Há vários métodos ee.Image que produzem representações visuais RGB de dados de imagem, por exemplo: visualize(), getThumbURL(), getMap(), getMapId() (usado na exibição de mapas do Colab Folium) e Map.addLayer() (usado na exibição de mapas do Editor de Código, não disponível para Python). Por padrão, esses métodos
atribuem as três primeiras bandas ao vermelho, verde e azul, respectivamente. O alongamento padrão é
baseado no tipo de dados nas bandas (por exemplo, os floats são alongados em [0, 1], os dados de 16 bits são
alongados para o intervalo completo de valores possíveis), que podem ou não ser adequados. Para
conseguir os efeitos de visualização desejados, forneça parâmetros de visualização:
| Parâmetro | Descrição | Tipo |
|---|---|---|
| bandas | Lista delimitada por vírgulas de três nomes de bandas a serem mapeados para RGB | list |
| min | Valores para mapear como 0 | número ou lista de três números, um para cada banda |
| max | Valores para mapear para 255 | número ou lista de três números, um para cada banda |
| gain | Valores para multiplicar cada valor de pixel | número ou lista de três números, um para cada banda |
| viés | Valores a serem adicionados a cada DN | número ou lista de três números, um para cada banda |
| gamma | Fatores de correção de gama | número ou lista de três números, um para cada banda |
| palette | Lista de strings de cores no estilo CSS (somente imagens de banda única) | lista separada por vírgulas de strings hexadecimais |
| opacity | A opacidade da camada (0.0 é totalmente transparente e 1.0 é totalmente opaco). | número |
| format | "jpg" ou "png" | string |
Composições RGB
O exemplo a seguir ilustra o uso de parâmetros para estilizar uma imagem do Landsat 8 como uma composição de cores falsas:
Editor de código (JavaScript)
// Load an image. var image = ee.Image('LANDSAT/LC08/C02/T1_TOA/LC08_044034_20140318'); // Define the visualization parameters. var vizParams = { bands: ['B5', 'B4', 'B3'], min: 0, max: 0.5, gamma: [0.95, 1.1, 1] }; // Center the map and display the image. Map.setCenter(-122.1899, 37.5010, 10); // San Francisco Bay Map.addLayer(image, vizParams, 'false color composite');
import ee import geemap.core as geemap
Colab (Python)
# Load an image. image = ee.Image('LANDSAT/LC08/C02/T1_TOA/LC08_044034_20140318') # Define the visualization parameters. image_viz_params = { 'bands': ['B5', 'B4', 'B3'], 'min': 0, 'max': 0.5, 'gamma': [0.95, 1.1, 1], } # Define a map centered on San Francisco Bay. map_l8 = geemap.Map(center=[37.5010, -122.1899], zoom=10) # Add the image layer to the map and display it. map_l8.add_layer(image, image_viz_params, 'false color composite') display(map_l8)
Neste exemplo, a banda 'B5' é atribuída ao vermelho, 'B4' ao verde e 'B3' ao azul.
Paletas de cores
Para exibir uma única banda de uma imagem em cores, defina o parâmetro palette
com uma rampa de cores representada por uma lista de strings de cores no estilo CSS. Consulte
esta referência para mais
informações. O exemplo a seguir ilustra como usar cores de ciano
('00FFFF') a azul ('0000FF') para renderizar uma imagem de
Índice de Água por Diferença Normalizada (NDWI, na sigla em inglês):
Editor de código (JavaScript)
// Load an image. var image = ee.Image('LANDSAT/LC08/C02/T1_TOA/LC08_044034_20140318'); // Create an NDWI image, define visualization parameters and display. var ndwi = image.normalizedDifference(['B3', 'B5']); var ndwiViz = {min: 0.5, max: 1, palette: ['00FFFF', '0000FF']}; Map.addLayer(ndwi, ndwiViz, 'NDWI', false);
import ee import geemap.core as geemap
Colab (Python)
# Load an image. image = ee.Image('LANDSAT/LC08/C02/T1_TOA/LC08_044034_20140318') # Create an NDWI image, define visualization parameters and display. ndwi = image.normalizedDifference(['B3', 'B5']) ndwi_viz = {'min': 0.5, 'max': 1, 'palette': ['00FFFF', '0000FF']} # Define a map centered on San Francisco Bay. map_ndwi = geemap.Map(center=[37.5010, -122.1899], zoom=10) # Add the image layer to the map and display it. map_ndwi.add_layer(ndwi, ndwi_viz, 'NDWI') display(map_ndwi)
Neste exemplo, os parâmetros min e max indicam
o intervalo de valores de pixel em que a paleta precisa ser aplicada. Os valores intermediários
são estendidos linearmente.
