İlişkisel, Koşullu ve Boole İşlemleri

Google Colab'da çalıştır

GitHub'da kaynağı görüntüleyin

ee.Image nesneleri, karar verme ifadeleri oluşturmak için bir dizi ilişkisel, koşullu ve doğru/yanlış yöntemine sahiptir. Bu yöntemlerin sonuçları, maskeleme, sınıflandırılmış haritalar geliştirme ve değer yeniden atama yoluyla analizin belirli piksel veya bölgelerle sınırlandırılması için yararlıdır.

İlişkisel ve Boole operatörleri

İlişkisel yöntemler şunlardır:

eq(), gt(), gte(), lt() ve lte()

Boole yöntemleri şunlardır:

Kod Düzenleyici (JavaScript)

and(),or() ve not()

Colab (Python)

And(),Or() ve Not()

Resimler arasında piksel bazında karşılaştırma yapmak için ilişkisel operatörleri kullanın. Bu örnekte, bir resimdeki kentleşmiş alanları ayıklamak için ilişkisel operatörler kullanılarak spektral endeksler eşiklenir ve eşikler ve operatörüyle birleştirilir:

Kod Düzenleyici (JavaScript)

// Load a Landsat 8 image.
var image = ee.Image('LANDSAT/LC08/C02/T1_TOA/LC08_044034_20140318');

// Create NDVI and NDWI spectral indices.
var ndvi = image.normalizedDifference(['B5', 'B4']);
var ndwi = image.normalizedDifference(['B3', 'B5']);

// Create a binary layer using logical operations.
var bare = ndvi.lt(0.2).and(ndwi.lt(0));

// Mask and display the binary layer.
Map.setCenter(-122.3578, 37.7726, 12);
Map.setOptions('satellite');
Map.addLayer(bare.selfMask(), {}, 'bare');

Python kurulumu

Python API'si ve etkileşimli geliştirme için geemap kullanımı hakkında bilgi edinmek üzere Python Ortamı sayfasına bakın.

import ee
import geemap.core as geemap

Colab (Python)

# Load a Landsat 8 image.
image = ee.Image('LANDSAT/LC08/C02/T1_TOA/LC08_044034_20140318')

# Create NDVI and NDWI spectral indices.
ndvi = image.normalizedDifference(['B5', 'B4'])
ndwi = image.normalizedDifference(['B3', 'B5'])

# Create a binary layer using logical operations.
bare = ndvi.lt(0.2).And(ndwi.lt(0))

# Define a map centered on San Francisco Bay.
map_bare = geemap.Map(center=[37.7726, -122.3578], zoom=12)

# Add the masked image layer to the map and display it.
map_bare.add_layer(bare.selfMask(), None, 'bare')
display(map_bare)

Bu örnekte gösterildiği gibi, ilişkisel ve mantıksal operatörlerin çıkışı ya doğru (1) ya da yanlıştır (0). 0'ları maskelemek için elde edilen ikili resmi selfMask() kullanarak kendisiyle maskeleyin.

Landsat 8'den alınan düşük NDVI ve düşük NDWI (beyaz), San Francisco, Kaliforniya, ABD.

İlişkisel ve mantıksal operatörler tarafından döndürülen ikili resimler, matematiksel operatörlerle kullanılabilir. Bu örnekte, ilişkisel operatörler ve add() kullanılarak gece ışıkları resminde kentleşme bölgeleri oluşturulmaktadır:

Kod Düzenleyici (JavaScript)

// Load a 2012 nightlights image.
var nl2012 = ee.Image('NOAA/DMSP-OLS/NIGHTTIME_LIGHTS/F182012');
var lights = nl2012.select('stable_lights');

// Define arbitrary thresholds on the 6-bit stable lights band.
var zones = lights.gt(30).add(lights.gt(55)).add(lights.gt(62));

// Display the thresholded image as three distinct zones near Paris.
var palette = ['000000', '0000FF', '00FF00', 'FF0000'];
Map.setCenter(2.373, 48.8683, 8);
Map.addLayer(zones, {min: 0, max: 3, palette: palette}, 'development zones');

Python kurulumu

Python API'si ve etkileşimli geliştirme için geemap kullanımı hakkında bilgi edinmek üzere Python Ortamı sayfasına bakın.

import ee
import geemap.core as geemap

Colab (Python)

# Load a 2012 nightlights image.
nl_2012 = ee.Image('NOAA/DMSP-OLS/NIGHTTIME_LIGHTS/F182012')
lights = nl_2012.select('stable_lights')

# Define arbitrary thresholds on the 6-bit stable lights band.
zones = lights.gt(30).add(lights.gt(55)).add(lights.gt(62))

