ee.Image.reduceRegion

Applica un riduttore a tutti i pixel in una regione specifica.

Il riduttore deve avere lo stesso numero di input delle bande dell'immagine di input oppure deve avere un singolo input e verrà ripetuto per ogni banda.

Restituisce un dizionario degli output del reducer.

Utilizzo	Resi
Image.reduceRegion(reducer, geometry, scale, crs, crsTransform, bestEffort, maxPixels, tileScale)	Dizionario

Argomento	Tipo	Dettagli
questo: image	Immagine	L'immagine da ridurre.
reducer	Riduttore	Il riduttore da applicare.
geometry	Geometria, valore predefinito: null	La regione su cui ridurre i dati. Il valore predefinito è l'impronta della prima banda dell'immagine.
scale	Float, valore predefinito: null	Una scala nominale in metri della proiezione su cui lavorare.
crs	Proiezione, valore predefinito: null	La proiezione in cui lavorare. Se non specificata, viene utilizzata la proiezione della prima banda dell'immagine. Se specificato in aggiunta alla scala, viene ridimensionato alla scala specificata.
crsTransform	Elenco, valore predefinito: null	L'elenco dei valori di trasformazione del CRS. Si tratta di un ordinamento per righe della matrice di trasformazione 3x2. Questa opzione si esclude a vicenda con "scale" e sostituisce qualsiasi trasformazione già impostata sulla proiezione.
bestEffort	Booleano, valore predefinito: false	Se il poligono contiene troppi pixel alla scala specificata, calcola e utilizza una scala più grande che consenta l'operazione.
maxPixels	Long, valore predefinito: 10000000	Il numero massimo di pixel da ridurre.
tileScale	Virgola mobile, valore predefinito: 1	Un fattore di scalabilità compreso tra 0,1 e 16 utilizzato per regolare le dimensioni del riquadro di aggregazione; l'impostazione di un valore tileScale più grande (ad es. 2 o 4) utilizza riquadri più piccoli e potrebbe consentire calcoli che esauriscono la memoria con il valore predefinito.

Esempi

Editor di codice (JavaScript)

// 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);

Configurazione di Python

Consulta la pagina Ambiente Python per informazioni sull'API Python e sull'utilizzo di geemap per lo sviluppo interattivo.

import ee
import geemap.core as geemap

Colab (Python)

# 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)