1.基础概念

(1)谷歌云平台

整个GEE是基于Google Cloud云平台的一整套API开发环境。因此整个数据的处理全部都是在Google Cloud平台上实现的,无需本地机器参与运算。一般开发流程是在线/离线编辑代码,然后提交服务器端运行,完成之后会输出给我们一些结果。这个思路适合离线本地开发不太一样的。处理的时候,整个算法还有数据都是在云端的,所以不要想着用本地Python环境就可以离线开发或使用GEE。它本身只是一个包装好的API供你调用,核心是云端的服务器。这点需要注意。正式因为这种本地-服务器端的差别,所以GEE也专门有自己的变量类型,基本是ee.xxx形式。我们在写代码的时候要区分JS自己的类型和GEE的数据类型。这在下面会进一步介绍。

(2)函数化编程

由于整个GEE是在云端的,所以官方建议尽可能所有操作都可并行,这样可以大大提升执行效率。这点是有点类似于CUDA的编程思想。简而言之就是对于很多重复的操作,你要做的就是定义好这个操作本身,然后循环遍历的工作就交给系统就好,他会自动并行帮你完成。官方文档中对于常见的循环、条件判断、累加三个操作进行了举例。这在之后再详细介绍。

2.基本数据类型

上面也提到了,由于整个代码是运行在云端的,所以GEE自定义了自己的数据类型,基本是ee.xxx形式,包括ee.Stringee.Numberee.Listee.Dictionaryee.Date等。它们的定义及使用基本还是遵循常规方法,所以这里就简单演示一下。代码如下。

// 新建一个服务器上的字符串var serverString = ee.String('This is on the server.');print('String on the server:', serverString);// 新建一个服务器上的数字var serverNumber = ee.Number(3.14159);print('number=',serverNumber);// 新建一个服务器上的列表var serverList = ee.List([1,5,6,9,2]);print('Sequence:',serverList);// 注意,由于是服务器上的List,所以需要通过get()函数获得内容,而不是直接索引print('item 2:',serverList.get(2));// 新建一个服务器上的字典,包含三个键值对var serverDict = ee.Dictionary({e:Math.E,pi:Math.PI,phi:(1+Math.sqrt(5))/2});// 和上面一样,需要通过get()函数获取数据print('Golden ratio:',serverDict.get('phi'));print('Keys:',serverDict.keys());// 新建一个服务器上的日期var serverDate = ee.Date('2020-10-13');print('date:',serverDate);

控制台输出结果如下所示。

3.基本语法

这里的基本语法并不是指JS的基本语法,而是指上面提到的对于循环、条件判断以及累加操作的并行化写法。

(1)循环

一个适合于GEE的并行的循环写法如下。

// This generates a list of numbers from 1 to 10.var myList = ee.List.sequence(1, 10);// The map() operation takes a function that works on each element independently// and returns a value. You define a function that can be applied to the input.var computeSquares = function(number) {// We define the operation using the EE API.return ee.Number(number).pow(2);};// Apply your function to each item in the list by using the map() function.var squares = myList.map(computeSquares);print(squares);// [1, 4, 9, 16, 25, 36, 49, 64, 81]

(2)条件判断

下面代码演示了如何遍历一个List,寻找到其中的奇数。其实核心在于对每个元素对2取余,然后删除那些为0的元素,即可得到奇数。这个例子通过数学计算,避免了if/else的判断。是一种值得学习的思路。

// The following function determines if a number is even or odd.The mod(2)// function returns 0 if the number is even and 1 if it is odd (the remainder// after dividing by 2).The input is multipled by this remainder so even// numbers get set to 0 and odd numbers are left unchanged.var getOddNumbers = function(number) {number = ee.Number(number); // Cast the input to a Number so we can use mod.var remainder = number.mod(2);return number.multiply(remainder);};// This generates a list of numbers from 1 to 10.var myList = ee.List.sequence(1, 10);// filteringvar newList = myList.map(getOddNumbers);// Remove the 0 values.var oddNumbers = newList.removeAll([0]);print(oddNumbers);

