下载与管理：实现野火监测图像数据自动化处理系统了文档的主要内容

内容概要：本文档提供了从Google Drive下载文件的Python类`DriveDownloader`的实现。它通过OAuth凭据与Google Drive API交互，支持单个文件和整个文件夹的下载。`DriveDownloader`类初始化时接收配置对象，从中获取必要的服务实例和文件夹ID。核心功能包括：获取指定名称的文件夹ID、列出并下载文件夹内的所有文件、仅下载特定TIFF文件以及清理（删除）Google Drive中的文件。下载过程采用分页处理，确保能处理大量文件。此外，类中还实现了进度条显示功能，便于跟踪下载进度。最后，`main()`函数演示了如何使用`DriveDownloader`类来下载预期的TIFF文件列表。适合人群：具有Python编程经验，熟悉Google Drive API和OAuth认证机制的技术人员或开发者。使用场景及目标：①需要批量下载Google Drive中指定文件夹或特定类型的文件；②实现自动化脚本定期备份或同步Google Drive数据；③清理Google Drive中不再需要的文件以释放存储空间。阅读建议：由于涉及Google API调用和OAuth认证，建议读者事先了解Google Drive API的基本概念和OAuth的工作原理。同时，在实际部署前，应仔细检查配置文件和权限设置，确保API访问的安全性和有效性。

2025-06-11

【地理信息系统】基于Python的火灾数据处理与分析：获取美国地区火灾初始坐标及时间信息

内容概要：本文档详细介绍了从globfire数据集中获取火灾信息的过程，包括数据集结构（Daily Fires和Final Fires）、关键函数的功能与实现。该脚本旨在生成一份包含火灾初始经纬度及其开始和结束日期的列表。通过定义美国区域的几何形状，筛选符合条件的火灾记录，计算每个火灾的面积、质心坐标，并将最终结果保存为GeoDataFrame对象。为了提高效率，还实现了缓存机制，以避免重复查询相同时间段的数据。; 适合人群：对地理信息系统（GIS）和火灾数据分析感兴趣的科研人员、开发者或学生。; 使用场景及目标：①需要处理和分析globfire火灾数据集的研究项目；②希望理解如何利用Python和Earth Engine API进行空间数据分析的开发者；③学习如何高效地处理大规模时空数据并应用缓存技术优化性能。; 阅读建议：由于本文档涉及较多的技术细节和特定领域的知识，建议读者先熟悉Python编程语言、Pandas库以及地理空间数据处理的基础概念。同时，在实践中尝试运行代码片段，并参考官方文档来加深理解。

2025-06-11

遥感技术基于Google Earth Engine的多源遥感数据访问与下载：环境监测与地理信息系统应用教程

内容概要：本文档是关于Google Earth Engine（GEE）的培训笔记本，由多个机构的研究人员共同开发。文档详细介绍了如何访问、可视化和下载各类遥感数据集，包括数字高程模型（DEM）、土地利用与覆盖（LULC）、降水量、土壤湿度、地表温度以及地表和地下水数据。每个部分都提供了具体的Python代码示例，用于加载数据、设置可视化参数、创建交互式地图并添加图例。此外，文档还涵盖了如何将处理后的数据导出到Google Drive的方法，以便进行离线分析或与其他研究者共享。适合人群：对遥感技术和地理信息系统（GIS）感兴趣的科研人员、环境监测工作者、农业和水资源管理人员等。使用场景及目标：①学习如何使用GEE平台获取和处理不同类型的遥感数据；②掌握创建交互式地图和添加图例的技术；③了解如何将处理后的数据导出到Google Drive，方便后续的离线分析和协作。其他说明：本文档不仅提供了详细的代码示例，还附带了丰富的背景信息和应用实例，帮助用户更好地理解和应用遥感数据。所有操作均基于Python语言，并依赖于`ee`和`geemap`库。用户需要先完成Earth Engine的身份验证和初始化步骤，才能顺利执行后续的数据处理任务。

