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。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C091
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00