ee.Image.sampleRegions

هر پیکسل تصویر (در مقیاس مشخص) را که با یک یا چند منطقه تلاقی دارد به «ویژگی» تبدیل می‌کند و آن‌ها را به‌عنوان FeatureCollection برمی‌گرداند. هر عارضه خروجی یک ویژگی برای هر باند تصویر ورودی خواهد داشت، و همچنین هر ویژگی مشخص‌شده‌ای که از عارضه ورودی کپی شده باشد.

توجه داشته باشید که هندسه‌ها به مرکز پیکسل‌ها چسبانده خواهند شد.

کاربرد	بازگشتی‌ها
Image.sampleRegions(collection, properties, scale, projection, tileScale, geometries)	FeatureCollection

متغیر مستقل	نوع	جزئیات
این: image	تصویر	تصویر برای نمونه‌برداری.
collection	FeatureCollection	مناطقی که باید از آن‌ها نمونه‌برداری شود.
properties	فهرست، پیش‌فرض: تهی	فهرست ویژگی‌هایی که باید از هر ویژگی ورودی کپی شود. به‌طور پیش‌فرض روی همه دارایی‌های غیرسیستمی تنظیم شده است.
scale	شناور، پیش‌فرض: خالی	مقیاس اسمی به متر از تصویر برای نمونه‌برداری. اگر مشخص نشده باشد، از مقیاس اولین باند تصویر استفاده می‌شود.
projection	پیش‌بینی، پیش‌فرض: تهی	تصویرسازی‌ای که باید نمونه‌برداری شود. اگر مشخص نشده باشد، از تصویرسازی اولین باند تصویر استفاده می‌شود. اگر علاوه‌بر مقیاس مشخص شده باشد، به مقیاس مشخص‌شده تغییر مقیاس داده می‌شود.
tileScale	اعشاری، پیش‌فرض: ۱	ضریب مقیاس مورداستفاده برای کاهش اندازه کاشی انبوهش؛ استفاده از tileScale بزرگ‌تر (مثلاً ۲ یا ۴) ممکن است محاسباتی را که با مقدار پیش‌فرض با کمبود حافظه مواجه می‌شوند فعال کند.
geometries	بولی، پیش‌فرض: نادرست	اگر درست باشد، نتایج شامل یک هندسه نقطه‌ای به‌ازای هر پیکسل نمونه‌برداری‌شده خواهد بود. درغیراین‌صورت، هندسه‌ها حذف خواهند شد (صرفه‌جویی در حافظه).

مثال‌ها

ویرایشگر کد (جاوا اسکریپت)

// A Sentinel-2 surface reflectance image.
var img = ee.Image('COPERNICUS/S2_SR_HARMONIZED/20210109T185751_20210109T185931_T10SEG');
Map.setCenter(-122.503881, 37.765588, 18);
Map.addLayer(img, {bands: ['B11', 'B8', 'B3'], min: 100, max: 4500}, 'img');

// A feature collection with two polygon regions each intersecting 36
// pixels at 10 m scale.
var fcPolygon = ee.FeatureCollection([
  ee.Feature(ee.Geometry.Rectangle(
    -122.50620929, 37.76502806, -122.50552264, 37.76556663), {id: 0}),
  ee.Feature(ee.Geometry.Rectangle(
    -122.50530270, 37.76565568, -122.50460533, 37.76619425), {id: 1})
]);
Map.addLayer(fcPolygon, {color: 'yellow'}, 'fcPolygon');

var fcPolygonSamp = img.sampleRegions({
  collection: fcPolygon,
  scale: 10,
  geometries: true
});
// Note that 7 pixels are missing from the sample. If a pixel contains a masked
// band value it will be excluded from the sample. In this case, the TCI_B band
// is masked for each unsampled pixel.
print('A feature per pixel (at given scale) in each region', fcPolygonSamp);
Map.addLayer(fcPolygonSamp, {color: 'purple'}, 'fcPolygonSamp');

// A feature collection with two points intersecting two different pixels.
// This example is included to show the behavior for point geometries. In
// practice, if the feature collection is all points, ee.Image.reduceRegions
// should be used instead to save memory.
var fcPoint = ee.FeatureCollection([
  ee.Feature(ee.Geometry.Point([-122.50309256, 37.76605006]), {id: 0}),
  ee.Feature(ee.Geometry.Point([-122.50344661, 37.76560903]), {id: 1})
]);
Map.addLayer(fcPoint, {color: 'cyan'}, 'fcPoint');

var fcPointSamp = img.sampleRegions({
  collection: fcPoint,
  scale: 10
});
print('A feature per point', fcPointSamp);

راه‌اندازی Python

برای اطلاعات درباره Python API و استفاده از geemap برای توسعه تعاملی، به صفحه محیط Python مراجعه کنید.

import ee
import geemap.core as geemap

Colab (Python)

# A Sentinel-2 surface reflectance image.
img = ee.Image('COPERNICUS/S2_SR_HARMONIZED/20210109T185751_20210109T185931_T10SEG')
m = geemap.Map()
m.set_center(-122.503881, 37.765588, 18)
m.add_layer(
    img, {'bands': ['B11', 'B8', 'B3'], 'min': 100, 'max': 4500}, 'img'
)
display(m)

# A feature collection with two polygon regions each intersecting 36
# pixels at 10 m scale.
fc_polygon = ee.FeatureCollection([
    ee.Feature(
        ee.Geometry.Rectangle(
            -122.50620929, 37.76502806, -122.50552264, 37.76556663
        ),
        {'id': 0},
    ),
    ee.Feature(
        ee.Geometry.Rectangle(
            -122.50530270, 37.76565568, -122.50460533, 37.76619425
        ),
        {'id': 1},
    ),
])
m.add_layer(fc_polygon, {'color': 'yellow'}, 'fc_polygon')

fc_polygon_samp = img.sampleRegions(
    collection=fc_polygon, scale=10, geometries=True
)
# Note that 7 pixels are missing from the sample. If a pixel contains a masked
# band value it will be excluded from the sample. In this case, the TCI_B band
# is masked for each unsampled pixel.
display('A feature per pixel (at given scale) in each region', fc_polygon_samp)
m.add_layer(fc_polygon_samp, {'color': 'purple'}, 'fc_polygon_samp')

# A feature collection with two points intersecting two different pixels.
# This example is included to show the behavior for point geometries. In
# practice, if the feature collection is all points, ee.Image.reduceRegions
# should be used instead to save memory.
fc_point = ee.FeatureCollection([
    ee.Feature(ee.Geometry.Point([-122.50309256, 37.76605006]), {'id': 0}),
    ee.Feature(ee.Geometry.Point([-122.50344661, 37.76560903]), {'id': 1}),
])
m.add_layer(fc_point, {'color': 'cyan'}, 'fc_point')

fc_point_samp = img.sampleRegions(collection=fc_point, scale=10)
display('A feature per point', fc_point_samp)