במדריך למתחילים הזה נספק לכם מבוא אינטראקטיבי ליצירת תצוגות חזותיות של נתונים גיאו-מרחביים ולניתוח שלהם באמצעות ממשק Python של Earth Engine.
לפני שמתחילים
רושמים או יוצרים פרויקט ב-Google Cloud. תוצג בקשה לבצע את השלבים הבאים. אם כבר רשמתם פרויקט לגישה ל-Earth Engine, תוכלו לדלג לקטע הבא.
- בוחרים את מטרת הפרויקט: מסחרית או לא מסחרית.
- אם המטרה היא לא מסחרית, בוחרים סוג פרויקט.
- יוצרים פרויקט חדש ב-Google Cloud או בוחרים פרויקט קיים.
- אם המטרה היא מסחרית, צריך לאמת את החיוב בפרויקט או להגדיר אותו.
- מאשרים את פרטי הפרויקט.
הערה: אם אתם לא מתכננים לשמור את המשאבים שתיצרו בתהליך הזה, תוכלו ליצור פרויקט חדש במקום לבחור באחד מהפרויקטים הקיימים. בסיום התהליך תוכלו למחוק את הפרויקט ולהסיר את כל המשאבים שבבעלות הפרויקט.
הגדרת Notebook
באמצעות Jupyter notebooks אפשר להשתמש ב-Earth Engine ולעיין בתוצאות באופן אינטראקטיבי. הדרך המהירה ביותר להתחיל היא ליצור מסמך notebook ב-Google Colab. אפשר לפתוח מסמך חדש ב-Jupyter Notebook ולהעתיק את קטעי הקוד הבאים לתאים נפרדים, או להשתמש במסמך ה-Jupyter Notebook למתחילים ב-Python ב-Earth Engine שכבר מלא.- מייבאים את הספריות של Earth Engine ו-geemap.
import ee import geemap.core as geemap
- אימות והפעלה של שירות Earth Engine. פועלים לפי ההנחיות שמופיעות כדי להשלים את האימות. חשוב להחליף את PROJECT_ID בשם הפרויקט שהגדרתם למדריך למתחילים הזה.
ee.Authenticate() ee.Initialize(project='PROJECT_ID')
הוספת נתוני רסטר למפה
- טעינה של נתוני אקלים לתקופה מסוימת והצגת המטא-נתונים שלהם.
jan_2023_climate = ( ee.ImageCollection('ECMWF/ERA5_LAND/MONTHLY_AGGR') .filterDate('2023-01', '2023-02') .first() ) jan_2023_climate
- יוצרים אובייקט מפה ומוסיפים את פס הטמפרטורה כשכבה עם מאפייני תצוגה חזותית ספציפיים. מציגים את המפה.
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
הוספת נתוני וקטורים למפה
- יצירת אובייקט של נתוני וקטור עם נקודות של שלוש ערים.
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
- מוסיפים את המיקומים של הערים למפה ומציגים אותה מחדש.
m.add_layer(cities, name='Cities') m
חילוץ נתונים ופרסום שלהם בתרשים
- מייבאים את ספריית התרשימים של Altair.
%pip install -q --upgrade altair import altair as alt
- חילוץ נתוני האקלים של שלוש הערים בתור DataFrame של pandas.
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
- מציגים את הטמפרטורה בערים בתרשימי עמודות.
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)
המאמרים הבאים
- מידע נוסף על ניתוח נתונים באמצעות האובייקטים והשיטות של Earth Engine.
- מידע על סביבות העיבוד של Earth Engine
- מידע נוסף על יכולות הלמידה החישובית של Earth Engine
- איך מייצאים את תוצאות החישוב ל-BigQuery