# Define a map centered on Paris, France.
map_zones = geemap.Map(center=[48.8683, 2.373], zoom=8)

# Display the thresholded image as three distinct zones near Paris.
palette = ['000000', '0000FF', '00FF00', 'FF0000']
map_zones.add_layer(
    zones, {'min': 0, 'max': 3, 'palette': palette}, 'development zones'
)
display(map_zones)

Koşullu operatörler

Önceki örnekteki kodun, expression() tarafından uygulanan bir üçlü operatör kullanmaya eşdeğer olduğunu unutmayın:

Kod Düzenleyici (JavaScript)

// Create zones using an expression, display.
var zonesExp = nl2012.expression(
    "(b('stable_lights') > 62) ? 3" +
      ": (b('stable_lights') > 55) ? 2" +
        ": (b('stable_lights') > 30) ? 1" +
          ": 0"
);
Map.addLayer(zonesExp,
             {min: 0, max: 3, palette: palette},
             'development zones (ternary)');

Python kurulumu

Python API'si ve etkileşimli geliştirme için geemap kullanımı hakkında bilgi edinmek üzere Python Ortamı sayfasına bakın.

import ee
import geemap.core as geemap

Colab (Python)

# Create zones using an expression, display.
zones_exp = nl_2012.expression(
    "(b('stable_lights') > 62) ? 3 "
    ": (b('stable_lights') > 55) ? 2 "
    ": (b('stable_lights') > 30) ? 1 "
    ': 0'
)

# Define a map centered on Paris, France.
map_zones_exp = geemap.Map(center=[48.8683, 2.373], zoom=8)

# Add the image layer to the map and display it.
map_zones_exp.add_layer(
    zones_exp, {'min': 0, 'max': 3, 'palette': palette}, 'zones exp'
)
display(map_zones_exp)

Önceki ifade örneğinde, ilgilenilen banta değişken adları dizini yerine b() işlevi kullanılarak referans verildiğini unutmayın. Bu sayfada resim ifadeleri hakkında daha fazla bilgi edinin. Matematik operatörleri veya bir ifade kullanmak aynı sonucu verir.

Fransa'nın Paris kenti için 2012 gece ışıkları görüntüsünde rastgele bölgeler.

Resimlerde koşullu işlemleri uygulamanın bir başka yolu da where() operatörüdür. Maskelenen pikselleri başka veri türleriyle değiştirmeniz gerekebilir. Aşağıdaki örnekte, bulutlu pikseller where() kullanılarak bulutsuz bir resimdeki piksellerle değiştirilmiştir:

Kod Düzenleyici (JavaScript)

// Load a cloudy Sentinel-2 image.
var image = ee.Image(
  'COPERNICUS/S2_SR/20210114T185729_20210114T185730_T10SEG');
Map.addLayer(image,
             {bands: ['B4', 'B3', 'B2'], min: 0, max: 2000},
             'original image');

// Load another image to replace the cloudy pixels.
var replacement = ee.Image(
  'COPERNICUS/S2_SR/20210109T185751_20210109T185931_T10SEG');

// Set cloudy pixels (greater than 5% probability) to the other image.
var replaced = image.where(image.select('MSK_CLDPRB').gt(5), replacement);

// Display the result.
Map.setCenter(-122.3769, 37.7349, 11);
Map.addLayer(replaced,
             {bands: ['B4', 'B3', 'B2'], min: 0, max: 2000},
             'clouds replaced');

Python kurulumu

Python API'si ve etkileşimli geliştirme için geemap kullanımı hakkında bilgi edinmek üzere Python Ortamı sayfasına bakın.

import ee
import geemap.core as geemap

Colab (Python)

# Load a cloudy Sentinel-2 image.
image = ee.Image('COPERNICUS/S2_SR/20210114T185729_20210114T185730_T10SEG')

# Load another image to replace the cloudy pixels.
replacement = ee.Image(
    'COPERNICUS/S2_SR/20210109T185751_20210109T185931_T10SEG'
)

# Set cloudy pixels (greater than 5% probability) to the other image.
replaced = image.where(image.select('MSK_CLDPRB').gt(5), replacement)

# Define a map centered on San Francisco Bay.
map_replaced = geemap.Map(center=[37.7349, -122.3769], zoom=11)

# Display the images on a map.
vis_params = {'bands': ['B4', 'B3', 'B2'], 'min': 0, 'max': 2000}
map_replaced.add_layer(image, vis_params, 'original image')
map_replaced.add_layer(replaced, vis_params, 'clouds replaced')
display(map_replaced)