Erste Schritte mit der Earth Engine für Python

Colab-Logo In Google Colab ausführen Logo: GitHub Quellcode auf GitHub ansehen

In dieser Kurzanleitung erhalten Sie eine interaktive Einführung in die Visualisierung und Analyse raumbezogener Daten mit der Python-Oberfläche von Earth Engine.

Hinweis

Registrieren oder erstellen Sie ein Google Cloud-Projekt. Sie werden aufgefordert, die folgenden Schritte auszuführen. Wenn Sie bereits ein Projekt für den Earth Engine-Zugriff registriert haben, fahren Sie mit dem nächsten Abschnitt fort.

  • Wählen Sie den Zweck des Projekts aus: kommerziell oder nicht kommerziell.
  • Wenn der Zweck nicht kommerziell ist, wählen Sie einen Projekttyp aus.
  • Erstellen Sie ein neues Google Cloud-Projekt oder wählen Sie ein vorhandenes Projekt aus.
  • Wenn der Zweck kommerziell ist, bestätigen oder richten Sie die Abrechnung für Ihr Projekt ein.
  • Bestätigen Sie die Projektinformationen.

    Hinweis:Wenn Sie die Ressourcen, die Sie in diesem Verfahren erstellen, nicht behalten möchten, erstellen Sie ein Projekt, anstatt ein vorhandenes Projekt auszuwählen. Wenn Sie fertig sind, können Sie das Projekt löschen und dadurch alle zugehörigen Ressourcen entfernen.

Notebook einrichten

Mit Jupyter-Notebooks können Sie Earth Engine verwenden und Ergebnisse interaktiv untersuchen. Der schnellste Einstieg ist mit einem Notebook in Google Colab. Sie können entweder ein neues Notebook öffnen und die folgenden Code-Chunks in einzelne Zellen kopieren oder das vordefinierte Earth Engine Python-Start-Notebook verwenden.
  1. Importieren Sie die Earth Engine- und geemap-Bibliotheken. 
    import ee
import geemap.core as geemap

  1. Authentifizieren und initialisieren Sie den Earth Engine-Dienst. Folgen Sie der Anleitung, um die Authentifizierung abzuschließen. Ersetzen Sie PROJECT_ID durch den Namen des Projekts, das Sie für diese Kurzanleitung eingerichtet haben. 
    ee.Authenticate()
ee.Initialize(project='PROJECT_ID')

Rasterdaten zu einer Karte hinzufügen

  1. Laden Sie Klimadaten für einen bestimmten Zeitraum und zeigen Sie die zugehörigen Metadaten an. 
    jan_2023_climate = (
    ee.ImageCollection('ECMWF/ERA5_LAND/MONTHLY_AGGR')
    .filterDate('2023-01', '2023-02')
    .first()
)
jan_2023_climate

  1. Erstellen Sie ein Kartenobjekt und fügen Sie das Temperaturband als Ebene mit bestimmten Visualisierungseigenschaften hinzu. Karte anzeigen 
    m = geemap.Map(center=[30, 0], zoom=2)

vis_params = {
    'bands': ['temperature_2m'],
    'min': 229,
    'max': 304,
    'palette': 'inferno',
}
m.add_layer(jan_2023_climate, vis_params, 'Temperature (K)')
m

Vektordaten zu einer Karte hinzufügen

  1. Erstellen Sie ein Vektordatenobjekt mit Punkten für drei Städte. 
    cities = ee.FeatureCollection([
    ee.Feature(ee.Geometry.Point(10.75, 59.91), {'city': 'Oslo'}),
    ee.Feature(ee.Geometry.Point(-118.24, 34.05), {'city': 'Los Angeles'}),
    ee.Feature(ee.Geometry.Point(103.83, 1.33), {'city': 'Singapore'}),
])
cities
  1. Fügen Sie die Standorte der Städte der Karte hinzu und zeigen Sie sie noch einmal an. 
    m.add_layer(cities, name='Cities')
m

Daten extrahieren und in Diagrammen darstellen

  1. Importieren Sie die Altair-Diagrammbibliothek. 
    %pip install -q --upgrade altair
import altair as alt

  1. Extrahieren Sie die Klimadaten für die drei Städte als Pandas DataFrame. 
    city_climates = jan_2023_climate.reduceRegions(cities, ee.Reducer.first())

city_climates_dataframe = ee.data.computeFeatures(
    {'expression': city_climates, 'fileFormat': 'PANDAS_DATAFRAME'}
)
city_climates_dataframe
  1. Stellen Sie die Temperatur für die Städte als Balkendiagramm dar. 
    alt.Chart(city_climates_dataframe).mark_bar(size=100).encode(
    alt.X('city:N', sort='y', axis=alt.Axis(labelAngle=0), title='City'),
    alt.Y('temperature_2m:Q', title='Temperature (K)'),
    tooltip=[
        alt.Tooltip('city:N', title='City'),
        alt.Tooltip('temperature_2m:Q', title='Temperature (K)'),
    ],
).properties(title='January 2023 temperature for selected cities', width=500)

Nächste Schritte