เริ่มต้นใช้งาน Earth Engine สําหรับ Python

จัดทุกอย่างให้เป็นระเบียบอยู่เสมอด้วยคอลเล็กชัน บันทึกและจัดหมวดหมู่เนื้อหาตามค่ากำหนดของคุณ

การเริ่มต้นใช้งานอย่างรวดเร็วนี้จะแนะนำคุณเกี่ยวกับการแสดงภาพและการวิเคราะห์ข้อมูลเชิงพื้นที่ด้วยอินเทอร์เฟซ Python ของ Earth Engine

ก่อนเริ่มต้น

ลงทะเบียนหรือสร้างโปรเจ็กต์ Google Cloud ระบบจะแจ้งให้คุณทำตามขั้นตอนต่อไปนี้ หากคุณมีโปรเจ็กต์ที่ลงทะเบียนเพื่อเข้าถึง Earth Engine อยู่แล้ว ให้ข้ามไปยังส่วนถัดไป

• เลือกวัตถุประสงค์ของโปรเจ็กต์ว่าเป็นแบบเชิงพาณิชย์หรือไม่เชิงพาณิชย์
• หากวัตถุประสงค์ไม่ใช่เชิงพาณิชย์ ให้เลือกประเภทโปรเจ็กต์
• สร้างโปรเจ็กต์ Google Cloud ใหม่หรือเลือกโปรเจ็กต์ที่มีอยู่
• หากวัตถุประสงค์เป็นแบบเชิงพาณิชย์ ให้ยืนยันหรือตั้งค่าการเรียกเก็บเงินสำหรับโปรเจ็กต์
• ยืนยันข้อมูลโปรเจ็กต์
  

  หมายเหตุ: หากไม่ต้องการเก็บทรัพยากรที่สร้างขึ้นในขั้นตอนนี้ ให้สร้างโปรเจ็กต์แทนการเลือกโปรเจ็กต์ที่มีอยู่ หลังจากทำตามขั้นตอนเหล่านี้แล้ว คุณจะลบโปรเจ็กต์ซึ่งเป็นการนำทรัพยากรทั้งหมดที่โปรเจ็กต์เป็นเจ้าของออกได้

การตั้งค่าสมุดบันทึก

สมุดบันทึก Jupyter ช่วยให้คุณใช้ Earth Engine และสำรวจผลลัพธ์แบบอินเทอร์แอกทีฟได้ วิธีที่เร็วที่สุดในการเริ่มต้นคือการใช้โน้ตบุ๊กใน Google Colab Notebook คุณสามารถเปิดสมุดบันทึกใหม่แล้วคัดลอกโค้ดต่อไปนี้ไปยังเซลล์แต่ละเซลล์ หรือจะใช้สมุดบันทึกเริ่มต้นใช้งาน Python ของ Earth Engine ที่กรอกข้อมูลไว้ล่วงหน้าก็ได้

1. นําเข้าไลบรารี Earth Engine และ geemap

   import ee
   import geemap.core as geemap

2. ตรวจสอบสิทธิ์และเริ่มต้นบริการ Earth Engine ทำตามข้อความแจ้งที่ปรากฏขึ้นเพื่อตรวจสอบสิทธิ์ให้เสร็จสมบูรณ์ อย่าลืมแทนที่ PROJECT_ID ด้วยชื่อโปรเจ็กต์ที่คุณตั้งค่าไว้สําหรับการเริ่มต้นใช้งานอย่างรวดเร็วนี้

   ee.Authenticate()
   ee.Initialize(project='PROJECT_ID')

เพิ่มข้อมูลแรสเตอร์ลงในแผนที่

1. โหลดข้อมูลสภาพอากาศของระยะเวลาหนึ่งๆ และแสดงข้อมูลเมตา

   jan_2023_climate = (
       ee.ImageCollection('ECMWF/ERA5_LAND/MONTHLY_AGGR')
       .filterDate('2023-01', '2023-02')
       .first()
   )
   jan_2023_climate

2. สร้างออบเจ็กต์แผนที่และเพิ่มแถบอุณหภูมิเป็นเลเยอร์ที่มีพร็อพเพอร์ตี้การแสดงภาพเฉพาะ แสดงแผนที่

   m = geemap.Map(center=[30, 0], zoom=2)
   
   vis_params = {
       'bands': ['temperature_2m'],
       'min': 229,
       'max': 304,
       'palette': 'inferno',
   }
   m.add_layer(jan_2023_climate, vis_params, 'Temperature (K)')
   m

เพิ่มข้อมูลเวกเตอร์ลงในแผนที่

1. สร้างออบเจ็กต์ข้อมูลเวกเตอร์ที่มีจุดสำหรับ 3 เมือง

   cities = ee.FeatureCollection([
       ee.Feature(ee.Geometry.Point(10.75, 59.91), {'city': 'Oslo'}),
       ee.Feature(ee.Geometry.Point(-118.24, 34.05), {'city': 'Los Angeles'}),
       ee.Feature(ee.Geometry.Point(103.83, 1.33), {'city': 'Singapore'}),
   ])
   cities

2. เพิ่มสถานที่ตั้งของเมืองลงในแผนที่และแสดงแผนที่อีกครั้ง

   m.add_layer(cities, name='Cities')
   m

ดึงข้อมูลและสร้างแผนภูมิ

1. นําเข้าไลบรารีแผนภูมิ Altair

   %pip install -q --upgrade altair
   import altair as alt

2. ดึงข้อมูลสภาพอากาศของ 3 เมืองเป็น Pandas DataFrame

   city_climates = jan_2023_climate.reduceRegions(cities, ee.Reducer.first())
   
   city_climates_dataframe = ee.data.computeFeatures(
       {'expression': city_climates, 'fileFormat': 'PANDAS_DATAFRAME'}
   )
   city_climates_dataframe

3. แสดงอุณหภูมิของเมืองเป็นแผนภูมิแท่ง

   alt.Chart(city_climates_dataframe).mark_bar(size=100).encode(
       alt.X('city:N', sort='y', axis=alt.Axis(labelAngle=0), title='City'),
       alt.Y('temperature_2m:Q', title='Temperature (K)'),
       tooltip=[
           alt.Tooltip('city:N', title='City'),
           alt.Tooltip('temperature_2m:Q', title='Temperature (K)'),
       ],
   ).properties(title='January 2023 temperature for selected cities', width=500)

ขั้นตอนถัดไป

• ดูข้อมูลเกี่ยวกับการวิเคราะห์ข้อมูลด้วยออบเจ็กต์และเมธอดของ Earth Engine
• ดูข้อมูลเกี่ยวกับสภาพแวดล้อมการประมวลผลของ Earth Engine
• ดูข้อมูลเกี่ยวกับความสามารถด้านแมชชีนเลิร์นนิงของ Earth Engine
• ดูวิธีส่งออกผลการคำนวณไปยัง BigQuery