作者插图
地理空间数据分析是一个致力于处理、可视化和分析特殊类型数据(称为地理空间数据)的领域。与普通数据相比,我们的表格数据多了一个列,即位置信息,例如纬度和经度。
数据主要有两种类型:矢量数据和栅格数据。处理矢量数据时,您仍然拥有表格数据集,而栅格数据更类似于图像,例如卫星图像和航空照片。
在本文中,我将重点介绍 Google Earth Engine 提供的栅格数据,这是一个提供大量卫星图像数据目录的云计算平台。可以使用名为 Geemap 的救生 Python 包从 Jupyter Notebook 轻松掌握此类数据。让我们开始吧!
什么是 Google 地球引擎?
作者截图。 Google 地球引擎的主页。
在开始使用 Python 库之前,我们需要了解 谷歌地球引擎。这个基于云的平台由 Google Cloud 平台提供支持,托管用于学术、非营利和商业目的的公共和免费地理空间数据集。
作者截图。地球引擎数据目录概述。
该平台的优点在于它提供了存储在 Earth Engine 服务器上的多 PB 栅格和矢量数据目录。您可以从中快速了解 链接。此外,它还提供 API 来促进栅格数据集的分析。
什么是Geemap?
作者插图。吉图库。
地理地图 是一个 Python 库,允许分析和可视化来自 Google Earth Engine 的大量地理空间数据。
在此包之前,已经可以通过 JavaScript 和 Python API 发出计算请求,但 Python API 的功能有限且缺乏文档。
为了填补这一空白,Geemap 被创建,允许用户通过几行代码访问 Google Earth Engine 的资源。 Geemap 构建于 artengine-api, ipy传单 和 叶.
要安装该库,您只需要以下命令:
pip install geemap
我建议您在 Google Colab 中尝试这个令人惊叹的软件包,以了解其全部潜力。看一眼 这本免费书 由吴秋生博士教授撰写,为 Geemap 和 Google Earth Engine 入门而写。
如何访问地球引擎?
首先,我们需要导入两个将在教程中使用的 Python 库:
import ee
import geemap
除了geemap之外,我们还导入了Earth Engine Python客户端库,称为ee。
该Python库可用于Earth Engine上的身份验证,但直接使用Geemap库可以更快:
m = geemap.Map()
m
您需要点击这行代码返回的URL,将会生成授权码。首先,选择云项目,然后单击“生成令牌”按钮。
作者截图。笔记本验证器。
之后,它会要求您选择帐户。如果您正在使用 Google Colab,我建议您使用相同的帐户。
作者截图。选择一个帐户。
然后,单击“全选”旁边的复选框,然后按“继续”按钮。简而言之,此步骤允许笔记本客户端访问 Earth Engine 帐户。
作者截图。允许笔记本客户端访问您的 Earth Engine 帐户。
执行此操作后,将生成身份验证代码,您可以将其粘贴到笔记本单元中。
作者截图。复制验证码。
输入验证码后,您终于可以创建并可视化此交互式地图:
m = geemap.Map()
m
目前,您只是观察 ipyleaflet 之上的底图,ipyleaflet 是一个 Python 包,可以在 Jupyter Notebook 中实现交互式地图的可视化。
创建交互式地图
之前,我们已经了解了如何使用一行代码来验证和可视化交互式地图。现在,我们可以通过指定质心的纬度和经度、缩放级别和高度来自定义默认地图。我选择了罗马作为中心坐标,以关注欧洲地图。
m = geemap.Map(center=[41, 12], zoom=6, height=600)
m
如果我们想改变底图,有两种可能的方法。第一种方法包括编写并运行以下代码行:
m.add_basemap("ROADMAP")
m
或者,您可以通过单击右侧的扳手图标来手动更改底图。
此外,我们看到Geemap提供的底图列表:
basemaps = geemap.basemaps.keys()
for bm in basemaps:
print(bm)
这是输出:
OpenStreetMap
Esri.WorldStreetMap
Esri.WorldImagery
Esri.WorldTopoMap
FWS NWI Wetlands
FWS NWI Wetlands Raster
NLCD 2021 CONUS Land Cover
NLCD 2019 CONUS Land Cover
...
