Передискретизация и уменьшение разрешения

Как отмечено в документе «Проекции» , Earth Engine по умолчанию выполняет передискретизацию ближайшего соседа во время перепроецирования. Вы можете изменить это поведение с помощью методов resample() или reduceResolution() . В частности, когда один из этих методов применяется к входному изображению, любое необходимое перепроецирование входных данных будет выполняться с использованием указанного метода повторной выборки или агрегирования.

Передискретизация

resample() заставляет указанный метод повторной выборки ( 'bilinear' или 'bicubic' ) использоваться при следующем перепроецировании. Поскольку входные данные запрашиваются в выходной проекции, неявное перепроецирование может произойти перед любой другой операцией над входными данными. По этой причине вызовите resample() непосредственно на входном изображении. Рассмотрим следующий простой пример:

Редактор кода (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');

Настройка Python

См. страницу «Среда Python» для получения информации об API Python и использовании geemap для интерактивной разработки.

import ee
import geemap.core as geemap

Колаб (Питон)

# 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')

Обратите внимание, что 'bicubic' передискретизация приводит к тому, что выходные пиксели выглядят более гладкими по сравнению с исходным изображением (рис. 1).

Рисунок 1а. Изображения Landsat преобразованы с использованием ближайшего соседа.

Рисунок 1б. Изображения Landsat обработаны с помощью бикубической повторной выборки.

Порядок операций для этого примера кода показан на рисунке 2. В частности, неявное перепроецирование в проекцию Меркатора карт происходит с использованием метода повторной выборки, указанного во входном изображении.

Рисунок 2. Блок-схема операций при вызове resample() для входного изображения перед его отображением в редакторе кода. Кривые линии обозначают поток информации для перепроецирования: в частности, выходную проекцию, масштаб и используемый метод повторной выборки.

Уменьшить разрешение

Предположим, что вместо повторной выборки во время перепроецирования ваша цель — агрегировать пиксели в более крупные пиксели в другой проекции. Это полезно при сравнении наборов данных изображений в разных масштабах, например, 30-метровые пиксели из продукта на базе Landsat с грубыми пикселями (более высокий масштаб) из продукта на основе MODIS. Вы можете управлять этим процессом агрегации с помощью метода reduceResolution() . Как и в случае с resample() , вызовите на входе reduceResolution() , чтобы повлиять на следующее перепроецирование изображения. В следующем примере функция reduceResolution() используется для сравнения данных о лесном покрове с разрешением 30 метров с индексом растительности с разрешением 500 метров:

Редактор кода (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_2023_v1_11')
    .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');

Настройка Python

См. страницу «Среда Python» для получения информации об API Python и использовании geemap для интерактивной разработки.

import ee
import geemap.core as geemap

Колаб (Питон)

# Load a MODIS EVI image.
modis = ee.Image(ee.ImageCollection('MODIS/006/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_2015').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')

Обратите внимание, что в этом примере выходная проекция явно задается с помощью reproject() . Во время перепроецирования в синусоидальную проекцию MODIS вместо повторной выборки пиксели меньшего размера объединяются с указанным редуктором ( ee.Reducer.mean() в примере). Эта последовательность операций показана на рисунке 3. Хотя в этом примере используется reproject() , чтобы визуализировать эффект reduceResolution() , большинству сценариев не требуется явное перепроецирование; см. предупреждение здесь .

Рис. 3. Блок-схема операций при вызове reduceResolution() для входного изображения перед reproject() . Кривые линии обозначают поток информации для перепроецирования: в частности, используемую выходную проекцию, масштаб и метод агрегирования пикселей.

Примечание. Происходит второе перепроецирование (неявно) для отображения данных на карте редактора кода. Визуально проверьте результаты и наблюдайте за соответствием между пикселями слоя MODIS и данными о лесном покрове, перепроецированными в масштаб и проекцию MODIS. Вам редко придется явно использовать reproject() в Earth Engine.

Вес пикселей для ReduceResolution

Веса пикселей, используемые в процессе агрегации reduceResolution() основаны на перекрытии между агрегируемыми пикселями меньшего размера и пикселями большего размера, заданными выходной проекцией. Это показано на рисунке 4.

Рис. 4. Входные пиксели (черные) и выходные пиксели (синие) для reduceResolution() .

Поведение по умолчанию заключается в том, что веса входных пикселей вычисляются как доля области выходного пикселя, покрытая входным пикселем. На диаграмме выходной пиксель имеет область a , вес входного пикселя с областью пересечения b вычисляется как b/a , а вес входного пикселя с областью пересечения c вычисляется как c/a . Такое поведение может привести к неожиданным результатам при использовании редуктора, отличного от среднего редуктора. Например, чтобы вычислить площадь леса на пиксель, используйте средний редуктор для вычисления доли покрытого пикселя, а затем умножьте его на площадь (вместо того, чтобы вычислять площади в меньших пикселях и затем суммировать их с помощью редуктора суммы):

Редактор кода (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');

Настройка Python

См. страницу «Среда Python» для получения информации об API Python и использовании geemap для интерактивной разработки.

import ee
import geemap.core as geemap

Колаб (Питон)

# 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