Observe também que o parâmetro show está definido como
false no exemplo do Editor de Código. Isso resulta na desativação da visibilidade da camada
quando ela é adicionada ao mapa. Ele pode ser ativado novamente usando o
Gerenciador de camadas no canto superior direito
do mapa do editor de código.
Salvar paletas de cores padrão
Para salvar paletas de cores em uma imagem de classificação para que não seja necessário lembrar de aplicá-las, defina duas propriedades de imagem de string com nomes especiais para cada banda de classificação.
Por exemplo, se a imagem tiver uma banda chamada 'landcover'
com três valores (0, 1 e 2) correspondentes às classes "água", "floresta" e "outros",
é possível definir as propriedades a seguir para que a visualização padrão
mostre uma cor especificada para cada classe (os valores usados na análise não serão afetados):
landcover_class_values="0,1,2"landcover_class_palette="0000FF,00FF00,AABBCD"
Consulte a página Recursos para saber como definir os metadados do recurso.
Máscara
É possível usar image.updateMask() para definir a opacidade de pixels individuais
com base em onde os pixels em uma imagem de máscara são diferentes de zero. Os pixels iguais a zero na máscara são
excluídos dos cálculos, e a opacidade é definida como 0 para exibição. O exemplo a seguir
usa um limite de NDWI (consulte a
seção "Operações relacionais" para mais informações sobre limites) para atualizar a máscara na
camada de NDWI criada anteriormente:
Editor de código (JavaScript)
// Mask the non-watery parts of the image, where NDWI < 0.4. var ndwiMasked = ndwi.updateMask(ndwi.gte(0.4)); Map.addLayer(ndwiMasked, ndwiViz, 'NDWI masked');
import ee import geemap.core as geemap
Colab (Python)
# Mask the non-watery parts of the image, where NDWI < 0.4. ndwi_masked = ndwi.updateMask(ndwi.gte(0.4)) # Define a map centered on San Francisco Bay. map_ndwi_masked = geemap.Map(center=[37.5010, -122.1899], zoom=10) # Add the image layer to the map and display it. map_ndwi_masked.add_layer(ndwi_masked, ndwi_viz, 'NDWI masked') display(map_ndwi_masked)
Imagens de visualização
Use o método image.visualize() para converter uma imagem em uma imagem RGB de 8 bits
para exibição ou exportação. Por exemplo, para converter o composto de cores falsas e o NDWI em
imagens de exibição de três bandas, use:
Editor de código (JavaScript)
// Create visualization layers. var imageRGB = image.visualize({bands: ['B5', 'B4', 'B3'], max: 0.5}); var ndwiRGB = ndwiMasked.visualize({ min: 0.5, max: 1, palette: ['00FFFF', '0000FF'] });
import ee import geemap.core as geemap
Colab (Python)
image_rgb = image.visualize(bands=['B5', 'B4', 'B3'], max=0.5) ndwi_rgb = ndwi_masked.visualize(min=0.5, max=1, palette=['00FFFF', '0000FF'])
Mosaico
É possível usar o mascaramento e imageCollection.mosaic() (consulte a
seção "Mosaico" para mais informações sobre mosaicos) para
conseguir vários efeitos cartográficos. O método mosaic() renderiza camadas na
imagem de saída de acordo com a ordem delas na coleção de entrada. O exemplo
a seguir usa mosaic() para combinar o NDWI mascarado e o composto de cores
falsas e conseguir uma nova visualização:
Editor de código (JavaScript)
// Mosaic the visualization layers and display (or export). var mosaic = ee.ImageCollection([imageRGB, ndwiRGB]).mosaic(); Map.addLayer(mosaic, {}, 'mosaic');
