استخراج داده های تصویری
با مجموعه‌ها، منظم بمانید
ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.
دریافت اطلاعات تصویر از Earth Engine
برای دریافت داده‌های تصویر از Earth Engine به Google Drive، Cloud Storage یا دارایی Earth Engine، می‌توانید از Export استفاده کنید و کار کاملاً توسط Earth Engine انجام می‌شود. اگر کارهای صادراتی شما دارای مشکلات مقیاس‌بندی هستند (مثلاً بیش از یک روز طول می‌کشد، حافظه برگردانده می‌شود یا خطاهای مهلت زمانی وجود دارد) یا از قبل با چارچوبی مانند Apache Beam ، Spark یا Dask آشنا هستید، ممکن است روش‌های استخراج داده‌ای که در اینجا توضیح داده شده است را ترجیح دهید. گردش‌های کاری اجرا شده در این چارچوب‌ها را می‌توان با استفاده از ابزارهای Google Cloud مانند Dataflow یا Dataproc مقیاس‌بندی کرد.
به طور خاص، این راهنما روش‌هایی را برای درخواست دستی برای داده‌های تصویر با استفاده از getPixels یا computePixels توضیح می‌دهد. در اینجا، "داده تصویر" به معنای آرایه های چند بعدی از مقادیر پیکسل با مقیاس و طرح ریزی ثابت است. منطقه، مقیاس، طرح ریزی و/یا ابعاد در درخواست مشخص شده است. صفحه ImageFileFormat فرمت های خروجی ممکن را فهرست می کند. مقصدهای خروجی شامل فضای ذخیره سازی ابری یا هر دایرکتوری نصب شده محلی است. درخواست‌های دستی پیچیدگی می‌افزایند، اما می‌توانند به حجم‌های کاری بزرگ‌تر تبدیل شوند.
دریافت داده های تصویری از دارایی های موجود
از getPixels برای دریافت داده های تصویری از دارایی های Earth Engine موجود استفاده کنید. شما شناسه دارایی را مستقیماً به درخواست ارسال می‌کنید، بنابراین نمی‌توانید قبل از استخراج پیکسل‌ها، هیچ محاسبه‌ای روی پیکسل‌ها انجام دهید. بلوکی از پیکسل ها در ناحیه، مقیاس، طرح ریزی و قالب مشخص شده برگردانده می شود. مثال زیر دریافت سری های زمانی NDVI از مجموعه تصاویر MODIS با استفاده از getPixels را نشان می دهد.
دریافت داده های تصویر از تصاویر محاسبه شده
از computePixels برای دریافت داده های تصویر از یک تصویر محاسبه شده، به عنوان مثال، یک ترکیب استفاده کنید. با computePixels ، یک شیء محاسبه‌شده ee.Image را از طریق پارامتر expression عبور می‌دهید. بلوکی از پیکسل های محاسبه شده در ناحیه، مقیاس، طرح ریزی و قالب مشخص شده برگردانده می شود. مثال زیر دریافت تکه هایی از داده های چندطیفی را از یک کامپوزیت Sentinel-2 عاری از ابر نشان می دهد.
موازی سازی دستی درخواست ها
اگرچه می‌توانید برای هر هدفی در هر حجمی درخواست بدهید، ممکن است بخواهید درخواست‌ها را برای گردش‌های کاری بزرگ‌تر موازی کنید. برای انجام بسیاری از این درخواست‌ها به صورت موازی، باید از نقطه پایانی با حجم بالا موتور Earth استفاده کنید. تعداد درخواست های موازی که می توانید داشته باشید با سهمیه درخواست تعاملی همزمان شما تنظیم می شود. برای جزئیات در مورد زمان استفاده از نقطه پایانی با حجم بالا به صفحه موتور زمین با حجم بالا مراجعه کنید.
چند رشته ای
می‌توانید از رشته‌ها برای درخواست‌های همزمان استفاده کنید. این رویکرد در نوت بوک های نمونه getPixels و computePixels نشان داده شده است.
پرتو آپاچی
برای موازی سازی درخواست ها می توانید از خطوط لوله Apache Beam استفاده کنید. این خطوط لوله را می توان به صورت محلی یا به عنوان کارهای Google Dataflow اجرا کرد. برای مثال، این آموزش Geo for Good یا این نمایش مردم، سیاره و هوش مصنوعی را ببینید. از طرف دیگر، دیگر کتابخانه های موازی سازی شامل Dask و Apache Spark هستند.
