ee.Kernel.manhattan
با مجموعهها، منظم بمانید
ذخیره و طبقهبندی محتوا براساس اولویتهای شما.
یک هسته فاصله را بر اساس فاصله مستقیم (شهر بلوک) ایجاد می کند.
استفاده | برمی گرداند | ee.Kernel.manhattan(radius, units , normalize , magnitude ) | هسته |
استدلال | تایپ کنید | جزئیات | radius | شناور | شعاع هسته برای تولید. |
units | رشته، پیش فرض: "pixels" | سیستم اندازه گیری هسته (پیکسل یا متر). اگر هسته بر حسب متر مشخص شده باشد، با تغییر سطح زوم، اندازه آن تغییر می کند. |
normalize | بولی، پیش فرض: نادرست | مقادیر هسته را عادی کنید تا مجموع آنها به 1 برسد. |
magnitude | شناور، پیش فرض: 1 | هر مقدار را با این مقدار مقیاس کنید. |
نمونه ها
ویرایشگر کد (جاوا اسکریپت)
print('A Manhattan kernel', ee.Kernel.manhattan({radius: 3}));
/**
* Output weights matrix
*
* [6, 5, 4, 3, 4, 5, 6]
* [5, 4, 3, 2, 3, 4, 5]
* [4, 3, 2, 1, 2, 3, 4]
* [3, 2, 1, 0, 1, 2, 3]
* [4, 3, 2, 1, 2, 3, 4]
* [5, 4, 3, 2, 3, 4, 5]
* [6, 5, 4, 3, 4, 5, 6]
*/
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)
from pprint import pprint
print('A Manhattan kernel:')
pprint(ee.Kernel.manhattan(**{'radius': 3}).getInfo())
# Output weights matrix
# [6, 5, 4, 3, 4, 5, 6]
# [5, 4, 3, 2, 3, 4, 5]
# [4, 3, 2, 1, 2, 3, 4]
# [3, 2, 1, 0, 1, 2, 3]
# [4, 3, 2, 1, 2, 3, 4]
# [5, 4, 3, 2, 3, 4, 5]
# [6, 5, 4, 3, 4, 5, 6]
،یک هسته فاصله را بر اساس فاصله مستقیم (شهر بلوک) ایجاد می کند.
استفاده | برمی گرداند | ee.Kernel.manhattan(radius, units , normalize , magnitude ) | هسته |
استدلال | تایپ کنید | جزئیات | radius | شناور | شعاع هسته برای تولید. |
units | رشته، پیش فرض: "pixels" | سیستم اندازه گیری هسته (پیکسل یا متر). اگر هسته بر حسب متر مشخص شده باشد، با تغییر سطح زوم، اندازه آن تغییر می کند. |
normalize | بولی، پیش فرض: نادرست | مقادیر هسته را عادی کنید تا مجموع آنها به 1 برسد. |
magnitude | شناور، پیش فرض: 1 | هر مقدار را با این مقدار مقیاس کنید. |
نمونه ها
ویرایشگر کد (جاوا اسکریپت)
print('A Manhattan kernel', ee.Kernel.manhattan({radius: 3}));
/**
* Output weights matrix
*
* [6, 5, 4, 3, 4, 5, 6]
* [5, 4, 3, 2, 3, 4, 5]
* [4, 3, 2, 1, 2, 3, 4]
* [3, 2, 1, 0, 1, 2, 3]
* [4, 3, 2, 1, 2, 3, 4]
* [5, 4, 3, 2, 3, 4, 5]
* [6, 5, 4, 3, 4, 5, 6]
*/
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)
from pprint import pprint
print('A Manhattan kernel:')
pprint(ee.Kernel.manhattan(**{'radius': 3}).getInfo())
# Output weights matrix
# [6, 5, 4, 3, 4, 5, 6]
# [5, 4, 3, 2, 3, 4, 5]
# [4, 3, 2, 1, 2, 3, 4]
# [3, 2, 1, 0, 1, 2, 3]
# [4, 3, 2, 1, 2, 3, 4]
# [5, 4, 3, 2, 3, 4, 5]
# [6, 5, 4, 3, 4, 5, 6]
جز در مواردی که غیر از این ذکر شده باشد،محتوای این صفحه تحت مجوز Creative Commons Attribution 4.0 License است. نمونه کدها نیز دارای مجوز Apache 2.0 License است. برای اطلاع از جزئیات، به خطمشیهای سایت Google Developers مراجعه کنید. جاوا علامت تجاری ثبتشده Oracle و/یا شرکتهای وابسته به آن است.
تاریخ آخرین بهروزرسانی 2025-07-24 بهوقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین بهروزرسانی 2025-07-24 بهوقت ساعت هماهنگ جهانی."],[],["This tool generates a rectilinear (city-block) distance kernel using `ee.Kernel.manhattan`. Key actions involve setting the `radius`, specifying `units` as pixels or meters, and optionally `normalize` the kernel to sum to 1, and `magnitude` to scale each value. The kernel's output is a matrix, where each cell's value represents its distance.\n"],null,[]]