【RS】GEE(Python)：数据处理

在前面的章节中，我们已经学习了如何加载影像数据。现在，让我们进一步探讨如何在 Google Earth Engine (GEE) 中进行数据处理。数据处理通常包括图像预处理、裁剪、过滤、重采样等操作。

栅格影像的处理

栅格影像处理包括了裁剪、波段选择、重采样、合成等基本操作。这部分以卫星影像为例，介绍 GEE 中如何处理影像数据。

图像裁剪 (Clipping)

裁剪图像是数据处理中常见的步骤，通常我们只需要分析某个特定区域的数据。GEE 提供了 clip 函数，可以根据给定的几何区域裁剪图像。

import ee
import folium# 初始化 Earth Engine
ee.Initialize()# 加载 Landsat 图像
image = ee.Image('LANDSAT/LC08/C02/T1/LC08_044034_20140318')# 创建几何区域（多边形），用于裁剪图像
region = ee.Geometry.Polygon([[[-122.5, 37.2], [-121.8, 37.7], [-121.8, 37.2]]
])# 裁剪图像到指定区域
clipped_image = image.clip(region)# 定义可视化参数（RGB波段）
vis_params = {'bands': ['B4', 'B3', 'B2']  # 红、绿、蓝波段
}# 定义添加 Earth Engine 图层到 folium 地图的函数
def add_ee_layer(self, ee_image_object, vis_params, name):"""将 Earth Engine 图像添加到 folium 地图中。参数:self: folium 地图对象ee_image_object: 需要添加的 Earth Engine 图像vis_params: 可视化参数（波段选择等）name: 图层名称"""map_id_dict = ee.Image(ee_image_object).getMapId(vis_params)folium.raster_layers.TileLayer(tiles=map_id_dict['tile_fetcher'].url_format,  # 获取图像的 URL 模板attr='Google Earth Engine',  # 数据来源name=name,  # 图层名称overlay=True,  # 叠加到现有图层control=True  # 在图层控制中显示).add_to(self)# 将自定义的图层添加函数绑定到 folium.Map 类
folium.Map.add_ee_layer = add_ee_layer# 创建 folium 地图并添加裁剪后的 Landsat 图像
map = folium.Map(location=[37.5, -122.3], zoom_start=10)  # 设置初始中心点和缩放级别
map.add_ee_layer(clipped_image, vis_params, 'Clipped Landsat Image')  # 添加裁剪后的图像层# 显示地图
map

• clip：用于根据指定的几何形状裁剪图像，使其只保留感兴趣区域的数据。
• ee.Geometry.Polygon：定义了一个多边形区域作为裁剪的边界。

裁剪图像后，只剩下指定区域的数据，这对于更高效的数据处理非常重要。

选择波段 (Band Selection)

卫星影像通常包含多个波段，每个波段记录了不同波长范围的反射率。我们可以通过选择波段来提取特定的信息。例如，Landsat 8 影像包括可见光、红外和热红外波段，下面介绍如何选择特定波段进行处理。

# 选择图像的红色、绿色和蓝色波段
selected_bands = image.select(['B4', 'B3', 'B2'])# 添加选择后的波段图像到地图
map.add_ee_layer(selected_bands, vis_params, 'Selected Bands')# 显示地图
map

• select：选择图像中的指定波段，可以是单个波段或多个波段的组合。
• B4, B3, B2：分别表示红色、绿色和蓝色波段。

通过波段选择，我们可以聚焦于影像的特定部分，如植被、土壤或水体的反射特性。

图像重采样 (Resampling)

重采样用于改变影像的空间分辨率。GEE 提供了多种重采样方法，如最近邻重采样 (nearest) 和双线性重采样 (bilinear)。以下是如何对影像进行重采样的示例：

# 对图像进行双线性重采样
resampled_image = image.resample('bilinear')# 添加重采样后的图像到地图
map.add_ee_layer(resampled_image, vis_params, 'Resampled Image')# 显示地图
map

• resample：用于设置图像的重采样方法，bilinear 表示双线性插值。
• nearest：最近邻插值，通常用于分类影像。

重采样后，影像的分辨率可能会发生变化，这可以用于不同分辨率数据的融合或在不同尺度上的分析。

多图像合成 (Image Composite)

在实际应用中，通常需要将多时相的影像合成一个新的影像，去除云层或其他噪声。GEE 中的 ImageCollection 对象允许对多个影像进行合成。

# 创建一个 Landsat 影像集合  
collection = ee.ImageCollection('LANDSAT/LC08/C02/T1') \.filterBounds(region) \.filterDate('2020-01-01', '2020-12-31')  # 使用中值合成方法去除云层
composite = collection.median()# 添加合成影像到地图  
map.add_ee_layer(composite, vis_params, 'Landsat Composite')  # 添加图层控制  
folium.LayerControl().add_to(map)  # 显示地图  
map

