gee专题
【详细介绍一下GEE】
GEE（Google Earth Engine）是一个强大的云计算平台，它允许用户处理和分析大规模的地球科学数据集，如卫星图像、气候模型输出等。以下是对GEE用法的详细介绍： 一、平台访问与账户设置 访问GEE平台： 用户可以通过访问Google Earth Engine的官方网站来开始使用GEE。 创建账户： 用户需要注册并登录Google账户，然后申请访问GEE平台。申请过程可能需要提
【在GEE中计算NDVI*2】
在Google Earth Engine (GEE) 中计算归一化植被指数（NDVI）是一个相对直接的过程，涉及到加载图像数据、定义NDVI的计算公式，并将该公式应用于图像或图像集合。以下是一个在GEE中计算NDVI的详细步骤和示例代码。 步骤 1: 初始化GEE并导入必要的库 通常，在GEE的Code Editor中，你不需要显式地导入库，因为ee对象已经为你准备好了。但是，如果你是在一个自
GEE数据集：全球地下水生态系统 (GDEs)数据集（30m分辨率）
目录 地下水的全球生态系统 (GDEs) 简介 代码 代码链接 APP链接 结果 引用 许可 网址推荐 0代码在线构建地图应用 机器学习 地下水的全球生态系统 (GDEs) 简介 地下水是最广泛的液态淡水来源，但它在支持多样化生态系统方面的关键作用却往往不被人们所认识。 在许多地区，依赖地下水的生态系统（GDEs）的位置和范围在很大程度上仍不为人所知，导致保
GEE土地分类预处理：NAIP和NLCD影像的数据进行随机样本点提取采样作为土地分类的标签数据（R\G\B和landcover）
目录 简介 数据集 NAIP National Agriculture Imagery Program NLCD 2021: USGS National Land Cover Database 函数 neighborhoodToArray(kernel, defaultValue) Arguments: Returns: Image Export.table.toCloudS
GEE案例——基于光谱混合分析（SMA）的归一化差异水分指数（NDWFI）的水体监测
简介 本研究旨在开发一种新型水指数，以提高利用卫星图像感知和监测 SW 的能力，同时避开大量取样和复杂建模等劳动密集型技术，从而改进大规模 SW 测绘。 具体目标如下 (a) 引入一种新的水体指数，该指数的明确设计目的是改进对次要水体和易变水体的提取，使其非常适合于大规模、长期的水体分布图绘制；(b) 调查该新指数在阐明水体动态时空模式方面的可行性，从而推进对跨时空水体分布变化的理解；(c) 通
GEE错误：Property ‘species_ID‘ of feature ‘0_0‘ is missing.
目录 错误 数据属性 现有的属性信息 原始代码 错误解析 已经写过的博客 错误 Image (Error) Property 'species_ID' of feature '0_0' is missing. 数据属性 现有的属性信息 原始代码 var sp = ee.FeatureCollection("projects/ee-aptiawo
GEE 更新和优化：利用GEE在线处理1985-2024年NDVI、EVI、SAVI、NDMI等指数归一化教程！（Landsat C02 数据）
简介 本次的归一化教程，优化了数据去云，预处理等过程，同事将landsat 5/7/8集合分别进行了数据整合，也就是原始波段的处理，从而我们可以调用1985-至今任何一个时期的影像进行归一化处理。具体的原文介绍 请看原始的博客 原始博客 利用GEE（Google Earth Engine）在线处理NDVI、EVI、SAVI、NDMI等指数归一化教程！_gee计算ndwi-CSDN博客 代码
GEE APP：利用夜间灯光数据建立一个简易的逐年影像查看器
简介 很多时候我们可以通过简单的滑块进行逐年影像的查看，slider这个工具可以进行每一年的夜间灯光数据的查看，这里主需要设定其实和后续的年份，另外，并给每一年进行属性设定对应的影像即可。这里最关键的就是一个返回值函数的设定，也就是滑块中的onchange函数的设定，这里我们首先要初始化地图界面，然后设定每一年份的属性。 函数 ee.Date.fromYMD(year, month, day
Google Earth Engine（GEE）——1997年和2021年三峡大坝蓄水区面积差异图绘制和面积计算
简介 目标是绘制自 2012 年以来世界上最大发电站的三峡大坝造就装机容量（22,500 兆瓦）绘制其蓄水的区域变化监测 由水电站大坝水库引起的洪水区图像。浅蓝色为建坝前河面，深蓝色为建坝后额外的地表水。 代码： v