另外,对于二维的影像而言,同样可以采用类似的操作来避免if/else判断,如下面的例子所示。

var collection = ee.ImageCollection('LANDSAT/LC08/C01/T1_TOA');// Divide the collection into 2 subsets and apply a different algorithm on them.var subset1 = collection.filter(ee.Filter.lt('SUN_ELEVATION', 40));var subset2 = collection.filter(ee.Filter.gte('SUN_ELEVATION', 40));var processed1 = subset1.map(function(image) {return image.multiply(2);});var processed2 = subset2;// Merge the collections to get a single collection.var final = processed1.merge(processed2);print('Original collection size', collection.size());print('Processed collection size', final.size());

这里ee.Filter.lt()是表示过滤那些比给定值小的数据,ee.Filter.gte()表示过滤那些比给定值大的数据。

(3)累加

下面代码展示了生成斐波那契数列。

var algorithm = function(current, previous) {previous = ee.List(previous);var n1 = ee.Number(previous.get(-1));var n2 = ee.Number(previous.get(-2));return previous.add(n1.add(n2));};// Compute 10 iterations.var numIteration = ee.List.repeat(1, 10);var start = [0, 1];var sequence = numIteration.iterate(algorithm, start);print(sequence);// [0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89]

4.可视化影像与波段

在上面的部分介绍了GEE JS API的相关基本语法。这部分主要介绍一些比较具体的内容。如何利用GEE在地图上可视化影像。实现对影像数据的可视化非常简单,主要有三步:创建影像实例、设置地图中心点、添加图层。其中中间这一步不是必须的,核心就是创建一个影像实例,然后将这个实例添加到地图图层中。下面代码演示了可视化STRM数据。

// Instantiate an image with the Image constructor.var image = ee.Image('CGIAR/SRTM90_V4');// Zoom to a location.Map.setCenter(117.3798, 32.9049, 4); // Center on the Bengbu City.// Display the image on the map.Map.addLayer(image);

下面对代码进行简单解析。首先,对于影像实例,直接通过ee.Image()构造函数生成即可,传入的参数是要显示的数据的Image ID。关于这个ID,可以在GEE的数据库里寻找,找到后把那一串代码复制过来就好。第二行是调用Map类的成员函数setCenter()设置地图的中心点,参数分别是经度、纬度和缩放等级。缩放等级越大地图越放大。最后一行是将我们刚刚获取到的影像放到Map的图层中进行展示。

对于一个影像,我们可以通过print()函数来输出它的相关信息。比如,我们在上面代码的最后增加一行print('SRTM image',image);。控制台中会出现如下内容。

可以看到,显示了SRTM数据的一些基本信息,包括数据类型(signed int16)、影像大小(432000×144000)等等,非常丰富。

另外,我们可以在addLayer()的时候增加一些参数,使得可视化更符合我们的需求,如下是该函数的文档。

比如说,我们可以设置显示范围,像这样修改上面代码的最后一行为Map.addLayer(image, {min: 0, max: 3000}, 'custom visualization');。这里我们将显示的搞高程范围限制在了0到3000m,图层的名称为custom visualization,可以看到如下效果。而之前的效果是这样的。可以看到显示效果差异非常大。一个很重要的原因就在于,在原始的SRTM中是存在负值的(上面输出的SRTM信息),最小值为-32768。所以就会导致显示出来的效果很差了。

我们除了可以控制数据显示的范围,同样也可以数据显示的颜色等级。比如将上面代码的最后一行换成下面这样:Map.addLayer(image, {min: 0, max: 3000, palette: ['Moccasin', 'Orange', 'Coral']},'custom palette');。我们可以通过标准颜色名称(标准颜色名称可以参考这里),或者十六进制字符串指定颜色。效果如下。

