Concepts
Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Diese API bietet einen einfachen, einheitlichen Zugriff auf eine Vielzahl von raumbezogenen Bilddaten. Mit raumbezogen meinen wir, dass die Daten mit Standorten auf der Erdoberfläche verknüpft sind. Mit Bilddaten meinen wir Daten, die als einheitliches Raster von Pixelwerten strukturiert sind, ähnlich wie ein herkömmliches Bild.
Das bekannteste Beispiel für diese Art von Daten sind Satellitenbilder, wie Nutzer sie von Google Maps und Earth kennen. Viele andere Datasets haben jedoch dieselbe Struktur, z. B. Datasets für Wetter und Klima, Gelände und Bodenbedeckung sowie Bevölkerungsdichte.
Authentifizierung
Die Earth Engine API verwendet das OAuth 2.0-Protokoll für die Authentifizierung und Autorisierung. Es gibt praktische Bibliotheken, mit denen Sie OAuth 2.0 verwenden können, um API-Aufrufe in einer Vielzahl von Sprachen auszugeben. Wenn Sie noch nicht mit OAuth 2.0 auf Google APIs zugegriffen haben, sollten Sie sich die Dokumentation zum Zugriff auf Google APIs über OAuth 2.0 ansehen.
Für diese API wird der Earth Engine OAuth 2.0-Bereich https://www.googleapis.com/auth/earthengine.readonly verwendet. Wenn Sie die Anmeldedaten für das Dienstkonto selbst konfigurieren, müssen Sie diesen Bereich explizit anfordern. Wenn Sie die Standardanmeldedaten für Anwendungen verwenden, die in Compute Engine-VM-Instanzen verfügbar sind, müssen Sie Ihre VM-Instanz so konfigurieren, dass dieser Bereich angefordert wird.
Assets
Das Earth Engine-Datenmodell basiert auf einer dateisystemähnlichen Struktur von Assets. Es gibt drei Haupttypen von Assets, die unten genauer beschrieben werden: Raumbezogene Rasterdaten selbst werden in Bildern gespeichert. Bilder können in großen Sammlungen gruppiert werden. Bilder und Sammlungen werden in einer Hierarchie von Ordnern organisiert.
Der folgende Pfad beschreibt beispielsweise ein bestimmtes Landsat-Bild:
LANDSAT/LC8_L1T/LC81180562013193LGN00
In diesem Beispiel ist LANDSAT ein Ordner der obersten Ebene, der alle Landsat-Daten enthält. LC8_L1T gibt eine bestimmte Sammlung von kalibrierten und geländekorrektierten Landsat 8-Bildern an und LC81180562013193LGN00 ein bestimmtes Bild in dieser Sammlung. Asset-Pfade dürfen Buchstaben, Zahlen, Unterstriche und Bindestriche enthalten, die durch Schrägstriche getrennt sind.
Jedes Bild hat Metadaten, mit denen sich relevante Daten leicht identifizieren lassen. Diese Metadateneigenschaften pro Bild umfassen in der Regel:
- Die Footprint-Geometrie des Bildes, z. B. die räumliche Ausdehnung eines Satellitenbilds oder eines Geländedatensatzes.
- Der Zeitstempel des Bildes, z. B. die Aufnahmezeit des Satellitenbildes oder der Tag oder Monat in einem Klimamodelldatensatz.
- Beliebige Schlüssel/Wert-Eigenschaften, z. B. der geschätzte Prozentsatz der Wolkendecke eines Landsat-Satellitenbilds.
Pixel und Kartenprojektionen
In Earth Engine besteht jedes Bild aus einem oder mehreren Bändern mit Daten. Sie können den roten, grünen und blauen Bändern eines gewöhnlichen RGB-Satellitenbilds entsprechen oder etwas ganz anderes darstellen, z. B. Temperatur und Niederschlag in einem Wetterdatensatz. Die Pixel in jedem Band haben einen bestimmten Datentyp, z.B. uint8 oder float32.
Pixel in einem Pixelraster entsprechen Punkten auf der Erdoberfläche. Die Zuordnung erfolgt über eine mathematische Funktion, die als Kartenprojektion bezeichnet wird. Diese Beziehung hat in der Regel zwei Komponenten. Zuerst wird ein Koordinatenreferenzsystem (Coordinate Reference System, CRS) definiert, das 2D-Koordinaten für Punkte auf der gekrümmten Erdoberfläche enthält. Verschiedene Koordinatenreferenzsysteme haben unterschiedliche Eigenschaften, die sie für die Verwendung mit verschiedenen Datentypen in verschiedenen Anwendungen geeignet machen. Koordinatenreferenzsysteme werden in der Regel anhand von Standard-Identifikationscodes identifiziert. Häufige Beispiele sind rechteckige, Web-Mercator- und UTM-Koordinaten.
