gee

xiao5kou4chang6kai4

基于Landsat等多源时序数据的遥感分类、监测与可视化综合实践随着航空、航天、近地空间遥感平台的持续发展，遥感技术近年来取得显著进步。遥感数据的空间、时间、光谱分辨率及数据量均大幅提升，呈现出大数据特征。2025年7月，Google DeepMind发布了革命性的AlphaEarth Foundations模型及Satellite Embedding数据集，标志着遥感数据分析进入AI驱动的新时代。这为相关研究带来了新机遇，但同时也带来巨大挑战。传统的工作站和服务器已无法满足大区域、多尺度海量遥感数据处理需求。

基于 GEE 的生态环境质量评价：遥感生态指数（RSEI）计算与空间分布可视化目录一、全局配置与基础设置（一）核心参数定义（二）波段映射配置二、数据预处理函数（一）云掩膜函数（maskclouds）

解锁GEE云端林业遥感：贯通森林分类、森林砍伐与退化监测、火灾评估、森林扰动监测、森林关键生理参数（树高/生物量/碳储量）反演等随着遥感技术迈向云端化、智能化，谷歌地球引擎（GEE）已成为林业遥感研究的核心工具。其强大的全球数据存储与并行计算能力，结合多源遥感影像（如Landsat、Sentinel-2、PALSAR-2）和新兴AI模型（如ChatGPT），为森林资源监测、灾害响应与生态评估提供了前所未有的技术支持。本专题旨在系统梳理GEE平台在林业领域的全链路应用，从基础操作到复杂模型开发，助力从业者突破技术瓶颈。

基于 GEE 利用 WorldPop 数据集批量导出 100 米分辨率人口影像数据与时序分析目录一、研究区域与地图初始化二、影像裁剪函数定义三、WorldPop 数据集导入与预处理四、2020 年人口数据可视化

苏州市 NDVI 数据（GEE处理_2020–2024年逐年_10m_高精度 SCL掩膜）——免费下载基于 Google Earth Engine (GEE) 平台，面向需要获取苏州市年度 NDVI（归一化植被指数）数据的用户。数据覆盖 2020–2024 年，分辨率高达 10 米，并经过 SCL（场景分类）掩膜处理，保证高精度和可靠性。教程不仅提供逐年 NDVI 合成方法，还附带完整 GEE 代码示例，用户可直接运行生成数据。所有生成的数据可免费导出至 Google Drive，便于进一步分析和应用。

基于 GEE 的 MODIS 数据逐月植被覆盖度（FVC）计算与数据导出完整流程目录一、代码整体框架与依赖环境说明二、可视化参数配置三、研究区与地图定位四、NDVI 计算函数（calculateNDVI）

GEE统计特定区域特定时间上的Landsat/Sentinel的影像信息很多时候，我们会想查看一个特定的研究区和研究时间范围内的Landsat 或者 Sentinel系列数据集中影像的一些参数信息，如成像时间，云量，数量等等，以帮助我们确定应该如何筛选影像。比如，我想知道1990年至2020年期间，所有覆盖到北京市的Landsat影像的信息，如下图所示。Landsat系列和Sentinel系列是目前使用最为广泛的两个影像数据集，现在，我提供了实现这一操作的代码框架，大家可以在此基础上进行修改，以得到你想要提取的信息。基于此框架，你还可以扩展到其他影像数据集（如MODIS等）。

基于 GEE MODIS 数据的区域干旱监测——从植被状况指数（VCI）计算到干旱分级与空间分布可视化目录一、基础模块：研究区与时间配置（一）研究区边界定义与可视化（二）时间范围设置二、数据加载与预处理（一）MODIS NDVI 数据集选择

基于 GEE 利用 GHSL（100m）数据的区域建成区时空变化量化分析目录一、代码整体框架与设计思路二、逐模块深度解析（含代码片段与逻辑拆解）（一）模块 0：用户设置 —— 分析基础参数定义

基于 GEE 使用 OTSU 算法赋能遥感水体自动化提取：从自动阈值计算到高效分割的水体自动分割方案目录一、初始化设置：研究区与参数定义（一）研究区加载与地图配置（二）年份参数定义二、影像预处理函数：消除噪声与还原物理意义

基于 GEE 的 MODIS 昼夜地表温度数据可视化与导出全流程解决方案目录一、研究区域（ROI）设置与地图初始化（一）研究区域定义（ROI）（二）地图定位与 ROI 可视化

基于 GEE MODIS 数据实现 7 大遥感指数计算与可视化目录一、核心代码分段解析（一）初始化设置与数据准备（二）波段提取（三）可视化参数设置（四）各类指数计算与可视化

基于 GEE 的 Sentinel-2 光谱、指数、纹理特征提取与 Sentinel-1 SAR 数据处理目录一、代码整体框架与核心功能二、代码逐段解析（一）注释与基础配置（二）Sentinel-2 数据处理模块

基于 GEE 平台用 Sentinel-1 SAR 数据实现山区潜在滑坡检测目录一、前言二、核心原理剖析（一）Sentinel-1 数据特性（二）滑坡检测原理三、数据处理全流程（一）步骤拆解

Python：如何在Pycharm中显示geemap地图?或许在旧版本的python和jupyter中并不能成功. 作为参考，这里给出实验成功的版本：此外，由于显示底图需要连接waiwang，确保挂好tizi连接N <== P <== V.(一般可以在GEE官网上编写代码的网络，在pycharm中也同样适用)

第一篇：【Python-geemap教程（三）上】3D地形渲染与Landsat NDVI计算在前两篇内容中，我们完成了基于 Miniconda 搭建 geemap + Google Earth Engine (GEE) 的开发环境，并介绍了基础数据加载与可视化方法。从本文开始，我们将深入实战，分两篇讲解如何通过 Python+geemap 实现多维地理数据可视化：

基于GEE与哨兵2号的土地覆盖分类方法及实现利用遥感技术进行土地覆盖分类是地表变化监测的基础工作。Google Earth Engine（GEE）平台凭借其海量数据存储与并行计算能力，显著降低了长时间序列、大区域土地分类的技术门槛。本文基于哨兵2号遥感数据，介绍利用GEE实现土地覆盖分类的完整流程，包括数据预处理、特征构建、分类器训练及精度验证等关键环节。

xiao5kou4chang6kai4

【Python-GEE】如何利用Landsat时间序列影像通过调和回归方法提取农作物特征并进行分类1.遥感云计算概述1.1 Earth Engine平台与生态系统1)GEE平台架构与技术特点2)与其他云计算平台（Microsoft Planetary Computer、PIE-Engine等）比较

基于 Google Earth Engine 的南京江宁区土地利用分类（K-Means 聚类）其实利用GEE可以做的内容太多了，很多内容换一个区域，换一个时间段就是一篇本科毕业论文（设计），甚至拓展一下硕士也不是不行。本文将详细介绍如何使用 GEE 对南京江宁区的 Landsat 8 地表反射率数据进行 K-Means 聚类分析，实现土地利用分类，并将结果可视化和导出。（后续有机会再给大家详细说一下如何完整的进行毕业论文的大纲和设计，甚至完成一篇十分简单的毕业论文。）

基于 Google Earth Engine (GEE) 的土地利用变化监测土地利用变化是全球环境变化的重要组成部分，对生态系统、气候和人类社会产生深远影响。利用遥感技术可以快速、准确地获取土地利用信息，监测其变化情况。本文将详细介绍如何使用 GEE 对特定区域的 Landsat 影像进行处理，实现土地利用分类和(动态)变化监测。