import ee import geemap.core as geemap
Colab (Python)
# Mosaic the visualization layers and display (or export). mosaic = ee.ImageCollection([image_rgb, ndwi_rgb]).mosaic() # Define a map centered on San Francisco Bay. map_mosaic = geemap.Map(center=[37.5010, -122.1899], zoom=10) # Add the image layer to the map and display it. map_mosaic.add_layer(mosaic, None, 'mosaic') display(map_mosaic)
Neste exemplo, observe que uma lista das duas imagens de visualização é fornecida
ao construtor ImageCollection. A ordem da lista determina
a ordem em que as imagens são renderizadas no mapa.
Clipe
O método image.clip() é útil para alcançar efeitos cartográficos. O
exemplo a seguir recorta o mosaico criado anteriormente para uma zona de buffer arbitrária ao redor
da cidade de São Francisco:
Editor de código (JavaScript)
// Create a circle by drawing a 20000 meter buffer around a point. var roi = ee.Geometry.Point([-122.4481, 37.7599]).buffer(20000); // Display a clipped version of the mosaic. Map.addLayer(mosaic.clip(roi), null, 'mosaic clipped');
import ee import geemap.core as geemap
Colab (Python)
# Create a circle by drawing a 20000 meter buffer around a point. roi = ee.Geometry.Point([-122.4481, 37.7599]).buffer(20000) mosaic_clipped = mosaic.clip(roi) # Define a map centered on San Francisco. map_mosaic_clipped = geemap.Map(center=[37.7599, -122.4481], zoom=10) # Add the image layer to the map and display it. map_mosaic_clipped.add_layer(mosaic_clipped, None, 'mosaic clipped') display(map_mosaic_clipped)
No exemplo anterior, as coordenadas são fornecidas ao construtor Geometry, e o comprimento do buffer é especificado como 20.000 metros. Saiba mais sobre
geometrias na página Geometrias.
Renderizar mapas categóricos
As paletas também são úteis para renderizar mapas de valores discretos, como um mapa de cobertura do solo.
No caso de várias classes, use a paleta para fornecer uma cor diferente para cada classe.
O método image.remap() pode ser útil nesse contexto para converter rótulos arbitrários em números inteiros consecutivos. O exemplo a seguir usa uma paleta para renderizar categorias de cobertura do solo:
Editor de código (JavaScript)
// Load 2012 MODIS land cover and select the IGBP classification. var cover = ee.Image('MODIS/061/MCD12Q1/2012_01_01') .select('LC_Type1'); // Define a palette for the 17 distinct land cover classes. var igbpPalette = [ '152106', '225129', '369b47', '30eb5b', '387242', // forest '6a2325', 'c3aa69', 'b76031', 'd9903d', '91af40', // shrub, grass '111149', // wetlands 'cdb33b', // croplands 'cc0013', // urban '33280d', // crop mosaic 'd7cdcc', // snow and ice 'f7e084', // barren 'aec3d4' // water ]; // Specify the min and max labels and the color palette matching the labels. Map.setCenter(-99.229, 40.413, 5); Map.addLayer(cover, {min: 1, max: 17, palette: igbpPalette}, 'IGBP classification');
import ee import geemap.core as geemap
Colab (Python)
