เริ่มต้นใช้งาน Earth Engine สําหรับ Python
จัดทุกอย่างให้เป็นระเบียบอยู่เสมอด้วยคอลเล็กชัน
บันทึกและจัดหมวดหมู่เนื้อหาตามค่ากำหนดของคุณ
การเริ่มต้นใช้งานอย่างรวดเร็วนี้จะแนะนำคุณเกี่ยวกับการแสดงภาพและการวิเคราะห์ข้อมูลเชิงพื้นที่ด้วยอินเทอร์เฟซ Python ของ Earth Engine
ก่อนเริ่มต้น
ลงทะเบียนหรือสร้างโปรเจ็กต์ Google Cloud ระบบจะแจ้งให้คุณทำตามขั้นตอนต่อไปนี้ หากคุณมีโปรเจ็กต์ที่ลงทะเบียนเพื่อเข้าถึง Earth Engine อยู่แล้ว ให้ข้ามไปยังส่วนถัดไป
การตั้งค่าสมุดบันทึก
สมุดบันทึก Jupyter ช่วยให้คุณใช้ Earth Engine และสำรวจผลลัพธ์แบบอินเทอร์แอกทีฟได้ วิธีที่เร็วที่สุดในการเริ่มต้นคือการใช้โน้ตบุ๊กใน Google Colab Notebook คุณสามารถ
เปิดสมุดบันทึกใหม่แล้วคัดลอกโค้ดต่อไปนี้ไปยังเซลล์แต่ละเซลล์ หรือจะใช้
สมุดบันทึกเริ่มต้นใช้งาน Python ของ Earth Engine ที่กรอกข้อมูลไว้ล่วงหน้าก็ได้
- นําเข้าไลบรารี Earth Engine และ geemap
import ee
import geemap.core as geemap
- ตรวจสอบสิทธิ์และเริ่มต้นบริการ Earth Engine ทำตามข้อความแจ้งที่ปรากฏขึ้นเพื่อตรวจสอบสิทธิ์ให้เสร็จสมบูรณ์ อย่าลืมแทนที่ PROJECT_ID ด้วยชื่อโปรเจ็กต์ที่คุณตั้งค่าไว้สําหรับการเริ่มต้นใช้งานอย่างรวดเร็วนี้
ee.Authenticate()
ee.Initialize(project='PROJECT_ID')
เพิ่มข้อมูลแรสเตอร์ลงในแผนที่
- โหลดข้อมูลสภาพอากาศของระยะเวลาหนึ่งๆ และแสดงข้อมูลเมตา
jan_2023_climate = (
ee.ImageCollection('ECMWF/ERA5_LAND/MONTHLY_AGGR')
.filterDate('2023-01', '2023-02')
.first()
)
jan_2023_climate
- สร้างออบเจ็กต์แผนที่และเพิ่มแถบอุณหภูมิเป็นเลเยอร์ที่มีพร็อพเพอร์ตี้การแสดงภาพเฉพาะ แสดงแผนที่
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
เพิ่มข้อมูลเวกเตอร์ลงในแผนที่
- สร้างออบเจ็กต์ข้อมูลเวกเตอร์ที่มีจุดสำหรับ 3 เมือง
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
- เพิ่มสถานที่ตั้งของเมืองลงในแผนที่และแสดงแผนที่อีกครั้ง
m.add_layer(cities, name='Cities')
m
ดึงข้อมูลและสร้างแผนภูมิ
- นําเข้าไลบรารีแผนภูมิ Altair
%pip install -q --upgrade altair
import altair as alt
- ดึงข้อมูลสภาพอากาศของ 3 เมืองเป็น 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
- แสดงอุณหภูมิของเมืองเป็นแผนภูมิแท่ง
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)
ขั้นตอนถัดไป
เนื้อหาของหน้าเว็บนี้ได้รับอนุญาตภายใต้ใบอนุญาตที่ต้องระบุที่มาของครีเอทีฟคอมมอนส์ 4.0 และตัวอย่างโค้ดได้รับอนุญาตภายใต้ใบอนุญาต Apache 2.0 เว้นแต่จะระบุไว้เป็นอย่างอื่น โปรดดูรายละเอียดที่นโยบายเว็บไซต์ Google Developers Java เป็นเครื่องหมายการค้าจดทะเบียนของ Oracle และ/หรือบริษัทในเครือ
อัปเดตล่าสุด 2025-07-25 UTC
[null,null,["อัปเดตล่าสุด 2025-07-25 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)."]]
เรียกใช้ใน Google Colab
ดูซอร์สโค้ดใน GitHub