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。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
yuanrongopenYuanrong runtime:openYuanrong 多语言运行时提供函数分布式编程,支持 Python、Java、C++ 语言,实现类单机编程高性能分布式运行。Go051
MiniCPM-SALAMiniCPM-SALA 正式发布!这是首个有效融合稀疏注意力与线性注意力的大规模混合模型,专为百万级token上下文建模设计。00
ebook-to-mindmapepub、pdf 拆书 AI 总结TSX01