• ImageCollection：表示影像的集合，可以根据时间范围或空间范围进行过滤。
• median：对影像集合使用中值合成的方法，去除异常值，如云层。

合成影像对于长期时间序列分析非常有用，例如研究某地区的植被变化趋势。

矢量数据的处理

矢量数据通常代表离散的地理对象，如边界、道路、河流等。在 GEE 中，矢量数据处理包括几何操作、空间过滤和属性查询等。

空间过滤 (Spatial Filtering)

空间过滤可以帮助我们在某一特定区域内筛选矢量数据。例如，以下代码展示了如何根据地理位置筛选一个国家的边界。该地图为问题地图，请勿在生产实践中使用！！！

import ee  # 导入 Google Earth Engine API
import folium  # 导入 Folium 库，用于绘制交互式地图# 初始化 Earth Engine
ee.Initialize()# 创建一个 Folium 地图，设置中国中心点及缩放级别
map = folium.Map(location=[37.5, 104.0], zoom_start=5)# 加载 FAO 全球国家边界数据集
countries = ee.FeatureCollection('FAO/GAUL/2015/level0')# 过滤出中国边界，'ADM0_NAME' 字段用于匹配国家名称
china = countries.filter(ee.Filter.eq('ADM0_NAME', 'China'))# 将中国边界数据转换为 GeoJSON 格式，用于 folium 绘图
china_geojson = china.getInfo()# 将中国边界的 GeoJSON 数据添加到 folium 地图
folium.GeoJson(china_geojson,  # GeoJSON 数据name='China Boundary',  # 图层名称style_function=lambda x: {  # 设置样式'color': 'blue',  # 边界线颜色'weight': 2,  # 边界线宽度'fillOpacity': 0.1  # 填充透明度，确保区域具有透明效果}
).add_to(map)# 添加图层控制，使用户可以在地图上切换图层
folium.LayerControl().add_to(map)# 显示地图
map

• filter：根据特定的条件筛选出符合条件的几何对象或特征集。
• ee.Filter.eq：用于进行属性等值比较，筛选出名称为 ‘China’ 的国家边界。

几何操作 (Geometric Operations)

GEE 支持多种几何操作，如缓冲区生成、相交、合并等。以下代码展示了如何生成一个几何对象的缓冲区：

import ee  # 导入 Google Earth Engine API
import folium  # 导入 Folium 库，用于绘制交互式地图# 初始化 Earth Engine，确保所有 Earth Engine 操作能正常执行
ee.Initialize()# 创建一个 Folium 地图，设置中心点为中国某位置，并指定缩放级别为6
map = folium.Map(location=[30, 120], zoom_start=6)# 创建一个点对象，指定坐标为 (120, 30)，这是浙江省附近的一个点
point = ee.Geometry.Point([120, 30])# 生成该点的10公里缓冲区，buffer 参数单位为米，因此 10 公里等于 10000 米
buffer = point.buffer(10000)# 将缓冲区转换为 GeoJSON 格式，以便用于在 folium 地图上显示
buffer_geojson = buffer.getInfo()# 使用 folium.GeoJson 将生成的缓冲区添加到地图中
folium.GeoJson(buffer_geojson,  # GeoJSON 数据name='Buffer Zone',  # 图层名称为 "Buffer Zone"style_function=lambda x: {  # 定义缓冲区的样式'color': 'red',  # 缓冲区边界颜色为红色'weight': 2,  # 边界线宽度为 2'fillOpacity': 0.4  # 填充透明度为 0.4，确保区域内部可见}
).add_to(map)# 添加图层控制器，允许用户切换查看不同的图层
folium.LayerControl().add_to(map)# 显示地图
map  # 在 Jupyter Notebook 或相关环境中显示地图

