Google Earth Engine(GEE)——利用sentinel-2数据

简介: Google Earth Engine(GEE)——利用sentinel-2数据

   首先针对感兴趣的时间段和位置过滤动态世界集合sentinel-2土地分类数据集。在这里,我们要绘制一年中该位置的变化图表。因此,我们应用过滤器来选择在感兴趣的时间段内在该区域收集的图像。最后,我们选择所有类别的概率波段。

本次用到的函数:

ui.Chart.image.series(imageCollection, region, reducer, scale, xProperty)

从一个ImageCollection生成一个图表。绘制一个区域内每个波段在不同图像中的衍生值。通常是一个时间序列

X轴。图像,用xProperty值标记。

Y-轴。波段值。

系列。波段名称。

返回一个图表。

参数。

imageCollection(图像集合)。

一个包含数据的ImageCollection,将被包含在图表中。

region (Feature|FeatureCollection|Geometry)。

要减少的区域。

reducer(还原器,可选)。

用于生成Y轴数值的还原器。必须返回一个单一的值。默认为ee.Reducer.mean()。

scale (Number, optional):

与还原器一起使用的刻度,单位是米。

xProperty(字符串,可选)。

作为X轴上每个图像的标签的属性。默认为'system:time_start'。

返回: ui.Chart

代码:

// 随时间变化的类别概率图表
//定义研究区
var table = ee.FeatureCollection("users/bqt2000204051/beijing");
var geometry = table.geometry();
Map.centerObject(geometry, 10);
// 对感兴趣的时间段和地点的动态世界集合进行过滤。
var startDate = '2020-01-01';
var endDate = '2021-01-01';
var dw = ee.ImageCollection('GOOGLE/DYNAMICWORLD/V1')
  .filterDate(startDate, endDate)
  .filterBounds(geometry);
//选择所有波段
var probabilityBands = [
    'water', 'trees', 'grass', 'flooded_vegetation', 'crops',
    'shrub_and_scrub', 'built', 'bare', 'snow_and_ice'
    ];
// 选择所有的概率段。
var dwTimeSeries = dw.select(probabilityBands);
// 绘制北京市的时间序列。
var chart = ui.Chart.image.series({
  imageCollection: dwTimeSeries,
  region: geometry,
  scale: 1000,
  //maxPixels:1e13这里设定最大像素值是无法实现的,减小研究区或者设法放款scale
});
print(chart);
// 重新定义我们的chart,然后我们对比查看两者的区别
// 一个辅助函数,用于为图表中的9个系列中的每个系列设置标签、颜色和样式属性。
function lineStyle(label, color) {
  var style_dict = {
      labelInLegend: label,
      color: color,
      lineWidth: 2, 
      pointSize: 3
  };
  return style_dict;
}
// 我们现在创建图表,用配置选项的字典调用setOptions。
var chart = ui.Chart.image.series({
  imageCollection: dwTimeSeries,
  region: geometry,
  scale: 1000,
}).setOptions({
  vAxis: {
    title: 'Class probabilities',
    viewWindow: {min: 0, max: 1}},
  interpolateNulls: true,
  series: {
              0: lineStyle('Bare', '#A59B8F'),
              1: lineStyle('Built', '#C4281B'),
              2: lineStyle('Crops', '#E49635'),
              3: lineStyle('Flooded_vegetation', '#7A87C6'),
              4: lineStyle('Grass', '#88B053'),
              5: lineStyle('Shrub and scrub', '#DFC35A'),
              6: lineStyle('Snow and ice', '#B39FE1'),
              7: lineStyle('Trees', '#397D49'),
              8: lineStyle('Water', '#419BDF')}
});
print(chart);

原始的时间序列:

image.png

这个没有设置title和y轴的标题image.png


相关文章
|
数据可视化 定位技术 Sentinel
如何用Google Earth Engine快速、大量下载遥感影像数据?
【2月更文挑战第9天】本文介绍在谷歌地球引擎(Google Earth Engine,GEE)中,批量下载指定时间范围、空间范围的遥感影像数据(包括Landsat、Sentinel等)的方法~
6123 1
如何用Google Earth Engine快速、大量下载遥感影像数据?
|
编解码 算法 定位技术
GEE时序——利用sentinel-2(哨兵-2)数据进行地表物候学分析(时间序列平滑法估算和非平滑算法代码)
GEE时序——利用sentinel-2(哨兵-2)数据进行地表物候学分析(时间序列平滑法估算和非平滑算法代码)
2073 3
|
机器学习/深度学习 算法 数据可视化
基于Google Earth Engine云平台构建的多源遥感数据森林地上生物量AGB估算模型含生物量模型应用APP
基于Google Earth Engine云平台构建的多源遥感数据森林地上生物量AGB估算模型含生物量模型应用APP
954 0
|
Java 测试技术 Nacos
|
数据可视化 数据挖掘 数据建模
R语言指数平滑法holt-winters分析谷歌Google Analytics博客用户访问时间序列数据
R语言指数平滑法holt-winters分析谷歌Google Analytics博客用户访问时间序列数据
|
编解码 人工智能 算法
Google Earth Engine——促进森林温室气体报告的全球时间序列数据集
Google Earth Engine——促进森林温室气体报告的全球时间序列数据集
397 0
|
编解码 人工智能 数据库
Google Earth Engine(GEE)——全球道路盘查项目全球道路数据库
Google Earth Engine(GEE)——全球道路盘查项目全球道路数据库
526 0
|
编解码
Open Google Earth Engine(OEEL)——matrixUnit(...)中产生常量影像
Open Google Earth Engine(OEEL)——matrixUnit(...)中产生常量影像
343 0
Google Earth Engine(GEE)——导出指定区域的河流和流域范围
Google Earth Engine(GEE)——导出指定区域的河流和流域范围
1065 0
|
传感器 编解码 数据处理
Open Google Earth Engine(OEEL)——哨兵1号数据的黑边去除功能附链接和代码
Open Google Earth Engine(OEEL)——哨兵1号数据的黑边去除功能附链接和代码
635 0

推荐镜像

更多