# Load 2012 MODIS land cover and select the IGBP classification. cover = ee.Image('MODIS/061/MCD12Q1/2012_01_01').select('LC_Type1') # Define a palette for the 17 distinct land cover classes. igbp_palette = [ '152106', '225129', '369b47', '30eb5b', '387242', # forest '6a2325', 'c3aa69', 'b76031', 'd9903d', '91af40', # shrub, grass '111149', # wetlands 'cdb33b', # croplands 'cc0013', # urban '33280d', # crop mosaic 'd7cdcc', # snow and ice 'f7e084', # barren 'aec3d4', # water ] # Define a map centered on the United States. map_palette = geemap.Map(center=[40.413, -99.229], zoom=5) # Add the image layer to the map and display it. Specify the min and max labels # and the color palette matching the labels. map_palette.add_layer( cover, {'min': 1, 'max': 17, 'palette': igbp_palette}, 'IGBP classes' ) display(map_palette)
Descritores de camada estilizados
É possível usar um descritor de camada estilizada
(SLD) para renderizar imagens para
exibição. Forneça a image.sldStyle() uma descrição XML da
simbolização e da coloração da imagem, especificamente o elemento
RasterSymbolizer. Saiba mais sobre o elemento RasterSymbolizer
neste link.
Por exemplo, para renderizar o mapa de cobertura do solo descrito na seção "Como renderizar mapas categóricos"
com um SLD, use:
Editor de código (JavaScript)
var cover = ee.Image('MODIS/061/MCD12Q1/2012_01_01').select('LC_Type1'); // Define an SLD style of discrete intervals to apply to the image. var sld_intervals = '<RasterSymbolizer>' + '<ColorMap type="intervals" extended="false">' + '<ColorMapEntry color="#152106" quantity="1" label="Evergreen Needleleaf Forest"/>' + '<ColorMapEntry color="#225129" quantity="2" label="Evergreen Broadleaf Forest"/>' + '<ColorMapEntry color="#369b47" quantity="3" label="Deciduous Needleleaf Forest"/>' + '<ColorMapEntry color="#30eb5b" quantity="4" label="Deciduous Broadleaf Forest"/>' + '<ColorMapEntry color="#387242" quantity="5" label="Mixed Deciduous Forest"/>' + '<ColorMapEntry color="#6a2325" quantity="6" label="Closed Shrubland"/>' + '<ColorMapEntry color="#c3aa69" quantity="7" label="Open Shrubland"/>' + '<ColorMapEntry color="#b76031" quantity="8" label="Woody Savanna"/>' + '<ColorMapEntry color="#d9903d" quantity="9" label="Savanna"/>' + '<ColorMapEntry color="#91af40" quantity="10" label="Grassland"/>' + '<ColorMapEntry color="#111149" quantity="11" label="Permanent Wetland"/>' + '<ColorMapEntry color="#cdb33b" quantity="12" label="Cropland"/>' + '<ColorMapEntry color="#cc0013" quantity="13" label="Urban"/>' + '<ColorMapEntry color="#33280d" quantity="14" label="Crop, Natural Veg. Mosaic"/>' + '<ColorMapEntry color="#d7cdcc" quantity="15" label="Permanent Snow, Ice"/>' + '<ColorMapEntry color="#f7e084" quantity="16" label="Barren, Desert"/>' + '<ColorMapEntry color="#aec3d4" quantity="17" label="Water"/>' + '</ColorMap>' + '</RasterSymbolizer>'; Map.addLayer(cover.sldStyle(sld_intervals), {}, 'IGBP classification styled');
import ee import geemap.core as geemap
Colab (Python)
cover = ee.Image('MODIS/061/MCD12Q1/2012_01_01').select('LC_Type1') # Define an SLD style of discrete intervals to apply to the image. sld_intervals = """ <RasterSymbolizer> <ColorMap type="intervals" extended="false" > <ColorMapEntry color="#152106" quantity="1" label="Evergreen Needleleaf Forest"/> <ColorMapEntry color="#225129" quantity="2" label="Evergreen Broadleaf Forest"/> <ColorMapEntry color="#369b47" quantity="3" label="Deciduous Needleleaf Forest"/> <ColorMapEntry color="#30eb5b" quantity="4" label="Deciduous Broadleaf Forest"/> <ColorMapEntry color="#387242" quantity="5" label="Mixed Deciduous Forest"/> <ColorMapEntry color="#6a2325" quantity="6" label="Closed