Görüntü verilerinin RGB görsel temsillerini üreten çeşitli ee.Image yöntemleri vardır. Örneğin:
visualize(),
getThumbURL(),
getMap(),
getMapId() (Colab Folium harita ekranında kullanılır) ve,
Map.addLayer()
(Kod Düzenleyici harita ekranında kullanılır, Python için kullanılamaz). Varsayılan olarak bu yöntemler, ilk üç bandı sırasıyla kırmızı, yeşil ve maviye atar. Varsayılan esnetme, bantlardaki veri türüne göre belirlenir (ör.kayan değerler [0, 1] aralığında esnetilir, 16 bit veriler olası değerlerin tam aralığına esnetilir). Bu, uygun olabilir veya olmayabilir. İstediğiniz görselleştirme efektlerini elde etmek için görselleştirme parametreleri sağlayabilirsiniz:
| Parametre | Açıklama | Tür |
|---|---|---|
| bantlar | RGB ile eşlenecek üç bant adının virgülle ayrılmış listesi | list |
| dk. | 0 ile eşlenecek değerler | sayı veya her bant için bir tane olmak üzere üç sayıdan oluşan liste |
| max | 255 ile eşlenecek değerler | Sayı veya her bant için bir tane olmak üzere üç sayıdan oluşan liste |
| gain | Her piksel değerinin çarpılacağı değerler | sayı veya her bant için bir tane olmak üzere üç sayıdan oluşan liste |
| bias | Her DN'ye eklenecek değerler | Sayı veya her bant için bir tane olmak üzere üç sayıdan oluşan liste |
| gamma | Gama düzeltme faktörleri | Sayı veya her bant için bir tane olmak üzere üç sayıdan oluşan liste |
| palette | CSS stili renk dizelerinin listesi (yalnızca tek bantlı görüntüler) | onaltılık dizelerin virgülle ayrılmış listesi |
| opacity | Katmanın opaklığı (0,0 tamamen şeffaf, 1,0 tamamen opaktır) | sayı |
| biçim | "jpg" veya "png" | dize |
RGB bileşikleri
Aşağıda, bir Landsat 8 görüntüsünü yanlış renkli kompozit olarak biçimlendirmek için parametrelerin kullanımı gösterilmektedir:
Kod Düzenleyici (JavaScript)
// Load an image. var image = ee.Image('LANDSAT/LC08/C02/T1_TOA/LC08_044034_20140318'); // Define the visualization parameters. var vizParams = { bands: ['B5', 'B4', 'B3'], min: 0, max: 0.5, gamma: [0.95, 1.1, 1] }; // Center the map and display the image. Map.setCenter(-122.1899, 37.5010, 10); // San Francisco Bay Map.addLayer(image, vizParams, 'false color composite');
import ee import geemap.core as geemap
Colab (Python)
# Load an image. image = ee.Image('LANDSAT/LC08/C02/T1_TOA/LC08_044034_20140318') # Define the visualization parameters. image_viz_params = { 'bands': ['B5', 'B4', 'B3'], 'min': 0, 'max': 0.5, 'gamma': [0.95, 1.1, 1], } # Define a map centered on San Francisco Bay. map_l8 = geemap.Map(center=[37.5010, -122.1899], zoom=10) # Add the image layer to the map and display it. map_l8.add_layer(image, image_viz_params, 'false color composite') display(map_l8)
Bu örnekte, 'B5' bandı kırmızıya, 'B4' yeşile ve 'B3' maviye atanmıştır.
