با Earth Engine برای Python شروع کنید

لوگوی کولبدر Google Colab اجرا شود لوگوی GitHubمشاهده منبع در GitHub

این شروع سریع به شما مقدمه ای تعاملی برای تجسم و تجزیه و تحلیل داده های مکانی با رابط کاربری Earth Engine Python می دهد.

قبل از شروع

ثبت نام یا ایجاد یک پروژه Google Cloud؛ از شما خواسته می شود مراحل زیر را تکمیل کنید. اگر قبلاً پروژه ای برای دسترسی به Earth Engine ثبت کرده اید، به بخش بعدی بروید.

  • هدف پروژه را انتخاب کنید: تجاری یا غیرتجاری.
  • اگر هدف غیرتجاری است، نوع پروژه را انتخاب کنید.
  • یک پروژه Google Cloud جدید ایجاد کنید یا یک پروژه موجود را انتخاب کنید.
  • اگر هدف تجاری است، صورتحساب پروژه خود را تأیید یا تنظیم کنید.
  • اطلاعات پروژه خود را تایید کنید.

    توجه: اگر قصد ندارید منابعی را که ایجاد می کنید در این روش حفظ کنید، به جای انتخاب پروژه موجود، یک پروژه ایجاد کنید. پس از اتمام این مراحل، می توانید پروژه را حذف کنید و تمام منابع متعلق به پروژه را حذف کنید.

راه اندازی نوت بوک

نوت‌بوک‌های Jupyter به شما امکان می‌دهند از Earth Engine استفاده کنید و نتایج را به صورت تعاملی بررسی کنید. سریعترین راه برای شروع، استفاده از یک نوت بوک در نوت بوک Google Colab است. می‌توانید یک نوت‌بوک جدید باز کنید و تکه‌های کد زیر را در سلول‌های جداگانه کپی کنید یا از دفترچه یادداشت از پیش پر شده Earth Engine Python Quickstart استفاده کنید.
  1. کتابخانه Earth Engine و geemap را وارد کنید. 
    import ee
import geemap.core as geemap

  1. سرویس Earth Engine را احراز هویت و مقداردهی اولیه کنید. برای تکمیل احراز هویت، دستورات به دست آمده را دنبال کنید. حتماً نام پروژه ای را که برای این شروع سریع راه اندازی کرده اید جایگزین PROJECT_ID کنید. 
    ee.Authenticate()
ee.Initialize(project='PROJECT_ID')

داده های شطرنجی را به نقشه اضافه کنید

  1. داده های آب و هوا را برای یک دوره معین بارگیری کنید و ابرداده های آن را نمایش دهید. 
    jan_2023_climate = (
    ee.ImageCollection('ECMWF/ERA5_LAND/MONTHLY_AGGR')
    .filterDate('2023-01', '2023-02')
    .first()
)
jan_2023_climate

  1. یک شی نقشه را نمونه سازی کنید و باند دما را به عنوان یک لایه با ویژگی های تجسم خاص اضافه کنید. نمایش نقشه 
    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

داده های برداری را به نقشه اضافه کنید

  1. یک شی داده برداری با نقاط برای سه شهر ایجاد کنید. 
    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. مکان های شهر را به نقشه اضافه کنید و آن را دوباره نمایش دهید. 
    m.add_layer(cities, name='Cities')
m

استخراج و نمودار داده ها

  1. کتابخانه نمودار Altair را وارد کنید. 
    %pip install -q --upgrade altair
import altair as alt

  1. داده های آب و هوای سه شهر را به عنوان یک DataFrame پاندا استخراج کنید. 
    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. دمای شهرها را به صورت نمودار میله ای رسم کنید. 
    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)

بعدش چی