نمای کلی Reducer

کاهنده‌ها روشی برای انبوهش داده‌ها در طول زمان، فضا، باندها، آرایه‌ها، و دیگر ساختارهای داده در Earth Engine هستند. کلاس ee.Reducer نحوه انبوهش داده‌ها را مشخص می‌کند. کاهنده‌ها در این کلاس می‌توانند یک آمار ساده را برای استفاده در انبوهش (مثلاً حداقل، حداکثر، میانگین، میانه، انحراف معیار، و غیره) یا خلاصه پیچیده‌تری از داده‌های ورودی (مثلاً هیستوگرام، رگرسیون خطی، فهرست) مشخص کنند. کاهش ممکن است درطول زمان (imageCollection.reduce())، فضا (image.reduceRegion()، image.reduceNeighborhood())، باندها (image.reduce())، یا فضای مشخصه FeatureCollection (روش‌های featureCollection.reduceColumns() یا FeatureCollection که با aggregate_ شروع می‌شوند) رخ دهد.

کاهنده‌ها ورودی و خروجی دارند

کاهنده‌ها یک مجموعه داده ورودی را می‌گیرند و یک خروجی واحد تولید می‌کنند. وقتی یک کاهنده ورودی تکی به تصویر چندباندی اعمال می‌شود، Earth Engine به‌طور خودکار کاهنده را تکرار می‌کند و آن را به‌طور جداگانه به هر باند اعمال می‌کند. درنتیجه، تصویر خروجی همان تعداد باند تصویر ورودی را دارد؛ هر باند در خروجی کاهش پیکسل‌ها از باند متناظر در داده‌های ورودی است. برخی‌از کاهنده‌ها چندتایی‌های مجموعه داده‌های ورودی را می‌گیرند. این کاهنده‌ها به‌طور خودکار برای هر باند تکرار نخواهند شد. برای مثال، ee.Reducer.LinearRegression() چندین مجموعه داده پیش‌بینی‌کننده (که نشان‌دهنده متغیرهای مستقل در رگرسیون هستند) را با ترتیب خاصی می‌گیرد (به کاهنده‌های رگرسیون مراجعه کنید).

برخی‌از کاهنده‌ها چندین برونداد تولید می‌کنند، برای مثال ee.Reducer.minMax()، ee.Reducer.histogram() یا ee.Reducer.toList(). برای مثال:

ویرایشگر کد (جاوا اسکریپت)

// Load and filter the Sentinel-2 image collection.
var collection = ee.ImageCollection('COPERNICUS/S2_HARMONIZED')
    .filterDate('2016-01-01', '2016-12-31')
    .filterBounds(ee.Geometry.Point([-81.31, 29.90]));

// Reduce the collection.
var extrema = collection.reduce(ee.Reducer.minMax());

راه‌اندازی Python

برای اطلاعات درباره Python API و استفاده از geemap برای توسعه تعاملی، به صفحه Python Environment مراجعه کنید.

import ee
import geemap.core as geemap

Colab (Python)

# Load and filter the Sentinel-2 image collection.
collection = (
    ee.ImageCollection('COPERNICUS/S2_HARMONIZED')
    .filterDate('2016-01-01', '2016-12-31')
    .filterBounds(ee.Geometry.Point([-81.31, 29.90]))
)

# Reduce the collection.
extrema = collection.reduce(ee.Reducer.minMax())

این کار خروجی‌ای با دو برابر تعداد باندهای ورودی تولید می‌کند، که در آن نام‌های باند در خروجی دارای پسوند «_min» یا «_max» هستند.

نوع برونداد باید با محاسبه مطابقت داشته باشد. برای مثال، کاهنده‌ای که روی ImageCollection اعمال می‌شود، برونداد Image دارد. چون خروجی به‌عنوان مقدار پیکسل تفسیر می‌شود، باید از کاهنده‌هایی با خروجی عددی برای کاهش ImageCollection استفاده کنید (کاهنده‌هایی مثل toList() یا histogram() کار نخواهند کرد).

کاهنده‌ها از ورودی‌های وزنی استفاده می‌کنند

به‌طور پیش‌فرض، کاهش‌ها روی مقادیر پیکسل با ماسک آن‌ها وزن‌دهی می‌شوند، اگرچه این رفتار می‌تواند تغییر کند (به بخش وزن‌دهی مراجعه کنید). پیکسل‌های دارای ماسک برابر با ۰ در کاهش استفاده نخواهند شد.

ترکیب کردن کاهنده‌ها

اگر قصد دارید چند کاهنده را بر ورودی‌های یکسان اعمال کنید، بهتر است برای کارایی بیشتر، کاهنده‌ها را combine() کنید. به‌طور خاص، فراخوانی combine() در یک کاهنده با sharedInputs تنظیم‌شده روی true منجر به تنها یک گذر روی داده‌ها خواهد شد. برای مثال، برای محاسبه میانگین و انحراف معیار پیکسل‌ها در تصویر، می‌توانید از چیزی شبیه به این استفاده کنید:

ویرایشگر کد (جاوا اسکریپت)

// Load a Landsat 8 image.
var image = ee.Image('LANDSAT/LC08/C02/T1/LC08_044034_20140318');

// Combine the mean and standard deviation reducers.
var reducers = ee.Reducer.mean().combine({
  reducer2: ee.Reducer.stdDev(),
  sharedInputs: true
});

// Use the combined reducer to get the mean and SD of the image.
var stats = image.reduceRegion({
  reducer: reducers,
  bestEffort: true,
});

// Display the dictionary of band means and SDs.
print(stats);

راه‌اندازی Python

برای اطلاعات درباره Python API و استفاده از geemap برای توسعه تعاملی، به صفحه Python Environment مراجعه کنید.

import ee
import geemap.core as geemap

Colab (Python)

# Load a Landsat 8 image.
image = ee.Image('LANDSAT/LC08/C02/T1/LC08_044034_20140318')

# Combine the mean and standard deviation reducers.
reducers = ee.Reducer.mean().combine(
    reducer2=ee.Reducer.stdDev(), sharedInputs=True
)

# Use the combined reducer to get the mean and SD of the image.
stats = image.reduceRegion(reducer=reducers, bestEffort=True)

# Display the dictionary of band means and SDs.
display(stats)

در خروجی، توجه داشته باشید که نام‌های کاهنده‌ها به نام‌های ورودی‌ها اضافه شده‌اند تا خروجی‌های کاهنده متمایز شوند. این رفتار برای خروجی‌های تصویر نیز اعمال می‌شود، که نام کاهنده به نام‌های باند خروجی اضافه خواهد شد.

اگر کاهنده‌ها را بااستفاده از ورودی‌های بدون وزن و کاهنده‌ها را بااستفاده از ورودی‌های وزن‌دار ترکیب می‌کنید، همه ورودی‌های وزن‌دار باید قبل‌از همه ورودی‌های بدون وزن باشند.