Pixelkoordinaten werden dann in der Regel über eine affine Transformation mit dem räumlichen Koordinatenreferenzsystem in Beziehung gesetzt, die den physischen Maßstab und Ursprung des Pixelrasters steuert. In Earth Engine speichern wir für jedes Bild eine Pyramide mit Daten: Die Basisebene der Pyramide enthält die Originaldaten in ihrer nativen Auflösung und in den höheren Ebenen der Pyramide werden Übersichtsdaten mit reduzierter Auflösung gespeichert. Diese Ebenen der Pyramide werden durch affine Transformationen beschrieben, deren Skalierungen sich um aufeinanderfolgende Faktoren von zwei unterscheiden.
Sammlungen und Ordner
Bilder sind oft in großen Sammlungen von Daten enthalten, z. B. in einer Sammlung aller Bilder, die von einem bestimmten Satelliten aufgenommen wurden, oder in einer Sammlung globaler Temperaturschätzungen im Zeitverlauf. Earth Engine erstellt Metadatenindizes, mit denen Sie die Bilder in Sammlungen anhand ihrer Metadaten filtern oder abfragen können, einschließlich der Filterung nach Standort und Zeit. Normalerweise haben alle Bilder in einer Sammlung dieselbe Struktur, d.h. dieselben Bänder und dieselben Metadateneigenschaften.
Bilder und Sammlungen sind selbst in einer Hierarchie von Ordnern organisiert. Ein Ordner ist wie ein gewöhnlicher Ordner oder ein Verzeichnis in einem herkömmlichen Dateisystem: Er ist ein einfacher Container für andere Assets, d.h. für Bilder, Sammlungen und andere Ordner. Nicht alle Bilder sind in Sammlungen enthalten. Einige Datasets, z. B. ein bestimmtes globales Geländemodell, bestehen möglicherweise nur aus einem einzigen Bild. Unabhängig davon wird jedes Asset eindeutig durch einen bestimmten Pfad identifiziert, der seinen Speicherort im Earth Engine-Datenkatalog angibt.
Sofern nicht anders angegeben, sind die Inhalte dieser Seite unter der Creative Commons Attribution 4.0 License und Codebeispiele unter der Apache 2.0 License lizenziert. Weitere Informationen finden Sie in den Websiterichtlinien von Google Developers. Java ist eine eingetragene Marke von Oracle und/oder seinen Partnern.
Zuletzt aktualisiert: 2025-07-26 (UTC).
[null,null,["Zuletzt aktualisiert: 2025-07-26 (UTC)."],[[["\u003cp\u003eThis API provides access to a wide variety of geospatial image data, including satellite imagery and gridded datasets like weather, climate, terrain, and population density.\u003c/p\u003e\n"],["\u003cp\u003eEarth Engine uses OAuth 2.0 for authentication, requiring the \u003ccode\u003ehttps://www.googleapis.com/auth/earthengine.readonly\u003c/code\u003e scope.\u003c/p\u003e\n"],["\u003cp\u003eEarth Engine data is organized as assets, including images, collections, and folders, with images containing bands of pixels and metadata.\u003c/p\u003e\n"],["\u003cp\u003eImages in Earth Engine are georeferenced using map projections and coordinate reference systems for accurate location representation.\u003c/p\u003e\n"],["\u003cp\u003eCollections allow filtering and querying of images based on metadata, facilitating efficient data discovery and analysis.\u003c/p\u003e\n"]]],["This API offers access to geospatial image data, structured as pixel grids, through a filesystem-like asset system. Access requires OAuth 2.0 authentication with a specific scope. Data is organized into **images**, **collections**, and **folders**. Each image has metadata, including footprint geometry and timestamps. Images have bands of data with defined pixel data types, linked to Earth's surface via a map projection. Images can be filtered in collections using metadata. A pyramid of data is also available.\n"],null,["# Concepts\n\nThis API provides simple, uniform access to a wide variety geospatial image data. By *geospatial* we mean that the data is associated with locations on the Earth's surface. By *image data* we mean data that is structured as a uniform grid of pixel values, much like a traditional image.\n\nThe most familiar example of this type of data is satellite imagery, much like users are accustomed to seeing in Google Maps and Earth. However, many other datasets have the same structure, including for example gridded weather and climate datasets, terrain and land cover datasets, and population density datasets.\n\nAuthentication\n--------------\n\nThe Earth Engine API uses the **OAuth 2.0** protocol for authentication and authorization. There are convenient libraries for using OAuth 2.0 to issue API calls in a wide range of languages. If you have not used OAuth 2.0 to access Google APIs before, you may wish to familiarize yourself with the documentation on [Using OAuth 2.0 to Access Google APIs](https://developers.google.com/identity/protocols/OAuth2).