Wagowe pomniejszenia

Domyślnie reduktory stosowane do obrazów przypisują wagę do danych wejściowych zgodnie z wartością maski. Jest to istotne w kontekście pikseli ułamkowych utworzonych za pomocą operacji takich jak clip(). Aby dostosować to działanie, wywołaj unweighted() w reduktorze. Użycie reduktora bez przypisanej wagi powoduje, że wszystkie piksele w regionie mają tę samą wagę. Poniższy przykład pokazuje, jak przypisywanie wagi do pikseli może wpływać na dane wyjściowe reduktora output:

W przypadku redukcji ważonych wagi przecięcia pikseli są wewnętrznie reprezentowane jako 8-bit liczby całkowite (od 0 do 255). Powoduje to kwantyzację pokrycia pikseli ułamkowych do 256 dyskretnych poziomów. W związku z tym każdy ułamek pokrycia mniejszy niż około 1/256 (~0, 4%) jest zaokrąglany w dół do a wagi 0 (nieprawidłowej). Więcej informacji o tym, jak przypisywane są wagi do pikseli w regionie, znajdziesz w przewodniku Reduce Region.

Edytor kodu (JavaScript)

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

// Create an arbitrary region.
var geometry = ee.Geometry.Rectangle(-122.496, 37.532, -121.554, 37.538);

// Make an NDWI image.  It will have one band named 'nd'.
var ndwi = image.normalizedDifference(['B3', 'B5']);

// Compute the weighted mean of the NDWI image clipped to the region.
var weighted = ndwi.clip(geometry)
  .reduceRegion({
    reducer: ee.Reducer.mean(),
    geometry: geometry,
    scale: 30})
  .get('nd');

// Compute the UN-weighted mean of the NDWI image clipped to the region.
var unweighted = ndwi.clip(geometry)
  .reduceRegion({
    reducer: ee.Reducer.mean().unweighted(),
    geometry: geometry,
    scale: 30})
  .get('nd');

// Observe the difference between weighted and unweighted reductions.
print('weighted:', weighted);
print('unweighted', unweighted);

Konfiguracja Pythona

Informacje o interfejsie API dla Pythona oraz o używaniu geemap do interaktywnego programowania znajdziesz na stronie środowiska Python.

import ee
import geemap.core as geemap

Colab (Python)

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

# Create an arbitrary region.
geometry = ee.Geometry.Rectangle(-122.496, 37.532, -121.554, 37.538)

# Make an NDWI image.  It will have one band named 'nd'.
ndwi = image.normalizedDifference(['B3', 'B5'])

# Compute the weighted mean of the NDWI image clipped to the region.
weighted = (
    ndwi.clip(geometry)
    .reduceRegion(reducer=ee.Reducer.mean(), geometry=geometry, scale=30)
    .get('nd')
)

# Compute the UN-weighted mean of the NDWI image clipped to the region.
unweighted = (
    ndwi.clip(geometry)
    .reduceRegion(
        reducer=ee.Reducer.mean().unweighted(), geometry=geometry, scale=30
    )
    .get('nd')
)

# Observe the difference between weighted and unweighted reductions.
display('weighted:', weighted)
display('unweighted', unweighted)

Różnica w wynikach wynika z tego, że piksele na krawędzi regionu otrzymują wagę 1 w wyniku wywołania unweighted() w reduktorze.

Aby uzyskać dane wyjściowe z przypisaną wagą, lepiej jest ustawić wagi bezpośrednio za pomocą splitWeights() wywołanego w reduktorze. Reduktor zmodyfikowany przez splitWeights() przyjmuje 2 dane wejściowe, z których drugie to waga. Poniższy przykład ilustruje działanie splitWeights() przez obliczenie ważonej średniej znormalizowanego różnicowego wskaźnika wegetacji (NDVI) w regionie, przy czym wagi są podawane przez wynik zachmurzenia (im większe zachmurzenie, tym mniejsza waga):

Edytor kodu (JavaScript)

// Load an input Landsat 8 image.
var image = ee.Image('LANDSAT/LC08/C02/T1_TOA/LC08_186059_20130419');

// Compute cloud score and reverse it such that the highest
// weight (100) is for the least cloudy pixels.
var cloudWeight = ee.Image(100).subtract(
  ee.Algorithms.Landsat.simpleCloudScore(image).select(['cloud']));

// Compute NDVI and add the cloud weight band.
var ndvi = image.normalizedDifference(['B5', 'B4']).addBands(cloudWeight);

// Define an arbitrary region in a cloudy area.
var region = ee.Geometry.Rectangle(9.9069, 0.5981, 10.5, 0.9757);

// Use a mean reducer.
var reducer = ee.Reducer.mean();

// Compute the unweighted mean.
var unweighted = ndvi.select(['nd']).reduceRegion(reducer, region, 30);

// compute mean weighted by cloudiness.
var weighted = ndvi.reduceRegion(reducer.splitWeights(), region, 30);

// Observe the difference as a result of weighting by cloudiness.
print('unweighted:', unweighted);
print('weighted:', weighted);

Konfiguracja Pythona

Informacje o interfejsie API dla Pythona oraz o używaniu geemap do interaktywnego programowania znajdziesz na stronie środowiska Python.

import ee
import geemap.core as geemap

Colab (Python)

# Load an input Landsat 8 image.
image = ee.Image('LANDSAT/LC08/C02/T1_TOA/LC08_186059_20130419')

# Compute cloud score and reverse it such that the highest
# weight (100) is for the least cloudy pixels.
cloud_weight = ee.Image(100).subtract(
    ee.Algorithms.Landsat.simpleCloudScore(image).select(['cloud'])
)

# Compute NDVI and add the cloud weight band.
ndvi = image.normalizedDifference(['B5', 'B4']).addBands(cloud_weight)

# Define an arbitrary region in a cloudy area.
region = ee.Geometry.Rectangle(9.9069, 0.5981, 10.5, 0.9757)

# Use a mean reducer.
reducer = ee.Reducer.mean()

# Compute the unweighted mean.
unweighted = ndvi.select(['nd']).reduceRegion(reducer, region, 30)

# compute mean weighted by cloudiness.
weighted = ndvi.reduceRegion(reducer.splitWeights(), region, 30)

# Observe the difference as a result of weighting by cloudiness.
display('unweighted:', unweighted)
display('weighted:', weighted)

Zwróć uwagę, że cloudWeight należy dodać jako pasmo przed wywołaniem reduceRegion(). Wynik wskazuje, że szacowana średnia NDVI jest wyższa w wyniku zmniejszenia wagi pikseli zachmurzonych.