首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

在Google Earth Engine (GEE)中创建条形图,其中包含每年的陆地卫星图像数量

Google Earth Engine (GEE)是一个强大的云计算平台,用于分析和可视化地球观测数据。在GEE中创建条形图,其中包含每年的陆地卫星图像数量,可以按照以下步骤进行:

  1. 导入GEE库和数据集:在GEE代码编辑器中,导入必要的库和数据集。例如,可以导入ee库和Landsat 8数据集。
代码语言:txt
复制
var ee = require('users/google/earthengine:ee');
var landsat8 = ee.ImageCollection('LANDSAT/LC08/C01/T1');
  1. 定义感兴趣区域(ROI):选择您感兴趣的地理区域,可以是一个点、线、多边形或图像。
代码语言:txt
复制
var roi = ee.Geometry.Point(lon, lat); // 使用经纬度定义一个点作为ROI
  1. 过滤数据集:根据ROI和时间范围过滤数据集,以获取特定区域和时间段内的卫星图像。
代码语言:txt
复制
var filtered = landsat8.filterBounds(roi)
                      .filterDate('YYYY-MM-DD', 'YYYY-MM-DD');
  1. 计算每年的卫星图像数量:使用reduce()函数计算每年的卫星图像数量。
代码语言:txt
复制
var count = filtered.reduce(ee.Reducer.count());
  1. 创建条形图:使用ui.Chart()函数创建条形图,并将卫星图像数量数据传递给它。
代码语言:txt
复制
var chart = ui.Chart.image.doySeriesByYear({
  imageCollection: count,
  bandName: 'system:time_start',
  region: roi,
  regionReducer: ee.Reducer.sum(),
  scale: 30,
  yearReducer: ee.Reducer.count(),
  startDay: 1,
  endDay: 365
});
  1. 可视化条形图:使用ui.Chart()函数创建的条形图对象可以通过在地图上添加它来进行可视化。
代码语言:txt
复制
Map.addLayer(chart);

这样,您就可以在GEE中创建包含每年陆地卫星图像数量的条形图了。请注意,上述代码仅为示例,具体的实现可能需要根据您的需求进行调整。

对于推荐的腾讯云相关产品和产品介绍链接地址,由于要求不能提及具体品牌商,建议您参考腾讯云的云计算产品和服务,例如云函数、云数据库、云存储等,以满足您在云计算领域的需求。您可以访问腾讯云官方网站获取更多详细信息和文档:https://cloud.tencent.com/

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

  • GEE好文推荐——利用样本点迁移方法快速实现全球范围内1984年至今基于Landsat影像的土地分类

    在本研究中,我们在 GEE 中实施了射频分类器,利用 Landsat-8 和 Sentinel-2 数据集对 2022 年植被生长季节的不同空间尺度进行了时间序列土地分类。我们的首要目标是利用多源遥感变量构建的不同土地分类模型,为时间序列数据集建立一个高效、准确和通用的土地分类模型,并根据未发生土地分类变化的样本点图像值差异,确定土地分类样本点和迁移阈值。我们的目标是 (1) 确定基于土地分类无变化的样点迁移阈值;(2) 根据阈值分析使用陆地卫星遥感图像和高精度哨兵图像的 36 年时间序列制作的土地分类模型的准确性;(3) 确定基于多源遥感变量不同组合的最佳射频土地分类模型,并比较图像分辨率对分类准确性的影响。

    01

    Google Earth Engine(GEE)—— ETH Global Sentinel-2 10米植被冠层高度数据集(2020年)

    ETH Global Sentinel-2 10米冠层高度(2020年) 全世界的植被高度变化是全球碳循环的基础,也是生态系统及其生物多样性运作的核心。管理陆地生态系统、缓解气候变化和防止生物多样性的丧失,需要地理空间上的明确信息,而且最好是高度解析的信息。在这里,我们提出了2020年第一个全球的、地面采样距离为10米的墙到墙的树冠高度图。没有一个数据源能满足这些要求:像GEDI这样的专门的空间任务提供了稀疏的高度数据,但覆盖面却前所未有,而像Sentinel-2这样的光学卫星图像提供了全球密集的观测,但不能直接测量垂直结构。通过融合GEDI和Sentinel-2,我们开发了一个概率深度学习模型,从地球上任何地方的Sentinel-2图像中检索树冠高度,并对这些估计的不确定性进行量化。