Shrubland"/> <ColorMapEntry color="#c3aa69" quantity="7" label="Open Shrubland"/> <ColorMapEntry color="#b76031" quantity="8" label="Woody Savanna"/> <ColorMapEntry color="#d9903d" quantity="9" label="Savanna"/> <ColorMapEntry color="#91af40" quantity="10" label="Grassland"/> <ColorMapEntry color="#111149" quantity="11" label="Permanent Wetland"/> <ColorMapEntry color="#cdb33b" quantity="12" label="Cropland"/> <ColorMapEntry color="#cc0013" quantity="13" label="Urban"/> <ColorMapEntry color="#33280d" quantity="14" label="Crop, Natural Veg. Mosaic"/> <ColorMapEntry color="#d7cdcc" quantity="15" label="Permanent Snow, Ice"/> <ColorMapEntry color="#f7e084" quantity="16" label="Barren, Desert"/> <ColorMapEntry color="#aec3d4" quantity="17" label="Water"/> </ColorMap> </RasterSymbolizer>""" # Apply the SLD style to the image. cover_sld = cover.sldStyle(sld_intervals) # Define a map centered on the United States. map_sld_categorical = geemap.Map(center=[40.413, -99.229], zoom=5) # Add the image layer to the map and display it. map_sld_categorical.add_layer(cover_sld, None, 'IGBP classes styled') display(map_sld_categorical)
Para criar uma imagem de visualização com uma rampa de cores, defina o tipo de
ColorMap como "ramp". O exemplo a seguir compara os tipos "interval" e "ramp" para renderizar um DEM:
Editor de código (JavaScript)
// Load SRTM Digital Elevation Model data. var image = ee.Image('CGIAR/SRTM90_V4'); // Define an SLD style of discrete intervals to apply to the image. Use the // opacity keyword to set pixels less than 0 as completely transparent. Pixels // with values greater than or equal to the final entry quantity are set to // fully transparent by default. var sld_intervals = '<RasterSymbolizer>' + '<ColorMap type="intervals" extended="false" >' + '<ColorMapEntry color="#0000ff" quantity="0" label="0 ﹤ x" opacity="0" />' + '<ColorMapEntry color="#00ff00" quantity="100" label="0 ≤ x ﹤ 100" />' + '<ColorMapEntry color="#007f30" quantity="200" label="100 ≤ x ﹤ 200" />' + '<ColorMapEntry color="#30b855" quantity="300" label="200 ≤ x ﹤ 300" />' + '<ColorMapEntry color="#ff0000" quantity="400" label="300 ≤ x ﹤ 400" />' + '<ColorMapEntry color="#ffff00" quantity="900" label="400 ≤ x ﹤ 900" />' + '</ColorMap>' + '</RasterSymbolizer>'; // Define an sld style color ramp to apply to the image. var sld_ramp = '<RasterSymbolizer>' + '<ColorMap type="ramp" extended="false" >' + '<ColorMapEntry color="#0000ff" quantity="0" label="0"/>' + '<ColorMapEntry color="#00ff00" quantity="100" label="100" />' + '<ColorMapEntry color="#007f30" quantity="200" label="200" />' + '<ColorMapEntry color="#30b855" quantity="300" label="300" />' + '<ColorMapEntry color="#ff0000" quantity="400" label="400" />' + '<ColorMapEntry color="#ffff00" quantity="500" label="500" />' + '</ColorMap>' + '</RasterSymbolizer>'; // Add the image to the map using both the color ramp and interval schemes. Map.setCenter(-76.8054, 42.0289, 8); Map.addLayer(image.sldStyle(sld_intervals), {}, 'SLD intervals'); Map.addLayer(image.sldStyle(sld_ramp), {}, 'SLD ramp');
import ee import geemap.core as geemap
Colab (Python)