Renk paletleri
Bir görüntünün tek bir bandını renkli olarak görüntülemek için palette parametresini CSS stili renk dizeleri listesiyle temsil edilen bir renk rampasıyla ayarlayın. (Daha fazla bilgi için bu referansa bakın). Aşağıdaki örnekte, Normalleştirilmiş Fark Su İndeksi (NDWI) görüntüsünü oluşturmak için camgöbeğinden ('00FFFF') maviye ('0000FF') kadar olan renklerin nasıl kullanılacağı gösterilmektedir:
Kod Düzenleyici (JavaScript)
// Load an image. var image = ee.Image('LANDSAT/LC08/C02/T1_TOA/LC08_044034_20140318'); // Create an NDWI image, define visualization parameters and display. var ndwi = image.normalizedDifference(['B3', 'B5']); var ndwiViz = {min: 0.5, max: 1, palette: ['00FFFF', '0000FF']}; Map.addLayer(ndwi, ndwiViz, 'NDWI', false);
import ee import geemap.core as geemap
Colab (Python)
# Load an image. image = ee.Image('LANDSAT/LC08/C02/T1_TOA/LC08_044034_20140318') # Create an NDWI image, define visualization parameters and display. ndwi = image.normalizedDifference(['B3', 'B5']) ndwi_viz = {'min': 0.5, 'max': 1, 'palette': ['00FFFF', '0000FF']} # Define a map centered on San Francisco Bay. map_ndwi = geemap.Map(center=[37.5010, -122.1899], zoom=10) # Add the image layer to the map and display it. map_ndwi.add_layer(ndwi, ndwi_viz, 'NDWI') display(map_ndwi)
Bu örnekte, min ve max parametrelerinin paletin uygulanması gereken piksel değerleri aralığını gösterdiğine dikkat edin. Ara değerler doğrusal olarak genişletilir.
Ayrıca, Kod Düzenleyici örneğinde show parametresinin false olarak ayarlandığını unutmayın. Bu, haritaya eklendiğinde katmanın görünürlüğünün kapalı olmasına neden olur. Kod Düzenleyici haritasının sağ üst köşesindeki Katman Yöneticisi kullanılarak her zaman tekrar açılabilir.
Varsayılan renk paletlerini kaydetme
Renk paletlerini bir sınıflandırma görüntüsüne kaydederek bunları uygulamayı hatırlamanıza gerek kalmaması için her sınıflandırma bandı için özel olarak adlandırılmış iki dize görüntü özelliği ayarlayabilirsiniz.
Örneğin, resminizde "su", "orman" ve "diğer" sınıflarına karşılık gelen 0, 1 ve 2 değerlerine sahip 'landcover' adlı bir bant varsa varsayılan görselleştirmenin her sınıf için belirli bir renk göstermesini sağlamak üzere aşağıdaki özellikleri ayarlayabilirsiniz (analizde kullanılan değerler etkilenmez):
landcover_class_values="0,1,2"landcover_class_palette="0000FF,00FF00,AABBCD"
Öğe meta verilerini nasıl ayarlayacağınızı öğrenmek için öğeleri yönetme sayfasını inceleyin.
Maske
Maske resmindeki piksellerin sıfır olmadığı yerlere göre tek tek piksellerin opaklığını ayarlamak için image.updateMask() kullanabilirsiniz. Maskede sıfıra eşit olan pikseller hesaplamalardan hariç tutulur ve opaklık, görüntüleme için 0 olarak ayarlanır. Aşağıdaki örnekte, daha önce oluşturulan NDWI katmanındaki maskeyi güncellemek için bir NDWI eşiği (eşikler hakkında bilgi için İlişkisel İşlemler bölümüne bakın) kullanılmaktadır:
Kod Düzenleyici (JavaScript)
// Mask the non-watery parts of the image, where NDWI < 0.4. var ndwiMasked = ndwi.updateMask(ndwi.gte(0.4)); Map.addLayer(ndwiMasked, ndwiViz, 'NDWI masked');
import ee import geemap.core as geemap
Colab (Python)
# Mask the non-watery parts of the image, where NDWI < 0.4. ndwi_masked = ndwi.updateMask(ndwi.gte(0.4)) # Define a map centered on San Francisco Bay. map_ndwi_masked = geemap.Map(center=[37.5010, -122.1899], zoom=10) # Add the image layer to the map and display it. map_ndwi_masked.add_layer(ndwi_masked, ndwi_viz, 'NDWI masked') display(map_ndwi_masked)
Görselleştirme resimleri
