Python 版 Earth Engine 使用入门

在 Google Colab 中运行

在 GitHub 上查看源代码

本快速入门将以互动方式介绍如何使用 Earth Engine Python 接口可视化和分析地理空间数据。

准备工作

注册或创建 Google Cloud 项目；系统会提示您完成以下步骤。如果您已注册有 Earth Engine 访问权限的项目，请跳至下一部分。

• 选择项目的用途：商业用途或非商业用途。
• 如果用途是非商业用途，请选择项目类型。
• 创建新的 Google Cloud 项目或选择现有项目。
• 如果用途为商业用途，请验证您的项目或为其设置结算功能。
• 确认您的项目信息。
  

  注意：如果您不打算保留在此过程中创建的资源，请创建新的项目，而不要选择现有的项目。完成本教程介绍的步骤后，您可以删除项目，并移除项目拥有的所有资源。

笔记本设置

借助 Jupyter 笔记本，您可以使用 Earth Engine 并以交互方式探索结果。最快的上手方式是使用 Google Colab 笔记本中的笔记本。您可以打开新的笔记本，然后将以下代码块复制到各个单元格中，也可以使用预先填充的 Earth Engine Python 快速入门笔记本。

1. 导入 Earth Engine 和 geemap 库。

   import ee
   import geemap.core as geemap

2. 对 Earth Engine 服务进行身份验证和初始化。按照随即显示的提示完成身份验证。请务必将 PROJECT_ID 替换为您为此快速入门设置的项目的名称。

   ee.Authenticate()
   ee.Initialize(project='PROJECT_ID')

将光栅数据添加到地图

1. 加载指定时间段内的气候数据并显示其元数据。

   jan_2023_climate = (
       ee.ImageCollection('ECMWF/ERA5_LAND/MONTHLY_AGGR')
       .filterDate('2023-01', '2023-02')
       .first()
   )
   jan_2023_climate

2. 实例化地图对象，并将温度带添加为具有特定可视化属性的图层。显示地图。

   m = geemap.Map(center=[30, 0], zoom=2)
   
   vis_params = {
       'bands': ['temperature_2m'],
       'min': 229,
       'max': 304,
       'palette': 'inferno',
   }
   m.add_layer(jan_2023_climate, vis_params, 'Temperature (K)')
   m

向地图添加矢量数据

1. 创建一个包含三个城市点的矢量数据对象。

   cities = ee.FeatureCollection([
       ee.Feature(ee.Geometry.Point(10.75, 59.91), {'city': 'Oslo'}),
       ee.Feature(ee.Geometry.Point(-118.24, 34.05), {'city': 'Los Angeles'}),
       ee.Feature(ee.Geometry.Point(103.83, 1.33), {'city': 'Singapore'}),
   ])
   cities

2. 将城市位置添加到地图并重新显示。

   m.add_layer(cities, name='Cities')
   m

提取数据并绘制图表

1. 导入 Altair 图表库。

   %pip install -q --upgrade altair
   import altair as alt

2. 将这三个城市的气候数据提取为 pandas DataFrame。

   city_climates = jan_2023_climate.reduceRegions(cities, ee.Reducer.first())
   
   city_climates_dataframe = ee.data.computeFeatures(
       {'expression': city_climates, 'fileFormat': 'PANDAS_DATAFRAME'}
   )
   city_climates_dataframe

3. 将各个城市的温度绘制为条形图。

   alt.Chart(city_climates_dataframe).mark_bar(size=100).encode(
       alt.X('city:N', sort='y', axis=alt.Axis(labelAngle=0), title='City'),
       alt.Y('temperature_2m:Q', title='Temperature (K)'),
       tooltip=[
           alt.Tooltip('city:N', title='City'),
           alt.Tooltip('temperature_2m:Q', title='Temperature (K)'),
       ],
   ).properties(title='January 2023 temperature for selected cities', width=500)

后续步骤

• 了解如何使用 Earth Engine 的对象和方法分析数据。
• 了解 Earth Engine 的处理环境。
• 了解 Earth Engine 的机器学习功能。
• 了解如何将计算结果导出到 BigQuery。