GEE、PIE和AI Earth平台进行案例评测:NDVI计算,结果差异蛮大

简介: GEE、PIE和AI Earth平台进行案例评测:NDVI计算,结果差异蛮大

本文主要是通过对比GEE、PIE和AI Earth平台,主要是计算不同平台,同一个NDVI的均值计算,我们已测试结果如何。

1. PIE-engine

PIE获取北京市获取某一个区域的区域的NDVI平均值,但是结果却显示没有,只能通过加载图层点击图层上的点获取某一个点的NDVI值,而且这里用到区域统计使用的函数仅有min,max,sum计算,而使用mean计算,就没有结果。当我尝试使用以上三个可以计算的reducer的时候结果会呈现下面的结果:

代码链接:

遥感计算云服务

函数:

reduceRegion(reducer,geometry,scale)

对特定区域的所有像素进行统计,返回结果为一个JSON对象;目前可完成最大、最小和求和统计计算。

方法参数:

- image(Image)

Image实例。

- reducer(Reducer)

统计类型,包括最大值、最小值和求和。

- geometry(Geometry)

统计区域范围。默认是影像第一个波段的范围。

- scale(Number)

统计采样比例。

返回值:Dictionary

PIE代码:

//加载北京市边界
var roi = pie.FeatureCollection("NGCC/CHINA_PROVINCE_BOUNDARY")
    .filter(pie.Filter.eq("name", "北京市"))
    .first()
    .geometry();
Map.centerObject(roi, 6);
Map.addLayer(roi, { color: "ff0000", fillColor: "00000000", width: 3 }, "北京市");
 
 
//按区域、时间筛选影像
var imgCol = pie.ImageCollection("LC08/01/T1")
    .filterBounds(roi)
    .filterDate("2019-8-01", "2019-8-30");
print("imgCol", imgCol);
Map.addLayer(imgCol.select(["B2", "B3", "B4"]).mosaic().clip(roi), { min: 0, max: 2500, bands: ["B4", "B3", "B2"] }, "imgCol", false);
 
//获取影像数量
var count = imgCol.size();
print(count);
 function imgCalculate (image1) {
     var ndvi1=image1.normalizedDifference(["B5","B4"]);
     return image1.addBands(ndvi1).rename("NDVI")
 }
var redc = imgCol.map(imgCalculate).mosaic().clip(roi)
print("redc",redc)
var jisuan = redc.select("NDVI").reduceRegion(pie.Reducer.mean(),geometry0,300)
print("jisuan",jisuan)

 

 

2.GEE

代码:

//这里ROI是我自己的矢量,这里就不共享了,大家可以换其它地方测试
/*color:#5f9ea0*/
var geometry0 = ee.Geometry.Polygon([
    [
        [
            117.1224239290218,
            40.20026024458343
        ],
        [
            117.2502681492852,
            40.20026024458343
        ],
        [
            117.2502681492852,
            40.13354201708273
        ],
        [
            117.1224239290218,
            40.13354201708273
        ],
        [
            117.1224239290218,
            40.20026024458343
        ]
    ]
], null);
 function imgCalculate (image1) {
     var ndvi1=image1.normalizedDifference(["B5","B4"]);
     return image1.addBands(ndvi1).rename("NDVI");
 }
 
 
function ndv_LANDSAT_8(image) {
              var ndvi = image.normalizedDifference(['B5', 'B4']);
  return image.addBands(ndvi.rename('NDVI'));
}
 
var  imgCol = ee.ImageCollection("LANDSAT/LC08/C01/T1_SR").filterBounds(roi)
    .filterDate("2019-8-01", "2019-8-30").map(ndv_LANDSAT_8);
print("imgCol", imgCol);
Map.addLayer(imgCol.select(["B2", "B3", "B4"]).mosaic().clip(roi), { min: 0, max: 2500, bands: ["B4", "B3", "B2"] }, "imgCol", false);
 
//获取影像数量
var count = imgCol.size();
print(count);
var redc = imgCol.mosaic().clip(roi)
print("redc",redc)
var jisuan = redc.select("NDVI").reduceRegion(ee.Reducer.mean(),geometry0,300)
print("jisuan",jisuan)

pie 中在NDVI计算的函数中出现了问题,两者的函数构造是不同的,如果直接用PIE中的function代码直接放入GEE中是无法运行的,主要问题如下面所示和代码区别:

 

//PIE——NDVI函数
function imgCalculate (image1) {
     var ndvi1=image1.normalizedDifference(["B5","B4"]);
     return image1.addBands(ndvi1).rename("NDVI");
 }
 
  
//GEE——NDVI函数
function ndv_LANDSAT_8(image) {
              var ndvi = image.normalizedDifference(['B5', 'B4']);
  return image.addBands(ndvi.rename('NDVI'));
}

 

Image (Error)

ImageCollection.mosaic: Error in map(ID=LC08_122032_20190826): Image.rename: The number of names (1) must match the number of bands (13).