Görüntülemek veya dışa aktarmak üzere bir görüntüyü 8 bit RGB görüntüye dönüştürmek için image.visualize() yöntemini kullanın. Örneğin, yanlış renkli bileşiği ve NDWI'yi 3 bantlı görüntü resimlerine dönüştürmek için şunu kullanın:
Kod Düzenleyici (JavaScript)
// Create visualization layers. var imageRGB = image.visualize({bands: ['B5', 'B4', 'B3'], max: 0.5}); var ndwiRGB = ndwiMasked.visualize({ min: 0.5, max: 1, palette: ['00FFFF', '0000FF'] });
import ee import geemap.core as geemap
Colab (Python)
image_rgb = image.visualize(bands=['B5', 'B4', 'B3'], max=0.5) ndwi_rgb = ndwi_masked.visualize(min=0.5, max=1, palette=['00FFFF', '0000FF'])
Mozaik
Çeşitli kartografik efektler elde etmek için maskeleme ve imageCollection.mosaic() (mozaikleme hakkında bilgi için Mozaikleme bölümüne bakın) kullanabilirsiniz. mosaic() yöntemi, çıkış görüntüsündeki katmanları giriş koleksiyonundaki sıralarına göre oluşturur. Aşağıdaki örnekte, maskelenmiş NDWI ile yanlış renk bileşimini birleştirmek ve yeni bir görselleştirme elde etmek için mosaic() kullanılmaktadır:
Kod Düzenleyici (JavaScript)
// Mosaic the visualization layers and display (or export). var mosaic = ee.ImageCollection([imageRGB, ndwiRGB]).mosaic(); Map.addLayer(mosaic, {}, 'mosaic');
import ee import geemap.core as geemap
Colab (Python)
# Mosaic the visualization layers and display (or export). mosaic = ee.ImageCollection([image_rgb, ndwi_rgb]).mosaic() # Define a map centered on San Francisco Bay. map_mosaic = geemap.Map(center=[37.5010, -122.1899], zoom=10) # Add the image layer to the map and display it. map_mosaic.add_layer(mosaic, None, 'mosaic') display(map_mosaic)
Bu örnekte, iki görselleştirme resminin listesinin ImageCollection oluşturucuya sağlandığını görebilirsiniz. Listenin sırası, resimlerin haritada oluşturulma sırasını belirler.
Klip
image.clip() yöntemi, haritacılık efektleri elde etmek için kullanışlıdır. Aşağıdaki örnekte, daha önce oluşturulan mozaik, San Francisco şehri çevresindeki rastgele bir tampon bölgeye kırpılmaktadır:
Kod Düzenleyici (JavaScript)
// Create a circle by drawing a 20000 meter buffer around a point. var roi = ee.Geometry.Point([-122.4481, 37.7599]).buffer(20000); // Display a clipped version of the mosaic. Map.addLayer(mosaic.clip(roi), null, 'mosaic clipped');
import ee import geemap.core as geemap
Colab (Python)
# Create a circle by drawing a 20000 meter buffer around a point. roi = ee.Geometry.Point([-122.4481, 37.7599]).buffer(20000) mosaic_clipped = mosaic.clip(roi) # Define a map centered on San Francisco. map_mosaic_clipped = geemap.Map(center=[37.7599, -122.4481], zoom=10) # Add the image layer to the map and display it. map_mosaic_clipped.add_layer(mosaic_clipped, None, 'mosaic clipped') display(map_mosaic_clipped)
Önceki örnekte, koordinatların Geometry oluşturucusuna sağlandığını ve tampon uzunluğunun 20.000 metre olarak belirtildiğini unutmayın. Geometriler hakkında daha fazla bilgi edinmek için Geometriler sayfasını inceleyin.
Kategorik haritalar oluşturma
Paletler, arazi örtüsü haritası gibi ayrık değerli haritaları oluşturmak için de kullanışlıdır.
Birden fazla sınıf varsa her sınıf için farklı bir renk seçmek üzere paleti kullanın.