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."],[[["\u003cp\u003eThis guide describes alternative methods for extracting image data from Earth Engine using \u003ccode\u003egetPixels\u003c/code\u003e and \u003ccode\u003ecomputePixels\u003c/code\u003e for increased scalability beyond the standard \u003ccode\u003eExport\u003c/code\u003e function.\u003c/p\u003e\n"],["\u003cp\u003e\u003ccode\u003egetPixels\u003c/code\u003e is used to retrieve raw image data from existing Earth Engine assets without any prior computation.\u003c/p\u003e\n"],["\u003cp\u003e\u003ccode\u003ecomputePixels\u003c/code\u003e allows for extracting data from computed images, such as composites, by passing an \u003ccode\u003eee.Image\u003c/code\u003e object.\u003c/p\u003e\n"],["\u003cp\u003eFor large-scale workflows, manual parallelization through multi-threading or utilizing frameworks like Apache Beam, Spark, or Dask is recommended to enhance processing efficiency.\u003c/p\u003e\n"],["\u003cp\u003eEarth Engine's high-volume endpoint and concurrent interactive request quota should be considered for managing numerous parallel requests.\u003c/p\u003e\n"]]],[],null,["# Image Data Extraction\n\nGetting image data from Earth Engine\n------------------------------------\n\n\nTo get image data from Earth Engine to Google Drive, Cloud Storage, or an Earth Engine asset,\nyou can use [`Export`](/earth-engine/guides/exporting) and the job\nis handled entirely by Earth Engine. If your export jobs have scaling issues (e.g.\ntake longer than a day, return memory or timeout errors) or you're already familiar\nwith a framework like [Apache Beam](https://beam.apache.org/),\n[Spark](https://spark.apache.org/) or [Dask](https://www.dask.org/),\nyou may prefer the data extraction methods described here. Workflows implemented in these\nframeworks can be scaled using Google Cloud tools such as\n[Dataflow](https://cloud.google.com/dataflow) or\n[Dataproc](https://cloud.google.com/dataproc).\n\n\nSpecifically, this guide describes methods for manually making requests\nfor image data using\n[`getPixels`](/earth-engine/apidocs/ee-data-getpixels) or\n[`computePixels`](/earth-engine/apidocs/ee-data-computepixels).\nHere, \"image data\" means multi-dimensional arrays of pixel values with consistent\nscale and projection. The region, scale, projection and/or dimensions are specified\nin the request. The\n[ImageFileFormat page](/earth-engine/reference/rest/v1/ImageFileFormat) lists\npossible output formats. Output destinations include Cloud Storage or any locally mounted\ndirectory. Manual requests add complexity, but can scale to larger workloads.\n\nGetting image data from existing assets\n---------------------------------------\n\nUse [`getPixels`](/earth-engine/apidocs/ee-data-getpixels)\nto get image data from existing Earth Engine assets. You\npass the asset ID directly to the request, so you can't do any computation on the pixels\nprior to extracting them. A block of pixels in the specified region, scale, projection\nand format is returned. The following example demonstrates getting time series of NDVI\nfrom a MODIS image collection using `getPixels`. \n\n|----------------------------------------------------------------------------------------------------------------------------------------------------------------------|--------------------------------------------------------------------------------------------------------------------------------------------------|\n| [Run in Google Colab](https://colab.research.google.com/github/google/earthengine-community/blob/master/guides/linked/Earth_Engine_training_patches_getPixels.ipynb) | [View source on GitHub](https://github.com/google/earthengine-community/blob/master/guides/linked/Earth_Engine_training_patches_getPixels.ipynb) |\n\nGetting image data from computed images\n---------------------------------------\n\n\nUse [`computePixels`](/earth-engine/apidocs/ee-data-computepixels)\nto get image data from a computed image, for example a composite. With\n[`computePixels`](/earth-engine/apidocs/ee-data-computepixels),\nyou pass a computed `ee.Image` object through the `expression`\nparameter. A block of computed pixels in the specified region, scale, projection and\nformat is returned. The following example shows getting patches of multispectral data\nfrom a cloud-free Sentinel-2 composite. \n\n|--------------------------------------------------------------------------------------------------------------------------------------------------------------------------|------------------------------------------------------------------------------------------------------------------------------------------------------|\n| [Run in Google Colab](https://colab.research.google.com/github/google/earthengine-community/blob/master/guides/linked/Earth_Engine_training_patches_computePixels.ipynb) | [View source on GitHub](https://github.com/google/earthengine-community/blob/master/guides/linked/Earth_Engine_training_patches_computePixels.ipynb) |\n\nManual parallelization of requests\n----------------------------------\n\n\nThough you can make requests for any purpose in any volume, you may want to parallelize\nrequests for larger workflows. To make many such requests in parallel, you should use\nthe [Earth Engine high volume endpoint](/earth-engine/cloud/highvolume).\nThe number of parallel requests you can have is set by your\n[concurrent\ninteractive request quota](/earth-engine/guides/usage#concurrent_interactive_requests). See the [Earth\nEngine high volume page](/earth-engine/cloud/highvolume) for details on when to use the high volume endpoint.\n\n### Multi-threading\n\nYou can use threads to make concurrrent requests. This approach is demonstrated in the\n`getPixels` and `computePixels` example notebooks.\n\n### Apache Beam\n\n\nYou can use [Apache Beam](https://beam.apache.org/) pipelines to parallelize\nrequests. These pipelines can be run locally or as Google Dataflow jobs. For examples, see\n[this Geo for Good training](https://earthoutreachonair.withgoogle.com/events/geoforgood22?talk=day1-trackthree-talk2) or\n[this People, Planet and AI demonstration](https://github.com/GoogleCloudPlatform/python-docs-samples/tree/main/people-and-planet-ai/land-cover-classification). Alternatively, other parallelization\nlibraries include [Dask](https://www.dask.org/) and\n[Apache Spark](https://spark.apache.org/)."]]
در Google Colab اجرا شود
مشاهده منبع در GitHub