Руководство по работе с Google Earth Engine Python API для анализа спутниковых данных

Установите Google Earth Engine Python API через команду pip install earthengine-api, чтобы начать работу. После установки авторизуйтесь с помощью ee.Authenticate() и инициализируйте API с помощью ee.Initialize(). Это обеспечит доступ к обширным спутниковым данным и инструментам для их обработки.

Используйте коллекции данных, такие как Landsat или Sentinel-2, для анализа. Например, загрузите изображение с помощью ee.ImageCollection('LANDSAT/LC08/C01/T1_SR'). Фильтруйте данные по дате и местоположению, чтобы сосредоточиться на нужном временном интервале и регионе. Это позволяет работать с актуальной и релевантной информацией.

Применяйте встроенные функции для обработки изображений, такие как .clip() для обрезки по границам или .normalizedDifference() для расчета индексов, например NDVI. Эти инструменты упрощают анализ растительности, водных объектов и других природных явлений. Экспортируйте результаты в формате GeoTIFF или CSV для дальнейшего использования в сторонних приложениях.

Создавайте визуализации с помощью библиотеки matplotlib или folium для интерактивных карт. Например, используйте folium.Map() для отображения спутниковых снимков с наложением результатов анализа. Это помогает наглядно представить данные и поделиться результатами с коллегами или заинтересованными сторонами.

Изучите документацию Google Earth Engine и примеры кода на GitHub, чтобы расширить свои навыки. Регулярное использование API и эксперименты с разными наборами данных помогут вам глубже понять возможности платформы и адаптировать их под свои задачи.

Подготовка окружения для работы с Google Earth Engine

Установите Python версии 3.7 или выше, чтобы обеспечить совместимость с Google Earth Engine Python API. Проверьте текущую версию Python, выполнив команду python --version в терминале. Если версия ниже, обновите её через официальный сайт Python или используя менеджер пакетов.

Создайте виртуальное окружение для изоляции зависимостей. Выполните команду python -m venv gee_env, где gee_env – имя вашего окружения. Активируйте его командой source gee_env/bin/activate (для Linux/macOS) или .gee_envScriptsactivate (для Windows).

Установите библиотеку earthengine-api через pip: pip install earthengine-api. Убедитесь, что установка прошла успешно, проверив версию API командой earthengine --version.

Зарегистрируйтесь на платформе Google Earth Engine, если у вас ещё нет аккаунта. Перейдите на сайт, нажмите «Sign Up» и следуйте инструкциям. После регистрации получите доступ к API, активировав его в Google Cloud Console.

Аутентифицируйте свой аккаунт в Python, выполнив команду earthengine authenticate. Откроется браузер, где нужно войти в Google-аккаунт и предоставить доступ. После успешной аутентификации вы получите токен для работы с API.

Проверьте работоспособность окружения, выполнив простой запрос. Например, загрузите коллекцию снимков Landsat и выведите её описание:

import ee
ee.Initialize()
collection = ee.ImageCollection('LANDSAT/LC08/C01/T1_SR')
print(collection.size().getInfo())

Если всё настроено правильно, вы увидите количество изображений в коллекции. Теперь вы готовы к работе с Google Earth Engine Python API.

Установка необходимых библиотек и инструментов

Убедитесь, что на вашем компьютере установлен Python версии 3.7 или выше. Проверьте текущую версию, выполнив команду python --version в терминале. Если Python отсутствует, скачайте его с официального сайта python.org.

Для работы с Google Earth Engine Python API установите библиотеку earthengine-api. Используйте команду pip install earthengine-api. Если вы работаете в виртуальной среде, активируйте её перед установкой.

Для визуализации данных и анализа добавьте библиотеку geemap, которая упрощает взаимодействие с Google Earth Engine. Установите её через pip install geemap. Эта библиотека также включает в себя Jupyter Notebook для удобной работы с данными.

Если вы планируете работать с растровыми и векторными данными, установите rasterio и geopandas. Используйте команды pip install rasterio и pip install geopandas. Эти инструменты помогут вам обрабатывать геопространственные данные локально.

Для авторизации в Google Earth Engine выполните команду earthengine authenticate в терминале. Это откроет браузер, где вам нужно будет войти в свой Google-аккаунт и предоставить доступ к API.

После установки всех библиотек проверьте их работоспособность. Запустите Python и попробуйте импортировать ee и geemap. Если ошибок нет, вы готовы к работе с Google Earth Engine.

Создание и настройка аккаунта Google Earth Engine

Перейдите на официальный сайт Google Earth Engine и нажмите кнопку «Sign Up». Для регистрации потребуется аккаунт Google. Если у вас его нет, создайте его заранее.