(image.remap() yöntemi, rastgele etiketleri ardışık tam sayılara dönüştürmek için bu bağlamda yararlı olabilir). Aşağıdaki örnekte, arazi örtüsü kategorilerini oluşturmak için bir palet kullanılmaktadır:
Kod Düzenleyici (JavaScript)
// Load 2012 MODIS land cover and select the IGBP classification. var cover = ee.Image('MODIS/061/MCD12Q1/2012_01_01') .select('LC_Type1'); // Define a palette for the 17 distinct land cover classes. var igbpPalette = [ '152106', '225129', '369b47', '30eb5b', '387242', // forest '6a2325', 'c3aa69', 'b76031', 'd9903d', '91af40', // shrub, grass '111149', // wetlands 'cdb33b', // croplands 'cc0013', // urban '33280d', // crop mosaic 'd7cdcc', // snow and ice 'f7e084', // barren 'aec3d4' // water ]; // Specify the min and max labels and the color palette matching the labels. Map.setCenter(-99.229, 40.413, 5); Map.addLayer(cover, {min: 1, max: 17, palette: igbpPalette}, 'IGBP classification');
import ee import geemap.core as geemap
Colab (Python)
# Load 2012 MODIS land cover and select the IGBP classification. cover = ee.Image('MODIS/061/MCD12Q1/2012_01_01').select('LC_Type1') # Define a palette for the 17 distinct land cover classes. igbp_palette = [ '152106', '225129', '369b47', '30eb5b', '387242', # forest '6a2325', 'c3aa69', 'b76031', 'd9903d', '91af40', # shrub, grass '111149', # wetlands 'cdb33b', # croplands 'cc0013', # urban '33280d', # crop mosaic 'd7cdcc', # snow and ice 'f7e084', # barren 'aec3d4', # water ] # Define a map centered on the United States. map_palette = geemap.Map(center=[40.413, -99.229], zoom=5) # Add the image layer to the map and display it. Specify the min and max labels # and the color palette matching the labels. map_palette.add_layer( cover, {'min': 1, 'max': 17, 'palette': igbp_palette}, 'IGBP classes' ) display(map_palette)
Stilli Katman Tanımlayıcıları
Görüntüleri ekranda göstermek için Styled Layer Descriptor (SLD) kullanabilirsiniz. image.sldStyle() öğesine, görüntünün sembolizasyonu ve renklendirmesinin XML açıklamasını, özellikle de RasterSymbolizer öğesini sağlayın. RasterSymbolizer öğesi hakkında daha fazla bilgiyi burada bulabilirsiniz.
Örneğin, Kategorik haritaları oluşturma bölümünde açıklanan arazi örtüsü haritasını SLD ile oluşturmak için şunu kullanın:
Kod Düzenleyici (JavaScript)
var cover = ee.Image('MODIS/061/MCD12Q1/2012_01_01').select('LC_Type1'); // Define an SLD style of discrete intervals to apply to the image. var sld_intervals = '<RasterSymbolizer>' + '<ColorMap type="intervals" extended="false">' + '<ColorMapEntry color="#152106" quantity="1" label="Evergreen Needleleaf Forest"/>' + '<ColorMapEntry color="#225129" quantity="2" label="Evergreen Broadleaf Forest"/>' + '<ColorMapEntry color="#369b47" quantity="3" label="Deciduous Needleleaf Forest"/>' + '<ColorMapEntry color="#30eb5b" quantity="4" label="Deciduous Broadleaf Forest"/>' + '<ColorMapEntry color="#387242" quantity="5" label="Mixed Deciduous Forest"/>' + '<ColorMapEntry color="#6a2325" quantity="6" label="Closed Shrubland"/>' + '<ColorMapEntry color="#c3aa69" quantity="7" label="Open Shrubland"/>' + '<ColorMapEntry color="#b76031" quantity="8" label="Woody Savanna"/>' + '<ColorMapEntry color="#d9903d" quantity="9" label="Savanna"/>' + '<ColorMapEntry color="#91af40" quantity="10" label="Grassland"/>' + '<ColorMapEntry color="#111149" quantity="11" label="Permanent Wetland"/>' + '<ColorMapEntry color="#cdb33b" quantity="12" label="Cropland"/>' + '<ColorMapEntry color="#cc0013" quantity="13" label="Urban"/>' + '<ColorMapEntry color="#33280d" quantity="14" label="Crop, Natural Veg. Mosaic"/>' + '<ColorMapEntry color="#d7cdcc" quantity="15" label="Permanent Snow, Ice"/>' + '<ColorMapEntry color="#f7e084" quantity="16" label="Barren, Desert"/>' + '<ColorMapEntry color="#aec3d4" quantity="17" label="Water"/>' + '</ColorMap>' + '</RasterSymbolizer>'; Map.addLayer(cover.sldStyle(sld_intervals), {}, 'IGBP classification styled');
