ee.Image.reduceRegion

Aplica un reductor a todos los píxeles de una región específica.

El reductor debe tener la misma cantidad de entradas que bandas tiene la imagen de entrada, o bien debe tener una sola entrada y se repetirá para cada banda.

Devuelve un diccionario de los resultados del reductor.

Uso	Muestra
Image.reduceRegion(reducer, geometry, scale, crs, crsTransform, bestEffort, maxPixels, tileScale)	Diccionario

Argumento	Tipo	Detalles
esta: image	Imagen	Es la imagen que se reducirá.
reducer	Reductor	Es el reductor que se aplicará.
geometry	Geometría, valor predeterminado: nulo	Es la región en la que se reducirán los datos. El valor predeterminado es la huella de la primera banda de la imagen.
scale	Número de punto flotante, valor predeterminado: nulo	Es una escala nominal en metros de la proyección en la que se trabajará.
crs	Proyección, valor predeterminado: nulo	Proyección en la que se trabajará. Si no se especifica, se usa la proyección de la primera banda de la imagen. Si se especifica además de la escala, se ajusta a la escala especificada.
crsTransform	Lista, valor predeterminado: null	Es la lista de valores de transformación del CRS. Este es un orden de fila principal de la matriz de transformación de 3x2. Esta opción es mutuamente excluyente con "scale" y reemplaza cualquier transformación ya establecida en la proyección.
bestEffort	Booleano, valor predeterminado: falso	Si el polígono contiene demasiados píxeles en la escala determinada, calcula y usa una escala más grande que permita que la operación se realice correctamente.
maxPixels	Larga, valor predeterminado: 10000000	Es la cantidad máxima de píxeles que se pueden reducir.
tileScale	Número de punto flotante, valor predeterminado: 1	Es un factor de escala entre 0.1 y 16 que se usa para ajustar el tamaño de la segmentación de agregación. Si se establece un valor más grande para tileScale (p. ej., 2 o 4) usa mosaicos más pequeños y puede habilitar cálculos que se agotan sin memoria con el valor predeterminado.

Ejemplos

Editor de código (JavaScript)

// A Landsat 8 surface reflectance image with SWIR1, NIR, and green bands.
var img = ee.Image('LANDSAT/LC08/C02/T1_L2/LC08_044034_20210508')
              .select(['SR_B6', 'SR_B5', 'SR_B3']);

// Santa Cruz Mountains ecoregion geometry.
var geom = ee.FeatureCollection('EPA/Ecoregions/2013/L4')
               .filter('us_l4name == "Santa Cruz Mountains"').geometry();

// Display layers on the map.
Map.setCenter(-122.08, 37.22, 9);
Map.addLayer(img, {min: 10000, max: 20000}, 'Landsat image');
Map.addLayer(geom, {color: 'white'}, 'Santa Cruz Mountains ecoregion');

// Calculate median band values within Santa Cruz Mountains ecoregion. It is
// good practice to explicitly define "scale" (or "crsTransform") and "crs"
// parameters of the analysis to avoid unexpected results from undesired
// defaults when e.g. reducing a composite image.
var stats = img.reduceRegion({
  reducer: ee.Reducer.median(),
  geometry: geom,
  scale: 30,  // meters
  crs: 'EPSG:3310',  // California Albers projection
});

// A dictionary is returned; keys are band names, values are the statistic.
print('Median band values, Santa Cruz Mountains ecoregion', stats);

// You can combine reducers to calculate e.g. mean and standard deviation
// simultaneously. The output dictionary keys are the concatenation of the band
// names and statistic names, separated by an underscore.
var reducer = ee.Reducer.mean().combine({
  reducer2: ee.Reducer.stdDev(),
  sharedInputs: true
});
var multiStats = img.reduceRegion({
  reducer: reducer,
  geometry: geom,
  scale: 30,
  crs: 'EPSG:3310',
});
print('Mean & SD band values, Santa Cruz Mountains ecoregion', multiStats);

Configuración de Python

Consulta la página Entorno de Python para obtener información sobre la API de Python y el uso de geemap para el desarrollo interactivo.

import ee
import geemap.core as geemap

Colab (Python)

# A Landsat 8 surface reflectance image with SWIR1, NIR, and green bands.
img = ee.Image('LANDSAT/LC08/C02/T1_L2/LC08_044034_20210508').select(
    ['SR_B6', 'SR_B5', 'SR_B3']
)

# Santa Cruz Mountains ecoregion geometry.
geom = (
    ee.FeatureCollection('EPA/Ecoregions/2013/L4')
    .filter('us_l4name == "Santa Cruz Mountains"')
    .geometry()
)

# Display layers on the map.
m = geemap.Map()
m.set_center(-122.08, 37.22, 9)
m.add_layer(img, {'min': 10000, 'max': 20000}, 'Landsat image')
m.add_layer(geom, {'color': 'white'}, 'Santa Cruz Mountains ecoregion')
display(m)

# Calculate median band values within Santa Cruz Mountains ecoregion. It is
# good practice to explicitly define "scale" (or "crsTransform") and "crs"
# parameters of the analysis to avoid unexpected results from undesired
# defaults when e.g. reducing a composite image.
stats = img.reduceRegion(
    reducer=ee.Reducer.median(),
    geometry=geom,
    scale=30,  # meters
    crs='EPSG:3310',  # California Albers projection
)

# A dictionary is returned keys are band names, values are the statistic.
display('Median band values, Santa Cruz Mountains ecoregion', stats)

# You can combine reducers to calculate e.g. mean and standard deviation
# simultaneously. The output dictionary keys are the concatenation of the band
# names and statistic names, separated by an underscore.
reducer = ee.Reducer.mean().combine(
    reducer2=ee.Reducer.stdDev(), sharedInputs=True
)
multi_stats = img.reduceRegion(
    reducer=reducer,
    geometry=geom,
    scale=30,
    crs='EPSG:3310',
)
display('Mean & SD band values, Santa Cruz Mountains ecoregion', multi_stats)