После входа в систему заполните форму заявки, указав свое имя, организацию (если есть) и цель использования платформы. Обычно рассмотрение заявки занимает 1-2 рабочих дня. На ваш email придет уведомление о подтверждении доступа.

Как только аккаунт будет активирован, войдите в Google Earth Engine Code Editor. Здесь вы сможете начать работу с API. Для доступа через Python установите библиотеку earthengine-api с помощью команды:

pip install earthengine-api

Авторизуйте свой аккаунт, выполнив в Python следующий код:

import ee
ee.Authenticate()
ee.Initialize()

После этого вы получите доступ к данным и инструментам платформы. Убедитесь, что ваш аккаунт имеет необходимые разрешения для работы с API. Если вы используете корпоративный аккаунт, проверьте настройки доступа в Google Cloud Console.

Если вы столкнулись с ошибками при авторизации, проверьте, включен ли доступ к API в Google Cloud Console. Также убедитесь, что ваш аккаунт имеет права на использование Earth Engine.

Первичные настройки в Python для использования API

Установите библиотеку earthengine-api через pip, выполнив команду: pip install earthengine-api. Это основной инструмент для работы с Google Earth Engine в Python.

После установки импортируйте библиотеку в ваш скрипт: import ee. Для инициализации API используйте команду ee.Initialize(). Если вы впервые работаете с Google Earth Engine, зарегистрируйте аккаунт на официальном сайте и получите доступ к платформе.

Для авторизации на локальной машине выполните команду ee.Authenticate(). Это откроет браузер, где вы войдете в свой Google-аккаунт и предоставите необходимые разрешения. После успешной авторизации создайте файл .config/earthengine/credentials, который будет хранить токен доступа.

Проверьте корректность настроек, выполнив простой запрос: print(ee.Image('LANDSAT/LC08/C01/T1_TOA/LC08_044034_20140318').getInfo()). Если вы видите метаданные изображения, настройка прошла успешно.

Для удобства работы добавьте путь к Google Earth Engine в переменные окружения. Это упростит доступ к данным и снизит вероятность ошибок. Используйте команду export EARTHENGINE_TOKEN=ваш_токен в терминале или добавьте её в файл .bashrc или .zshrc.

Создайте виртуальное окружение для проекта, чтобы избежать конфликтов зависимостей: python -m venv gee_env. Активируйте его командой source gee_env/bin/activate (для Linux/Mac) или .gee_envScriptsactivate (для Windows).

Добавьте в проект файл requirements.txt с перечнем используемых библиотек. Это упростит воспроизведение среды на других устройствах. Включите туда earthengine-api, numpy, pandas и другие инструменты, которые планируете использовать.

Тестирование установки и подключение к серверу

Проверьте корректность установки Google Earth Engine Python API, выполнив команду import ee в Python. Если ошибок нет, установка прошла успешно. Для подключения к серверу используйте ee.Authenticate(), чтобы авторизоваться через Google аккаунт, и ee.Initialize(), чтобы инициализировать сессию.

Убедитесь, что у вас установлена последняя версия API. Обновите её с помощью pip install --upgrade earthengine-api. Если возникнут проблемы с авторизацией, проверьте, включён ли доступ к Earth Engine в вашем Google аккаунте.

Для тестирования подключения выполните простой запрос, например, ee.Image('LANDSAT/LC08/C01/T1/LC08_044034_20140318').getInfo(). Если данные возвращаются без ошибок, подключение работает корректно.

Если вы используете виртуальную среду, убедитесь, что она активирована перед выполнением команд. Проверьте доступ к интернету и наличие квот на использование API в вашем проекте Google Cloud. Это поможет избежать неожиданных сбоев в работе.

Практическое применение Google Earth Engine для анализа данных

Для начала работы с Google Earth Engine Python API установите библиотеку earthengine-api и выполните аутентификацию. Используйте команду ee.Authenticate(), чтобы получить доступ к платформе. После этого инициализируйте API с помощью ee.Initialize().

