একটি চিত্র সংগ্রহ ফিল্টার করা

শুরু করুন বিভাগ এবং চিত্র সংগ্রহ তথ্য বিভাগে চিত্রিত হিসাবে, আর্থ ইঞ্জিন চিত্র সংগ্রহগুলি ফিল্টার করার জন্য বিভিন্ন সুবিধার পদ্ধতি সরবরাহ করে। বিশেষত, অনেক সাধারণ ব্যবহারের ক্ষেত্রে imageCollection.filterDate() , এবং imageCollection.filterBounds() দ্বারা পরিচালিত হয়। সাধারণ উদ্দেশ্য ফিল্টারিংয়ের জন্য, একটি আর্গুমেন্ট হিসাবে একটি ee.Filter সহ imageCollection.filter() ব্যবহার করুন। নিম্নলিখিত উদাহরণটি একটি ImageCollection থেকে উচ্চ ক্লাউড কভার সহ চিত্রগুলি সনাক্ত করতে এবং সরানোর জন্য সুবিধার পদ্ধতি এবং filter() উভয়ই প্রদর্শন করে৷

কোড এডিটর (জাভাস্ক্রিপ্ট)

// Load Landsat 8 data, filter by date, month, and bounds.
var collection = ee.ImageCollection('LANDSAT/LC08/C02/T1_TOA')
  .filterDate('2015-01-01', '2018-01-01')  // Three years of data
  .filter(ee.Filter.calendarRange(11, 2, 'month'))  // Only Nov-Feb observations
  .filterBounds(ee.Geometry.Point(25.8544, -18.08874));  // Intersecting ROI

// Also filter the collection by the CLOUD_COVER property.
var filtered = collection.filter(ee.Filter.eq('CLOUD_COVER', 0));

// Create two composites to check the effect of filtering by CLOUD_COVER.
var badComposite = collection.mean();
var goodComposite = filtered.mean();

// Display the composites.
Map.setCenter(25.8544, -18.08874, 13);
Map.addLayer(badComposite,
             {bands: ['B3', 'B2', 'B1'], min: 0.05, max: 0.35, gamma: 1.1},
             'Bad composite');
Map.addLayer(goodComposite,
             {bands: ['B3', 'B2', 'B1'], min: 0.05, max: 0.35, gamma: 1.1},
             'Good composite');

পাইথন সেটআপ

পাইথন এপিআই এবং ইন্টারেক্টিভ ডেভেলপমেন্টের জন্য geemap ব্যবহার করার জন্য পাইথন এনভায়রনমেন্ট পৃষ্ঠাটি দেখুন।

import ee
import geemap.core as geemap

Colab (পাইথন)

# Load Landsat 8 data, filter by date, month, and bounds.
collection = (
    ee.ImageCollection('LANDSAT/LC08/C02/T1_TOA')
    # Three years of data
    .filterDate('2015-01-01', '2018-01-01')
    # Only Nov-Feb observations
    .filter(ee.Filter.calendarRange(11, 2, 'month'))
    # Intersecting ROI
    .filterBounds(ee.Geometry.Point(25.8544, -18.08874))
)

# Also filter the collection by the CLOUD_COVER property.
filtered = collection.filter(ee.Filter.eq('CLOUD_COVER', 0))

# Create two composites to check the effect of filtering by CLOUD_COVER.
bad_composite = collection.mean()
good_composite = filtered.mean()

# Display the composites.
m = geemap.Map()
m.set_center(25.8544, -18.08874, 13)
m.add_layer(
    bad_composite,
    {'bands': ['B3', 'B2', 'B1'], 'min': 0.05, 'max': 0.35, 'gamma': 1.1},
    'Bad composite',
)
m.add_layer(
    good_composite,
    {'bands': ['B3', 'B2', 'B1'], 'min': 0.05, 'max': 0.35, 'gamma': 1.1},
    'Good composite',
)
m