正如您所注意到的,有一长串的底图,其中大部分都可以通过 OpenStreetMap、ESRI 和 USGS 获得。
地球引擎数据类型
在展示 Geemap 的全部潜力之前,了解 Earth Engine 中的两种主要数据类型非常重要。看看 Google 地球引擎的文档 以获得更多细节。
作者插图。矢量数据类型示例:几何、特征和特征集合。
处理矢量数据时,我们主要使用三种数据类型:
- 几何 存储在地图上绘制矢量数据所需的坐标。 Earth Engine 支持三种主要类型的几何图形:点、线串和多边形。
- 专栏 本质上是结合了几何属性和非地理属性的行。它与 GeoPandas 的 GeoSeries 类非常相似。
- 特征集合 是包含一组特征的表格数据结构。 FeatureCollection 和 GeoDataFrame 在概念上几乎相同。
作者截图。图像数据类型的示例。它显示了澳大利亚平滑数字高程模型(DEM-S)
在栅格数据领域,我们专注于 图片 对象。 Google Earth Engine 的图像由一个或多个品牌组成,其中每个品牌都有特定的名称、估计的最小值和最大值以及说明。
如果我们有图像集合或时间序列, 图片采集 作为数据类型更合适。
作者截图。 哥白尼 CORINE 土地覆盖.
我们可视化显示欧洲土地覆盖地图的卫星图像。该数据集提供了 1986 年至 2018 年之间的变化。
首先,我们使用 ee.Image 加载图像,然后选择“landcover”波段。最后,让我们通过使用 Map.addLayer 将加载的数据集作为图层添加到地图来可视化图像。
Map = geemap.Map()
dataset = ee.Image('COPERNICUS/CORINE/V20/100m/2012')
landCover = dataset.select('landcover')
Map.setCenter(16.436, 39.825, 6)
Map.addLayer(landCover, {}, 'Land Cover')
Map
作者截图。
同样,我们可以做同样的事情来加载和可视化显示欧洲土地覆盖地图的卫星图像。该数据集提供了 1986 年至 2018 年之间的变化。
作者截图。 甲烷浓度的离线高分辨率图像.
要可视化 Earth Engine ImageCollection,代码行类似,但 ee.ImageCollection 除外。
Map = geemap.Map()
collection = ee.ImageCollection('COPERNICUS/S5P/OFFL/L3_CH4').select('CH4_column_volume_mixing_ratio_dry_air').filterDate('2019-06-01', '2019-07-16')
band_viz = {
'min': 1750,
'max': 1900,
'palette': ['black', 'blue', 'purple', 'cyan', 'green', 'yellow', 'red']
}
Map.addLayer(collection.mean(), band_viz, 'S5P CH4')
Map.setCenter(0.0, 0.0, 2)
Map
作者截图。
那太棒了!从这张地图中,我们注意到甲烷(温室效应最重要的贡献者之一)在全球的分布情况。
最后的思考
这是一份介绍性指南,可以帮助您使用 Python 处理 Google Earth Engine 数据。 Geemap 是用于可视化和分析此类数据的最完整的 Python 库。
如果您想更深入地了解这个包,您可以查看我下面建议的资源。
代码可以找到 相关信息。我希望您觉得这篇文章有用。祝你今天过得愉快!
有用的资源:
尤金妮娅·阿内罗 现为意大利帕多瓦大学信息工程系研究员。 她的研究项目专注于结合异常检测的持续学习。
- SEO 支持的内容和 PR 分发。 今天得到放大。
- PlatoData.Network 垂直生成人工智能。 赋予自己力量。 访问这里。
- 柏拉图爱流。 Web3 智能。 知识放大。 访问这里。
- 柏拉图ESG。 碳, 清洁科技, 能源, 环境, 太阳能, 废物管理。 访问这里。
- 柏拉图健康。 生物技术和临床试验情报。 访问这里。
- Sumber: https://www.kdnuggets.com/geospatial-data-analysis-with-geemap?utm_source=rss&utm_medium=rss&utm_campaign=geospatial-data-analysis-with-geemap
- :具有
