AI Earth ——开发者模式案例1:按区域进行Sentinel2L2A检索与下载

简介: AI Earth ——开发者模式案例1:按区域进行Sentinel2L2A检索与下载

按区域检索与下载影像

用户可使用平台内置或自主上传的矢量文件,进行数据的检索(以 Sentine-2 L2A 为例),再进行数据筛选、拼接、裁剪等操作后,将数据导出至 我的数据 中。

初始化环境

定义矢量区域

使用 FeatureCollection 引用平台内置或自主上传的矢量边界,定义检索数据的区域。利用 aie.Map 构造一个地图组件 Map 对象,通过 aie.Map.addLayer 用于地图可视化渲染不同图层。

region = aie.FeatureCollection('China_Province') \
            .filter(aie.Filter.eq('province', '浙江省')) \
            .geometry()
map = aie.Map(
    center=region.getCenter(),
    height=800,
    zoom=6
)
vis_params = {
    'color': '#00FF00'
}
map.addLayer(
    region,
    vis_params,
    'region',
    bounds=region.getBounds()
)
map

Sentinel-2 数据检索

定义函数 s2_collection ,实现按区域、时间、云量等条件的 Sentinel-2 数据检索,返回哨兵单景 s2 image 和进行镶嵌、裁剪后的 s2 mosaic image

def s2_collection(start_date, end_date):
    s2 = aie.ImageCollection('SENTINEL_MSIL2A') \
            .filterBounds(region) \
            .filterDate(start_date, end_date) \
            .filter('eo:cloud_cover<20')
    mosaic_image = s2.median().clip(region)
    return s2, mosaic_image
    
s2, s2_mosaic = s2_collection('2021-04-01', '2022-08-30')

数据可视化

S2 数据进行波段组合可视化,常用波段:真彩色 ['B4', 'B3', 'B2'] 、假彩色 ['B8', 'B4', 'B3'] 、假彩色 ['B12', 'B11', 'B4'] 等。

vis_params = {
    'bands': ['B4', 'B3', 'B2'],   
    'min': 0,
    'max': 3500
}
    
map.addLayer(
    s2_mosaic,
    vis_params,
    'Ture color',
    bounds=region.getBounds()
)
map

影像导出

使用 Export.image.toAsset 将数据导出至我的数据中,可以通过 scale 参数指定导出的分辨率( 单位:米 )。

# 导出镶嵌影像
task = aie.Export.image.toAsset(s2_mosaic, 's2_mosaic', 200)
task.start()
# 导出单景影像,可自行调整需要导出的影像景数
size = s2.size().getInfo()    # 检索得到的影像景数
print(size)
size = 5  
for i in range(size):
    id = s2.toList(count=size).getInfo()[i]['id']
    print(id)
    task = aie.Export.image.toAsset(aie.Image(id), id, 50)
    task.start()

加载后的影像结果:

 

相关文章
|
2月前
|
人工智能 JSON 数据格式
GEE、PIE和AI Earth平台进行案例评测:NDVI计算,结果差异蛮大
GEE、PIE和AI Earth平台进行案例评测:NDVI计算,结果差异蛮大
52 0
|
2月前
|
API
GEE案例分析——利用sentinel-3数据计算空气污染指数(Air Pollution Index,简称API)
GEE案例分析——利用sentinel-3数据计算空气污染指数(Air Pollution Index,简称API)
104 0
|
26天前
|
人工智能 安全 数据安全/隐私保护
一个案例,看懂AI Agent厂商的商业落地路径
随着大语言模型技术的进步,国内科技巨头正加速在AI Agent领域的布局,利用自身技术和应用场景推动AI Agent在各行业的深度融合。百度、飞书、钉钉等已推出相关产品,其中实在智能的Agent智能体结合AI和RPA技术,提供高度自主和交互性的软件实体,已在多个场景实现商用并即将公测。企业选择AI Agent时关注点包括与现有自动化解决方案的融合、易用性、数据安全和新业务自动化能力。实在智能的Agent解决方案因其灵活性、安全性及广泛的应用潜力受到青睐。
52 1
|
2月前
|
人工智能 开发者
AI Earth ——开发者模式案例9:OpenAPI调用AI识别能力
AI Earth ——开发者模式案例9:OpenAPI调用AI识别能力
39 0
|
20天前
|
机器学习/深度学习 人工智能 自然语言处理
AI案例研究与项目实战
探索AI实践:从智能客服到图像识别、推荐系统、语音助手,再到智能仓储和金融风控,这些案例展示AI如何解决实际问题。通过NLP、深度学习、机器学习等技术,企业如阿里巴巴、京东等改善客户服务,医疗、安防领域利用图像识别创新,而个性化推荐提升用户体验。AI不仅改变交互方式,还优化仓储物流、保障金融安全,实操项目助力技术应用能力提升。
34 3
|
2月前
|
算法 数据挖掘 定位技术
GEE 案例——如何计算sentinel-2中每一个单景影像的波段的DN值并绘制直方图
GEE 案例——如何计算sentinel-2中每一个单景影像的波段的DN值并绘制直方图
51 5
|
2月前
|
人工智能 开发者
AI Earth ——开发者模式案例8:利用Landsat-8数据进行地表温度反演
AI Earth ——开发者模式案例8:利用Landsat-8数据进行地表温度反演
29 0
|
29天前
|
Java Nacos Sentinel
【Springcloud Alibaba微服务分布式架构 | Spring Cloud】之学习笔记(九)Nacos+Sentinel+Seata
【Springcloud Alibaba微服务分布式架构 | Spring Cloud】之学习笔记(九)Nacos+Sentinel+Seata
183 0
|
1月前
|
SpringCloudAlibaba Sentinel 索引
【九】SpringCloud Alibaba之整合Sentinel(实现热点控制)
【九】SpringCloud Alibaba之整合Sentinel(实现热点控制)
32 1
|
1月前
|
SQL SpringCloudAlibaba Sentinel
【八】SpringCloud Alibaba之整合Sentinel(实现流量控制3)
【八】SpringCloud Alibaba之整合Sentinel(实现流量控制3)
33 2

热门文章

最新文章