Google Earth Engine（GEE）——随机森林函数的监督分类使用案例分析
函数： ee.Classifier.smileRandomForest(numberOfTrees, variablesPerSplit, minLeafPopulation, bagFraction, maxNodes, seed) Creates an empty Random Forest classifier. Arguments: numberOfTrees (Integer):
Google Earth Engine（GEE）——ui.DateSlider时间进度条的设置
结果 函数： ui.DateSlider(start, end, value, period, <
GEE：Landsat C01和C02数据集进行LST（Land Surface Temperature）地表温度分析
LST（Land Surface Temperature） LST（Land Surface Temperature）是指地表温度，是地表上空气与地表之间的热交换过程的结果。地表温度是一个重要的地理要素，对气候研究、气象预报、农业生产、环境评估等方面有着重要的影响。下面将详细介绍LST的定义、计算方法以及其在不同领域的应用。 首先，LST的定义是指地表的温度，即地球表面的实际温度。它与空气温度
Google Earth Engine（GEE）——计算闪闪红星的ndvi的值和折线图（时序分析）
函数： ui.Chart.image.doySeries(imageCollection, region, regionReducer, scale, yearReducer, startDay, endDay)
Google Earth Engine（GEE）——在控制台上答应出一个button按钮
函数： ui.Button(label, onClick, disabled, style) A clickable button with a text label. Arguments: label (String, optional): The button's label. Defaults to an empty string. onClick (Function, op
GEE数据融合——Landsat （collection 2，level 2 ）4、5、7、8、9长时间序列影像数据融合和视频导出分析
本次我们使用Landsat （collection 2，level 2 ）4、5、7、8、9数据的地标反射率数据进行融合，来实现指定区域的影像导出分析。 简介 长时间序列影像数据融合是指将Landsat影像数据集合2级2（Level 2）中的4、5、7、8和9这五个卫星的数据进行融合。具体来说，这包括将同一地点的多个卫星影像数据进行处理和整合，以产生一个单一的、具有更高质量的影像产品。 在
GEE案例——利用MODIS数据（NDVI）计算中国大陆2000-2023年的MK、Sens趋势性分析和Z值统计以及方差分析
简介 利用MODIS数据（NDVI）计算2000-2023年中国大陆的MK、Sens趋势性分析和Z值统计以及方差分析 流程 要进行NDVI数据的趋势性分析和统计分析，需要按照以下步骤进行： 1. 数据准备：获取2000-2023年的MODIS NDVI数据，可以从NASA的MODIS数据网站或其他可靠的数据来源获取。 2. 数据处理：将获取的NDVI数据按年份进行整理，得到每年的NDVI
GEE数据集：美国植被干旱响应指数 (Vegetation Drought Response Index,VegDRI)数据集
植被干旱响应指数 (VegDRI) 简介 植被干旱响应指数（VegDRI）是一个每周一次的地理空间模型，用于描述干旱对美国本土植被造成的压力。VegDRI干旱监测工具是由美国地质调查局EROS中心、内布拉斯加大学国家干旱缓解中心（NDMC）和高原区域气候中心（HPRCC）的科学家们合作开发的。 VegDRI方法将美国宇航局Terra平台上的中分辨率成像分光仪（MODIS）传感器提供的遥感数
GEE 10m 全球 LULC 数据集 ESRI Land Cover
土地利用土地覆盖（LULC）地图在许多行业部门和发展中国家越来越成为决策者的重要工具。这些地图提供的信息有助于通过更好地理解和量化地球过程和人类活动的影响，从而制定政策和土地管理决策。 ESRI Land Cover 数据介绍 ArcGIS Living Atlas of the World 提供了详细、准确且及时的全球 LULC 地图。该数据是 Esri 和 Impact