# Load SRTM Digital Elevation Model data. image = ee.Image('CGIAR/SRTM90_V4') # Define an SLD style of discrete intervals to apply to the image. sld_intervals = """ <RasterSymbolizer> <ColorMap type="intervals" extended="false" > <ColorMapEntry color="#0000ff" quantity="0" label="0"/> <ColorMapEntry color="#00ff00" quantity="100" label="1-100" /> <ColorMapEntry color="#007f30" quantity="200" label="110-200" /> <ColorMapEntry color="#30b855" quantity="300" label="210-300" /> <ColorMapEntry color="#ff0000" quantity="400" label="310-400" /> <ColorMapEntry color="#ffff00" quantity="1000" label="410-1000" /> </ColorMap> </RasterSymbolizer>""" # Define an sld style color ramp to apply to the image. sld_ramp = """ <RasterSymbolizer> <ColorMap type="ramp" extended="false" > <ColorMapEntry color="#0000ff" quantity="0" label="0"/> <ColorMapEntry color="#00ff00" quantity="100" label="100" /> <ColorMapEntry color="#007f30" quantity="200" label="200" /> <ColorMapEntry color="#30b855" quantity="300" label="300" /> <ColorMapEntry color="#ff0000" quantity="400" label="400" /> <ColorMapEntry color="#ffff00" quantity="500" label="500" /> </ColorMap> </RasterSymbolizer>""" # Define a map centered on the United States. map_sld_interval = geemap.Map(center=[40.413, -99.229], zoom=5) # Add the image layers to the map and display it. map_sld_interval.add_layer( image.sldStyle(sld_intervals), None, 'SLD intervals' ) map_sld_interval.add_layer(image.sldStyle(sld_ramp), None, 'SLD ramp') display(map_sld_interval)
Os SLDs também são úteis para esticar valores de pixel para melhorar as visualizações de dados contínuos. Por exemplo, o código a seguir compara os resultados de um alongamento linear arbitrário com uma "Normalização" de mínimo-máximo e uma equalização de "Histograma":
Editor de código (JavaScript)
// Load a Landsat 8 raw image. var image = ee.Image('LANDSAT/LC08/C02/T1/LC08_044034_20140318'); // Define a RasterSymbolizer element with '_enhance_' for a placeholder. var template_sld = '<RasterSymbolizer>' + '<ContrastEnhancement><_enhance_/></ContrastEnhancement>' + '<ChannelSelection>' + '<RedChannel>' + '<SourceChannelName>B5</SourceChannelName>' + '</RedChannel>' + '<GreenChannel>' + '<SourceChannelName>B4</SourceChannelName>' + '</GreenChannel>' + '<BlueChannel>' + '<SourceChannelName>B3</SourceChannelName>' + '</BlueChannel>' + '</ChannelSelection>' + '</RasterSymbolizer>'; // Get SLDs with different enhancements. var equalize_sld = template_sld.replace('_enhance_', 'Histogram'); var normalize_sld = template_sld.replace('_enhance_', 'Normalize'); // Display the results. Map.centerObject(image, 10); Map.addLayer(image, {bands: ['B5', 'B4', 'B3'], min: 0, max: 15000}, 'Linear'); Map.addLayer(image.sldStyle(equalize_sld), {}, 'Equalized'); Map.addLayer(image.sldStyle(normalize_sld), {}, 'Normalized');
import ee import geemap.core as geemap
Colab (Python)
# Load a Landsat 8 raw image. image = ee.Image('LANDSAT/LC08/C02/T1/LC08_044034_20140318') # Define a RasterSymbolizer element with '_enhance_' for a placeholder. template_sld = """ <RasterSymbolizer> <ContrastEnhancement><_enhance_/></ContrastEnhancement> <ChannelSelection> <RedChannel> <SourceChannelName>B5</SourceChannelName> </RedChannel> <GreenChannel> <SourceChannelName>B4</SourceChannelName> </GreenChannel> <BlueChannel> <SourceChannelName>B3</SourceChannelName> </BlueChannel> </ChannelSelection> </RasterSymbolizer>""" # Get SLDs with different enhancements. equalize_sld = template_sld.replace('_enhance_', 