ee.Image.reduceRegion

Zastosuj funkcję redukującą do wszystkich pikseli w określonym regionie.

Reduktor musi mieć tyle samo danych wejściowych, ile pasm ma obraz wejściowy, lub musi mieć 1 dane wejściowe, które będą powtarzane dla każdego pasma.

Zwraca słownik danych wyjściowych funkcji redukującej.

Wykorzystanie	Zwroty
Image.reduceRegion(reducer, geometry, scale, crs, crsTransform, bestEffort, maxPixels, tileScale)	Słownik

Argument	Typ	Szczegóły
to: image	Obraz	Obraz do zmniejszenia.
reducer	Ograniczenie	Ograniczenie do zastosowania.
geometry	Geometria, domyślnie: null	Region, w którym mają zostać zredukowane dane. Domyślnie jest to obszar pierwszej warstwy obrazu.
scale	Liczba zmiennoprzecinkowa, domyślnie: null	Skala nominalna w metrach projekcji, w której chcesz pracować.
crs	Prognoza, domyślnie: null	Projekcja, w której chcesz pracować. Jeśli nie zostanie określona, używana jest projekcja pierwszego pasma obrazu. Jeśli jest określony dodatkowo do skali, jest przeskalowywany do określonej skali.
crsTransform	Lista, domyślna: null	Lista wartości przekształcenia CRS. Jest to kolejność wierszowa macierzy przekształcenia 3x2. Ta opcja wyklucza się wzajemnie z opcją „scale” i zastępuje każdą transformację, która jest już ustawiona w projekcji.
bestEffort	Wartość logiczna, domyślnie: false	Jeśli wielokąt zawierałby zbyt wiele pikseli w danym powiększeniu, oblicz i użyj większego powiększenia, które umożliwi wykonanie operacji.
maxPixels	Długa, domyślna: 10000000	Maksymalna liczba pikseli do zmniejszenia.
tileScale	Liczba zmiennoprzecinkowa, domyślnie: 1	Współczynnik skalowania od 0,1 do 16 używany do dostosowywania rozmiaru kafelka agregacji. Ustawienie większej wartości tileScale (np. 2 lub 4) używa mniejszych kafelków i może umożliwiać obliczenia, które w przypadku ustawień domyślnych nie mieszczą się w pamięci.

Przykłady

Edytor kodu (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);

Konfiguracja Pythona

Informacje o interfejsie Python API i używaniu geemap do interaktywnego programowania znajdziesz na stronie Środowisko Python.

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)