• buffer：生成几何对象的缓冲区，单位为米。
• ee.Geometry.Point：创建一个点对象，可以代表特定的地理位置。

几何操作对于空间分析非常有用，例如计算某个点周围的影响区域或分析相邻几何对象的关系。

矢量数据属性查询

矢量数据中通常包含丰富的属性信息，如行政区划的名称、人口等。我们可以对这些属性进行查询和处理。

# 获取中国边界的属性信息
china_properties = china.first().toDictionary()# 打印属性信息
print(china_properties.getInfo())

• first：返回矢量集合中的第一个特征。
• toDictionary：将特征的属性转化为字典格式，方便查询和处理。

通过属性查询，我们可以深入挖掘矢量数据的属性字段，用于统计分析或分类。

气候数据的处理与分析

气候数据通常以时间序列栅格数据的形式提供，在分析时，我们

可能需要计算气候变量的均值、累积量或趋势。以下以 ERA5 数据为例，介绍气候数据的处理与分析。

计算气候变量的年均值

import ee  # 导入 Google Earth Engine API
import folium  # 导入 Folium 库，用于绘制交互式地图# 初始化 Earth Engine，确保所有操作能正常执行
ee.Initialize()# 创建一个 Folium 地图，中心点设在美国加州，初始缩放级别为 10
map = folium.Map(location=[37.5, -122.3], zoom_start=10)# 定义将 Earth Engine 图像添加到 Folium 地图的函数
def add_ee_layer(self, ee_image_object, vis_params, name):"""将 Earth Engine 图像添加到 folium 地图中。参数:self: folium 地图对象ee_image_object: 需要添加的 Earth Engine 图像vis_params: 可视化参数（如波段选择等）name: 图层名称"""map_id_dict = ee.Image(ee_image_object).getMapId(vis_params)  # 获取图像的 Map IDfolium.raster_layers.TileLayer(tiles=map_id_dict['tile_fetcher'].url_format,  # 获取图像的 URL 模板attr='Google Earth Engine',  # 数据来源name=name,  # 图层名称overlay=True,  # 叠加到现有图层control=True  # 在图层控制中显示).add_to(self)# 将自定义函数添加到 folium.Map 类中
folium.Map.add_ee_layer = add_ee_layer# 加载 ERA5 气候数据集并筛选2020年的数据，选择总降水量字段
era5 = ee.ImageCollection('ECMWF/ERA5/DAILY') \.filterDate('2020-01-01', '2020-12-31') \.select('total_precipitation')# 计算年平均降水量图像
annual_mean_precip = era5.mean()# 设置可视化参数
vis_params = {'min': 0,  # 最小值'max': 0.01,  # 最大值'palette': ['blue', 'purple', 'cyan']  # 色带，表示不同的降水量
}# 使用自定义函数将年均降水量图像添加到地图中
map.add_ee_layer(annual_mean_precip, vis_params, 'Annual Mean Precipitation')# 添加图层控制，允许用户切换查看不同的图层
folium.LayerControl().add_to(map)# 显示地图
map  # 在 Jupyter Notebook 或相关环境中显示地图

• mean：对时间序列进行均值计算，生成一个新的影像。

计算气候数据的累积量

在气候分析中，累积量计算是常用的方法之一。例如，对于降水数据，我们可能需要计算某一时间段内的累积降水量。下面以 ERA5 数据集为例，展示如何计算年内的累积降水量。

import ee  # 导入 Google Earth Engine API
import folium  # 导入 Folium 库，用于绘制交互式地图# 初始化 Earth Engine，确保所有操作能正常执行
ee.Initialize()# 创建一个 Folium 地图，中心点设在美国加州，初始缩放级别为 10
map = folium.Map(location=[37.5, -122.3], zoom_start=10)# 定义将 Earth Engine 图像添加到 Folium 地图的函数
def add_ee_layer(self, ee_image_object, vis_params, name):"""将 Earth Engine 图像添加到 Folium 地图中。参数:self: folium 地图对象ee_image_object: 需要添加的 Earth Engine 图像vis_params: 可视化参数（如波段选择等）name: 图层名称"""map_id_dict = ee.Image(ee_image_object).getMapId(vis_params)  # 获取图像的 Map IDfolium.TileLayer(tiles=map_id_dict['tile_fetcher'].url_format,  # 获取图像的 URL 模板attr='Google Earth Engine',  # 数据来源name=name,  # 图层名称overlay=True,  # 叠加到现有图层control=True  # 在图层控制中显示).add_to(self)# 将自定义函数添加到 folium.Map 类中
folium.Map.add_ee_layer = add_ee_layer# 加载 ERA5 降水数据集，筛选出 2020 年的数据，并选择总降水量字段
era5 = ee.ImageCollection('ECMWF/ERA5/DAILY') \.filterDate('2020-01-01', '2020-12-31') \.select('total_precipitation')# 计算全年累积降水量
annual_precip_total = era5.sum()# 设置可视化参数
precip_vis_params = {'min': 0,  # 最小值'max': 1,  # 最大值（单位为米）'palette': ['lightblue', 'blue', 'darkblue']  # 色带，表示不同的降水量
}# 使用自定义函数将全年累积降水量图像添加到地图中
map.add_ee_layer(annual_precip_total, precip_vis_params, 'Annual Precipitation Total')# 添加图层控制器，允许用户切换查看不同图层
folium.LayerControl().add_to(map)# 显示地图
map  # 在 Jupyter Notebook 或相关环境中显示地图

• sum：对时间序列中的每个像素进行累加，生成累积量影像。
• total_precipitation：ERA5 数据中的降水量变量，以米为单位。

计算累积量可以帮助我们理解特定时间段内的总气候影响，例如研究某地的年降水量是否异常。

总结

通过本教程的学习，我们已经详细介绍了在 Google Earth Engine 中进行数据处理的主要步骤和方法。涵盖了栅格影像的预处理、矢量数据的操作、气候数据的分析。Google Earth Engine 提供了强大的工具，可以处理各种类型的地理空间数据，并进行复杂的分析和建模。

随着你的深入探索，你可以将这些基础操作与更高级的分析结合起来，解决实际的环境监测、土地覆盖变化、气候变化等问题。