תחילת העבודה עם Earth Engine ל-Python
קל לארגן דפים בעזרת אוספים
אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.
במדריך למתחילים הזה נספק לכם מבוא אינטראקטיבי ליצירת תצוגות חזותיות של נתונים גיאו-מרחביים ולניתוח שלהם באמצעות ממשק Python של Earth Engine.
לפני שמתחילים
רושמים או יוצרים פרויקט ב-Google Cloud. תוצג בקשה לבצע את השלבים הבאים. אם כבר רשמתם פרויקט לגישה ל-Earth Engine, תוכלו לדלג לקטע הבא.
הגדרת Notebook
באמצעות Jupyter notebooks אפשר להשתמש ב-Earth Engine ולעיין בתוצאות באופן אינטראקטיבי. הדרך המהירה ביותר להתחיל היא ליצור מסמך notebook ב-Google Colab. אפשר
לפתוח מסמך חדש ב-Jupyter Notebook ולהעתיק את קטעי הקוד הבאים לתאים נפרדים, או להשתמש ב
מסמך ה-Jupyter Notebook למתחילים ב-Python ב-Earth Engine שכבר מלא.
- מייבאים את הספריות של Earth Engine ו-geemap.
import ee
import geemap.core as geemap
- אימות והפעלה של שירות Earth Engine. פועלים לפי ההנחיות שמופיעות כדי להשלים את האימות. חשוב להחליף את PROJECT_ID בשם הפרויקט שהגדרתם למדריך למתחילים הזה.
ee.Authenticate()
ee.Initialize(project='PROJECT_ID')
הוספת נתוני רסטר למפה
- טעינה של נתוני אקלים לתקופה מסוימת והצגת המטא-נתונים שלהם.
jan_2023_climate = (
ee.ImageCollection('ECMWF/ERA5_LAND/MONTHLY_AGGR')
.filterDate('2023-01', '2023-02')
.first()
)
jan_2023_climate
- יוצרים אובייקט מפה ומוסיפים את פס הטמפרטורה כשכבה עם מאפייני תצוגה חזותית ספציפיים. מציגים את המפה.
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
הוספת נתוני וקטורים למפה
- יצירת אובייקט של נתוני וקטור עם נקודות של שלוש ערים.
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
- מוסיפים את המיקומים של הערים למפה ומציגים אותה מחדש.
m.add_layer(cities, name='Cities')
m
חילוץ נתונים ופרסום שלהם בתרשים
- מייבאים את ספריית התרשימים של Altair.
%pip install -q --upgrade altair
import altair as alt
- חילוץ נתוני האקלים של שלוש הערים בתור DataFrame של 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
- מציגים את הטמפרטורה בערים בתרשימי עמודות.
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)
המאמרים הבאים
אלא אם צוין אחרת, התוכן של דף זה הוא ברישיון Creative Commons Attribution 4.0 ודוגמאות הקוד הן ברישיון Apache 2.0. לפרטים, ניתן לעיין במדיניות האתר Google Developers. Java הוא סימן מסחרי רשום של חברת Oracle ו/או של השותפים העצמאיים שלה.
עדכון אחרון: 2025-07-25 (שעון UTC).
[null,null,["עדכון אחרון: 2025-07-25 (שעון UTC)."],[[["\u003cp\u003eThis quickstart provides an interactive introduction to visualizing and analyzing geospatial data using the Earth Engine Python interface within a Jupyter notebook environment like Google Colab.\u003c/p\u003e\n"],["\u003cp\u003eUsers will learn to add both raster and vector data to an interactive map, visualizing climate data and city locations as examples.\u003c/p\u003e\n"],["\u003cp\u003eThe guide demonstrates data extraction and charting by retrieving climate data for specific cities and creating a bar chart using the Altair library.\u003c/p\u003e\n"],["\u003cp\u003eBefore starting, users need a Google Cloud Project registered for Earth Engine access, and the quickstart provides instructions for setting one up.\u003c/p\u003e\n"],["\u003cp\u003eFurther learning resources on Earth Engine objects, processing environments, machine learning capabilities, and data export to BigQuery are linked at the end.\u003c/p\u003e\n"]]],[],null,["# Get started with Earth Engine for Python\n\n|----------------------------------------------------------------------------------------------------------------------------------------------------------|--------------------------------------------------------------------------------------------------------------------------------------|\n| [Run in Google Colab](https://colab.research.google.com/github/google/earthengine-community/blob/master/guides/linked/generated/quickstart_python.ipynb) | [View source on GitHub](https://github.com/google/earthengine-community/blob/master/guides/linked/generated/quickstart_python.ipynb) |\n\nThis quickstart will give you an interactive introduction to visualizing and\nanalyzing geospatial data with the Earth Engine Python interface.\n\nBefore you begin\n----------------\n\n\n[Register or create](https://console.cloud.google.com/earth-engine) a Google Cloud\nProject; you'll be prompted to complete the following steps. If you already have a project\nregistered for Earth Engine access, skip to the next section.