Google Earth Engine（GEE）——监督分类加入NDVI变量进行分类
上一篇博客我们有一个完整的案例来进行对指定区域的影像进行监督分类，但是我们所选的变量都是依据影像本身的值，并没有加入其它变量，这次我们加入了NDVI变量进行分析，从而提升分类精度，上次的博客链接如下：(1684条消息) Google Earth Engine（GEE）——监督分类（加入验证样本）_此星光明的博客-CSDN博客最终的分类精度略有提高： 代码：
Google Earth Engine（GEE）——监督分类（加入验证样本）
通过比较集合的两列来计算集合的二维误差矩阵：一列包含实际值，一列包含预测值。这些值应该是小的连续整数，从 0 开始。轴 0（行）矩阵对应于实际值，轴 1（列）对应于预测值。如果未指定此参数，则假定这些值是连续的并且跨越 0 到 maxValue 的范围。如果指定，则仅使用与此列表匹配的值，并且矩阵将具有与此列表匹配的维度和顺序。上一次我们讲到了监督分类案例，但是并没有进行验证子集的评定，这次加入了验证精度来进行分析。包含实际值的属性的名称。包含预测值的属性的名称。
Google Earth Engine（GEE）——非监督分类案例分析（森林非森林核其它）
reducer 输出名称决定输出 band 的名称：具有多个输入的 reducer 将直接使用输出名称，而具有单个输入的 reducer 将在输出名称前加上输入 band 名称（例如'10_mean'，'20_mean'等） .).本教程的主要目的是实现指定区域的森林非森林的分类，而样本点的选取都是随机选取的，我们加入的变量则按照DEM中的阴影和坡度作为参与分类的变量进行分析，最周通过kmeans聚类实现影像的分类。将给定的reducer应用于每个像素周围的邻域，由给定的内核确定。要使用的初始化方法。
Google Earth Engine（GEE）——研究区森林斑块的景观特征
在输入掩码为零的所有位置用另一个图像的掩码和值替换输入图像的掩码和值。输出图像保留输入图像的元数据。默认情况下，输出图像还保留输入的足迹，但将 sameFootprint 设置为 false 允许扩展足迹。使用图像的值作为新掩码值，在现有掩码不为零的所有位置更新图像的掩码。输出图像保留输入图像的元数据和足迹。如果为真（或未指定），则输出保留输入图像的足迹。如果为假，则输出的足迹是输入足迹与值图像足迹的并集。输入图像的掩码像素的新值和掩码。如果未指定，则默认为在任何地方都有效的常量零图像。
Google Earth Engine APP（GEE）——利物浦大学免费下载影像的软件Google Earth Engine Digitisation Tool (GEEDiT)
GEEDiT 具有简单的用户界面，无需下载大量图像，利用 Earth Engine 的云计算能力及其对卫星图像存储库的访问权限（Lea，2018 年）。与传统方法相比，用户可以创建更大、空间和时间上更全面的数据集，自动附加的元数据还可以更轻松地过滤数据集，并将数据追溯到原始源图像。在应用 GEEDiT 输出的基于编码的分析时，元数据的标准化还促进了代码在数据集之间的可转移性，并有助于整理由多个用户生成的均质边缘和特征数据集（例如 Goliber 等人，2022 年） .重新可视化已经数字化的边距的选项。
Google Earth Engine（GEE）——如何正确理解和使用flatten函数
很多时候我们无法正常使用EE中的函数，其实我们只要一个个函数去实验和练习，就很快能掌握每一个函数，本次我们来详细看看flatten函数的使用。这次我们假设有几个土地分类的训练样本分别产看我们使用flatten和不适用flatten的结果进行对比，但是我们这里要注意，如果直接使用GEE中的画图工具进行选点的时候，默认给的属性是geometry，但我们其实需要的每一类都是一个矢量集合，所以我们要将属性设定为矢量集合featurecollection。
Google Earth Engine（GEE）——边缘检测增强显示
很多时候我们需要对影像继续宁增强显示，这时候我们就会用到边缘检测，这时候我们就需要理解核函数，同时设定不同的很函数然后进行卷积运算，从而实现边缘锐化，增强图像，以便我们能更加清楚的看清我们所需要监测的地物。整体上我们利用Landsat和sentinel2影像做出来的效果并不好，但是我们利用高分辨影像监测的效果会比较好。所以，如果我们利用高分影像进行边缘增强处理就非常好。这里教程中的关键就是建立核函数，然后卷积运算sigmaunitsnormalizemagnitude。
Google Earth Engine （GEE）——同一区域对比LST和FVC（含union进行合并）案例分析
我们计算城市和农村区域的缓冲区分别计算，我们将使用为此目的开发的地球引擎模块来计算地表温度。本文用函数union来将单独的矢量集合，通过融合矢量边界，这样就可以合并在一起。这里使用的是矢量集合中的合并，并返回一个特征集合。maxError将给定集合中的所有几何图形合并为一个集合，并返回一个包含单个特征的集合，该特征的 ID 仅为“union_result”和一个几何图形。
RTP协议基本分析（RTSP、WebRTC使用）
实时流传输协议（RTSP：Real Time Streaming Protocol）是一种网络传输协议，旨在发送低延迟流。该协议由RealNetworks，Netscape和哥伦比亚大学的专家在1996年开发。它定义了应如何打包流中的数 据以进行传输。2、RTPRTP协议原理，负责对流媒体数据进行封包并实现媒体流的实时传输，即它按照RTP数据包格式来封装流媒体数据，并利用与它绑定的协议进行数据包的传输。
