ee.Image.reduceRegion

یک کاهنده به همه پیکسل های یک منطقه خاص اعمال کنید.

یا کاهنده باید همان تعداد ورودی داشته باشد که تصویر ورودی دارای باند است یا باید یک ورودی داشته باشد و برای هر باند تکرار می شود.

فرهنگ لغت خروجی های کاهنده را برمی گرداند.

استفاده	برمی گرداند
Image. reduceRegion (reducer, geometry , scale , crs , crsTransform , bestEffort , maxPixels , tileScale )	فرهنگ لغت

استدلال	تایپ کنید	جزئیات
این: image	تصویر	تصویر برای کاهش.
reducer	کاهنده	کاهنده برای اعمال.
geometry	هندسه، پیش فرض: null	منطقه ای که در آن داده ها کاهش می یابد. پیش‌فرض ردپای اولین باند تصویر است.
scale	شناور، پیش فرض: null	مقیاس اسمی بر حسب متر از برجستگی برای کار.
crs	Projection، پیش فرض: null	پروژکتوری که باید در آن کار کند. اگر مشخص نشده باشد، از طرح ریزی اولین باند تصویر استفاده می شود. اگر علاوه بر مقیاس مشخص شده است، به مقیاس مشخص شده مجدداً مقیاس می شود.
crsTransform	لیست، پیش فرض: null	لیست مقادیر تبدیل CRS. این یک ترتیب ردیف اصلی از ماتریس تبدیل 3x2 است. این گزینه با «مقیاس» متقابلاً انحصاری است و جایگزین هر تبدیلی می‌شود که قبلاً روی پروجکشن تنظیم شده است.
bestEffort	بولی، پیش فرض: نادرست	اگر چند ضلعی دارای تعداد زیادی پیکسل در مقیاس داده شده باشد، محاسبه کرده و از مقیاس بزرگتری استفاده کنید که به عملیات امکان موفقیت می دهد.
maxPixels	طولانی، پیش فرض: 10000000	حداکثر تعداد پیکسل برای کاهش.
tileScale	شناور، پیش فرض: 1	ضریب پوسته پوسته شدن بین 0.1 و 16 برای تنظیم اندازه کاشی تجمع استفاده می شود. تنظیم tileScale بزرگتر (مثلاً 2 یا 4) از کاشی های کوچکتر استفاده می کند و ممکن است محاسباتی را فعال کند که با پیش فرض حافظه آنها تمام می شود.

نمونه ها

ویرایشگر کد (جاوا اسکریپت)

// 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);

راه اندازی پایتون

برای اطلاعات در مورد API پایتون و استفاده از geemap برای توسعه تعاملی به صفحه محیط پایتون مراجعه کنید.

import ee
import geemap.core as geemap

کولب (پایتون)

# 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)

،یک کاهنده به همه پیکسل های یک منطقه خاص اعمال کنید.

یا کاهنده باید همان تعداد ورودی داشته باشد که تصویر ورودی دارای باند است یا باید یک ورودی داشته باشد و برای هر باند تکرار می شود.

فرهنگ لغت خروجی های کاهنده را برمی گرداند.

استفاده	برمی گرداند
Image. reduceRegion (reducer, geometry , scale , crs , crsTransform , bestEffort , maxPixels , tileScale )	فرهنگ لغت

استدلال	تایپ کنید	جزئیات
این: image	تصویر	تصویر برای کاهش.
reducer	کاهنده	کاهنده برای اعمال.
geometry	هندسه، پیش فرض: null	منطقه ای که در آن داده ها کاهش می یابد. پیش‌فرض ردپای اولین باند تصویر است.
scale	شناور، پیش فرض: null	مقیاس اسمی بر حسب متر از برجستگی برای کار.
crs	Projection، پیش فرض: null	پروژکتوری که باید در آن کار کند. اگر مشخص نشده باشد، از طرح ریزی اولین باند تصویر استفاده می شود. اگر علاوه بر مقیاس مشخص شده است، به مقیاس مشخص شده مجدداً مقیاس می شود.
crsTransform	لیست، پیش فرض: null	لیست مقادیر تبدیل CRS. این یک ترتیب ردیف اصلی از ماتریس تبدیل 3x2 است. این گزینه با «مقیاس» متقابلاً انحصاری است و جایگزین هر تبدیلی می‌شود که قبلاً روی پروجکشن تنظیم شده است.
bestEffort	بولی، پیش فرض: نادرست	اگر چند ضلعی دارای تعداد زیادی پیکسل در مقیاس داده شده باشد، محاسبه کرده و از مقیاس بزرگتری استفاده کنید که به عملیات امکان موفقیت می دهد.
maxPixels	طولانی، پیش فرض: 10000000	حداکثر تعداد پیکسل برای کاهش.
tileScale	شناور، پیش فرض: 1	ضریب پوسته پوسته شدن بین 0.1 و 16 برای تنظیم اندازه کاشی تجمع استفاده می شود. تنظیم tileScale بزرگتر (مثلاً 2 یا 4) از کاشی های کوچکتر استفاده می کند و ممکن است محاسباتی را فعال کند که با پیش فرض حافظه آنها تمام می شود.

نمونه ها

ویرایشگر کد (جاوا اسکریپت)

// 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);

راه اندازی پایتون

برای اطلاعات در مورد API پایتون و استفاده از geemap برای توسعه تعاملی به صفحه محیط پایتون مراجعه کنید.

import ee
import geemap.core as geemap

کولب (پایتون)

# 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)