Community-Anleitungen

Die Anleitungen in diesem Abschnitt wurden von Earth Engine-Nutzern für Earth Engine-Nutzer erstellt und sind für alle Erfahrungsstufen gedacht – von Einsteigerleitfäden bis hin zu Anleitungen für fortgeschrittene Techniken.

Wenn Sie eine Anleitung beisteuern möchten, finden Sie auf der Seite Anleitung schreiben entsprechende Informationen.

Anleitungen zur JavaScript-Code-Editor API

Analyse der Bodenfeuchtigkeit und des Niederschlags, um langanhaltende Dürreperioden zu erkennen.

Übersicht über gängige Earth Engine-Klassen und -Methoden.

Zwei FeatureCollections zu einer zusammenführen

Erstellen Sie eine Earth Engine-Anwendung mit benutzerdefinierter Ebenenauswahl und Datenprüfungsfunktion.

So ändern Sie die Eigenschaften der Basiskarte im Code-Editor.

Visualisieren des Dynamic World-Datasets und Erstellen von Kompositen.

Berechnen von zonalen Statistiken aus dem Dynamic World-Dataset.

Zeitreihen des Dynamic World-Datasets ansehen

Berechnen und Anordnen von zonalen Statistiken für Bildzeitreihendaten als übersichtliche Tabelle.

Schätzen Sie die Baumfläche und den Verlust basierend auf dem Global Forest Change-Dataset von Hansen.

Verwendung der API für die Zeichentools des Code-Editors

HISTARFM – Mit lückenlosen Bildern arbeiten

Experimentieren Sie mit einer Sammlung monatlicher Landsat-Daten mit Lückenfüllung aus dem HISTARFM-Datenfusionssystem.

Verwenden Sie den MODIS-NDSI, um den ersten Tag des Jahres ohne Schneedecke zu kartieren.

Benutzerdefinierte Zeichentools zur Vereinfachung der interaktiven regionalen Zeitreihendiagramme.

Hier erfahren Sie, wie Sie SMAP-Bodenfeuchtigkeitsdaten visualisieren und analysieren.

Zeitreihe für die Temperatur in einem Diagramm darstellen und eine Temperaturkarte erstellen

Erstellen Sie ein animiertes GIF, das die saisonale Veränderung der Vegetation zeigt.

Status der Waldvegetation im Zeitverlauf und lineare Trendanalyse.

Mann-Kendall-Test, Sen-Steigung und statistische Signifikanz.

Relative radiometrische Normalisierung mithilfe von Abgleich pseudoinvarianter Merkmale.

Schnelle und replizierbare binäre Klassifizierung von Maisanbauflächen in Nigeria.

Zonale Statistiken im Zeitverlauf berechnen und als lange und breite Tabellen im Format mit Trennzeichen exportieren.

Einführung in die Grundlagen des Synthetic Aperture Radar (SAR) mit Sentinel-1.

Grundlagen der Zeitreihenmodellierung.

Anleitungen zur Python API

Eine Auswahl von Analysen und Techniken für die Arbeit mit der Python API.

Earth Engine-Daten in DataFrame, GeoDataFrame und strukturiertes NumPy-Array konvertieren

SAR-Bilder (Synthetic Aperture Radar): Bildstatistiken für Single- und Multi-Look-Bilder.

SAR-Bilder (Synthetic Aperture Radar): Hypothesentests.

SAR-Bilder (Synthetic Aperture Radar): Erkennung multitemporaler Veränderungen.

SAR-Bilder (Synthetic Aperture Radar): Explorer-Widget.

Implementierung des Thornthwaite-Mather-Verfahrens zur Kartierung der Grundwasserneubildung.

Eine Methode, um das Aussehen eines Bildes so zu verändern, dass es einem anderen entspricht.

Änderungserkennung in GEE – Die MAD-Transformation (Teil 1)

Iteratively re-weighted Multivariate Alteration Detection.

Änderungserkennung in GEE – Die MAD-Transformation (Teil 2)

Iteratively re-weighted Multivariate Alteration Detection.

Änderungserkennung in GEE – Die MAD-Transformation (Teil 3)

Iteratively re-weighted Multivariate Alteration Detection.

Maskieren von Wolken und Wolkenschatten in Sentinel-2-Bildern der Oberflächenreflexion.

Ein Workflow zur Vorhersage der Artenverteilung.

Zeitreihendaten generieren und mit der Altair-Bibliothek anhand der Reaktion von Dürre und Vegetation visualisieren.