2025-06-09

【地球科学与遥感】基于Google Earth Engine的多模态时间序列数据生成工具（MMTS-GEE）：综合光学和SAR数据处理及机器学习应用

内容概要：本文介绍了Google Earth Engine（GEE）中多模态时间序列数据集生成工具（MMTS-GEE），用于生成时空对齐的多源遥感数据集。该工具整合了Sentinel-1 SAR数据（包括极化参数和斑点滤波）、Sentinel-2多光谱数据（含植被指数并进行云掩膜处理）、ERA5-Land气候变量（如温度和降水），以及Copernicus DEM地形特征（如高程、坡度、方位角和局部入射角）。用户可以通过界面选择时间范围、数据预处理选项（如云阈值、光学和SAR指数、斑点滤波器等），并设置随机点生成或上传自有数据点。最终生成的数据集可用于多模态和多时相分析或机器学习任务。适合人群：具备一定地理信息系统和遥感基础知识的研究人员和开发者，尤其是从事森林监测、植被参数估算等领域的工作者。使用场景及目标：①生成时空对齐的多源遥感数据集，支持多模态和多时相分析；②通过机器学习方法估算植被指数和生物物理参数；③研究Sentinel-1 SAR极化参数对森林监测的影响；④为特定研究目标定制数据集生成流程。其他说明：该工具的完整文档可在GitHub上找到（github.com/palubad/MMTS-GEE），并且有两篇相关论文可供引用，分别探讨了Sentinel-1 SAR极化参数在捷克森林监测中的应用以及利用Sentinel-1 SAR数据和机器学习估计温带森林的植被指数和生物物理参数。此外，提供了详细的用户界面操作指南，帮助用户设置参数并导出数据。

2025-06-09

Land data Users’ Group

2025-06-09

【地理信息系统】基于Python API的Google Earth Engine环境搭建与非商业项目注册指南要求，具体描述

内容概要：本文详细介绍了如何使用Python API开始使用Google Earth Engine（GEE）。首先，用户需要创建并配置一个Google Cloud项目，包括命名项目、启用GEE API以及注册为非商业用途。具体步骤涵盖从访问控制台到填写非商业使用资格信息，选择组织类型，确认符合非商业使用条件，并最终选择工作计划。完成设置后，用户可通过Google Colab笔记本进行身份验证并与GEE交互，包括导入必要的模块（如`ee`和`geemap`），初始化GEE环境，运行示例代码以展示2023年1月全球地表空气温度的地图。适合人群：对地球科学、遥感技术感兴趣的科研人员、学生或开发者，尤其是那些希望利用Python进行地理空间数据分析的人士。使用场景及目标：①帮助用户快速搭建GEE开发环境，掌握基本操作流程；②为后续深入研究提供基础支持，如气候变化分析、环境监测等；③通过实际案例（如温度数据可视化）让用户熟悉API调用和数据处理方法。阅读建议：由于涉及较多平台操作细节，建议读者按照文中步骤逐一尝试，确保每个环节正确无误。同时，在遇到问题时可参考官方文档或社区论坛寻求帮助。

2025-06-09

Smart Buildings and Cities with Remote Sensing and GIS

The built environment is undergoing a profound transformation driven by the integration of cutting-edge geospatial technologies. Smart Buildings and Cities with Remote Sensing and GIS serves as a comprehensive guide to navigating this transformation and bridges the gap between traditional architectural and planning practices and the innovative possibilities of remote sensing (RS) and geographic information systems (GIS). The book demonstrates how architects, planners, and decisionmakers can use GIS and RS to design smarter, context-aware, and eco-friendly urban spaces. It explores innovative approaches for architecture, focusing on geospatial site analysis, net-zero energy building designs, heritage preservation, innovative virtual campus planning methodologies and even futuristi

2025-06-09

【地理信息系统】基于Google Earth Engine的巴基斯坦地区多源遥感数据月度汇总与可视化：2015年水文气象参数分析

内容概要：本文展示了如何使用Google Earth Engine（GEE）及其Python API对巴基斯坦地区的多源遥感数据进行处理和可视化。具体包括了GRACE重力卫星数据、降水、气温、地表温度、湿度、蒸发量、径流和NDVI植被指数等多个要素的时间序列分析。通过定义`convert_to_monthly_sum`与`convert_to_monthly_average`函数，实现了月度累积值或平均值计算，并利用`join_collections`函数将不同类型的影像数据集按日期合并。最后，基于随机森林算法构建了GRACE数据分类模型，并分别以55公里和10公里分辨率展示结果图层。此外，还设置了统一的颜色渐变方案来直观呈现水文变化趋势。适合人群：有一定地理信息系统（GIS）和Python编程基础的研究人员或工程师，特别是关注气候变化、水资源管理和环境监测领域的专业人士。使用场景及目标：① 对比分析同一区域内不同分辨率下的GRACE重力卫星数据；② 探讨各气象因子之间的相互关系及其对植被生长的影响；③ 为相关科研项目提供数据支持和技术参考。其他说明：本案例侧重于实际操作演示，读者应具备基本的GEE平台使用经验和Python脚本编写能力。建议在学习过程中尝试修改参数设置或添加其他数据源，以加深理解并探索更多可能性。同时注意API接口调用次数限制以及数据版权问题。