    01

    Landsat 1-9助力跨越近50年的遥感地球综合观测

    Landsat任务:自1972年以来,Landsat 卫星不断获取地球陆地表面的遥感图像,提供连续的数据,帮助土地管理者和决策者对自然资源和环境做出明智的决策。2021年9月27日发射的美国国家航空航天局和美国地质调查局(USGS)的联合任务--Landsat 9,已经收集了其第一批地球的光照图像。这些图像都是在10月31日获得的,可以在网上查阅。它们提供了一个预览,说明这项任务将如何帮助人们管理重要的自然资源和了解气候变化的影响,增加了Landsat无与伦比的数据记录,该记录跨越了近50年的遥感地球观测。目前NASA的Landsat9团队正在进行为期100天的检查,包括测试卫星的系统和子系统以及校准其仪器,以准备在1月将任务移交给USGS。美国地质调查局将与Landsat8一起运行Landsat9,这两颗卫星将每天收集大约1500张地球表面的图像,每8天覆盖全球。它将更好地支持环境的可持续性、气候变化的适应性和经济增长。一旦卫星开始正常运行,Landsat 9的数据将从USGS的网站上免费提供给公众。

    02

    Landsat8_C2_TOA数据集大气层顶表观反射率TOA

    Landsat8_C2_TOA数据集是将数据每个波段的辐射亮度值转换为大气层顶表观反射率TOA,是飞行在大气层之外的航天传感器量测的反射率,包括了云层、气溶胶和气体的贡献,可通过辐射亮度定标参数、太阳辐照度、太阳高度角和成像时间等几个参数计算得到。为了便于在线分析存储,平台将影像像素值扩大了10000倍。Landsat-8卫星包含OLI陆地成像仪(Operational Land Imager)和TIRS热红外传感器(Thermal Infrared Sensor)两种传感器,每16天可以实现一次全球覆盖。Landsat-8 在空间分辨率和光谱特性等方面与Landsat 1-7保持了基本一致,卫星一共有11个波段,波段1-7,9-11的空间分辨率为30米,波段8为15米分辨率的全色波段,成像宽幅为185×185km。前言 – 人工智能教程

    01

    Google Earth Engine(GEE)——高度可扩展的时间自适应反射率融合模型(HISTARFM)数据库

    高度可扩展的时间自适应反射率融合模型(HISTARFM)数据库 HISTARFM数据库是一个高空间分辨率的月度反射率时间序列,并对云层数据缺口进行修正。该数据集是通过融合陆地卫星和中分辨率成像光谱仪(MODIS)的时间序列,以30米的分辨率创建的。该方法包括使用两个估计器,它们共同作用于消除随机噪声,并使Landsat光谱反射率的偏差最小化。第一个估计器是一个最佳内插器,它使用Landsat历史数据和来自最近的过道的融合MODIS和Landsat反射率生成Landsat反射率估计。融合过程采用了一个像素级的线性回归模型。第二个估计器是一个卡尔曼滤波器,用于纠正第一个估计器产生的反射率中的任何偏差。前言 – 床长人工智能教程HISTARFM提供了改进的反射率值和一个独特而有用的副产品--反射率不确定性,这对现实的误差计算有帮助(例如,计算植被指数或生物物理变量的误差条)。关于HISTARFM算法的更详细解释,请参考Moreno-Martinez等人的2020年手稿。

    01

    Google Earth Engine(GEE)—— 加拿大陆地卫星得出的1985-2020年森林采伐扰动情况

    加拿大陆地卫星得出的1985-2020年森林采伐扰动情况 本产品所包含的年度森林变化数据是全国性的(整个森林生态系统),代表了加拿大在30米空间分辨率下的墙到墙的采伐特征。信息成果代表了加拿大森林36年的采伐变化,来自一个单一的、一致的、空间明确的数据源,以完全自动化的方式得出。这种在捕捉人类影响的分辨率下描述森林特征的能力,对于从管理和科学的角度建立详细监测森林生态系统的基线至关重要。Landsat数据的时间序列被用来描述1985-2020年期间加拿大6.5亿公顷森林生态系统中由野火和采伐造成的林木替代森林干扰的国家趋势。前言 – 床长人工智能教程

    01

    Google Earth Engine(GEE)——2019年数字地球非洲的耕地范围地图

    数字地球非洲的耕地范围地图非洲2019年 这些地图显示了2019年1月至12月期间以下国家耕地的估计位置,其中耕地被定义为至少0.01公顷(单个10米×10米像素)的土地,在播种/种植日期后的12个月内至少可收获一次。还指出,"这一定义将排除非种植的牧地和多年生作物,因为卫星图像可能难以将其与自然植被区分开来。"临时耕地范围地图的分辨率为10米,使用2019年的哥白尼哨兵-2号卫星图像建立。耕地范围地图是使用来自非洲东部、西部、北部和萨赫勒地区的大量训练数据,加上随机森林机器学习模型单独建立的。对用于制作耕地范围地图的方法的详细探索,可以在Jupyter Notebooks中的DE Africa的crop-mask中找到。最容易下载数据集的地方是AWS开放数据注册处前言 – 床长人工智能教程

