Mặc dù map() áp dụng một hàm cho mọi hình ảnh trong một bộ sưu tập, nhưng hàm này sẽ truy cập vào mọi hình ảnh trong bộ sưu tập một cách độc lập. Ví dụ: giả sử bạn muốn tính toán một giá trị bất thường tích luỹ (At) tại thời điểm t từ một chuỗi thời gian. Để lấy một chuỗi được xác định đệ quy ở dạng At =
f(Hình ảnht, At-1), việc ánh xạ sẽ không hoạt động vì hàm
(f) phụ thuộc vào kết quả trước đó (At-1). Ví dụ: giả sử bạn muốn tính toán một loạt hình ảnh bất thường về Chỉ số thực vật khác biệt chuẩn hoá (NDVI) tích luỹ so với đường cơ sở. Đặt A0 = 0 và
f(Imaget, At-1) = Imaget + At-1
trong đó At-1 là giá trị bất thường tích luỹ cho đến thời điểm t-1 và
Imaget là giá trị bất thường tại thời điểm t. Sử dụng imageCollection.iterate() để tạo ImageCollection được xác định đệ quy này. Trong ví dụ sau, hàm accumulate() nhận hai tham số: một hình ảnh trong bộ sưu tập và danh sách tất cả các kết quả trước đó. Với mỗi lệnh gọi đến iterate(), giá trị bất thường sẽ được thêm vào tổng đang chạy và kết quả sẽ được thêm vào danh sách. Kết quả cuối cùng được chuyển đến hàm khởi tạo ImageCollection để lấy một trình tự hình ảnh mới:
Trình soạn thảo mã (JavaScript)
// Load MODIS EVI imagery. var collection = ee.ImageCollection('MODIS/006/MYD13A1').select('EVI'); // Define reference conditions from the first 10 years of data. var reference = collection.filterDate('2001-01-01', '2010-12-31') // Sort chronologically in descending order. .sort('system:time_start', false); // Compute the mean of the first 10 years. var mean = reference.mean(); // Compute anomalies by subtracting the 2001-2010 mean from each image in a // collection of 2011-2014 images. Copy the date metadata over to the // computed anomaly images in the new collection. var series = collection.filterDate('2011-01-01', '2014-12-31').map(function(image) { return image.subtract(mean).set('system:time_start', image.get('system:time_start')); }); // Display cumulative anomalies. Map.setCenter(-100.811, 40.2, 5); Map.addLayer(series.sum(), {min: -60000, max: 60000, palette: ['FF0000', '000000', '00FF00']}, 'EVI anomaly'); // Get the timestamp from the most recent image in the reference collection. var time0 = reference.first().get('system:time_start'); // Use imageCollection.iterate() to make a collection of cumulative anomaly over time. // The initial value for iterate() is a list of anomaly images already processed. // The first anomaly image in the list is just 0, with the time0 timestamp. var first = ee.List([ // Rename the first band 'EVI'. ee.Image(0).set('system:time_start', time0).select([0], ['EVI']) ]); // This is a function to pass to Iterate(). // As anomaly images are computed, add them to the list. var accumulate = function(image, list) { // Get the latest cumulative anomaly image from the end of the list with // get(-1). Since the type of the list argument to the function is unknown, // it needs to be cast to a List. Since the return type of get() is unknown, // cast it to Image. var previous = ee.Image(ee.List(list).get(-1)); // Add the current anomaly to make a new cumulative anomaly image. var added = image.add(previous) // Propagate metadata to the new image. .set('system:time_start', image.get('system:time_start')); // Return the list with the cumulative anomaly inserted. return ee.List(list).add(added); }; // Create an ImageCollection of cumulative anomaly images by iterating. // Since the return type of iterate is unknown, it needs to be cast to a List. var cumulative = ee.ImageCollection(ee.List(series.iterate(accumulate, first))); // Predefine the chart titles. var title = { title: 'Cumulative EVI anomaly over time', hAxis: {title: 'Time'}, vAxis: {title: 'Cumulative EVI anomaly'}, }; // Chart some interesting locations. var pt1 = ee.Geometry.Point(-65.544, -4.894); print('Amazon rainforest:', ui.Chart.image.series( cumulative, pt1, ee.Reducer.first(), 500).setOptions(title)); var pt2 = ee.Geometry.Point(116.4647, 40.1054); print('Beijing urbanization:', ui.Chart.image.series( cumulative, pt2, ee.Reducer.first(), 500).setOptions(title)); var pt3 = ee.Geometry.Point(-110.3412, 34.1982); print('Arizona forest disturbance and recovery:', ui.Chart.image.series( cumulative, pt3, ee.Reducer.first(), 500).setOptions(title));
