ee.Image.sample

דוגם את הפיקסלים של תמונה ומחזיר אותם כ-FeatureCollection. לכל תכונה תהיה מאפיין אחד לכל פס בתמונת הקלט. שימו לב: התנהגות ברירת המחדל היא השמטה של תכונות שחופפות לפיקסלים מוסתרים, וכתוצאה מכך מאפיינים עם ערך null (ראו את הארגומנט dropNulls).

שימוש	החזרות
Image.sample(region, scale, projection, factor, numPixels, seed, dropNulls, tileScale, geometries)	FeatureCollection

ארגומנט	סוג	פרטים
זה: image	תמונה	התמונה לדגימה.
region	גיאומטריה, ברירת מחדל: null	האזור שממנו נדגום. אם לא מציינים ערך, המערכת משתמשת בכל שטח התמונה.
scale	מספר ממשי (float), ברירת מחדל: null	קנה מידה נומינלי במטרים של ההטלה לדגימה.
projection	תחזית, ברירת מחדל: null	ההטלה שבה יתבצע הדגימה. אם לא מציינים, נעשה שימוש בהטלה של הפס הראשון של התמונה. אם מציינים את הארגומנט הזה בנוסף לארגומנט scale, הערך ישונה בהתאם לערך של scale.
factor	מספר ממשי (float), ברירת מחדל: null	גורם דילול, בטווח (0, 1]. אם מציינים את המאפיין הזה, אסור לציין את המאפיין numPixels. ברירת המחדל היא ללא דגימת משנה.
numPixels	‫Long, ברירת מחדל: null	המספר המשוער של הפיקסלים לדגימה. אם מציינים את המאפיין הזה, אסור לציין את המאפיין factor.
seed	מספר שלם, ברירת מחדל: 0	ערך התחלתי אקראי לשימוש בדגימת משנה.
dropNulls	בוליאני, ברירת מחדל: true	מסננים את התוצאה כדי להסיר מאפיינים עם מאפיינים בעלי ערך null.
tileScale	מספר ממשי (float), ברירת מחדל: 1	גורם לקביעת קנה מידה שמשמש להקטנת הגודל של משבצת צבירה. אם משתמשים בערך גדול יותר של tileScale (למשל, ‫2 או 4) עשויים לאפשר חישובים שגורמים לחריגה מזיכרון עם ברירת המחדל.
geometries	בוליאני, ברירת מחדל: false	אם הערך הוא True, מרכז הפיקסל שנדגם מתווסף כמאפיין הגיאומטריה של תכונת הפלט. אחרת, צורות גיאומטריות יושמטו (כדי לחסוך בזיכרון).

דוגמאות

עורך הקוד (JavaScript)

// Demonstrate extracting pixels from an image as features with
// ee.Image.sample(), and show how the features are aligned with the pixels.

// An image with one band of elevation data.
var image = ee.Image('CGIAR/SRTM90_V4');
var VIS_MIN = 1620;
var VIS_MAX = 1650;
Map.addLayer(image, {min: VIS_MIN, max: VIS_MAX}, 'SRTM');

// Region to sample.
var region = ee.Geometry.Polygon(
  [[[-110.006, 40.002],
    [-110.006, 39.999],
    [-109.995, 39.999],
    [-109.995, 40.002]]], null, false);
// Show region on the map.
Map.setCenter(-110, 40, 16);
Map.addLayer(ee.FeatureCollection([region]).style({"color": "00FF0022"}));

// Perform sampling; convert image pixels to features.
var samples = image.sample({
  region: region,

  // Default (false) is no geometries in the output.
  // When set to true, each feature has a Point geometry at the center of the
  // image pixel.
  geometries: true,

  // The scale is not specified, so the resolution of the image will be used,
  // and there is a feature for every pixel. If we give a scale parameter, the
  // image will be resampled and there will be more or fewer features.
  //
  // scale: 200,
});

// Visualize sample data using ee.FeatureCollection.style().
var styled = samples
  .map(function (feature) {
    return feature.set('style', {
      pointSize: feature.getNumber('elevation').unitScale(VIS_MIN, VIS_MAX)
          .multiply(15),
    });
  })
  .style({
    color: '000000FF',
    fillColor: '00000000',
    styleProperty: 'style',
    neighborhood: 6,  // increase to correctly draw large points
  });
Map.addLayer(styled);

// Each sample feature has a point geometry and a property named 'elevation'
// corresponding to the band named 'elevation' of the image. If there are
// multiple bands they will become multiple properties. This will print:
//
// geometry: Point (-110.01, 40.00)
// properties:
//   elevation: 1639
print(samples.first());

הגדרת Python

מידע על Python API ועל שימוש ב-geemap לפיתוח אינטראקטיבי מופיע בדף Python Environment.

import ee
import geemap.core as geemap

Colab (Python)

# Demonstrate extracting pixels from an image as features with
# ee.Image.sample(), and show how the features are aligned with the pixels.

# An image with one band of elevation data.
image = ee.Image('CGIAR/SRTM90_V4')
vis_min = 1620
vis_max = 1650
m = geemap.Map()
m.add_layer(image, {'min': vis_min, 'max': vis_max}, 'SRTM')

# Region to sample.
region = ee.Geometry.Polygon(
    [[
        [-110.006, 40.002],
        [-110.006, 39.999],
        [-109.995, 39.999],
        [-109.995, 40.002],
    ]],
    None,
    False,
)
# Show region on the map.
m.set_center(-110, 40, 16)

m.add_layer(ee.FeatureCollection([region]).style(color='00FF0022'))

# Perform sampling convert image pixels to features.
samples = image.sample(
    region=region,
    # Default (False) is no geometries in the output.
    # When set to True, each feature has a Point geometry at the center of the
    # image pixel.
    geometries=True,
    # The scale is not specified, so the resolution of the image will be used,
    # and there is a feature for every pixel. If we give a scale parameter, the
    # image will be resampled and there will be more or fewer features.
    #
    # scale=200,
)


def scale_point_size(feature):
  elevation = feature.getNumber('elevation')
  point_size = elevation.unitScale(vis_min, vis_max).multiply(15)
  feature.set('style', {'pointSize': point_size})
  return feature


# Visualize sample data using ee.FeatureCollection.style().
styled = samples.map(scale_point_size).style(
    color='000000FF',
    fillColor='00000000',
    styleProperty='style',
    neighborhood=6,  # increase to correctly draw large points
)
m.add_layer(styled)
display(m)

# Each sample feature has a point geometry and a property named 'elevation'
# corresponding to the band named 'elevation' of the image. If there are
# multiple bands they will become multiple properties. This will print:
#
# geometry: Point (-110.01, 40.00)
# properties:
#   elevation: 1639
display(samples.first())