Google Earth Engine （GEE）——提取研究区逐个像素的经纬度并提取逐个像素的高程值（逐像素高程值提取案例）
count reducer 将返回多边形区域重叠的像素中心数，这将是任何未加权的 reducer 统计中包含的像素数。很多时候，我们需要对研究区逐个像素进行分析和研究，这里假定我们有一个面状的研究区，除了对面状分析之外，我们需要通过对逐个像素的值进行提取，从而确定其具体的变化情况，这一点在我们平时的地雷变化中十分普遍，所以今天我们将首先介绍，如何对研究区逐个像素提取经纬度信息，然后根据提取的经纬度信息确定其研究区每个像素的中心点位置，最后利用高程影像来获取研究区逐个像素的高程值。
Google Earth Engine （GEE）——将影像导出Google硬盘中的易犯错误
很多时候我们需要注意导出的错误信息，这里我们看到首先第一个错误就是我们选择波段的时候并没有按照指定的波段名称来进行，同时，我们不能直接导出影像集合，所以这里在导出的过程中又出现了将影像集合导出的低级错误。Selects bands from an image.这里提示我们要选择的是一个影像的波段名称，而不是其他的。Returns an image with the selected bands.返回值就是你所选择影像的波段。
做音视频开发要掌握哪些知识？
想说一句：真有眼光。如今这个时代，想赚钱，一个共识是，*选对赛道**。有些行业和领域，终其一生的天花板也不过如此。但有的朝阳行业，你一进去就可以获得大量的机会，就是“ROI（投入产出比）”很高。那就聊聊为啥从事音视频技术，未来会很赚钱。要说音视频技术，在这两年迎来爆发期。首先 5G 的发展提供了硬件条件，又受疫情的影响，，大量的线上办公、线上教育、线上娱乐等需求，让几亿人涌入各类线上互动平台。比如：抖音和快手的，需要应用图像处理和视频编码技术，如何在保持高画质的情况下，尽量减少视频文件的大小；
Google Earth Engine （GEE）——利用两种方式进行EVI指数（含函数的两种定义方式）
如何快速使用波段进行指数的计算，我们这里利用两种方式进行EVI指数计算，一种是利用expression的方式进行分析，虽然两种方法的结算结果都一样，但是代码有多有少，大家可以参考使用，但是两者的作用对象都是影像集合，对影像集合映射前我们需要建立函数，然后用map进行映射。本次教程中我们在返回值的过程中进行了不同处理，一个是将EVI作为一个波段添加到应先该集合中，另外一种方式是直接返回给所计算出来的EVI波段。
Google Earth Engine （GEE）——利用focalMode简化将影像简化方便快速转化为矢量数据
很多时候我们都知道如何将栅格数据转化为矢量，但是往往因为影像过大而无法快速转换，今天我们将利用focalMode学会如何快速将栅格数据转化矢量数据。可能你已经意识到多边形由复杂的线组成，包括一些只有一个像素的小多边形。当周围没有相同高程区域的像素时，就会发生这种情况。您可能不需要包含此类详细信息的矢量图 - 例如，如果您想要制作区域或全球地图。我们可以使用形态缩减器 focalMode 通过定义像素周围的邻域大小来简化形状。
Google Earth Engine （GEE）——波段运算要注意的问题（将多个波段合并缩放到指定的scale中）
很多时候我们如果想要改变多个波段的波段名称，我们就可以选择将其一起处理，不需要单独映射转换参数。不需要迭代或映射一个函数。数学运算按波段运行，你可以在多波段图像上应用它们。选择波段，缩放它们，然后在一个单一的调用中加入所有的波段。
Google Earth Engine （GEE）——如何统计指定区域的像素数量和总量
很多时候我们想统计研究区的像素数量，但是用错了函数，本来用ee.reducer.sum(), ee.reducer.count()混淆使用，我们发现有很多人要统计像素数量，但却统计成了总量，所以我们首先要看下两个函数如何使用：
Google Earth Engine （GEE）——添加人口数据和NO2数据图层查看两者相关性案例
很多时候我们想查看人口和空气之间的关系，其中最直接的方案就是选择指定的研究区，分别加载指定的区域的人口和相关空气数据，最后我们就可以直白的查看数据集，使用图层叠加的效果来查看更加植被，而本次我们选用人口数据集和sentinel-5p数据中的N02数据来产看人口和空气之间的相关性。我们这里选择人口大国印度，查看它南部区域的人口和空气状况。这里我们加载了一个程序，可以实现影像筛选指定研究区的人口和空气数据集。将图像剪辑到 FeatureCollection。
Google Earth Engine （GEE）——使用MODIS海洋表面温度完成多年温度变化检测（案例）
我们利用地球表面海洋温度进行区域的逐年温度变化分析，并利用在线图表chart来实现两种形式的温度逐年变化情况，这里最重要的其实不在图表，而在于如何按照逐月的数据完成时间的加载，所以我们这里要做的就是确定我们的时间线，也就是时间周期。数据集分辨率4600米此 3 级产品包括在 EOSDIS 下生成或收集的海洋颜色和卫星海洋生物学数据。该数据集可用于研究海岸带的生物学和水文学、沿海海洋生境的多样性和地理分布的变化、生物地球化学通量及其对地球海洋和气候的影响，以及气候和环境变率和气候变化的影响。
今日推荐
周排行