import ee import geemap.core as geemap
Colab (Python)
cover = ee.Image('MODIS/061/MCD12Q1/2012_01_01').select('LC_Type1') # Define an SLD style of discrete intervals to apply to the image. sld_intervals = """ <RasterSymbolizer> <ColorMap type="intervals" extended="false" > <ColorMapEntry color="#152106" quantity="1" label="Evergreen Needleleaf Forest"/> <ColorMapEntry color="#225129" quantity="2" label="Evergreen Broadleaf Forest"/> <ColorMapEntry color="#369b47" quantity="3" label="Deciduous Needleleaf Forest"/> <ColorMapEntry color="#30eb5b" quantity="4" label="Deciduous Broadleaf Forest"/> <ColorMapEntry color="#387242" quantity="5" label="Mixed Deciduous Forest"/> <ColorMapEntry color="#6a2325" quantity="6" label="Closed Shrubland"/> <ColorMapEntry color="#c3aa69" quantity="7" label="Open Shrubland"/> <ColorMapEntry color="#b76031" quantity="8" label="Woody Savanna"/> <ColorMapEntry color="#d9903d" quantity="9" label="Savanna"/> <ColorMapEntry color="#91af40" quantity="10" label="Grassland"/> <ColorMapEntry color="#111149" quantity="11" label="Permanent Wetland"/> <ColorMapEntry color="#cdb33b" quantity="12" label="Cropland"/> <ColorMapEntry color="#cc0013" quantity="13" label="Urban"/> <ColorMapEntry color="#33280d" quantity="14" label="Crop, Natural Veg. Mosaic"/> <ColorMapEntry color="#d7cdcc" quantity="15" label="Permanent Snow, Ice"/> <ColorMapEntry color="#f7e084" quantity="16" label="Barren, Desert"/> <ColorMapEntry color="#aec3d4" quantity="17" label="Water"/> </ColorMap> </RasterSymbolizer>""" # Apply the SLD style to the image. cover_sld = cover.sldStyle(sld_intervals) # Define a map centered on the United States. map_sld_categorical = geemap.Map(center=[40.413, -99.229], zoom=5) # Add the image layer to the map and display it. map_sld_categorical.add_layer(cover_sld, None, 'IGBP classes styled') display(map_sld_categorical)
Renk rampası içeren bir görselleştirme görüntüsü oluşturmak için ColorMap türünü "ramp" olarak ayarlayın. Aşağıdaki örnekte, bir DEM'yi oluşturmak için "interval" ve "ramp" türleri karşılaştırılmaktadır:
Kod Düzenleyici (JavaScript)
// Load SRTM Digital Elevation Model data. var image = ee.Image('CGIAR/SRTM90_V4'); // Define an SLD style of discrete intervals to apply to the image. Use the // opacity keyword to set pixels less than 0 as completely transparent. Pixels // with values greater than or equal to the final entry quantity are set to // fully transparent by default. var sld_intervals = '<RasterSymbolizer>' + '<ColorMap type="intervals" extended="false" >' + '<ColorMapEntry color="#0000ff" quantity="0" label="0 ﹤ x" opacity="0" />' + '<ColorMapEntry color="#00ff00" quantity="100" label="0 ≤ x ﹤ 100" />' + '<ColorMapEntry color="#007f30" quantity="200" label="100 ≤ x ﹤ 200" />' + '<ColorMapEntry color="#30b855" quantity="300" label="200 ≤ x ﹤ 300" />' + '<ColorMapEntry color="#ff0000" quantity="400" label="300 ≤ x ﹤ 400" />' + '<ColorMapEntry color="#ffff00" quantity="900" label="400 ≤ x ﹤ 900" />' + '</ColorMap>' + '</RasterSymbolizer>'; // Define an sld style color ramp to apply to the image. var sld_ramp = '<RasterSymbolizer>' + '<ColorMap type="ramp" extended="false" >' + '<ColorMapEntry color="#0000ff" quantity="0" label="0"/>' + '<ColorMapEntry color="#00ff00" quantity="100" label="100" />' + '<ColorMapEntry color="#007f30" quantity="200" label="200" />' + '<ColorMapEntry color="#30b855" quantity="300" label="300" />' + '<ColorMapEntry color="#ff0000" quantity="400" label="400" />' + '<ColorMapEntry color="#ffff00" quantity="500" label="500" />' + '</ColorMap>' + '</RasterSymbolizer>'; // Add the image to the map using both the color ramp and interval schemes. Map.setCenter(-76.8054, 42.0289, 8); Map.addLayer(image.sldStyle(sld_intervals), {}, 'SLD intervals'); Map.addLayer(image.sldStyle(sld_ramp), {}, 'SLD ramp');
