Como observado no documento Projeções, o Earth Engine realiza a reamostragem do vizinho mais próximo por padrão durante a reprojeção. É possível mudar esse comportamento
com os métodos resample() ou reduceResolution(). Especificamente, quando um desses métodos é aplicado a uma imagem de entrada, qualquer reprojeção necessária da entrada é feita usando o método de reamostragem ou agregação indicado.
Gerar amostra
resample() faz com que o método de reamostragem indicado ('bilinear' ou 'bicubic') seja usado na próxima nova projeção. Como as entradas são solicitadas na projeção de saída, uma reprojeção implícita pode acontecer antes de qualquer outra operação na entrada. Por isso, chame resample() diretamente na imagem
de entrada. Considere o seguinte exemplo simples:
Editor de código (JavaScript)
// Load a Landsat image over San Francisco, California, UAS. var landsat = ee.Image('LANDSAT/LC08/C02/T1_TOA/LC08_044034_20160323'); // Set display and visualization parameters. Map.setCenter(-122.37383, 37.6193, 15); var visParams = {bands: ['B4', 'B3', 'B2'], max: 0.3}; // Display the Landsat image using the default nearest neighbor resampling. // when reprojecting to Mercator for the Code Editor map. Map.addLayer(landsat, visParams, 'original image'); // Force the next reprojection on this image to use bicubic resampling. var resampled = landsat.resample('bicubic'); // Display the Landsat image using bicubic resampling. Map.addLayer(resampled, visParams, 'resampled');
import ee import geemap.core as geemap
Colab (Python)
# Load a Landsat image over San Francisco, California, UAS. landsat = ee.Image('LANDSAT/LC08/C02/T1_TOA/LC08_044034_20160323') # Set display and visualization parameters. m = geemap.Map() m.set_center(-122.37383, 37.6193, 15) vis_params = {'bands': ['B4', 'B3', 'B2'], 'max': 0.3} # Display the Landsat image using the default nearest neighbor resampling. # when reprojecting to Mercator for the Code Editor map. m.add_layer(landsat, vis_params, 'original image') # Force the next reprojection on this image to use bicubic resampling. resampled = landsat.resample('bicubic') # Display the Landsat image using bicubic resampling. m.add_layer(resampled, vis_params, 'resampled')
Observe que a reamostragem 'bicubic' faz com que os pixels de saída pareçam
suaves em relação à imagem original (Figura 1).
A ordem das operações para este exemplo de código está ilustrada na Figura 2. Especificamente, a reprojeção implícita para a projeção maps mercator ocorre com o método de reamostragem especificado na imagem de entrada.

Figura 2. Fluxograma de operações quando resample() é chamado na imagem de entrada antes da exibição no Editor de Código. As linhas curvas indicam o fluxo de informações para a nova projeção: especificamente, a projeção de saída, a escala e o método de reamostragem a ser usado.
Reduzir a resolução
Suponha que, em vez de reamostrar durante a reprojeção, seu objetivo seja
agregar pixels a pixels maiores em uma projeção diferente. Isso é útil ao
comparar conjuntos de dados de imagens em escalas diferentes, por exemplo, pixels de 30 metros de um
produto baseado no Landsat com pixels grosseiros (escala maior) de um produto baseado no
MODIS. É possível controlar esse processo de agregação com o método reduceResolution(). Assim como em resample(), chame reduceResolution() na entrada para
afetar a próxima reprojeção da imagem. O exemplo a seguir usa
reduceResolution() para comparar dados de cobertura florestal com resolução de 30 metros a um
índice de vegetação com resolução de 500 metros:
Editor de código (JavaScript)
// Load a MODIS EVI image. var modis = ee.Image(ee.ImageCollection('MODIS/061/MOD13A1').first()) .select('EVI'); // Display the EVI image near La Honda, California. Map.setCenter(-122.3616, 37.5331, 12); Map.addLayer(modis, {min: 2000, max: 5000}, 'MODIS EVI'); // Get information about the MODIS projection. var modisProjection = modis.projection(); print('MODIS projection:', modisProjection); // Load and display forest cover data at 30 meters resolution. var forest = ee.Image('UMD/hansen/global_forest_change_2025_v1_13') .select('treecover2000'); Map.addLayer(forest, {max: 80}, 'forest cover 30 m'); // Get the forest cover data at MODIS scale and projection. var forestMean = forest // Force the next reprojection to aggregate instead of resampling. .reduceResolution({ reducer: ee.Reducer.mean(), maxPixels: 1024 }) // Request the data at the scale and projection of the MODIS image. .reproject({ crs: modisProjection }); // Display the aggregated, reprojected forest cover data. Map.addLayer(forestMean, {max: 80}, 'forest cover at MODIS scale');
import ee import geemap.core as geemap
Colab (Python)
# Load a MODIS EVI image. modis = ee.Image(ee.ImageCollection('MODIS/061/MOD13A1').first()).select('EVI') # Display the EVI image near La Honda, California. m.set_center(-122.3616, 37.5331, 12) m.add_layer(modis, {'min': 2000, 'max': 5000}, 'MODIS EVI') # Get information about the MODIS projection. modis_projection = modis.projection() display('MODIS projection:', modis_projection) # Load and display forest cover data at 30 meters resolution. forest = ee.Image('UMD/hansen/global_forest_change_2025_v1_13').select( 'treecover2000' ) m.add_layer(forest, {'max': 80}, 'forest cover 30 m') # Get the forest cover data at MODIS scale and projection. forest_mean = ( forest # Force the next reprojection to aggregate instead of resampling. .reduceResolution(reducer=ee.Reducer.mean(), maxPixels=1024) # Request the data at the scale and projection of the MODIS image. .reproject(crs=modis_projection) ) # Display the aggregated, reprojected forest cover data. m.add_layer(forest_mean, {'max': 80}, 'forest cover at MODIS scale')
Neste exemplo, observe que a projeção de saída é definida explicitamente com
reproject(). Durante a reprojeção para a projeção sinusoidal do MODIS, em vez de reamostragem, os pixels menores são agregados com o redutor especificado (ee.Reducer.mean() no exemplo). Essa sequência
de operações é ilustrada na Figura 3. Embora este exemplo use
reproject() para ajudar a visualizar o efeito de reduceResolution(), a maioria dos scripts
não precisa de reprojeção explícita. Consulte o aviso na
seção "Reprojetar".