\n\nThis API uses the Earth Engine OAuth 2.0 **scope** `https://www.googleapis.com/auth/earthengine.readonly`. If you are configuring service account credentials yourself then you will need to request that scope explicitly. If you are using the default application credentials available in Compute Engine virtual machine instances, you will need to configure your VM instance to request that scope.\n\nAssets\n------\n\nAt the heart of the Earth Engine data model is a filesystem-like structure of **assets** . There are three primary types of assets, described in more detail below: geospatial raster data itself is stored in **images** , images can be grouped into large **collections** , and images and collections are further organized in a hierarchy of **folders**.\n\nFor example, the following path describes a particular Landsat image: \n\n LANDSAT/LC8_L1T/LC81180562013193LGN00\n\nIn this example, `LANDSAT` is a top-level folder that contains all the Landsat data, `LC8_L1T` identifies a particular collection of calibrated and terrain-corrected Landsat 8 images, and `LC81180562013193LGN00` identifies a particular image within that collection. Asset paths may contain letters, numbers, underscores, and hyphens, separated by forward slashes.\n\nEach image has metadata that makes it easy to identify data of interest. These per-image metadata properties typically include:\n\n- The footprint geometry of the image, such as the spatial extent of a satellite image or terrain dataset.\n- The timestamp of the image, such as the satellite image acquisition time, or the day or month in a climate model dataset.\n- Arbitrary key/value properties, such as the estimated cloud cover percentage of a Landsat satellite image.\n\nPixels and Map Projections\n--------------------------\n\nIn Earth Engine each image consists of one or more **bands** of data. These might correspond to the red, green, and blue bands of an ordinary RGB satellite image, or they might correspond to something completely different, such as temperature and precipitation in a weather dataset. The **pixels** in each band have a particular data type, e.g. `uint8` or `float32`.\n\nPixels in a pixel grid correspond to points on the Earth's surface via a mathematical function known as a **map projection** . This relationship typically has two components. First a **coordinate reference system** (CRS) defines 2D coordinates that represent points on the curved surface of the Earth. Different coordinate reference systems have different properties that make them appropriate to use with different types of data in different applications. Coordinate reference systems are typically identified using [standard identifier codes](http://epsg.io/); common examples are [equirectangular](https://en.wikipedia.org/wiki/Equirectangular_projection), [web Mercator](https://en.wikipedia.org/wiki/Web_Mercator), and [UTM](https://en.wikipedia.org/wiki/Universal_Transverse_Mercator_coordinate_system) coordinates.\n\nPixel coordinates are then typically related to the spatial coordinate reference system via an **affine transformation** that controls the physical scale and origin of the pixel grid. In Earth Engine we store a **pyramid** of data for each image: the base level of the pyramid contains the original data in its native resolution, and higher levels of the pyramid store reduced-resolution overview data. These levels of the pyramid are described by affine transformations whose scales differ by successive factors of two.\n\nCollections and Folders\n-----------------------\n\nImages often come in large **collections** of data, such as a collection of all images acquired by a particular satellite, or a collection of global temperature estimates over time. Earth Engine builds metadata indexes that allow you to **filter** or **query** the images in collections based on their metadata, including filtering by location and time. Typically, all images within a single collection have the same structure, i.e. the same bands and the same metadata properties.\n\nImages and collections are themselves organized into a hierarchy of **folders**. A folder is much like an ordinary folder or directory in a traditional filesystem: it is a simple container for other assets, i.e. for images, collections, and other folders. Not all images are contained in collections: some datasets, such as a particular global terrain model, may consist of only a single image. Regardless, every asset is uniquely identified by a particular path that identifies its location in the Earth Engine data catalog."]]