'Histogram') normalize_sld = template_sld.replace('_enhance_', 'Normalize') # Define a map centered on San Francisco Bay. map_sld_continuous = geemap.Map(center=[37.5010, -122.1899], zoom=10) # Add the image layers to the map and display it. map_sld_continuous.add_layer( image, {'bands': ['B5', 'B4', 'B3'], 'min': 0, 'max': 15000}, 'Linear' ) map_sld_continuous.add_layer(image.sldStyle(equalize_sld), None, 'Equalized') map_sld_continuous.add_layer( image.sldStyle(normalize_sld), None, 'Normalized' ) display(map_sld_continuous)
Observações sobre o uso de SLDs no Earth Engine:
- Os padrões OGC SLD 1.0 e OGC SE 1.1 são aceitos.
- O documento XML transmitido pode estar completo ou apenas o elemento RasterSymbolizer e abaixo.
- As bandas podem ser selecionadas pelos nomes ou índices do Earth Engine ('1', '2' etc.).
- Os mecanismos de alongamento de contraste de histograma e normalização não são compatíveis com imagens de ponto flutuante.
- A opacidade só é considerada quando é 0.0 (transparente). Valores de opacidade diferentes de zero são tratados como completamente opacos.
- A definição de OverlapBehavior é ignorada no momento.
- No momento, o mecanismo ShadedRelief não é compatível.
- No momento, o mecanismo ImageOutline não é compatível.
- O elemento Geometry é ignorado.
- A imagem de saída terá metadados histogram_bandname se a equalização ou normalização do histograma for solicitada.
Imagens em miniatura
Use o método ee.Image.getThumbURL() para gerar uma imagem de miniatura PNG ou JPEG
para um objeto ee.Image. A impressão do resultado de uma
expressão que termina com uma chamada para getThumbURL() resulta na impressão de um
URL. Ao acessar o URL, os servidores do Earth Engine são configurados para gerar a miniatura solicitada em tempo real. A imagem é exibida em um
navegador quando o processamento é concluído. Ele pode ser baixado selecionando as opções
adequadas no menu de contexto que aparece ao clicar com o botão direito do mouse na imagem.
O método getThumbURL() inclui parâmetros, descritos na
tabela de parâmetros de visualização
acima.
Além disso, ele usa argumentos opcionais dimensions, region e crs que controlam a extensão espacial, o tamanho e a projeção de exibição da miniatura.
| Parâmetro | Descrição | Tipo |
|---|---|---|
| dimensions | Dimensões da miniatura em unidades de pixel. Se um único número inteiro for fornecido, ele vai definir o tamanho da maior dimensão de proporção da imagem e dimensionar a menor proporcionalmente. O padrão é 512 pixels para a dimensão de aspecto de imagem maior. | Um único número inteiro ou string no formato: 'LARGURAxALTURA' |
| region | A região geoespacial da imagem a ser renderizada. A imagem inteira por padrão ou os limites de uma geometria fornecida. | GeoJSON ou uma lista bidimensional de pelo menos três coordenadas de pontos que definem um anel linear. |
| crs | A projeção de destino, por exemplo, "EPSG:3857". O padrão é WGS84 ('EPSG:4326'). | String |
| format | Define o formato da miniatura como PNG ou JPEG. O formato PNG padrão é implementado como
RGBA, em que o canal Alfa representa pixels válidos e inválidos, definidos pelo
mask() da imagem. Os pixels inválidos são transparentes. O formato JPEG opcional
é implementado como RGB, em que os pixels de imagem inválidos são preenchidos com zero nos canais RGB.