import ee import geemap.core as geemap
Colab (Python)
# Load SRTM Digital Elevation Model data. image = ee.Image('CGIAR/SRTM90_V4') # Define an SLD style of discrete intervals to apply to the image. sld_intervals = """ <RasterSymbolizer> <ColorMap type="intervals" extended="false" > <ColorMapEntry color="#0000ff" quantity="0" label="0"/> <ColorMapEntry color="#00ff00" quantity="100" label="1-100" /> <ColorMapEntry color="#007f30" quantity="200" label="110-200" /> <ColorMapEntry color="#30b855" quantity="300" label="210-300" /> <ColorMapEntry color="#ff0000" quantity="400" label="310-400" /> <ColorMapEntry color="#ffff00" quantity="1000" label="410-1000" /> </ColorMap> </RasterSymbolizer>""" # Define an sld style color ramp to apply to the image. sld_ramp = """ <RasterSymbolizer> <ColorMap type="ramp" extended="false" > <ColorMapEntry color="#0000ff" quantity="0" label="0"/> <ColorMapEntry color="#00ff00" quantity="100" label="100" /> <ColorMapEntry color="#007f30" quantity="200" label="200" /> <ColorMapEntry color="#30b855" quantity="300" label="300" /> <ColorMapEntry color="#ff0000" quantity="400" label="400" /> <ColorMapEntry color="#ffff00" quantity="500" label="500" /> </ColorMap> </RasterSymbolizer>""" # Define a map centered on the United States. map_sld_interval = geemap.Map(center=[40.413, -99.229], zoom=5) # Add the image layers to the map and display it. map_sld_interval.add_layer( image.sldStyle(sld_intervals), None, 'SLD intervals' ) map_sld_interval.add_layer(image.sldStyle(sld_ramp), None, 'SLD ramp') display(map_sld_interval)
SLD'ler, sürekli verilerin görselleştirmelerini iyileştirmek için piksel değerlerini genişletmek amacıyla da kullanılabilir. Örneğin, aşağıdaki kod, rastgele bir doğrusal esnetmenin sonuçlarını minimum-maksimum "Normalleştirme" ve "Histogram" eşitlemesiyle karşılaştırır:
Kod Düzenleyici (JavaScript)
// Load a Landsat 8 raw image. var image = ee.Image('LANDSAT/LC08/C02/T1/LC08_044034_20140318'); // Define a RasterSymbolizer element with '_enhance_' for a placeholder. var template_sld = '<RasterSymbolizer>' + '<ContrastEnhancement><_enhance_/></ContrastEnhancement>' + '<ChannelSelection>' + '<RedChannel>' + '<SourceChannelName>B5</SourceChannelName>' + '</RedChannel>' + '<GreenChannel>' + '<SourceChannelName>B4</SourceChannelName>' + '</GreenChannel>' + '<BlueChannel>' + '<SourceChannelName>B3</SourceChannelName>' + '</BlueChannel>' + '</ChannelSelection>' + '</RasterSymbolizer>'; // Get SLDs with different enhancements. var equalize_sld = template_sld.replace('_enhance_', 'Histogram'); var normalize_sld = template_sld.replace('_enhance_', 'Normalize'); // Display the results. Map.centerObject(image, 10); Map.addLayer(image, {bands: ['B5', 'B4', 'B3'], min: 0, max: 15000}, 'Linear'); Map.addLayer(image.sldStyle(equalize_sld), {}, 'Equalized'); Map.addLayer(image.sldStyle(normalize_sld), {}, 'Normalized');
import ee import geemap.core as geemap
Colab (Python)
