Comienza a usar Earth Engine para Python

Logotipo de Colab Ejecutar en Google Colab Logotipo de GitHub Ver código fuente en GitHub

En esta guía de inicio rápido, obtendrás una introducción interactiva a la visualización y el análisis de datos geoespaciales con la interfaz de Python de Earth Engine.

Antes de comenzar

Registra o crea un proyecto de Google Cloud. Se te pedirá que completes los siguientes pasos. Si ya tienes un proyecto registrado para acceder a Earth Engine, ve a la siguiente sección.

  • Selecciona el propósito del proyecto: comercial o no comercial.
  • Si el propósito es no comercial, selecciona un tipo de proyecto.
  • Crea un proyecto de Google Cloud nuevo o selecciona uno existente.
  • Si el propósito es comercial, verifica o configura la facturación de tu proyecto.
  • Confirma la información de tu proyecto.

    Nota: Si no planeas conservar los recursos que creaste durante este procedimiento, crea un proyecto en lugar de seleccionar uno existente. Cuando termines estos pasos, podrás borrar el proyecto y quitar todos los recursos que le pertenezcan.

Configuración del notebook

Los notebooks de Jupyter te permiten usar Earth Engine y explorar los resultados de forma interactiva. La forma más rápida de comenzar es con un notebook en Google Colab. Puedes abrir un notebook nuevo y copiar los siguientes fragmentos de código en celdas individuales, o bien usar el notebook de la guía de inicio rápido de Python de Earth Engine prellenado.
  1. Importa las bibliotecas de Earth Engine y geemap. 
    import ee
import geemap.core as geemap

  1. Autentica e inicializa el servicio de Earth Engine. Sigue las instrucciones que aparecen para completar la autenticación. Asegúrate de reemplazar PROJECT_ID por el nombre del proyecto que configuraste para esta guía de inicio rápido. 
    ee.Authenticate()
ee.Initialize(project='PROJECT_ID')

Cómo agregar datos ráster a un mapa

  1. Carga datos climáticos de un período determinado y muestra sus metadatos. 
    jan_2023_climate = (
    ee.ImageCollection('ECMWF/ERA5_LAND/MONTHLY_AGGR')
    .filterDate('2023-01', '2023-02')
    .first()
)
jan_2023_climate

  1. Crea una instancia de un objeto de mapa y agrega la banda de temperatura como una capa con propiedades de visualización específicas. Muestra el mapa. 
    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

Agrega datos vectoriales a un mapa

  1. Crea un objeto de datos vectoriales con puntos para tres ciudades. 
    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
  1. Agrega las ubicaciones de las ciudades al mapa y vuelve a mostrarlo. 
    m.add_layer(cities, name='Cities')
m

Extrae datos y crea gráficos

  1. Importa la biblioteca de gráficos de Altair. 
    %pip install -q --upgrade altair
import altair as alt

  1. Extrae los datos climáticos de las tres ciudades como un DataFrame de pandas. 
    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
  1. Grafica la temperatura de las ciudades como un gráfico de barras. 
    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)

¿Qué sigue?