- :是
- :在哪里
- 10
- 12
- 16
- 1900
- 2%
- 2018
- 2019
- 2021
- 23
- 39
- 41
- 6
- 7
- 8
- a
- 学者
- ACCESS
- 账号管理
- 操作
- 添加
- 增加
- 额外
- 解决
- 所有类型
- 让
- 允许
- 几乎
- 已经
- am
- 惊人
- 量
- an
- 分析
- 分析
- 和
- 异常检测
- APIs
- 适当
- 保健
- 刊文
- AS
- 问
- At
- 属性
- 澳大利亚人
- 认证
- 认证
- 作者
- 授权
- 可使用
- BAND
- 基地
- BE
- 美容
- 如下。
- 之间
- 黑色
- 蓝色
- 盒子
- 品牌
- 建
- 商业
- 商业目的
- 但是
- 按键
- by
- 被称为
- CAN
- 检索目录
- 细胞
- 中心
- 更改
- 更改
- 查
- 选择
- 程
- 点击
- 点击
- 客户
- 云端技术
- 云计算
- 云计算平台
- 码
- 采集
- 柱
- 结合
- 结合
- 命令
- 相比
- 完成
- 由
- 计算
- 计算
- 概念
- 由
- 包含
- 贡献者
- 坐标
- 复制
- 外壳
- 创建信息图
- 创建
- 目前
- 定制
- 青色
- data
- 数据分析
- 数据集
- 处理
- 处理
- 更深
- 默认
- 问题类型
- 描述
- 详情
- 检测
- 数字
- 直接
- 分布
- do
- 文件
- dr
- 画
- 每
- 地球
- 容易
- 效果
- 使
- 发动机
- 工程师
- 进入
- 本质上
- 估计
- 欧洲
- 例子
- 除
- 实验
- 促进
- 高效率
- 快
- 专栏
- 特征
- 同伴
- 少数
- 部分
- 填
- 终于
- (名字)
- 专注焦点
- 重点
- 以下
- 针对
- 发现
- 自由的
- 止
- ,
- 功能
- 差距
- 生成
- 产生
- 几何
- 得到
- 越来越
- GIF
- GitHub上
- 地球
- Go
- 去
- 谷歌
- 谷歌云
- 谷歌云平台
- 绿色
- 指南
- 民政事务总署
- 处理
- 有
- 高度
- 帮助
- 这里
- 高分辨率
- 主页
- 抱有希望
- 为了
- 创新中心
- How To
- HTTPS
- 巨大
- i
- ICON
- 相同
- if
- 图片
- 图片
- 进口
- 重要
- in
- 信息
- 安装
- 互动
- 成
- 介绍
- IT
- 意大利
- 它的
- JavaScript的
- Jupyter笔记本
- 只是
- 掘金队
- 类
- 知道
- 土地
- 纬度
- 层
- 学习
- Level
- 库
- 自学资料库
- 有限
- Line
- 线
- 清单
- 加载
- 圖書分館的位置
- 长
- 看
- 主要
- 使
- 手动
- 地图
- 地图
- 最大
- 最多
- 甲烷
- 分钟
- 最低限度
- 模型
- 更多
- 此外
- 最先进的
- 姓名
- 需求
- 打印车票
- 下页
- 不错
- 非盈利
- 正常
- 笔记本
- 注意..
- 现在
- 果壳
- 观察
- of
- 这一点在线下监测数字化产品的影响方面尤为明显。
- on
- 一
- or
- 产量
- 简介
- 包
- 页
- 调色板
- 照片
- 平台
- 柏拉图
- 柏拉图数据智能
- 柏拉图数据
- 点
- Polygon
- 定位的
- 可能
- 潜力
- 供电
- express
- 教授
- 项目
- 提供
- 提供
- 国家
- 目的
- 蟒蛇
- 建议
- 红色
- 要求
- 研究
- 资源
- 右
- 戒指
- 路线图
- 罗马
- 行
- 运行
- 同
- 卫星
- 卫星图像
- 看到
- 看到
- 选择
- 系列
- 服务器
- 集
- 显示
- 作品
- 类似
- 单
- 特别
- 具体的
- 指定
- 开始
- 步
- 仍
- 存储
- 商店
- 结构体
- 这样
- 支持
- 采取
- 服用
- 谢谢
- 这
- 世界
- 他们
- 然后
- 那里。
- 事
- Free Introduction
- 三
- 通过
- 次
- 时间序列
- 至
- 最佳
- 教程
- 二
- 类型
- 类型
- 理解
- 大学
- 网址
- 使用
- 用过的
- 有用
- 用户
- 运用
- 利用
- 向量
- 企业验证
- 非常
- 可视化
- 想像
- 想
- 是
- 方法..
- 方法
- we
- ,尤其是
- 这
- 而
- 将
- 中
- 工作
- 世界
- 写作
- 书面
- wu
- 黄色
- 您
- 您一站式解决方案
- 和风网
- 放大