ee.Image.reduceRegion

یک کاهنده را روی تمام پیکسل‌های یک ناحیه خاص اعمال کنید.

یا باید تعداد ورودی‌های کاهنده با تعداد باندهای تصویر ورودی یکسان باشد، یا باید یک ورودی واحد داشته باشد و برای هر باند تکرار شود.

یک دیکشنری از خروجی‌های reducer برمی‌گرداند.

کاربرد	بازگشت‌ها
Image. reduceRegion (reducer, geometry , scale , crs , crsTransform , bestEffort , maxPixels , tileScale )	فرهنگ لغت

استدلال	نوع	جزئیات
این: image	تصویر	تصویر برای کوچک کردن.
reducer	کاهنده	کاهنده سرعت برای اعمال.
geometry	هندسه، پیش‌فرض: تهی	ناحیه‌ای که داده‌ها روی آن کاهش داده می‌شوند. پیش‌فرض، ردپای باند اول تصویر است.
scale	شناور، پیش‌فرض: تهی	مقیاس اسمی بر حسب متر از تصویری که قرار است در آن کار شود.
crs	تصویر، پیش‌فرض: تهی	تصویری که قرار است در آن کار شود. اگر مشخص نشده باشد، از تصویر اولین باند تصویر استفاده می‌شود. اگر علاوه بر مقیاس مشخص شده باشد، به مقیاس مشخص شده تغییر مقیاس داده می‌شود.
crsTransform	لیست، پیش‌فرض: تهی	فهرست مقادیر تبدیل CRS. این یک مرتب‌سازی سطر-اصلی از ماتریس تبدیل ۳x۲ است. این گزینه با «مقیاس» ناسازگار است و جایگزین هر تبدیلی می‌شود که از قبل روی تصویر تنظیم شده است.
bestEffort	بولی، پیش‌فرض: false	اگر چندضلعی در مقیاس داده شده حاوی پیکسل‌های زیادی باشد، مقیاس بزرگ‌تری را محاسبه و استفاده کنید که امکان موفقیت عملیات را فراهم کند.
maxPixels	بلند، پیش‌فرض: ۱۰۰۰۰۰۰	حداکثر تعداد پیکسل‌هایی که باید کاهش داده شوند.
tileScale	شناور، پیش‌فرض: ۱	یک ضریب مقیاس‌بندی بین ۰.۱ تا ۱۶ برای تنظیم اندازه کاشی تجمیع استفاده می‌شود؛ تنظیم یک کاشی‌اسکیل بزرگتر (مثلاً ۲ یا ۴) از کاشی‌های کوچکتر استفاده می‌کند و ممکن است محاسباتی را فعال کند که با مقدار پیش‌فرض، حافظه کافی ندارند.

مثال‌ها

ویرایشگر کد (جاوااسکریپت)

// A Landsat 8 surface reflectance image with SWIR1, NIR, and green bands.
var img = ee.Image('LANDSAT/LC08/C02/T1_L2/LC08_044034_20210508')
              .select(['SR_B6', 'SR_B5', 'SR_B3']);

// Santa Cruz Mountains ecoregion geometry.
var geom = ee.FeatureCollection('EPA/Ecoregions/2013/L4')
               .filter('us_l4name == "Santa Cruz Mountains"').geometry();

// Display layers on the map.
Map.setCenter(-122.08, 37.22, 9);
Map.addLayer(img, {min: 10000, max: 20000}, 'Landsat image');
Map.addLayer(geom, {color: 'white'}, 'Santa Cruz Mountains ecoregion');

// Calculate median band values within Santa Cruz Mountains ecoregion. It is
// good practice to explicitly define "scale" (or "crsTransform") and "crs"
// parameters of the analysis to avoid unexpected results from undesired
// defaults when e.g. reducing a composite image.
var stats = img.reduceRegion({
  reducer: ee.Reducer.median(),
  geometry: geom,
  scale: 30,  // meters
  crs: 'EPSG:3310',  // California Albers projection
});

// A dictionary is returned; keys are band names, values are the statistic.
print('Median band values, Santa Cruz Mountains ecoregion', stats);

// You can combine reducers to calculate e.g. mean and standard deviation
// simultaneously. The output dictionary keys are the concatenation of the band
// names and statistic names, separated by an underscore.
var reducer = ee.Reducer.mean().combine({
  reducer2: ee.Reducer.stdDev(),
  sharedInputs: true
});
var multiStats = img.reduceRegion({
  reducer: reducer,
  geometry: geom,
  scale: 30,
  crs: 'EPSG:3310',
});
print('Mean & SD band values, Santa Cruz Mountains ecoregion', multiStats);

تنظیمات پایتون

برای اطلاعات بیشتر در مورد API پایتون و استفاده از geemap برای توسعه تعاملی، به صفحه محیط پایتون مراجعه کنید.

import ee
import geemap.core as geemap

کولب (پایتون)

# A Landsat 8 surface reflectance image with SWIR1, NIR, and green bands.
img = ee.Image('LANDSAT/LC08/C02/T1_L2/LC08_044034_20210508').select(
    ['SR_B6', 'SR_B5', 'SR_B3']
)

# Santa Cruz Mountains ecoregion geometry.
geom = (
    ee.FeatureCollection('EPA/Ecoregions/2013/L4')
    .filter('us_l4name == "Santa Cruz Mountains"')
    .geometry()
)

# Display layers on the map.
m = geemap.Map()
m.set_center(-122.08, 37.22, 9)
m.add_layer(img, {'min': 10000, 'max': 20000}, 'Landsat image')
m.add_layer(geom, {'color': 'white'}, 'Santa Cruz Mountains ecoregion')
display(m)

# Calculate median band values within Santa Cruz Mountains ecoregion. It is
# good practice to explicitly define "scale" (or "crsTransform") and "crs"
# parameters of the analysis to avoid unexpected results from undesired
# defaults when e.g. reducing a composite image.
stats = img.reduceRegion(
    reducer=ee.Reducer.median(),
    geometry=geom,
    scale=30,  # meters
    crs='EPSG:3310',  # California Albers projection
)

# A dictionary is returned keys are band names, values are the statistic.
display('Median band values, Santa Cruz Mountains ecoregion', stats)

# You can combine reducers to calculate e.g. mean and standard deviation
# simultaneously. The output dictionary keys are the concatenation of the band
# names and statistic names, separated by an underscore.
reducer = ee.Reducer.mean().combine(
    reducer2=ee.Reducer.stdDev(), sharedInputs=True
)
multi_stats = img.reduceRegion(
    reducer=reducer,
    geometry=geom,
    scale=30,
    crs='EPSG:3310',
)
display('Mean & SD band values, Santa Cruz Mountains ecoregion', multi_stats)