最终更改后的结果:

 

3.AI Earth

在AI Earth中并没有Landsat 8 C01数据集,所以这里只能使用Landsat 8 C02数据集.

同样我们使用GEE也重新计算了:

 

 

import aie
aie.Authenticate()
aie.Initialize()
region = aie.Geometry.Polygon([
    [
        [
            117.1224239290218,
            40.20026024458343
        ],
        [
            117.2502681492852,
            40.20026024458343
        ],
        [
            117.2502681492852,
            40.13354201708273
        ],
        [
            117.1224239290218,
            40.13354201708273
        ],
        [
            117.1224239290218,
            40.20026024458343
        ]
    ]]
)
# 归一化植被指数
def getNDVI(image):
    ndvi = image.normalizedDifference(['SR_B5', 'SR_B4']).rename(['NDVI'])
    return ndvi
# 指定需要检索的区域
feature_collection = aie.FeatureCollection('China_Province') \
                        .filter(aie.Filter.eq('province', '北京市'))
geometry = feature_collection.geometry()
#print("feature_collection",feature_collection.getInfo())
dataset = aie.ImageCollection('LANDSAT_LC08_C02_T1_L2') \
             .filterBounds(geometry) \
             .filterDate('2019-08-01', '2019-08-31')\
             .map(getNDVI).mosaic().clip(region)
print("dataset",dataset.getInfo())
result =  dataset.select("NDVI").reduceRegion(aie.Reducer.mean(), region, 30)
print(result)
print(result.getInfo())

结果:

{'NDVI_mean': 0.0190175001}

 

相关文章
|
1月前
|
机器学习/深度学习 人工智能 TensorFlow
倚天产品介绍|倚天性能优化—YCL AI计算库在resnet50上的优化
Yitian710 作为平头哥第一代ARM通用芯片,在AI场景与X86相比,软件生态与推理性能都存在一定的短板,本文旨在通过倚天AI计算库的优化,打造适合ARM架构的软件平台,提升倚天性能
|
1月前
|
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。
75 1
|
1月前
|
人工智能 搜索推荐 机器人
Rasa: 帮助企业更快搭建“AI对话助手”的低代码平台
【2月更文挑战第24天】Rasa: 帮助企业更快搭建“AI对话助手”的低代码平台
28 2
Rasa: 帮助企业更快搭建“AI对话助手”的低代码平台
|
2月前
|
人工智能 自然语言处理 搜索推荐
魔搭ModelScope社区作为一个AI模型开源平台,提供了丰富的模型资源和便捷的服务
【2月更文挑战第9天】魔搭ModelScope社区作为一个AI模型开源平台,提供了丰富的模型资源和便捷的服务
144 3
|
25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。
35 3
|
1月前
|
人工智能 自然语言处理 安全
推荐一款 AI 资源集合平台,助你通往AGI之路。
推荐一款 AI 资源集合平台,助你通往AGI之路。
|
1月前
|
人工智能 JavaScript API
一个接口白嫖四个AI平台, 五个翻译平台
薅夷长技以制夷, 要大薅,快薅,多薅,苦薅,实薅,加油薅,没有了薅字,薅仔就不配当薅仔。薅字当头,薅就完了,就薅
61 3
|
1月前
|
人工智能 前端开发 数据挖掘
Arm 发布 Neoverse 新品:数据分析性能提升 196%,奠定未来计算及 AI 的基石
北京时间 2 月 22 日,半导体巨头 Arm 更新了 Arm® Neoverse™ 产品路线图,宣布推出两款基于全新第三代 Neoverse IP 构建的全新计算子系统(CSS):Arm Neoverse CSS V3 和 Arm Neoverse CSS N3。
|
1月前
|
存储 人工智能 弹性计算
倚天使用|倚天性能优化—YCL AI计算库在resnet50上的优化
本文介绍了x86软件迁移到Arm过程中可能遇到的弱内存序问题的解决方案,解析了弱内存序问题的根因,介绍了Hawkeyes的架构和实现原理。欢迎有需求的团队发送邮件咨询
|
1月前
|
人工智能 算法 计算机视觉
AI重绘存在差异的内在原因
【2月更文挑战第17天】AI重绘存在差异的内在原因
26 3
AI重绘存在差异的内在原因