# Load a Landsat 8 raw image. image = ee.Image('LANDSAT/LC08/C02/T1/LC08_044034_20140318') # Define a RasterSymbolizer element with '_enhance_' for a placeholder. template_sld = """ <RasterSymbolizer> <ContrastEnhancement><_enhance_/></ContrastEnhancement> <ChannelSelection> <RedChannel> <SourceChannelName>B5</SourceChannelName> </RedChannel> <GreenChannel> <SourceChannelName>B4</SourceChannelName> </GreenChannel> <BlueChannel> <SourceChannelName>B3</SourceChannelName> </BlueChannel> </ChannelSelection> </RasterSymbolizer>""" # Get SLDs with different enhancements. equalize_sld = template_sld.replace('_enhance_', 'Histogram') normalize_sld = template_sld.replace('_enhance_', 'Normalize') # Define a map centered on San Francisco Bay. map_sld_continuous = geemap.Map(center=[37.5010, -122.1899], zoom=10) # Add the image layers to the map and display it. map_sld_continuous.add_layer( image, {'bands': ['B5', 'B4', 'B3'], 'min': 0, 'max': 15000}, 'Linear' ) map_sld_continuous.add_layer(image.sldStyle(equalize_sld), None, 'Equalized') map_sld_continuous.add_layer( image.sldStyle(normalize_sld), None, 'Normalized' ) display(map_sld_continuous)
Earth Engine'da SLD'leri kullanmayla ilgili dikkat edilmesi gereken noktalar:
- OGC SLD 1.0 ve OGC SE 1.1 desteklenir.
- İletilen XML belgesi tam olabilir veya yalnızca RasterSymbolizer öğesini ve altındaki öğeleri içerebilir.
- Bantlar, Earth Engine adlarına veya dizine göre ('1', '2', ...) seçilebilir.
- Histogram ve Normalleştirme kontrast germe mekanizmaları, kayan noktalı görüntüler için desteklenmez.
- Opaklık yalnızca 0,0 (şeffaf) olduğunda dikkate alınır. Sıfır olmayan opaklık değerleri tamamen opak olarak değerlendirilir.
- OverlapBehavior tanımı şu anda yoksayılıyor.
- ShadedRelief mekanizması şu anda desteklenmiyor.
- ImageOutline mekanizması şu anda desteklenmiyor.
- Geometry öğesi yoksayılır.
- Histogram eşitleme veya normalleştirme istenirse çıkış görüntüsünde histogram_bandname meta verileri bulunur.
Küçük resimler
ee.Image nesnesi için PNG veya JPEG küçük resim oluşturmak üzere ee.Image.getThumbURL() yöntemini kullanın. getThumbURL() çağrısıyla biten bir ifadenin sonucunu yazdırmak, bir URL'nin yazdırılmasına neden olur. URL'yi ziyaret ettiğinizde Earth Engine sunucuları, istenen küçük resmi anında oluşturmaya başlar. İşlem tamamlandığında resim bir tarayıcıda gösterilir. Resmin sağ tıklama bağlam menüsünden uygun seçenekler belirlenerek indirilebilir.
getThumbURL() yöntemi, yukarıdaki görselleştirme parametreleri tablosunda açıklanan parametreleri içerir.
Ayrıca küçük resmin mekansal kapsamını, boyutunu ve görüntü projeksiyonunu kontrol eden isteğe bağlı dimensions, region ve crs bağımsız değişkenlerini alır.
| Parametre | Açıklama | Tür |
|---|---|---|
| boyutlar | Piksel cinsinden küçük resim boyutları. Tek bir tam sayı sağlanırsa bu sayı, resmin daha büyük olan boyutunun ölçüsünü tanımlar ve daha küçük olan boyutu orantılı olarak ölçeklendirir. Daha büyük resim en boy boyutu için varsayılan olarak 512 pikseldir. | Şu biçimde tek bir tam sayı veya dize: 'GENİŞLİKxYÜKSEKLİK' |
| region | Oluşturulacak görüntünün coğrafi bölgesi. Varsayılan olarak resmin tamamı veya sağlanan bir geometrinin sınırları. | GeoJSON veya doğrusal bir halka tanımlayan en az üç nokta koordinatının 2 boyutlu listesi |
| crs | Hedef projeksiyon (ör. "EPSG:3857"). Varsayılan olarak WGS84 ("EPSG:4326") değerine ayarlanır. | Dize |
| biçim | Küçük resim biçimini PNG veya JPEG olarak tanımlar. Varsayılan PNG biçimi, alfa kanalının geçerli ve geçersiz pikselleri temsil ettiği RGBA olarak uygulanır. Bu pikseller, resmin mask() değeriyle tanımlanır. Geçersiz pikseller şeffaftır. İsteğe bağlı JPEG biçimi, geçersiz resim piksellerinin RGB kanalları boyunca sıfırla doldurulduğu RGB olarak uygulanır.
