需要监测和了解红树林生态系统及其周围环境的变化，以确定红树林生态系统在受到人为和自然驱动因素影响的情况下如何不断变化。 高空间分辨率（30 m）卫星和高性能计算设备的一致性是该过程的限制因素，需要存储和分析。 借此，我们介绍了基于Google Earth Engine（GEE）的方法，用于对红树林及其周围环境进行长期测绘。 在这项研究中，我们使用了基于GEE的方法：1）从不同的Landsat卫星图像创建1987-2017年的无大气污染数据； 2）评估随机森林分类器和后分类变化检测方法。 确定的1987年和2017年的总体准确度分别为0.87和0.96，然后是Kappa系数0.80和0.94。 变化检测结果表明，农业面积显着减少，而红树林，虾/养鱼场和荒地面积有所增加。 结果表明，土地利用和土地覆盖的相互转化正在影响研究区域内的景观动态。

水质基 该存储库包含用于使用Google Earth Engine从遥感数据评估水质的脚本 如果使用这些材料或脚本中的任何一种，请引用：Page，BP和D.Mishra（2018），《结合Sentinel-2A和Landsat-8进行内陆水质监测时的修正大气校正》，ISPRS J照片，正在审查中 要求： 这些脚本需要一个帐户。 要在，请下载javascript文件，然后单击“运行”。 要在Python环境中使用，请安装GEE Python API并在您选择的Python IDE中运行程序。 内容： javascript /包含javascript实现的水质处理代码 python /包含水质处理代码的Python实现 贡献： 如果您有任何想法，请提出并告诉我们您的想法。 如果您想贡献，请分叉存储库并根据需要进行更改。 拉请求是欢迎的。 免责声明： 这是一个正在进行的工作。 脚本

GoogleEarthEngine：Google Earth Engine教程

更新的数据集列表（包含在Google Earth Engine中） 想法是使该列表计算机可读，以便您可以基于过滤器以编程方式调用资产，并为尚未注册但想要查看Earth Engine中的数据集列表的用户提供一个列表。 注册一个免费的。 数据集生成为始终更新的JSON文件以及具有以下设置的CSV文件 ID 提供者 标题 开始日期 结束日期 开学年 年终 类型 标签 asset_url thumbnail_url AAFC / ACI 加拿大农业和农业食品 加拿大AAFC年度作物清单 2009-01-01 2021-03-08 2009年 2020年 image_collection aafc，加拿大，庄稼，土地覆盖 该列表允许将数据集构建到解析器中，我们可以像应用字典一样在应用任何其他工具之前提取它们。 地球引擎工具 ：此工具已经开发了许多迭代，以将其他功能与Google

在线分析工具 Google Earth Engine 是一个用于卫星图像处理的网络平台 ( https://earthengine.google.com/ )。使用该平台的一种方式（可能是最流行的方式）是使用名为The Code Editor的在线工具，它允许用户使用脚本语言 (JavaScript) 访问该平台。

基于Google Earth Engine与机器学习的黄土梯田动态监测.pdf

更新：不会再有更新。 不幸的是，我停止了与 Google Earth Engine 相关的项目。 谷歌地球引擎 Python API 示例 用于 API 的的集合。 适用于 Google Earth Engine 的 Jupyter Notebook 教程 001 Landsat 8 TOA 影像的土地覆盖分类 Landsat 8 的分类示例，包括多个植被指数和对象特征提取。 此示例基于 S.Gebhardt 等人的科学著作“ ”。 al 2014。最终您无法访问训练数据。 如果您对训练数据感兴趣，请随时与我联系。 002 Landsat 8 TOA 图像的缨帽变换 Landsat 8 TOA 图像的流苏帽变换基于 M.Baigab、L.Zhang、T.Shuai 和 Q.Tong 的科学著作“基于 Landsat 8 卫星反射率的流苏帽变换的推导”（2014 年）。 003 Proba

带有Savitzky-Golay过滤器的Google Earth Engine时间序列 该示例显示了如何为要素集合提取图像集合值，如何创建植物索引时间序列数据帧并在其上应用Savitzky-Golay过滤器的示例。 笔记 中实现了此函数的更好版本，作为ee.ImageCollection对象的扩展方法： import ee , eemont ee . Authenticate () ee . Initialize () f1 = ee . Feature ( ee . Geometry . Point ([ 3.984770 , 48.767221 ]). buffer ( 50 ),{ 'ID' : 'A' }) f2 = ee . Feature ( ee . Geometry . Point ([ 4.101367 , 48.748076 ]). buffer ( 50 ),{ '

高级遥感教程 这些教程由纽约州立大学环境科学与林业学院的Ge (Jeff) Pu 和 Lindi Quackenbush 博士开发， 作为高级遥感课程的一部分。开发这些教程的资金由AmericaView提供。

GEE 基础教程PPT，本材料由李世卫（知乎名“无形的风”，环宇易研科技）创作&王金柱（西南大学&迪肯大学）创作