|
String; "png" ou "jpg" |
Uma imagem de banda única
será padronizada como escala de cinza, a menos que um argumento palette seja fornecido. Uma imagem multibanda
vai usar como padrão a visualização RGB das três primeiras bandas, a menos que um argumento bands
seja fornecido. Se apenas duas bandas forem fornecidas, a primeira será mapeada para vermelho, a
segunda para azul, e o canal verde será preenchido com zero.
Veja a seguir uma série de exemplos que demonstram várias combinações de argumentos de parâmetro getThumbURL(). Clique nos URLs mostrados quando você
executar esse script para ver as miniaturas.
Editor de código (JavaScript)
// Fetch a digital elevation model. var image = ee.Image('CGIAR/SRTM90_V4'); // Request a default thumbnail of the DEM with defined linear stretch. // Set masked pixels (ocean) to 1000 so they map as gray. var thumbnail1 = image.unmask(1000).getThumbURL({ 'min': 0, 'max': 3000, 'dimensions': 500, }); print('Default extent:', thumbnail1); // Specify region by rectangle, define palette, set larger aspect dimension size. var thumbnail2 = image.getThumbURL({ 'min': 0, 'max': 3000, 'palette': ['00A600','63C600','E6E600','E9BD3A','ECB176','EFC2B3','F2F2F2'], 'dimensions': 500, 'region': ee.Geometry.Rectangle([-84.6, -55.9, -32.9, 15.7]), }); print('Rectangle region and palette:', thumbnail2); // Specify region by a linear ring and set display CRS as Web Mercator. var thumbnail3 = image.getThumbURL({ 'min': 0, 'max': 3000, 'palette': ['00A600','63C600','E6E600','E9BD3A','ECB176','EFC2B3','F2F2F2'], 'region': ee.Geometry.LinearRing([[-84.6, 15.7], [-84.6, -55.9], [-32.9, -55.9]]), 'dimensions': 500, 'crs': 'EPSG:3857' }); print('Linear ring region and specified crs', thumbnail3);
import ee import geemap.core as geemap
Colab (Python)
# Fetch a digital elevation model. image = ee.Image('CGIAR/SRTM90_V4') # Request a default thumbnail of the DEM with defined linear stretch. # Set masked pixels (ocean) to 1000 so they map as gray. thumbnail_1 = image.unmask(1000).getThumbURL({ 'min': 0, 'max': 3000, 'dimensions': 500, }) print('Default extent:', thumbnail_1) # Specify region by rectangle, define palette, set larger aspect dimension size. thumbnail_2 = image.getThumbURL({ 'min': 0, 'max': 3000, 'palette': [ '00A600', '63C600', 'E6E600', 'E9BD3A', 'ECB176', 'EFC2B3', 'F2F2F2', ], 'dimensions': 500, 'region': ee.Geometry.Rectangle([-84.6, -55.9, -32.9, 15.7]), }) print('Rectangle region and palette:', thumbnail_2) # Specify region by a linear ring and set display CRS as Web Mercator. thumbnail_3 = image.getThumbURL({ 'min': 0, 'max': 3000, 'palette': [ '00A600', '63C600', 'E6E600', 'E9BD3A', 'ECB176', 'EFC2B3', 'F2F2F2', ], 'region': ee.Geometry.LinearRing( [[-84.6, 15.7], [-84.6, -55.9], [-32.9, -55.9]] ), 'dimensions': 500, 'crs': 'EPSG:3857', }) print('Linear ring region and specified crs:', thumbnail_3)
Executar no Google Colab
Ver código-fonte no GitHub