Pierwsze kroki z Earth Engine w Pythonie

Logo Colab Uruchom w Google Colab Logo GitHub Wyświetl źródło na GitHubie

Ten samouczek zawiera interaktywne wprowadzenie do wizualizacji i analizy danych geoprzestrzennych za pomocą interfejsu Pythona Earth Engine.

Zanim zaczniesz

Zarejestruj lub utwórz projekt Google Cloud. Pojawi się prośba o wykonanie tych czynności. Jeśli masz już projekt zarejestrowany w Earth Engine, przejdź do następnej sekcji.

  • Wybierz cel projektu: komercyjny lub niekomercyjny.
  • Jeśli cel jest niekomercyjny, wybierz typ projektu.
  • Utwórz nowy projekt Google Cloud lub wybierz istniejący.
  • Jeśli celem jest cel komercyjny, zweryfikuj lub skonfiguruj rozliczenia za projekt.
  • Potwierdź informacje o projekcie.

    Uwaga: jeśli zasoby utworzone podczas wykonywania tej procedury nie będą Ci później potrzebne, nie wybieraj istniejącego projektu, tylko utwórz nowy. Po jej zakończeniu możesz usunąć projekt, usuwając wszystkie zasoby należące do tego projektu.

Konfiguracja notatnika

Notatki Jupyter umożliwiają korzystanie z Earth Engine i interaktywne analizowanie wyników. Najszybszym sposobem na rozpoczęcie jest użycie notatnika w Google Colab. Możesz otworzyć nowy notatnik i skopiować podane niżej fragmenty kodu do poszczególnych komórek lub użyć wypełnionego notatnika Earth Engine Python Quickstart.
  1. Zaimportuj biblioteki Earth Engine i geemap. 
    import ee
import geemap.core as geemap

  1. uwierzytelnianie i inicjowanie usługi Earth Engine; Postępuj zgodnie z instrukcjami, aby zakończyć uwierzytelnianie. Pamiętaj, aby zastąpić fragment PROJECT_ID nazwą projektu skonfigurowanego na potrzeby tego krótkiego wprowadzenia. 
    ee.Authenticate()
ee.Initialize(project='PROJECT_ID')

Dodawanie danych rastrowych do mapy

  1. Załaduj dane klimatyczne z określonego okresu i wyświetlaj ich metadane. 
    jan_2023_climate = (
    ee.ImageCollection('ECMWF/ERA5_LAND/MONTHLY_AGGR')
    .filterDate('2023-01', '2023-02')
    .first()
)
jan_2023_climate

  1. Utwórz instancję obiektu mapy i dodaj pasmo temperatury jako warstwę z określonymi właściwościami wizualizacji. Wyświetl mapę. 
    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

Dodawanie danych wektorowych do mapy

  1. Utwórz obiekt danych wektorowych z punktami dla 3 miast. 
    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. Dodaj lokalizacje miast do mapy i ponownie ją wyświetl. 
    m.add_layer(cities, name='Cities')
m

Wyodrębnianie danych i tworzenie wykresów

  1. Zaimportuj bibliotekę wykresów Altair. 
    %pip install -q --upgrade altair
import altair as alt

  1. Wyodrębnij dane klimatyczne dla tych trzech miast jako strukturę DataFrame biblioteki 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
  1. Wykres temperatury w poszczególnych miastach w postaci wykresu słupkowego. 
    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)

Co dalej?