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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0195
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0124
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07