ওয়েটেড রিডাকশন

ডিফল্টরূপে, ইমেজারিতে প্রয়োগ করা রিডিউসারগুলো মাস্ক ভ্যালু অনুযায়ী ইনপুটগুলোকে ওয়েট দেয়। clip() এর মতো অপারেশনের মাধ্যমে তৈরি হওয়া ভগ্নাংশ পিক্সেলের ক্ষেত্রে এটি প্রাসঙ্গিক। রিডিউসারের উপর unweighted() কল করে এই আচরণটি পরিবর্তন করুন। একটি আনওয়েটেড রিডিউসার ব্যবহার করলে রিজিয়নের সমস্ত পিক্সেলের ওয়েট একই হয়ে যায়। নিচের উদাহরণটি দেখায় কিভাবে পিক্সেল ওয়েটিং রিডিউসারের আউটপুটকে প্রভাবিত করতে পারে:

ওয়েটেড রিডাকশনের ক্ষেত্রে, পিক্সেল ইন্টারসেকশন ওয়েটগুলোকে অভ্যন্তরীণভাবে ৮-বিট পূর্ণসংখ্যা (০ থেকে ২৫৫) হিসেবে প্রকাশ করা হয়। এটি ভগ্নাংশ পিক্সেল কভারেজকে ২৫৬টি স্বতন্ত্র স্তরে ভাগ করে। ফলস্বরূপ, প্রায় ১/২৫৬ (~০.৪%) এর চেয়ে কম যেকোনো কভারেজ ভগ্নাংশকে রাউন্ড ডাউন করে ওয়েট ০ (অকার্যকর) হিসেবে ধরা হয়। একটি অঞ্চলের পিক্সেলগুলোকে কীভাবে ওয়েট দেওয়া হয় সে সম্পর্কে আরও বিস্তারিত জানতে ‘ রিডিউস রিজিয়ন’ গাইডটি দেখুন।

কোড এডিটর (জাভাস্ক্রিপ্ট)

// 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);

পাইথন সেটআপ

পাইথন এপিআই এবং ইন্টারেক্টিভ ডেভেলপমেন্টের জন্য geemap ব্যবহারের তথ্যের জন্য পাইথন এনভায়রনমেন্ট পেজটি দেখুন।

import ee
import geemap.core as geemap

কোলাব (পাইথন)

# 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)

রিডিউসারে unweighted() কল করার ফলে অঞ্চলের প্রান্তের পিক্সেলগুলো এক ওয়েট পাওয়ায় ফলাফলের এই পার্থক্যটি ঘটে।

একটি সুস্পষ্টভাবে ওয়েটযুক্ত আউটপুট পাওয়ার জন্য, রিডিউসারে splitWeights() কল করে ওয়েটগুলো স্পষ্টভাবে নির্ধারণ করা শ্রেয়। splitWeights() দ্বারা পরিবর্তিত একটি রিডিউসার দুটি ইনপুট গ্রহণ করে, যেখানে দ্বিতীয় ইনপুটটি হলো ওয়েট। নিম্নলিখিত উদাহরণটি একটি অঞ্চলের ওয়েটযুক্ত গড় নর্মালাইজড ডিফারেন্স ভেজিটেশন ইনডেক্স (NDVI) গণনা করে splitWeights() এর কার্যকারিতা ব্যাখ্যা করে, যেখানে ওয়েটগুলো ক্লাউড স্কোর দ্বারা নির্ধারিত হয় (অঞ্চল যত মেঘাচ্ছন্ন, ওয়েট তত কম):

কোড এডিটর (জাভাস্ক্রিপ্ট)

// 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);

পাইথন সেটআপ

পাইথন এপিআই এবং ইন্টারেক্টিভ ডেভেলপমেন্টের জন্য geemap ব্যবহারের তথ্যের জন্য পাইথন এনভায়রনমেন্ট পেজটি দেখুন।

import ee
import geemap.core as geemap

কোলাব (পাইথন)

# 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)

লক্ষ্য করুন যে reduceRegion() কল করার আগে cloudWeight একটি ব্যান্ড হিসেবে যোগ করতে হবে। ফলাফল থেকে বোঝা যায় যে, মেঘাচ্ছন্ন পিক্সেলের ওয়েট কমানোর ফলে আনুমানিক গড় NDVI বেড়ে যায়।