【数据挖掘】基于GEE平台按采样点提取Landsat 植被指数时间序列秘籍
这里写自定义目录标题 1. 写在前面2. GEE代码 1. 写在前面 🚀大家好，今天我要分享的是如何使用Google Earth Engine (GEE) 平台，针对特定的采样点，提取LANDSAT 8卫星数据中的植被指数时间序列。本代码主要包括三种植被指数：NDVI、EVI和NDPI。 2. GEE代码 🔍 本代码以山东省为例： var table = ee.Fe
GEE深度学习——使用Tensorflow进行神经网络DNN土地分类
Tensorflow TensorFlow是一个开源的深度学习框架，由Google开发和维护。它提供了一个灵活的框架来构建和训练各种机器学习模型，尤其是深度神经网络模型。 TensorFlow的主要特点包括： 1. 它具有高度的灵活性，可以用于训练和部署各种类型的机器学习模型，包括分类、回归、聚类和生成模型等。 2. 它使用图形计算的方式来表示机器学习模型，将模型的计算过程表示为一个有向无
GEE深度学习——地代码作物分类（Vertex AI 机器学习MLPINGTAI ）
低代码作物分类 AutoML 能以最小的技术投入创建和训练模型。本示例演示了使用 Vertex AI Python SDK 训练和部署一个 AutoML 表格式模型，然后从 Earth Engine 连接到该模型，对国家农业图像计划 (NAIP) 航空图像中的作物类型进行分类。 本教程的主要流程是为了将选好的训练数据，进行GCS的问格式转换，然后进行数据集的创建，作为新格式的训练数据集，使用c
GEE批量导出逐日、逐月、逐季节和逐年的遥感影像（以NDVI为例）
影像导出 1.逐日数据导出2.逐月数据导出3.季节数据导出4.逐年数据导出 最近很多小伙伴们私信我，问我如何高效导出遥感数据，从逐日到逐季度，我都有一套自己的方法，今天就来和大家分享一下！ 🔍【逐日导出】：首先，逐日数据的导出其实很简单，只需要设置好时间参数，然后用For循环迭代，就可以轻松搞定。 📅【逐月导出】：逐月数据稍微复杂一些，需要对月份进行分类，并且确保数
GEE深度学习——使用卷积神经网络（Convolutional Neural Network，CNN）进行土地分类（PyTorch模式）
PyTorch PyTorch是一个开源的深度学习框架，由Facebook于2016年发布。它提供了丰富的工具和库，用于构建和训练神经网络模型。 PyTorch的核心是动态计算图，它允许用户在运行时定义、修改和调试计算图，这使得模型开发变得非常灵活和直观。与静态计算图的框架相比，PyTorch使得调试和实验更加简单，因为用户可以在编写代码时直接查看变量和计算结果。 PyTorch提供了丰富的
GEE案例分析——Sentinel-1数据的地形校正和斑点滤波Lee-sigma
Lee-Sigma滤波 Lee-Sigma滤波是一种用于处理合成孔径雷达(SAR)图像中斑点噪声的算法。它基于Lee滤波器的原理，并引入了Sigma滤波器的概念，以改进对噪声的抑制效果，同时尽量保持图像的细节。下面是Lee-Sigma滤波的基本原理和步骤： 1. **基本原理**：Lee滤波器是一种自适应的统计滤波器，它利用图像中每个像素点周围邻域像素的统计信息来估计该像素点的噪声，并对其进行
GEE案例分析——利用双向反射分布函数（BRDF）Sentinel-2数据进行地形校正
双向反射分布函数 双向反射分布函数（Bidirectional Reflectance Distribution Function，简称BRDF）是遥感和计算机图形学中的一个重要概念，用于描述地表或任何表面对入射光的反射特性。BRDF 是一个定义良好的物理量，它量化了表面反射光的强度如何依赖于入射光的方向和观察者（或传感器）的观察方向。 以下是BRDF： 1. **定义**：BRDF 是一个
GEE APP——使用Sentinel-5p数据制作空气质量（气溶胶、甲烷、臭氧和二氧化氮）监测应用程序（北京市为例）
简介 空气质量是环境健康的一个重要方面，直接影响生态系统和人类的福祉。随着空气污染的后果日益明显，监测和了解大气参数的动态已成为当务之急。通过该项目，我们旨在利用卫星数据的能力，尤其是 2017 年 10 月 13 日发射的哨兵-5P 号卫星的数据，深入了解二氧化氮（NO2）、臭氧（O3）、二氧化硫（SO2）、一氧化碳（CO）、甲醛（HCHO）、甲烷（CH4）等关键大气成分，以及云层覆盖率和气溶