import ee import geemap.core as geemap
Colab (Python)
import altair as alt # Load MODIS EVI imagery. collection = ee.ImageCollection('MODIS/006/MYD13A1').select('EVI') # Define reference conditions from the first 10 years of data. reference = collection.filterDate('2001-01-01', '2010-12-31').sort( # Sort chronologically in descending order. 'system:time_start', False, ) # Compute the mean of the first 10 years. mean = reference.mean() # Compute anomalies by subtracting the 2001-2010 mean from each image in a # collection of 2011-2014 images. Copy the date metadata over to the # computed anomaly images in the new collection. series = collection.filterDate('2011-01-01', '2014-12-31').map( lambda image: image.subtract(mean).set( 'system:time_start', image.get('system:time_start') ) ) # Display cumulative anomalies. m = geemap.Map() m.set_center(-100.811, 40.2, 5) m.add_layer( series.sum(), {'min': -60000, 'max': 60000, 'palette': ['FF0000', '000000', '00FF00']}, 'EVI anomaly', ) display(m) # Get the timestamp from the most recent image in the reference collection. time_0 = reference.first().get('system:time_start') # Use imageCollection.iterate() to make a collection of cumulative anomaly over time. # The initial value for iterate() is a list of anomaly images already processed. # The first anomaly image in the list is just 0, with the time_0 timestamp. first = ee.List([ # Rename the first band 'EVI'. ee.Image(0) .set('system:time_start', time_0) .select([0], ['EVI']) ]) # This is a function to pass to Iterate(). # As anomaly images are computed, add them to the list. def accumulate(image, list): # Get the latest cumulative anomaly image from the end of the list with # get(-1). Since the type of the list argument to the function is unknown, # it needs to be cast to a List. Since the return type of get() is unknown, # cast it to Image. previous = ee.Image(ee.List(list).get(-1)) # Add the current anomaly to make a new cumulative anomaly image. added = image.add(previous).set( # Propagate metadata to the new image. 'system:time_start', image.get('system:time_start'), ) # Return the list with the cumulative anomaly inserted. return ee.List(list).add(added) # Create an ImageCollection of cumulative anomaly images by iterating. # Since the return type of iterate is unknown, it needs to be cast to a List. cumulative = ee.ImageCollection(ee.List(series.iterate(accumulate, first))) # Predefine the chart titles. title = 'Cumulative EVI anomaly over time' # Chart some interesting locations. def display_chart(region, collection): reduced = ( collection.filterBounds(region) .sort('system:time_start') .map( lambda image: ee.Feature( None, image.reduceRegion(ee.Reducer.first(), region, 500).set( 'time', image.get('system:time_start') ), ) ) ) reduced_dataframe = ee.data.computeFeatures( {'expression': reduced, 'fileFormat': 'PANDAS_DATAFRAME'} ) alt.Chart(reduced_dataframe).mark_line().encode( alt.X('time:T').title('Time'), alt.Y('EVI:Q').title('Cumulative EVI anomaly'), ).properties(title=title).display() pt_1 = ee.Geometry.Point(-65.544, -4.894) display('Amazon rainforest:') display_chart(pt_1, cumulative) pt_2 = ee.Geometry.Point(116.4647, 40.1054) display('Beijing urbanization:') display_chart(pt_2, cumulative) pt_3 = ee.Geometry.Point(-110.3412, 34.1982) display('Arizona forest disturbance and recovery:') display_chart(pt_3, cumulative)
Việc lập biểu đồ các trình tự này cho biết liệu NDVI có đang ổn định so với các sự cố trước đó hay không hoặc liệu NDVI có đang chuyển sang trạng thái mới hay không. Tìm hiểu thêm về biểu đồ trong Earth Engine trong mục Biểu đồ.
Hàm lặp lại bị giới hạn trong các phép toán mà hàm có thể thực hiện. Cụ thể, hàm này không thể sửa đổi các biến bên ngoài hàm; không thể in bất kỳ nội dung nào; không thể sử dụng câu lệnh "if" hoặc "for" của JavaScript. Mọi kết quả mà bạn muốn thu thập hoặc thông tin trung gian mà bạn muốn chuyển sang vòng lặp tiếp theo phải nằm trong giá trị trả về của hàm. Bạn có thể sử dụng ee.Algorithms.If() để thực hiện các phép toán có điều kiện.