2025-06-06

【时间序列分析】基于SARIMA模型的月度NDVI数据预测与可视化：数据预处理、模型训练及效果评估

内容概要：本文详细介绍了使用Python进行时间序列分析和预测的方法，特别是针对月度NDVI（归一化差异植被指数）数据。首先，文章展示了如何导入必要的库和数据，并对数据进行了初步探索与清洗，包括处理缺失值和将日期列设置为索引。接着，通过可视化手段展示了原始数据的分布情况，并应用季节分解方法分析了数据的趋势、季节性和残差成分。为了检验数据的平稳性，文中使用了ADF（Augmented Dickey-Fuller）测试，并对非平稳数据进行了差分处理。此外，文章还深入探讨了自相关函数（ACF）和偏自相关函数（PACF）图的应用，以帮助选择合适的ARIMA模型参数。最后，文章构建并评估了一个SARIMA模型，用于预测未来三年（2023-2025年）的月度NDVI值，并通过图形展示了预测结果及其置信区间。适合人群：具备一定Python编程基础的数据分析师、数据科学家以及对时间序列分析感兴趣的科研人员。使用场景及目标：① 学习如何处理和分析时间序列数据，包括数据预处理、可视化和模型选择；② 掌握ADF测试、ACF/PACF图的解读以及SARIMA模型的构建和评估；③ 实现对未来NDVI值的预测，并理解预测结果的置信区间。其他说明：本文提供了完整的代码示例，涵盖了从数据加载到模型训练和预测的所有步骤。读者可以通过运行这些代码来加深对时间序列分析的理解，并应用于类似的数据集上。建议读者在实践中逐步调试代码，结合理论知识，以更好地掌握时间序列建模的技术。

2025-06-06

地球科学基于Python的GEE卫星影像下载与处理：缅甸考玛地区多光谱图像获取及可视化系统实现

内容概要：本文档展示了如何使用Python脚本从Google Earth Engine (GEE) 获取卫星影像数据并进行处理。首先，通过坐标创建多边形GeoJSON文件定义感兴趣的区域（如缅甸的Kaung Ma）。然后，利用定义的时间范围（如2020年4月12日至5月12日）和指定的卫星数据源（如Sentinel-2），从GEE下载对应区域的遥感图像。下载后的TIFF格式影像文件被存储在本地目录下，并通过tiffutils模块加载和可视化展示。此外，还展示了对多个不同地点（如夏威夷的几个海滩和岛屿）执行相同操作的过程。适合人群：对地理信息系统（GIS）、遥感技术和Python编程有一定了解的研究人员或开发者。使用场景及目标：①学习如何自动化地从GEE获取特定时间和地理位置的卫星影像；②掌握如何处理和可视化这些影像数据；③为后续基于卫星影像的分析任务提供数据准备支持。其他说明：此脚本适用于Windows操作系统环境，并依赖于geedownload库中的geeutils和tiffutils模块。用户需要确保已正确安装相关依赖项，并根据实际情况调整参数（如站点名称、日期范围等）。在运行过程中，如果遇到已经下载过的站点，则不会重复下载。同时，对于某些非图形界面环境中（如Jupyter Notebook），可能会出现无法显示图像的情况。

2025-06-06

【地理信息系统】基于Google Earth Engine的卫星影像下载与处理：特定区域多光谱数据获取及可视化系统实现

内容概要：该文档展示了如何利用Google Earth Engine (GEE) 和 Python 脚本从GEE平台下载卫星影像数据并进行处理。首先，通过定义坐标和时间范围选择下载位置，并创建GeoJSON多边形文件。接着，调用geeutils模块中的函数retrieve_imagery检索指定时间段内的卫星影像，包括Landsat和Sentinel-2系列卫星的数据。对于每个可用的影像，脚本会下载特定波段（如红、绿、蓝、近红外等），并保存为TIFF格式文件。此外，还展示了如何清理多余的TIFF文件以及加载并显示这些图像。部分卫星数据（如L5、L7、L8、L9）在指定的时间和区域内没有找到可用影像。适合人群：具有基本Python编程技能，对遥感数据处理和地理信息系统有一定了解的研究人员或工程师。使用场景及目标：①需要获取特定地理位置和时间范围内的高分辨率卫星影像用于环境监测、农业评估等领域；②学习如何使用GEE API和Python脚本自动化下载和预处理卫星数据；③掌握如何处理和可视化下载后的TIFF格式影像数据。其他说明：由于某些卫星数据在特定区域和时间段内不可用，实际应用时需注意检查数据覆盖情况。同时，在展示图像时遇到了一些警告信息，这可能是由于使用的Matplotlib后端不支持图形界面或数据值超出显示范围所致。建议确保运行环境配置正确，并根据需要调整图像显示参数。

2025-06-06

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人