社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  Python

GEE(Python版本)多源数据+数理统计网格化全球制图分析

GEE遥感训练营 • 7 月前 • 217 次点击  

GEE(Python版本)开展全球制图分析中有很多独特优势。除了无需下载数据、消耗配额以外,综合数理统计分析、网格化等制图技巧也是一大亮点。然而,要综合实现这些复杂的功能,需要对多维数据有较为深刻的理解,同时能够对处理好的数据进行数理统计分析。本文以Nature期刊图文为例,综合基于全国的土地利用数据统计分析+网格化制图内容。


1
Nature顶刊图文特色:
我们知道,很多顶级期刊都是做的大范围研究,甚至很多做的是全球范围的研究。有学员就好奇了:这种全球的数据难道需要我们自己下载以后出图吗?这么大的数据量,传统的GIS软件能打开制图分析吗?数据下载需要多久?于是,这便像大范围出图的一个拦路虎,传统出图方法已经无法解决。然而,我们经常看到那些绝美的顶刊论文的图,不仅漂亮美观,而且都是基于大范围乃至全球尺度的,例如:

Hansen M C, Potapov P V, Moore R, et al. High-resolution global maps of 21st-century forest cover change[J]. science

PekelJ F, Cottam A, Gorelick N, et al. High-resolution mapping of global surface water and its long-term changes[J]. Nature, 2016, 540(7633): 418-422.

KruitwagenL, Story K T, Friedrich J, et al. A global inventory of photovoltaic solar energy generating units[J]. Nature, 2021, 598(7882): 604-610.


2

基于GEE(Python)的可行性分析:

我们知道,GEE可以快速显示全球任意地球的数据,无论是单一数据还是多源数据的叠加,这为GEE大范围(全球)制图提供了思路。然而,GEE官网版本并没有制图分析功能,如何快速制作大范围,多源数理统计分析的格网化SCI论文图呢?这里,我们采用了GEE(Python)版本完美的解决了这个问题。首先,我们基于geemap加载地图和数据,完美的接入了GEE自带的数据,并且可以在这里实现数据处理和专题信息提取;其次,我们可以基于numpy、pandas等开展数理统计分析,而大范围的统计分析我们可以基于经纬度格网实现快速分析,最后用matplotlib和cartopy进行精美制图,这样一个完整的流程就实现了。

3

GEE(Python)多源数据+数理统计分析格网化结果展示:

我们以全国的土地利用分类数据为例,首先进行全国制图,核心代码如下:



    
fig = plt.figure(figsize=(12, 12), dpi=300, facecolor="white")# 关键:proj=projn 才是等面积投影制图的核心ax = cartoee.get_map(    imgBlend,    region=[142, 15, 70, 55], # 当前版本 cartoee 的兼容写法    scale=500,    basemap = 'HYBRID',    zoom_level=3)# # 用经纬度范围约束投影地图显示区域ax.set_extent(rectangle_roi, crs=ccrs.PlateCarree())# 添加经纬网gl = ax.gridlines(    crs=ccrs.PlateCarree(),    draw_labels=True,    linewidth=0.6,    color='gray',    alpha=0.5,    linestyle='--')# 只显示左侧和底部标签(避免重叠)gl.top_labels = Falsegl.right_labels = Falselegend_elements = legend_elements = [    mpatches.Patch(facecolor=f'#{c}', edgecolor='none', label=lab)    for c, lab in zip(palette, labels)]cartoee.add_legend(ax,legend_elements=legend_elements,font_size=9,ncol=1,bbox_to_anchor=(1.001, -0.01))plt.show()
这样,我们得到全国的土地利用专题制图,结果显示如下:
我们需要在此基础上进行数理统计+网格化分析,实现经度和维度上的统计。这里我们以耕地信息为例,核心代码如下:
# -----------------------------# 经度方向:平滑均值 + 近似95%置信带# -----------------------------# 8. 经度方向统计# -----------------------------grid_lon_stats = grid_lon.map(zonal_cropland_area)df_lon = geemap.ee_to_df(grid_lon_stats)df_lon = df_lon[['xmin', 'cropland_m2', 'cropland_km2', 'cropland_ha']] \    .sort_values(by='xmin') \    .reset_index(drop=True)df_plot = df_lon.copy()# 滑动窗口大小,可调window = 5# 滑动均值df_plot['mean'] = df_plot['cropland_km2'].rolling(window=window, center=True, min_periods=1).mean()# 滑动标准差df_plot['std'] = df_plot['cropland_km2'].rolling(window=window, center=True, min_periods=1).std()# 标准误df_plot['sem'] = df_plot['std'] / np.sqrt(window)# 近似95%置信区间df_plot['upper'] = df_plot['mean'] + 1.96 * df_plot['sem']df_plot['lower'] = df_plot['mean'] - 1.96 * df_plot['sem']# 避免边缘 NaNdf_plot['std'] = df_plot['std'].fillna(0)df_plot['sem'] = df_plot['sem'].fillna(0)df_plot['upper'] = df_plot['upper'].fillna(df_plot['mean'])df_plot['lower'] = df_plot['lower'].fillna(df_plot['mean'])plt.figure(figsize=(12, 6))# 原始折线plt.plot(    df_plot['xmin'],    df_plot['cropland_km2'],    color='#9ecae1',    linewidth=1.5,    alpha=0.7,    label='Original')# 平滑均值线plt.plot(    df_plot['xmin'],    df_plot['mean'],    color='#08519c',


    
    linewidth=2.8,    label='Rolling mean')# 置信范围带plt.fill_between(    df_plot['xmin'],    df_plot['lower'],    df_plot['upper'],    color='#6baed6',    alpha=0.25,    label='95% CI')plt.xlabel('Longitude', fontsize=12)plt.ylabel('Cropland Area (km²)', fontsize=12)plt.title(f'MCD12Q1 Cropland Area by Longitude ({year})', fontsize=14)plt.grid(True, linestyle='--', alpha=0.3)plt.legend(frameon=False)plt.tight_layout()plt.show()
我们将经度和维度的统计信息进行制图生成,得到基于全国尺度的土地利用分类经纬度网格化SCI高级制图结果:

4

结束语:

这项研究当然不是只能全国的土地利用制图+统计网格化分析,对于所有的专题制图+数理统计网格化分析都适用。其次,我们还提到了基于GEE(Python版本)的高级制图方法,包括基础原理+颜色、纹理、阴影、透明度、三维等多源数据叠加,生成属于自己科研的SCI精美图。
以上只是我们课程的一小章内容,你会发现我们的培训课程干货满满!感兴趣的可以咨询小编:

2026开学特惠 | GEE(Python版本)深度学习与全球制图分析实战特训教学

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/194573