    01

    Landsat9_C2_TOA是每个波段的辐射亮度值转换为大气层顶表观反射率TOA数据集

    Landsat9_C2_TOA数据集是将数据每个波段的辐射亮度值转换为大气层顶表观反射率TOA,是飞行在大气层之外的航天传感器量测的反射率,包括了云层、气溶胶和气体的贡献,可通过辐射亮度定标参数、太阳辐照度、太阳高度角和成像时间等几个参数计算得到。为了便于在线分析存储,平台将影像像素值扩大了10000倍。Landsat9卫星包含二代陆地成像仪(Operational Land Imager2,OLI-2)和二代热红外传感器(Thermal Infrared Sensor,TIRS-2)两种传感器。卫星每16 天可以实现一次全球覆盖。OLI-2包括九个波段,空间分辨率为30米,包括一个15米的全色波段,成像宽幅为185×185km。TIRS-2用于收集地球两个热区地带的热量流失,了解所观测地带的水分消耗。相较于Landsat8上的TIRS,TIRS在风险等级和设计上做了改进,以尽量减少杂光影像。前言 – 人工智能教程

    01

    快速测绘和量化地球表面边缘变化的GEE工具-数字化工具(GEEDiT)和边缘变化量化工具(MaQiT)

    利用遥感卫星影像来研究边缘变化是环境过程和地球表面驱动因素的定量化指标,例如冰川边缘消退或海平面上升导致的沿海变化。这里介绍了三种新的、可免费使用的工具,它们可以一起用于处理和可视化,Landsat 4-8和Sentinel 1-2卫星存档数据,能够在很短的时间内实现高效的绘图(通过手动数字化)和自动量化边缘变化。这些工具对各种遥感专家的用户都是高度可访问的,在访问方面几乎没有计算、许可和知识方面的障碍。谷歌地球引擎数字化工具(GEEDiT)允许用户定义地球上任何地方的一个点,并通过一个简单的图形用户界面(GUI)对每个卫星的数据进行过滤,以获得用户定义的时间框架、最大可接受的云量,以及预定义或自定义图像波段组合的选项。GEEDiT允许从每个图像快速地绘制地理参考向量,图像元数据和用户注释自动追加到每个向量,然后可以导出用于后续分析。GEEDiT Reviewer工具允许用户对自己/他人的数据进行质量控制,并根据其特定研究问题的空间/时间要求过滤现有的数据集。边缘变化量化工具(MaQiT)是GEEDiT和GEEDiT Reviewer的补充,允许通过使用两种已建立的方法(以前用于测量冰川边缘变化)和两种新的方法,通过类似的简单GUI快速量化这些边缘变化。MaQiT的开发初衷是量化潮汐冰川末端的变化,尽管工具中包含的方法有可能广泛应用于地球表面科学的多个领域(例如,沿海和植被范围的变化)。这些工具将使地球科学领域的广泛研究人员和学生能够有效地绘制、分析和访问大量数据。

    02

    Google Earth Engine (GEE) ——全球海岸线数全球海岸线数据集30米分辨率

    全球海岸线数据集 一个新的30米空间分辨率的全球海岸线矢量(GSV)是由2014年Landsat卫星图像的年度合成物开发的。图像的半自动分类是通过手动选择代表整个全球海岸线上的水和非水类别的训练点来完成的。多边形拓扑结构被应用于GSV,从而对全球岛屿的数量和大小进行了新的描述。绘制了三种规模的岛屿:大陆主岛(5),大于1平方公里的岛屿(21,818),以及小于1平方公里的岛屿(318,868)。GSV代表了海岸带陆地和水的界面边界,是陆地和海洋环境之间的一个空间上明确的生态域分离器。本文介绍了GSV的发展和特点。还提出了一种划定标准化、高空间分辨率的全球生态海岸单元(ECU)的方法。在这个沿海生态系统测绘工作中,将使用GSV将近岸的沿海水域与近岸的沿海陆地分开。制作GSV和ECU的工作是由地球观测小组(GEO)委托进行的,并与GEO的一些倡议有关,包括GEO生态系统、GEO海洋生物多样性观测网络(MBON)和GEO蓝色星球。

    00
    领券