Для анализа изменений земного покрова загрузите данные Landsat. Например, используйте коллекцию LANDSAT/LC08/C01/T1_SR для получения изображений Landsat 8. Примените фильтры по дате и облачности, чтобы выбрать подходящие снимки:

collection = ee.ImageCollection('LANDSAT/LC08/C01/T1_SR') 
.filterDate('2020-01-01', '2020-12-31') 
.filter(ee.Filter.lt('CLOUD_COVER', 10))

Для расчета индекса NDVI (Normalized Difference Vegetation Index) используйте формулу:

def addNDVI(image):
ndvi = image.normalizedDifference(['B5', 'B4']).rename('NDVI')
return image.addBands(ndvi)
collection = collection.map(addNDVI)

Чтобы визуализировать результаты, экспортируйте данные в формате GeoTIFF или отобразите их на карте:

ndvi_image = collection.select('NDVI').mean()
task = ee.batch.Export.image.toDrive(ndvi_image, description='NDVI_2020')
task.start()

Для анализа изменений во времени создайте временные ряды. Сгруппируйте данные по месяцам и рассчитайте средние значения NDVI:

monthly_ndvi = collection.select('NDVI') 
.map(lambda image: image.set('month', image.date().get('month'))) 
.reduce(ee.Reducer.mean().group(1, 'month'))

Используйте встроенные инструменты для классификации земного покрова. Например, примените алгоритм k-средних для группировки пикселей по спектральным характеристикам:

training = ndvi_image.sample(region=your_region, scale=30, numPixels=1000)
clusterer = ee.Clusterer.wekaKMeans(5).train(training)
result = ndvi_image.cluster(clusterer)

Для анализа урбанизации используйте данные о ночной подсветке. Загрузите коллекцию NOAA/VIIRS/DNB/MONTHLY_V1 и сравните изменения яркости за несколько лет:

night_lights_2015 = ee.ImageCollection('NOAA/VIIRS/DNB/MONTHLY_V1') 
.filterDate('2015-01-01', '2015-12-31').mean()
night_lights_2020 = ee.ImageCollection('NOAA/VIIRS/DNB/MONTHLY_V1') 
.filterDate('2020-01-01', '2020-12-31').mean()
change = night_lights_2020.subtract(night_lights_2015)

Для анализа засухи используйте данные о температуре поверхности и влажности почвы. Загрузите коллекцию MODIS/006/MOD11A2 для температуры и NASA/GLDAS/V021/NOAH/G025/T3H для влажности почвы:

temperature = ee.ImageCollection('MODIS/006/MOD11A2') 
.filterDate('2020-01-01', '2020-12-31').select('LST_Day_1km')
soil_moisture = ee.ImageCollection('NASA/GLDAS/V021/NOAH/G025/T3H') 
.filterDate('2020-01-01', '2020-12-31').select('SoilMoi0_10cm_inst')

Для анализа лесных пожаров загрузите данные о тепловых аномалиях из коллекции FIRMS. Фильтруйте данные по региону и времени:

fires = ee.ImageCollection('FIRMS') 
.filterDate('2020-01-01', '2020-12-31') 
.filterBounds(your_region)

Для анализа качества воды используйте данные о концентрации хлорофилла и взвешенных веществ. Загрузите коллекцию COPERNICUS/S3/OLCI и рассчитайте индексы:

water_quality = ee.ImageCollection('COPERNICUS/S3/OLCI') 
.filterDate('2020-01-01', '2020-12-31') 
.select(['Oa08_radiance', 'Oa06_radiance'])

Для анализа сельскохозяйственных угодий используйте данные о вегетационных индексах и влажности почвы. Загрузите коллекцию MODIS/006/MOD13Q1 для NDVI и NASA/GLDAS/V021/NOAH/G025/T3H для влажности почвы:

ndvi = ee.ImageCollection('MODIS/006/MOD13Q1') 
.filterDate('2020-01-01', '2020-12-31').select('NDVI')
soil_moisture = ee.ImageCollection('NASA/GLDAS/V021/NOAH/G025/T3H') 
.filterDate('2020-01-01', '2020-12-31').select('SoilMoi0_10cm_inst')

Скачивание и визуализация спутниковых снимков

Для скачивания спутниковых снимков в Google Earth Engine (GEE) используйте метод getDownloadURL. Этот метод позволяет экспортировать данные в формате GeoTIFF или других поддерживаемых форматах. Например, чтобы скачать изображение из коллекции Sentinel-2, выполните следующий код:

image = ee.Image('COPERNICUS/S2/20230101T100101_20230101T100102_T32TQM')
url = image.getDownloadURL({
'scale': 10,
'region': geometry
})
print(url)

Скачанный файл можно открыть в GIS-программах, таких как QGIS или ArcGIS, для дальнейшего анализа.

Для визуализации снимков непосредственно в GEE используйте метод Map.addLayer. Например, чтобы отобразить изображение Sentinel-2 с композицией RGB, выполните:

Map = geemap.Map()
image = ee.Image('COPERNICUS/S2/20230101T100101_20230101T100102_T32TQM')
Map.addLayer(image, {'bands': ['B4', 'B3', 'B2'], 'min': 0, 'max': 3000}, 'Sentinel-2 RGB')
Map.centerObject(geometry, 10)
Map

Для настройки визуализации используйте параметры min и max, чтобы настроить диапазон значений пикселей. Это особенно полезно для улучшения контрастности изображения.

