Редукторы – это способ агрегирования данных по времени, пространству, диапазонам, массивам и другим структурам данных в Earth Engine. Класс ee.Reducer определяет, как агрегируются данные. Редукторы в этом классе могут указывать простую статистику для использования в агрегировании (например, минимум, максимум, среднее значение, медиана, стандартное отклонение и т. д.) или более сложную сводку входных данных (например, гистограмма, линейная регрессия, список). Редукция может выполняться по времени (imageCollection.reduce()), пространству (image.reduceRegion(), image.reduceNeighborhood()), диапазонам (image.reduce()) или пространству атрибутов FeatureCollection (методы featureCollection.reduceColumns() или FeatureCollection, начинающиеся с aggregate_).
У редукторов есть входные и выходные данные
Редукторы принимают входной набор данных и создают один выходной. Если к многоканальному изображению применяется редуктор с одним входом, Earth Engine автоматически реплицирует редуктор и применяет его отдельно к каждому каналу. В результате выходное изображение имеет то же количество полос, что и входное изображение; каждая полоса на выходе представляет собой уменьшение пикселей из соответствующей полосы во входных данных. Некоторые редукторы принимают кортежи входных наборов данных. Эти редукторы не будут автоматически реплицированы для каждого диапазона. Например, ee.Reducer.LinearRegression() принимает несколько наборов данных предикторов (представляющих независимые переменные в регрессии) в определенном порядке (см. Редукторы регрессии).
Некоторые редукторы создают несколько выходных значений, например ee.Reducer.minMax(), ee.Reducer.histogram() или ee.Reducer.toList(). Пример:
Редактор кода (JavaScript)
// 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());
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())
В результате будет получено выходное значение с удвоенным количеством полос входных данных, где к названиям полос в выходных данных добавляется "_min" или "_max".
Тип выходных данных должен соответствовать вычислению. Например, редуктор, примененный к ImageCollection, имеет выходные данные Image. Поскольку выходные данные интерпретируются как значение пикселя, для сокращения ImageCollection необходимо использовать редукторы с числовыми выходными данными (редукторы, такие как toList() или histogram(), не будут работать).
Редукторы используют взвешенные входные данные
По умолчанию редукции по значениям пикселей взвешиваются по их маске, хотя это поведение можно изменить (см. раздел Взвешивание). Пиксели с маской, равной 0, не будут использоваться в редукции.
Объединение редукторов
Если вы хотите применить несколько редукторов к одним и тем же входным данным, рекомендуется combine() редукторы для повышения эффективности. В частности, вызов combine() для редуктора с параметром sharedInputs, установленным на true, приведет к однократному проходу по данным. Например, чтобы вычислить среднее значение и стандартное отклонение пикселей в изображении, можно использовать следующий код:
Редактор кода (JavaScript)
// 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);
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)
Обратите внимание, что в выходных данных к названиям входных данных добавлены названия редукторов, чтобы различать выходные данные редукторов. Это также относится к выходным изображениям, у которых к названиям выходных каналов будет добавлено название редуктора.
Если вы комбинируете редукторы, использующие невзвешенные входные данные, и редукторы, использующие взвешенные входные данные, все взвешенные входные данные должны быть перед всеми невзвешенными входными данными.