\n\n- Select the project's purpose: commercial or noncommercial.\n- If the purpose is noncommercial, select a project type.\n- Create a new Google Cloud project or select an existing project.\n- If the purpose is commercial, verify or set up billing for your project.\n- Confirm your project information. \n\n **Note:** If you don't plan to keep the resources that you create\n in this procedure, create a project instead of selecting an existing project. After you finish\n these steps, you can\n [delete the project](https://cloud.google.com/resource-manager/docs/creating-managing-projects#shutting_down_projects),\n removing all resources owned by the project.\n\nNotebook setup\n--------------\n\nJupyter notebooks allow you to use Earth Engine and explore results interactively. The quickest way to get started is with a notebook in Google Colab notebook. You can either [**open a new notebook**](https://colab.new/) and copy the following code chunks into individual cells or use the prefilled [**Earth Engine Python Quickstart notebook**](https://colab.sandbox.google.com/github/google/earthengine-community/blob/master/guides/linked/generated/quickstart_python.ipynb).\n\n1. Import the Earth Engine and geemap libraries. \n\n ```python\n import ee\n import geemap.core as geemap\n ```\n\n\n2. Authenticate and initialize the Earth Engine service. Follow the resulting prompts to complete authentication. Be sure to replace PROJECT_ID with the name of the project you set up for this quickstart. \n\n ```python\n ee.Authenticate()\n ee.Initialize(project='PROJECT_ID')\n ```\n\nAdd raster data to a map\n------------------------\n\n\n1. Load climate data for a given period and display its metadata. \n\n ```python\n jan_2023_climate = (\n ee.ImageCollection('ECMWF/ERA5_LAND/MONTHLY_AGGR')\n .filterDate('2023-01', '2023-02')\n .first()\n )\n jan_2023_climate\n ```\n\n\n2. Instantiate a map object and add the temperature band as a layer with specific visualization properties. Display the map. \n\n ```python\n m = geemap.Map(center=[30, 0], zoom=2)\n\n vis_params = {\n 'bands': ['temperature_2m'],\n 'min': 229,\n 'max': 304,\n 'palette': 'inferno',\n }\n m.add_layer(jan_2023_climate, vis_params, 'Temperature (K)')\n m\n ```\n\nAdd vector data to a map\n------------------------\n\n1. Create a vector data object with points for three cities. \n\n ```python\n cities = ee.FeatureCollection([\n ee.Feature(ee.Geometry.Point(10.75, 59.91), {'city': 'Oslo'}),\n ee.Feature(ee.Geometry.Point(-118.24, 34.05), {'city': 'Los Angeles'}),\n ee.Feature(ee.Geometry.Point(103.83, 1.33), {'city': 'Singapore'}),\n ])\n cities\n ```\n\n\u003c!-- --\u003e\n\n2. Add the city locations to the map and redisplay it. \n\n ```python\n m.add_layer(cities, name='Cities')\n m\n ```\n\nExtract and chart data\n----------------------\n\n1. Import the Altair charting library. \n\n ```python\n %pip install -q --upgrade altair\n import altair as alt\n ```\n\n\n2. Extract the climate data for the three cities as a pandas DataFrame. \n\n ```python\n city_climates = jan_2023_climate.reduceRegions(cities, ee.Reducer.first())\n\n city_climates_dataframe = ee.data.computeFeatures(\n {'expression': city_climates, 'fileFormat': 'PANDAS_DATAFRAME'}\n )\n city_climates_dataframe\n ```\n\n\u003c!-- --\u003e\n\n3. Plot the temperature for the cities as a bar chart. \n\n ```python\n alt.Chart(city_climates_dataframe).mark_bar(size=100).encode(\n alt.X('city:N', sort='y', axis=alt.Axis(labelAngle=0), title='City'),\n alt.Y('temperature_2m:Q', title='Temperature (K)'),\n tooltip=[\n alt.Tooltip('city:N', title='City'),\n alt.Tooltip('temperature_2m:Q', title='Temperature (K)'),\n ],\n ).properties(title='January 2023 temperature for selected cities', width=500)\n ```\n\nWhat's next\n-----------\n\n- Learn about analyzing data with Earth Engine's [objects and methods](/earth-engine/guides/objects_methods_overview).\n- Learn about Earth Engine's [processing environments](/earth-engine/guides/processing_environments).\n- Learn about Earth Engine's [machine learning capabilities](/earth-engine/guides/machine-learning).\n- Learn how to [export your computation results to BigQuery](/earth-engine/guides/exporting_to_bigquery)."]]
הפעלה ב-Google Colab
הצגת המקור ב-GitHub