ee.Image.reduceRegions

یک کاهنده روی مساحت هر ویژگی در مجموعه داده شده اعمال کنید.

کاهنده باید همان تعداد ورودی را داشته باشد که تصویر ورودی دارای باند است.

ویژگی های ورودی را برمی گرداند که هر کدام با خروجی های کاهنده مربوطه افزوده می شوند.

استفاده	برمی گرداند
Image. reduceRegions (collection, reducer, scale , crs , crsTransform , tileScale , maxPixelsPerRegion )	مجموعه ویژگی ها

استدلال	تایپ کنید	جزئیات
این: image	تصویر	تصویر برای کاهش.
collection	مجموعه ویژگی ها	ویژگی های کاهش بیش از.
reducer	کاهنده	کاهنده برای اعمال.
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 خواهد شد که قبلاً روی پروجکشن تنظیم شده است.
tileScale	شناور، پیش فرض: 1	یک عامل پوسته پوسته شدن مورد استفاده برای کاهش اندازه کاشی تجمع. استفاده از یک tileScale بزرگتر (مثلاً 2 یا 4) ممکن است محاسباتی را فعال کند که با پیش فرض حافظه آنها تمام می شود.
maxPixelsPerRegion	طولانی، پیش فرض: null	حداکثر تعداد پیکسل برای کاهش در هر منطقه.

نمونه ها

ویرایشگر کد (جاوا اسکریپت)

// A Landsat 8 SR 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 ecoregions feature collection.
var regionCol = ee.FeatureCollection('EPA/Ecoregions/2013/L4')
                    .filter('us_l4name == "Santa Cruz Mountains" || ' +
                            'us_l4name == "San Mateo Coastal Hills" || ' +
                            'us_l4name == "Leeward Hills"');

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

// Calculate median band values within Santa Cruz Mountains ecoregions. 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.reduceRegions({
  collection: regionCol,
  reducer: ee.Reducer.median(),
  scale: 30,  // meters
  crs: 'EPSG:3310',  // California Albers projection
});

// The input feature collection is returned with new properties appended.
// The new properties are the outcome of the region reduction per image band,
// for each feature in the collection. Region reduction property names
// are the same as the input image band names.
print('Median band values, Santa Cruz Mountains ecoregions', stats);

// You can combine reducers to calculate e.g. mean and standard deviation
// simultaneously. The resulting property names 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.reduceRegions({
  collection: regionCol,
  reducer: reducer,
  scale: 30,
  crs: 'EPSG:3310',
});
print('Mean & SD band values, Santa Cruz Mountains ecoregions', 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 SR 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 ecoregions feature collection.
region_col = ee.FeatureCollection('EPA/Ecoregions/2013/L4').filter(
    'us_l4name == "Santa Cruz Mountains" || '
    + 'us_l4name == "San Mateo Coastal Hills" || '
    + 'us_l4name == "Leeward Hills"'
)

# 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(
    region_col, {'color': 'white'}, 'Santa Cruz Mountains ecoregions'
)
display(m)

# Calculate median band values within Santa Cruz Mountains ecoregions. 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.reduceRegions(
    collection=region_col,
    reducer=ee.Reducer.median(),
    scale=30,  # meters
    crs='EPSG:3310',  # California Albers projection
)

# The input feature collection is returned with new properties appended.
# The new properties are the outcome of the region reduction per image band,
# for each feature in the collection. Region reduction property names
# are the same as the input image band names.
display('Median band values, Santa Cruz Mountains ecoregions', stats)

# You can combine reducers to calculate e.g. mean and standard deviation
# simultaneously. The resulting property names 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.reduceRegions(
    collection=region_col,
    reducer=reducer,
    scale=30,
    crs='EPSG:3310',
)
display('Mean & SD band values, Santa Cruz Mountains ecoregions', multi_stats)