5.影像集

影像集(Image Collection)可以理解为是多个影像(Image)组成的集合。这里以一个例子展示如何对影像进行过滤和筛选,最后显示在地图上。代码如下。

//获取Landsat8 TOA影像var l8 = ee.ImageCollection('LANDSAT/LC08/C01/T1_TOA');// 定义一个目标点var point = ee.Geometry.Point(117.0721,33.2363);// 调用filterBounds筛选位置var spatialFiltered = l8.filterBounds(point);print('spatialFiltered',spatialFiltered);// 再调用filterDate筛选时间var temporalFiltered = spatialFiltered.filterDate('2015-01-01','2015-12-31');print('temporalFiltered',temporalFiltered);// 到这一步之后,还可能有很多影像的,我们可以进一步按照云层覆盖进行排序var sorted = temporalFiltered.sort('CLOUD_COVER');// 选取含云量最少的那一景var scene = sorted.first();// 将影像放到当前地图的中心,缩放9级Map.centerObject(scene,9);// Landsat8的RGB波段分别是B4、B3、B2// 最大值设为0.3,最小值默认为0var visParams = {bands:['B4','B3','B2'],max:0.3};// 展示影像,名称为true-color compositeMap.addLayer(scene,visParams,'true-color composite');

最后的效果如下。

通过指定一目标点,我们对数据集在空间上进行了过滤,然后又在时间上进行了限制。最后,选出云量最少的一景作为展示。同事注意Landsat8的数据RGB波段的顺序,最后进行展示。

6.实例练习-基于Landsat数据计算NDVI

综合前面的知识,我们下面就可以做一些实际的、有意义的事情了——计算NDVI。我们知道NDVI(Normalized Difference Vegetation Index)可以反映一个地区的植被覆盖情况,计算公式为(NIR-Red)/(NIR+Red)。这里,我们以Landsat8的数据为例,计算某个区域的NDVI并可视化到地图上,代码如下所示。

// 指定某个目标点var point = ee.Geometry.Point([117.0721,33.2363]);// 导入Landsat-8 TOA影像数据集var l8 = ee.ImageCollection('LANDSAT/LC08/C01/T1_TOA');// 获取2015年云量最少的影像var image = ee.Image(l8.filterBounds(point).filterDate('2015-01-01', '2015-12-31').sort('CLOUD_COVER').first());// 计算Normalized Difference Vegetation Index (NDVI)// Landsat8 第5波段是近红外(NIR),第4波段是红波段(Red)var nir = image.select('B5');var red = image.select('B4');// 套用NDVI计算公式(NIR-Red)/(NIR+Red)var ndvi = nir.subtract(red).divide(nir.add(red)).rename('NDVI');// 设置影像到地图中心Map.centerObject(image,9);// 设置最大最小值和显示颜色var ndviParams = {min:-1,max:1,palette:['blue','white','green']};// 向地图中添加图层Map.addLayer(ndvi,ndviParams,'NDVI image');

运行代码后,效果如下图所示。

值得注意的是,NDVI的这种计算模式在遥感中其实是非常常见的,因此,在GEE中,我们完全可以不用自己写公式,GEE已经帮我们定义好了相关函数,直接调用就行。具体是.normalizedDifference()函数。使用也非常简单,把上面代码中计算ndvi的一行用以下内容替代var ndvi = image.normalizedDifference(['B5','B4']).rename('NDVI');运行的效果和自己写是一样的。

在上面的实例中,我们对单景影像计算了NDVI。GEE同样支持对多景影像同时计算NDVI。示例代码如下。

// 导入Landsat-8 TOA影像数据集var l8 = ee.ImageCollection('LANDSAT/LC08/C01/T1_TOA');var addNDVI = function(image) {var ndvi = image.normalizedDifference(['B5', 'B4']).rename('NDVI');return image.addBands(ndvi);};// 利用GEE的map函数并行计算NDVIvar withNDVI = l8.map(addNDVI);// 我们可用计算好的NDVI找到所有影像中最“绿”的像素var greenest = withNDVI.qualityMosaic('NDVI');// 展示结果var visParams = {bands: ['B4', 'B3', 'B2'], max: 0.3};Map.addLayer(greenest, visParams, 'Greenest pixel composite');

