geemap 项目使用教程
1. 项目介绍
geemap 是一个用于与 Google Earth Engine (GEE) 进行交互式地理空间分析和可视化的 Python 包。GEE 是一个云端计算平台,拥有多 PB 级的卫星图像和地理空间数据集。geemap 旨在填补 GEE Python API 在交互式可视化方面的空白,它基于 ipyleaflet 和 ipywidgets,允许用户在 Jupyter 环境中分析和可视化 Earth Engine 数据集。
geemap 适用于学生、研究人员以及希望从 GEE JavaScript API 过渡到 Python API 的现有 GEE 用户。它提供了自动化的 JavaScript 到 Python 转换模块,大大减少了将现有 GEE JavaScript 转换为 Python 脚本和 Jupyter 笔记本的时间。
2. 项目快速启动
安装 geemap
首先,确保你已经安装了 Python 环境。然后,你可以使用 pip 安装 geemap:
pip install geemap
启动 Jupyter Notebook
安装完成后,启动 Jupyter Notebook:
jupyter notebook
创建一个简单的地图
在 Jupyter Notebook 中创建一个新的 Python 文件,并输入以下代码来创建一个简单的地图:
import geemap
# 创建一个地图对象
Map = geemap.Map()
# 添加一个简单的图层
Map.add_basemap('TERRAIN')
# 显示地图
Map
运行上述代码后,你将看到一个带有地形图层的交互式地图。
3. 应用案例和最佳实践
案例1:创建 Landsat 时间序列动画
以下代码展示了如何使用 geemap 创建 Landsat 时间序列动画:
import ee
import geemap
# 初始化 Earth Engine
ee.Initialize()
# 定义 Landsat 数据集
collection = ee.ImageCollection('LANDSAT/LC08/C01/T1_SR') \
.filterDate('2019-01-01', '2020-01-01') \
.filterBounds(ee.Geometry.Point(-122.262, 37.8719))
# 创建时间序列动画
geemap.landsat_timeseries(collection, out_gif='landsat_timeseries.gif', vis_params={'bands': ['B4', 'B3', 'B2'], 'min': 0, 'max': 3000})
案例2:使用 Inspector 工具交互式查看数据
以下代码展示了如何使用 Inspector 工具交互式查看地图上的数据:
import geemap
# 创建地图对象
Map = geemap.Map()
# 添加一个图层
Map.add_basemap('HYBRID')
# 启用 Inspector 工具
Map.add_inspector()
# 显示地图
Map
4. 典型生态项目
生态项目1:动态世界 (Dynamic World)
动态世界是一个基于 GEE 的项目,旨在提供全球 10 米分辨率的近实时土地覆盖数据。geemap 可以用于可视化和分析这些数据。
import geemap
# 创建地图对象
Map = geemap.Map()
# 添加动态世界图层
Map.addLayer(ee.ImageCollection('GOOGLE/DYNAMICWORLD/V1').filterDate('2021-01-01', '2021-12-31').mode(), {}, 'Dynamic World')
# 显示地图
Map
生态项目2:全球土地覆盖 (Global Land Cover)
全球土地覆盖项目提供了全球范围内的土地覆盖数据。geemap 可以用于创建土地覆盖的时间序列动画。
import ee
import geemap
# 初始化 Earth Engine
ee.Initialize()
# 定义土地覆盖数据集
collection = ee.ImageCollection('ESA/WorldCover/v100') \
.filterDate('2020-01-01', '2021-01-01')
# 创建时间序列动画
geemap.landsat_timeseries(collection, out_gif='landcover_timeseries.gif', vis_params={'bands': ['Map']})
通过以上教程,你可以快速上手 geemap 项目,并利用其强大的功能进行地理空间分析和可视化。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00