کاهش ImageCollection

برای ترکیب کردن تصاویر در ImageCollection، از imageCollection.reduce() استفاده کنید. این کار همه تصاویر موجود در مجموعه را در یک تصویر واحد ترکیب می‌کند که مثلاً نشان‌دهنده حداقل، حداکثر، میانگین، یا انحراف معیار تصاویر است. (برای اطلاعات بیشتر درباره کاهنده‌ها، به بخش کاهنده‌ها مراجعه کنید). برای مثال، برای ایجاد تصویر مقدار میانه از یک مجموعه:

ویرایشگر کد (جاوا اسکریپت)

// Load a Landsat 8 collection for a single path-row.
var collection = ee.ImageCollection('LANDSAT/LC08/C02/T1_TOA')
    .filter(ee.Filter.eq('WRS_PATH', 44))
    .filter(ee.Filter.eq('WRS_ROW', 34))
    .filterDate('2014-01-01', '2015-01-01');

// Compute a median image and display.
var median = collection.median();
Map.setCenter(-122.3578, 37.7726, 12);
Map.addLayer(median, {bands: ['B4', 'B3', 'B2'], max: 0.3}, 'Median');

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)

# Load a Landsat 8 collection for a single path-row.
collection = (
    ee.ImageCollection('LANDSAT/LC08/C02/T1_TOA')
    .filter(ee.Filter.eq('WRS_PATH', 44))
    .filter(ee.Filter.eq('WRS_ROW', 34))
    .filterDate('2014-01-01', '2015-01-01')
)

# Compute a median image and display.
median = collection.median()
m = geemap.Map()
m.set_center(-122.3578, 37.7726, 12)
m.add_layer(median, {'bands': ['B4', 'B3', 'B2'], 'max': 0.3}, 'Median')
m

در هر مکان در تصویر خروجی، در هر باند، مقدار پیکسل میانه همه پیکسل‌های پوشانده‌نشده در تصاویر ورودی (تصاویر موجود در مجموعه) است. در مثال قبلی، median() روشی راحت برای تماس زیر است:

ویرایشگر کد (جاوا اسکریپت)

// Reduce the collection with a median reducer.
var median = collection.reduce(ee.Reducer.median());

// Display the median image.
Map.addLayer(median,
             {bands: ['B4_median', 'B3_median', 'B2_median'], max: 0.3},
             'Also median');

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)

# Reduce the collection with a median reducer.
median = collection.reduce(ee.Reducer.median())

# Display the median image.
m.add_layer(
    median,
    {'bands': ['B4_median', 'B3_median', 'B2_median'], 'max': 0.3},
    'Also median',
)
m

توجه داشته باشید که نام باندها به‌دلیل استفاده از reduce() به‌جای روش راحت متفاوت است. به‌طور خاص، نام‌های کاهنده به نام‌های باند اضافه شده‌اند.

کاهش‌های پیچیده‌تر نیز بااستفاده از reduce() امکان‌پذیر است. برای مثال، برای محاسبه روند خطی بلندمدت در یک مجموعه، از یکی از کاهنده‌های رگرسیون خطی استفاده کنید. کد زیر روند خطی «شاخص پوشش گیاهی بهبودیافته» (EVI) MODIS را محاسبه می‌کند:

ویرایشگر کد (جاوا اسکریپت)

// This function adds a band representing the image timestamp.
var addTime = function(image) {
  return image.addBands(image.metadata('system:time_start')
    // Convert milliseconds from epoch to years to aid in
    // interpretation of the following trend calculation.
    .divide(1000 * 60 * 60 * 24 * 365));
};

// Load a MODIS collection, filter to several years of 16 day mosaics,
// and map the time band function over it.
var collection = ee.ImageCollection('MODIS/061/MYD13A1')
  .filterDate('2004-01-01', '2010-10-31')
  .map(addTime);

// Select the bands to model with the independent variable first.
var trend = collection.select(['system:time_start', 'EVI'])
  // Compute the linear trend over time.
  .reduce(ee.Reducer.linearFit());

// Display the trend with increasing slopes in green, decreasing in red.
Map.setCenter(-96.943, 39.436, 5);
Map.addLayer(
    trend,
    {min: 0, max: [-100, 100, 10000], bands: ['scale', 'scale', 'offset']},
    'EVI trend');

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)

# This function adds a band representing the image timestamp.
def add_time(image):
  return image.addBands(
      image.metadata('system:time_start')
      # Convert milliseconds from epoch to years to aid in
      # interpretation of the following trend calculation.
      .divide(1000 * 60 * 60 * 24 * 365)
  )


# Load a MODIS collection, filter to several years of 16 day mosaics,
# and map the time band function over it.
collection = (
    ee.ImageCollection('MODIS/061/MYD13A1')
    .filterDate('2004-01-01', '2010-10-31')
    .map(add_time)
)

# Select the bands to model with the independent variable first.
trend = collection.select(['system:time_start', 'EVI']).reduce(
    # Compute the linear trend over time.
    ee.Reducer.linearFit()
)

# Display the trend with increasing slopes in green, decreasing in red.
m.set_center(-96.943, 39.436, 5)
m = geemap.Map()
m.add_layer(
    trend,
    {
        'min': 0,
        'max': [-100, 100, 10000],
        'bands': ['scale', 'scale', 'offset'],
    },
    'EVI trend',
)
m

توجه داشته باشید که خروجی کاهش در این مثال یک تصویر دو باندی است با یک باند برای شیب رگرسیون خطی (scale) و یک باند برای تقاطع (offset). اسناد API را کاوش کنید تا فهرستی از کاهنده‌هایی را ببینید که برای کاهش یک ImageCollection به یک Image تکی دردسترس هستند.

ترکیب‌ها فاقد تصویرسازی هستند

تصاویر ترکیبی ایجادشده با کاهش مجموعه تصویر می‌توانند پیکسل‌ها را در هر تصویرسازی درخواستی تولید کنند و بنابراین تصویرسازی خروجی ثابتی ندارند. درعوض، ترکیب‌ها دارای تصویر پیش‌فرض WGS-84 با پیکسل‌های وضوح ۱ درجه هستند. ترکیب‌ها با تصویر پیش‌فرض در هر تصویر خروجی که درخواست شود محاسبه خواهند شد. درخواست با نمایش ترکیب در «ویرایشگر کد» (با نحوه تنظیم مقیاس و تصویر توسط «ویرایشگر کد» آشنا شوید)، یا با مشخص کردن صریح تصویر/مقیاس مانند یک تجمیع مثل ReduceRegion یا Export رخ می‌دهد.