在这里,我们利用GEE的map()函数并行计算NDVI。在计算好以后,我们基于这个NDVI的数值来寻找影像中最“绿”的像素组成新的影像。这里最“绿”的影像意思是,别忘了,这里我们获取到的是一个影像集合,并非一个影像。同一个地方,这些影像里肯定有些时间是有植被的,有些是没有的。最“绿”的就是植被最茂盛的影像。

7.数据导出

GEE虽然是云端处理,但显然是支持数据的导出和下载的,不然运行的结果没法使用。数据的导出主要分为两类,一类是运算的数值类型数据的导出以及绘图,一类是影像的导出。下面分别介绍。

(1)数值与绘图

下面演示了计算某个区域的NDVI的值并绘制出NDVI随时间变化的折线图。

// Import the Landsat 8 TOA image collection.var l8 = ee.ImageCollection('LANDSAT/LC08/C01/T1_TOA');// Map a function over the Landsat 8 TOA collection to add an NDVI band.var withNDVI = l8.map(function(image) {// Get a cloud score in [0, 100].var cloud = ee.Algorithms.Landsat.simpleCloudScore(image).select('cloud');// Create a mask of cloudy pixels from an arbitrary threshold.var mask = cloud.lte(20);// Compute NDVI.var ndvi = image.normalizedDifference(['B5', 'B4']).rename('NDVI');// Return the masked image with an NDVI band.return image.addBands(ndvi).updateMask(mask);});// Define ROI.var roi = ee.Geometry.Polygon([[117.211,32.847],[117.464,32.847],[117.464,32.995],[117.211,32.995],[117.211,32.847]]);// Create a chart.var chart = ui.Chart.image.series({imageCollection: withNDVI.select('NDVI'),region: roi,reducer: ee.Reducer.first(),scale: 30}).setOptions({title: 'NDVI over time'});// Display the chart in the console.print(chart);Map.centerObject(roi,11);Map.addLayer(roi);

控制台输出效果如下。

从代码层面简单解释一下,可以看到相比于前面计算NDVI的步骤,这里多了很多东西。主要原因在于是为了去除云层的影响。我们在折线图的右上角可以看到个箭头,点击就可以进一步预览图片。如果我们想输出原始数据,点击右上角的”Download CSV”即可,如果想保存折线图,点击”Download SVG/PNG”即可,十分方便。

(2)保存影像

上面保存的都是处理后的数值与绘图,那么遥感影像呢?也非常简单,主要是利用GEE的Export包实现。对于影像导出,GEE支持三种模式:导出到Google Drive、导出到Google Cloud Storage、导出到项目的Asset。如果是想下载的话,一般可以使用第一种,导出到Google Drive以后,再进行下载。这里我们以刚刚在第六部分计算的单景NDVI影像为例,演示导出至Google Drive。示例代码如下。

// 指定某个目标点var point = ee.Geometry.Point([117.0721,33.2363]);// 导入Landsat-8 TOA影像数据集var l8 = ee.ImageCollection('LANDSAT/LC08/C01/T1_TOA');// 获取2015年云量最少的影像var image = ee.Image(l8.filterBounds(point).filterDate('2015-01-01', '2015-12-31').sort('CLOUD_COVER').first());// 计算Normalized Difference Vegetation Index (NDVI)// Landsat8 第5波段是近红外(NIR),第4波段是红波段(Red)var nir = image.select('B5');var red = image.select('B4');// 套用NDVI计算公式(NIR-Red)/(NIR+Red)var ndvi = nir.subtract(red).divide(nir.add(red)).rename('NDVI');// 设置影像到地图中心Map.centerObject(image,9);// 设置最大最小值和显示颜色var ndviParams = {min:-1,max:1,palette:['blue','white','green']};// 向地图中添加图层Map.addLayer(ndvi,ndviParams,'NDVI image');// 上面的代码都一样// 这里,调用Export的toDrive函数导出Export.image.toDrive({image: ndvi,description: 'NDVI',scale: 30});

运行代码以后,除了会得到之前的结果外,在右上角的“Tasks”里也会看到有新的任务,点击“Run”,弹出如下对话框。填入相关信息,即可开始导出,导出完成后就会在你的Google Drive里看到对应的文件了,下载即可。如下图所示。