内容概要：本文详细介绍了利用Google Earth Engine (GEE) 进行Sentinel-2卫星数据处理与分类的全流程。首先，通过筛选特定区域（AOI）、时间范围和云覆盖度的数据，去除云层和阴影干扰，并计算云掩膜后的图像中值以提高质量。接着，对图像进行分割并选取关键波段和聚类信息，准备训练数据集，包括多种地表覆盖类型（如非正式定居点、植被、裸地、水体等）。然后，使用随机森林算法训练分类器，并对分割后的图像进行分类。此外，还进行了像素级别的分类作为对比。最后，将分类结果导出到Google Drive，并评估了模型的训练和验证精度。 适合人群：遥感数据分析人员、地理信息系统（GIS）从业者以及对地球观测数据处理感兴趣的科研人员和技术爱好者。 使用场景及目标：①掌握Sentinel-2数据的预处理方法，如去云、降噪等；②学习基于GEE平台的地物分类流程，包括样本准备、模型训练、结果评估等；③理解不同级别（对象级与像素级）分类的区别及其应用场景。 其他说明：本教程侧重于实际操作步骤，提供了完整的Python代码示例，帮助读者快速上手GEE平台上的遥感影像处理任务。同时，通过比较对象级和像素级分类的效果，可以更好地选择合适的分类方法。

内容概要：本文旨在分析慕尼黑特蕾西恩维斯地区在2023年和2024年不同时间段（包括 Oktoberfest 期间）的地表温度（LST），以研究城市热岛效应。文中通过 Landsat 9 和 Sentinel-2 卫星影像数据，利用 Split-Window 算法计算 LST，并进行归一化处理和差异分析。此外，还计算了 NDVI、NDBI、NDWI 和 Albedo 等指数，并进行了土地覆盖分类。为了提高分辨率，采用了随机森林算法对 LST 数据进行降尺度处理。最后，通过统计分析和散点图验证了降尺度结果的有效性。 适合人群：具备一定遥感和地理信息系统（GIS）基础知识的研究人员和技术人员，尤其是对城市热岛效应和地表温度分析感兴趣的学者。 使用场景及目标：①分析特定区域（如 Oktoberfest 场地）在不同时间段的地表温度变化；②评估城市热岛效应的影响；③通过降尺度技术提高 LST 数据的空间分辨率；④验证降尺度方法的准确性。 阅读建议：此资源涉及多种遥感数据处理技术和算法，建议读者在阅读时结合实际案例进行实践操作，并重点关注代码实现和结果验证部分。同时，建议读者熟悉 Python 或 JavaScript 编程语言，以及 Google Earth Engine 平台的基本操作。

内容概要：本文档由Amirhossein Ahrari提供，作为Google Earth Engine教程的一部分，主要介绍植被光学深度（VOD）产品的处理方法，使用Python API（Xee）。文档首先介绍了环境配置与初始化，包括安装所需库如xee、geemap、xarray等，并进行Earth Engine认证与初始化。然后，通过定义地理区域（以水文流域为例），获取并处理了2015年至2020年间L波段VOD数据集。对数据进行了年度和月度平均值计算，并通过matplotlib库绘制了不同时间尺度下的VOD分布图，最后将年度数据保存为netCDF格式。; 适合人群：对遥感数据处理、植被监测感兴趣的科研人员或学生，特别是熟悉Python编程且对Google Earth Engine有一定了解的用户。; 使用场景及目标：①学习如何利用Google Earth Engine平台获取和处理植被光学深度数据；②掌握使用Python API进行空间数据分析的方法；③了解植被光学深度数据的时间序列变化特征及其可视化表示。; 阅读建议：由于涉及到较多的技术细节，建议读者提前准备好相关软件环境，并按照文档步骤逐步操作，同时可以参考作者提供的视频教程加深理解。