|
Dize; "png" veya "jpg" |
palette bağımsız değişkeni sağlanmadığı sürece tek bantlı bir görüntü varsayılan olarak gri tonlamalı olur. Çok bantlı bir görüntü, bands bağımsız değişkeni sağlanmadığı sürece varsayılan olarak ilk üç bandın RGB görselleştirmesini kullanır. Yalnızca iki bant sağlanırsa ilk bant kırmızı, ikinci bant mavi ile eşlenir ve yeşil kanal sıfırla doldurulur.
Aşağıda, getThumbURL() parametre bağımsız değişkenlerinin çeşitli kombinasyonlarını gösteren bir dizi örnek verilmiştir. Küçük resimleri görüntülemek için bu komut dosyasını çalıştırdığınızda yazdırılan URL'leri tıklayın.
Kod Düzenleyici (JavaScript)
// Fetch a digital elevation model. var image = ee.Image('CGIAR/SRTM90_V4'); // Request a default thumbnail of the DEM with defined linear stretch. // Set masked pixels (ocean) to 1000 so they map as gray. var thumbnail1 = image.unmask(1000).getThumbURL({ 'min': 0, 'max': 3000, 'dimensions': 500, }); print('Default extent:', thumbnail1); // Specify region by rectangle, define palette, set larger aspect dimension size. var thumbnail2 = image.getThumbURL({ 'min': 0, 'max': 3000, 'palette': ['00A600','63C600','E6E600','E9BD3A','ECB176','EFC2B3','F2F2F2'], 'dimensions': 500, 'region': ee.Geometry.Rectangle([-84.6, -55.9, -32.9, 15.7]), }); print('Rectangle region and palette:', thumbnail2); // Specify region by a linear ring and set display CRS as Web Mercator. var thumbnail3 = image.getThumbURL({ 'min': 0, 'max': 3000, 'palette': ['00A600','63C600','E6E600','E9BD3A','ECB176','EFC2B3','F2F2F2'], 'region': ee.Geometry.LinearRing([[-84.6, 15.7], [-84.6, -55.9], [-32.9, -55.9]]), 'dimensions': 500, 'crs': 'EPSG:3857' }); print('Linear ring region and specified crs', thumbnail3);
import ee import geemap.core as geemap
Colab (Python)
# Fetch a digital elevation model. image = ee.Image('CGIAR/SRTM90_V4') # Request a default thumbnail of the DEM with defined linear stretch. # Set masked pixels (ocean) to 1000 so they map as gray. thumbnail_1 = image.unmask(1000).getThumbURL({ 'min': 0, 'max': 3000, 'dimensions': 500, }) print('Default extent:', thumbnail_1) # Specify region by rectangle, define palette, set larger aspect dimension size. thumbnail_2 = image.getThumbURL({ 'min': 0, 'max': 3000, 'palette': [ '00A600', '63C600', 'E6E600', 'E9BD3A', 'ECB176', 'EFC2B3', 'F2F2F2', ], 'dimensions': 500, 'region': ee.Geometry.Rectangle([-84.6, -55.9, -32.9, 15.7]), }) print('Rectangle region and palette:', thumbnail_2) # Specify region by a linear ring and set display CRS as Web Mercator. thumbnail_3 = image.getThumbURL({ 'min': 0, 'max': 3000, 'palette': [ '00A600', '63C600', 'E6E600', 'E9BD3A', 'ECB176', 'EFC2B3', 'F2F2F2', ], 'region': ee.Geometry.LinearRing( [[-84.6, 15.7], [-84.6, -55.9], [-32.9, -55.9]] ), 'dimensions': 500, 'crs': 'EPSG:3857', }) print('Linear ring region and specified crs:', thumbnail_3)
Google Colab'de çalıştır
Kaynağı GitHub'da görüntüle