所有专家都曾始于新手

在GEE中导出文件时，出现下面这个错误，排除了一下，既不是内存的原因，也不是网路的原因。

看了一下Anaconda中的环境，现在我有4个，其中gee是一个虚拟环境。因此一般在prompt中装库时要先进入其中一个虚拟环境。下完了之后，发现版本不对应。

先连接上GEE的自己的项目。

NDVI=（近红-红）/（近红+红）normalizedDifference方法是（A-B）/（A+B）的计算方法计算NDVI一般用来配合其他反演参数，构造指数或者数据升降尺度。

从Assets列表中找到导入文件，复制ID。找到Assets，新建NEW。

【代码】GEE使用哨兵2号影像无监督分类（待补充）

安装好所需的包并在python中输入下面代码。看到如下窗口，说明验证成功了。然后打开Internet选项。这一步做好后，打开魔法工具。会弹出一个登录的网页。

您的代码使用了Earth Engine的图像处理功能，根据给定的卷积核（kernel）创建了一个邻域数组，并将其与一个重命名为’Label’的图像波段连接起来。这样做的目的可能是将图像的邻域信息作为特征添加到某些机器学习模型中，同时保持原始图像的标签信息。这段代码使用sampleRegions()函数从imgArray中抽样生成一个特征集合，然后将这些特征与指定的矢量点图层points关联起来。在自己的研究区范围内用远红外、近红外、红色来加载影像。加载自己的研究区范围，并在地图上显示。

【代码】克里金法插值进行海洋温度插值。

【代码】GEE计算五种植被指数（NDVI、EVI2、RVI、MTVI2、OSAVI）

CWSI指数（作物水分胁迫指数，Crop Water Stress Index）是一种用来评估植物水分状况的指标。它主要基于植物叶片温度与空气温度之间的差异来评估植物的水分胁迫状况。CWSI指数的值通常在0到1之间，值越高说明植物的水分胁迫越严重。具体来说：CWSI接近0：这表明植物处于良好的水分状态，没有显著的水分胁迫。植物能够从土壤中吸收足够的水分进行正常的生长和光合作用。CWSI接近1：这表示植物处于严重的水分胁迫状态。

归一化是通过 unitScale 方法完成的，该方法根据之前计算的最小和最大值将波段的像素值缩放到0到1的范围。归一化是将图像的像素值缩放到一个标准范围（通常是0到1）的过程，这有助于在不同图像或数据集之间进行比较和处理。合并归一化波段：最后，函数使用 toBands() 方法将所有归一化的波段重新组合成一个单一的图像，并使用 rename(img.bandNames()) 方法将波段重命名为原始波段名称。该函数用于将图像的每个波段归一化到0到1的范围，基于在ROI内计算的最小和最大值。

缨帽变换（Tasseled Cap Transformation），也称为缨帽特征空间或缨帽系数，是一种用于遥感图像分析的线性变换方法。它最初由美国农业部的研究人员E. Kauth和G. Thomas在1976年提出，用于增强陆地卫星（Landsat）图像中的特定地表特征，如植被、土壤和城市区域。缨帽变换通过将原始的多波段遥感图像数据（如Landsat的可见光、近红外等波段）转换为一组新的特征空间，这些新特征空间能够更好地反映地表的物理特性。

创建一个包含多个层的影像合成：水体（NDWI > 0.5），植被（NDVI > 0.2），阴影区域的裸地（bare2但不包括bare1），和其他裸地（bare1）。然后，使用mosaic()方法合并这些层，并用clip(hh)方法裁剪到研究区域的范围。

在该图中，使用了从红色到蓝色的渐变来表示负趋势到正趋势。红色代表在某段时间中，植被覆盖减少，绿色表示持平，蓝色表示植被覆盖增加。

kriging() 函数用于进行克里金插值，其中包括了一些克里金插值模型的参数，如属性名称、形状、范围、sill、nugget 等。csvTable 是一个包含点数据的表格，每行代表一个点，每列代表不同的属性。1、准备一个CSV数据，内容如下：至少有有经纬度信息、值信息。samplesFC 是一个点特征集合，包含了采样点的数据。通过Assets上传这两个文件。

目前该影像存在两个波段。

生成的空白数据如下，以-9999作为初始值。

geemap 是一个基于 Google Earth Engine（GEE）的 Python 包，它提供了一系列用于地理空间数据可视化、分析和处理的工具。以下是 geemap 包的一些主要功能：地图可视化： 可以使用 geemap 创建交互式地图，并在地图上叠加各种数据图层，如遥感影像、矢量数据等。地图绘制： 可以在地图上绘制点、线、面等几何图形，并对其进行样式设置。地图交互： 可以与地图交互式地进行缩放、平移、标记点等操作。

这个函数是用来计算Landsat 8图像的归一化植被指数（NDVI），并将其作为新的波段添加到图像中。下面是对函数的解释：image.normalizedDifference([“B5”, “B4”])：使用Landsat 8图像的近红外波段（B5）和红色波段（B4）计算归一化植被指数（NDVI）。这里采用了NDVI的经典计算公式：(NIR - Red) / (NIR + Red)，其中NIR是近红外波段，Red是红色波段。

这段代码旨在对Landsat 8表面反射率图像进行云和云影的遮蔽。它利用像素QA（质量评估）波段来识别并遮蔽图像中的云和阴影区域。以下是该函数的功能解释：它定义了两个变量，cloudShadowBitMask 和 cloudsBitMask，分别代表QA波段中云影和云的位位置。使用 select() 函数从输入的Landsat 8图像中选择像素QA波段。通过对QA波段执行位运算，创建一个掩码。具体来说，它检查云影位和云位是否都设置为零，这表示天气晴朗的条件。

这段代码定义了一个用于计算植被覆盖度（FVC）的函数 calFVC。该函数接受三个参数：BestVI：代表一个图像对象，其中包含了某种植被指数（例如 NDVI、EVI 等）的信息。region：代表感兴趣区域的几何对象，用于指定计算植被覆盖度的区域范围。scale：代表计算的分辨率（单位为米）。函数首先使用 reduceRegion 方法计算了所提供的植被指数图像在指定区域内的第 5 和第 95 百分位数的值，即 min 和 max。

这是一个在 Google Earth Engine 中用于遮蔽 Sentinel-2 数据中云和云雾的函数。该函数首先选择 Sentinel-2 数据中的云量标志（QA60波段），然后通过位操作来确定是否存在云或云雾。选择 Sentinel-2 数据中的 QA60 波段，该波段包含了云量信息。定义了云和云雾的位掩码。在 Sentinel-2 的 QA60 波段中，第 10 位表示云，第 11 位表示云雾。使用位操作（位与）来检查云和云雾的位是否被设置为 1。

该GEE代码可以下载CHIRPS降水量数据集。CSDN上传限制5MB，只能上传3帧的GIF。CHIRPS数据集为1981年来全球降水量。一共制作了两年（24帧）PNG降水分布图。可以再对每一帧加个标题增加可读性。自动下载好之后，到云盘中打开。有了24帧逐月的照片之后，导出地图为png格式。然后点击另存为GIF。

SMAP的L3级产品，时间分辨率为每日，空间分辨率为9KM，到2023年12月2日停止提供。查看逐日的土壤水分变化。