Figura 3. Fluxograma de operações quando reduceResolution() é chamado em uma
imagem de entrada antes de reproject(). As linhas curvas indicam o fluxo de
informações para a nova projeção: especificamente, a projeção de saída, a escala e o
método de agregação de pixels a ser usado.
Espessuras de pixel para ReduceResolution
Os pesos dos pixels usados durante o processo de agregação reduceResolution()
são baseados na sobreposição entre os pixels menores que estão sendo agregados e os
pixels maiores especificados pela projeção de saída. Isso é ilustrado na Figura
4.

Figura 4. Pixels de entrada (pretos) e pixel de saída (azul) para
reduceResolution().
O comportamento padrão é que os pesos dos pixels de entrada sejam calculados como a fração da
área de pixels de saída coberta pelo pixel de entrada. No diagrama, o pixel de saída
tem área a, o peso do pixel de entrada com área de interseção b é
calculado como b/a e o peso do pixel de entrada com área de interseção c
é calculado como c/a. Esse comportamento pode gerar resultados inesperados ao usar
um redutor diferente do redutor de média. Por exemplo, para calcular a área florestal por
pixel, use o redutor de média para calcular a fração de um pixel coberto e, em seguida,
multiplique pela área (em vez de calcular as áreas nos pixels menores e, em seguida, somá-las
com o redutor de soma):
Editor de código (JavaScript)
// Compute forest area per MODIS pixel. var forestArea = forest.gt(0) // Force the next reprojection to aggregate instead of resampling. .reduceResolution({ reducer: ee.Reducer.mean(), maxPixels: 1024 }) // The reduce resolution returns the fraction of the MODIS pixel // that's covered by 30 meter forest pixels. Convert to area // after the reduceResolution() call. .multiply(ee.Image.pixelArea()) // Request the data at the scale and projection of the MODIS image. .reproject({ crs: modisProjection }); Map.addLayer(forestArea, {max: 500 * 500}, 'forested area at MODIS scale');
import ee import geemap.core as geemap
Colab (Python)
# Compute forest area per MODIS pixel. forest_area = ( forest.gt(0) # Force the next reprojection to aggregate instead of resampling. .reduceResolution(reducer=ee.Reducer.mean(), maxPixels=1024) # The reduce resolution returns the fraction of the MODIS pixel # that's covered by 30 meter forest pixels. Convert to area # after the reduceResolution() call. .multiply(ee.Image.pixelArea()) # Request the data at the scale and projection of the MODIS image. .reproject(crs=modis_projection) ) m.add_layer(forest_area, {'max': 500 * 500}, 'forested area at MODIS scale') m