内容概要：本文档展示了如何利用Google Earth Engine（GEE）和geemap库来分析和可视化尼日利亚拉各斯海岸线在2016年和2024年之间的变化。首先初始化Earth Engine并定义感兴趣区域（拉各斯海岸线）。接着定义了一个计算归一化差异水体指数（NDWI）的函数，用于区分水体和其他地物。通过加载和过滤Sentinel-2卫星图像，分别获取2016年和2024年的NDWI图像。然后应用阈值提取水体掩膜，并将这些掩膜叠加到地图上进行可视化，使用不同颜色表示两个年份的水体分布情况。最后，导出变化检测图像到Google Drive，以便进一步分析海岸侵蚀情况。 适合人群：具有基本地理信息系统（GIS）知识和Python编程经验的研究人员或学生。 使用场景及目标：①研究特定区域内的水体变化，如海岸线侵蚀或湖泊面积变化；②学习如何使用Google Earth Engine和geemap库处理遥感数据；③掌握基于NDWI的水体提取方法及其应用。 阅读建议：读者应熟悉Python编程语言以及遥感基础知识，在阅读过程中可以尝试运行代码片段并调整参数以加深理解。同时，可以通过查阅相关文献来补充对NDWI的理解。

Harmonics_and_z分数_GEE_code Google Earth Engine代码可根据MODIS时间序列数据计算z得分和谐波分析。

Google Earth Engine学习资料

gee-ccdc-工具 关于 该存储库托管着一组旨在与Google Earth Engine（GEE）中的CCDC算法的输出进行交互的工具和应用程序的快照。 它还托管了这些工具和实用程序的文档（进行中）。 要直接在GEE中访问存储库的最新版本，请单击 要访问Google Earth Engine应用程序以探索Landsat观测值和CCDC系数的时间序列，请单击 引文 Arévalo，P.，Bullock，EL，Woodcock，CE，Olofsson，P.（2020年）。 一套用于在Google Earth Engine中进行持续土地变化监测的工具。 气候前沿。

针对露天开采带来的环境问题，文中基于Google Earth Engine云平台下Landsat卫星长时间序列遥感数据，利用时间序列法和梯度分水岭分割算法，提取1999～2019年鞍山市铁矿区植被和开采破坏变化信息，实现实时、快速获取矿区开采破坏以及复垦土地时空变化特征，为东北老工业基地的生态文明建设、绿色矿山建设提供支持。

植被覆盖度是土地生态的重要指示因子，黄河流域横跨中国地形三大阶梯，是国家重要的生态屏障，同时也是重要的经济地带和“能源流域”。为揭示长时序黄河流域及其煤炭富集地区土地生态变化状况，基于Google Earth Engine(GEE)平台，对1987—2020年黄河流域共40 525景Landsat TM/ETM+/OLI遥感影像进行批量去云、融合和NDVI云计算等处理，获取34 a的植被覆盖度数据。综合利用最大值合成法、像元二分模型、一元线性回归趋势性分析和F检验等方法对黄河流域及流域内煤炭国家规划矿区植被覆盖度的时空变化特征进行定量分析;在此基础上逐一识别地形因子和气候因子对黄河流域及其规划矿区植被覆盖度的影响。结果表明:① 34 a间黄河流域的平均植被覆盖度由1987年的0.457 4上升至2020年的0.581 7，同期流域内煤炭国家规划矿区则由0.355 6增至0.536 1，2者呈现一致的波动上升的趋势;② 时序趋势变化类型构成中，黄河流域植被覆盖度改善的面积(33.19%)远大于植被覆盖度退化的面积(3.55%)。规划矿区内植被覆盖度改善面积占比高于黄河流域，但其植被覆

EarthEngine深度学习 如果您将其用于学术目的，请引用此存储库。 @misc{das_2019, title={Land Cover Classification based on Landsat-8 imagery from Google Earth Engine}, url={https://ucalyptus.me/EarthEngine-Deep-Learning/index.slides.html}, journal={EarthEngine Deep Learning}, publisher={GitHub}, author={Das, Sayantan}, year={2019}, month={Sep}} 如果喜欢，请 。 在上关注我