Если вам нужно визуализировать данные с применением цветовых палитр, используйте метод visualize. Например, для отображения NDVI:

ndvi = image.normalizedDifference(['B8', 'B4'])
ndvi_viz = ndvi.visualize({'min': -1, 'max': 1, 'palette': ['blue', 'white', 'green']})
Map.addLayer(ndvi_viz, {}, 'NDVI')

Для удобства работы с данными сохраняйте результаты визуализации в переменные и добавляйте их на карту с поясняющими подписями.

Используйте таблицу ниже для быстрого выбора параметров визуализации:

Эти инструменты помогут вам эффективно работать с данными и получать наглядные результаты для анализа.

Анализ изменений земного покрова с использованием временных рядов

Для анализа изменений земного покрова начните с загрузки коллекции спутниковых данных, например, Landsat или Sentinel-2, через Google Earth Engine Python API. Используйте функцию ee.ImageCollection, чтобы получить данные за нужный период времени. Убедитесь, что вы применили фильтры по дате, облачности и региону для повышения точности.

• Используйте метод .filterDate() для выбора временного диапазона.
• Примените .filterBounds() для ограничения области исследования.
• Используйте .filterMetadata('CLOUD_COVER', 'less_than', 10) для минимизации облачности.

Для выделения изменений земного покрова используйте индексы, такие как NDVI (Normalized Difference Vegetation Index) или NDWI (Normalized Difference Water Index). Рассчитайте их для каждого изображения в коллекции:

def addNDVI(image):
ndvi = image.normalizedDifference(['B5', 'B4']).rename('NDVI')
return image.addBands(ndvi)
collection = collection.map(addNDVI)

Создайте временной ряд, агрегируя данные по месяцам или годам. Используйте метод .reduceColumns() для получения средних значений индексов:

timeSeries = collection.select('NDVI').reduceColumns({
reducer: ee.Reducer.mean(),
selectors: ['NDVI']
})

Для визуализации изменений постройте график с использованием библиотеки matplotlib. Экспортируйте данные из Google Earth Engine в формат CSV или JSON для дальнейшего анализа:

task = ee.batch.Export.table.toDrive({
collection: timeSeries,
description: 'NDVI_TimeSeries',
fileFormat: 'CSV'
})
task.start()

Для выявления значимых изменений примените статистические методы, такие как анализ трендов или метод Брей-Кертиса. Это поможет определить, где и когда произошли наиболее заметные изменения в земном покрове.

Не забывайте учитывать сезонные колебания и антропогенные факторы, которые могут повлиять на результаты анализа. Используйте дополнительные данные, такие как карты землепользования или климатические показатели, для уточнения интерпретации.

Разработка кастомных индексных карт для мониторинга экосистем

Создавайте индексные карты, используя комбинации спектральных каналов, чтобы выделить конкретные характеристики экосистем. Например, для оценки состояния растительности примените Normalized Difference Vegetation Index (NDVI), который рассчитывается как (NIR — Red) / (NIR + Red). В Google Earth Engine это можно сделать с помощью функции normalizedDifference.

Для анализа водных объектов используйте Normalized Difference Water Index (NDWI), рассчитываемый как (Green — NIR) / (Green + NIR). Этот индекс помогает выделить водоемы и оценить их состояние. В GEE реализуйте его аналогично NDVI, заменив соответствующие каналы.

Если вам нужно отслеживать засухи, примените Enhanced Vegetation Index (EVI) или Soil-Adjusted Vegetation Index (SAVI). Эти индексы учитывают влияние почвы и атмосферы, что делает их более точными для засушливых регионов. Используйте формулы, доступные в документации GEE, и адаптируйте их под свои данные.

Для мониторинга урбанизации или изменений в инфраструктуре создайте индекс Built-Up Index (BUI) с использованием комбинации каналов NIR, Red и SWIR. Это поможет выделить застроенные территории и отследить их динамику.

Используйте функции map и reduce в GEE для обработки временных рядов данных. Это позволит вам анализировать изменения экосистем за определенный период. Например, рассчитайте среднее значение NDVI за год, чтобы оценить сезонные колебания растительности.

Сохраняйте результаты в виде растровых слоев с помощью функции Export.image.toDrive. Это упростит их дальнейший анализ в GIS-программах или визуализацию в отчетах. Убедитесь, что вы выбрали подходящее разрешение и формат файла для экспорта.

Проверяйте точность своих индексных карт, сравнивая их с полевыми данными или эталонными наборами. Это поможет убедиться, что выбранные индексы корректно отражают характеристики экосистем.