当前位置：首页 > news >正文

不只是安装：用geemap和本地Jupyter Notebook玩转GEE数据可视化与快速分析

news 2026/6/5 6:06:13

不只是安装：用geemap和本地Jupyter Notebook玩转GEE数据可视化与快速分析

当大多数人还在Google Earth Engine（GEE）的在线编辑器中挣扎于有限的交互功能和数据处理能力时，一个更强大的选择正在等待被发现——将GEE的强大计算能力与本地Jupyter Notebook的灵活性相结合。这不仅仅是关于安装几个Python包，而是关于解锁一个全新的地理空间数据分析维度。

想象一下：你可以在本地环境中直接调用GEE的海量遥感数据，利用geemap的交互式可视化功能实时探索数据，结合Python生态中的其他工具（如pandas、scikit-learn）进行深度分析，而这一切都不需要离开你熟悉的Jupyter Notebook界面。这就是本文要带你探索的世界——一个比在线编辑器更强大、更灵活的地理空间分析环境。

1. 从零开始：构建你的本地GEE分析环境

1.1 为什么选择本地环境而非在线编辑器？

GEE的在线编辑器确实提供了便捷的入门途径，但当你的分析变得复杂时，它的局限性就显现出来了：

有限的交互性：在线地图查看器功能简单，难以进行深度探索
数据处理流程受限：复杂的分析需要拆分成多个步骤，难以维护
缺乏与本地数据的整合：难以将GEE数据与其他本地数据集结合分析
开发体验欠佳：代码编辑、版本控制和调试功能有限

相比之下，本地Jupyter环境提供了：

完整的Python生态系统：可以无缝结合numpy、pandas、matplotlib等工具
交互式可视化：geemap提供了比在线编辑器更丰富的地图控件
更好的代码管理：可以使用git进行版本控制，代码组织更灵活
离线开发能力：虽然计算仍在云端，但开发过程可以不依赖网络

1.2 环境配置：一步到位的解决方案

虽然原始文章已经介绍了基本的安装步骤，但我们将提供一个更全面、更可靠的配置方案：

# 创建并激活conda环境 conda create -n gee python=3.9 conda activate gee # 使用mamba加速包安装（比conda更快） conda install -c conda-forge mamba mamba install -c conda-forge geemap pygis jupyterlab # 安装常用地理空间分析扩展 pip install ipyleaflet folium rasterio geopandas

提示：如果遇到网络问题，可以尝试设置conda的国内镜像源，或者使用学术网络加速服务。

验证安装是否成功：

import ee import geemap Map = geemap.Map() Map

如果看到一个交互式地图显示出来，恭喜你，环境配置成功了！

2. 连接GEE与本地环境：认证与初始化

2.1 GEE账户认证的完整流程

与在线编辑器不同，本地使用GEE需要进行额外的认证步骤。这是一个常被忽视但至关重要的环节：

import ee # 触发认证流程 ee.Authenticate() # 初始化GEE ee.Initialize()

运行这段代码后，系统会提示你：

打开一个Google认证链接
登录你的GEE账户
获取验证码并粘贴回Jupyter中

注意：认证令牌会保存在本地，通常位于~/.config/earthengine/目录下，无需每次使用都重新认证。

2.2 解决常见的认证问题

认证过程中可能会遇到几个典型问题：

认证失败：确保你的Google账户已注册GEE访问权限
令牌过期：删除旧的认证文件重新运行认证流程
网络问题：检查代理设置或尝试不同的网络环境

一个更健壮的认证代码示例：

try: ee.Initialize() except Exception as e: print(f'GEE未认证，错误: {e}') ee.Authenticate() ee.Initialize()

3. 数据加载与基础可视化：超越在线编辑器

3.1 加载GEE数据集：以Landsat为例

让我们从最基本的开始——加载一个Landsat影像并显示：

# 加载Landsat 8地表反射率数据集 landsat = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2') # 定义时间和空间过滤器 filtered = landsat.filterDate('2020-01-01', '2020-12-31') \ .filterBounds(ee.Geometry.Point([116.4, 39.9])) # 北京坐标 # 选择最新的一景影像 image = filtered.sort('system:time_start', False).first() # 定义可视化参数 vis_params = { 'bands': ['SR_B4', 'SR_B3', 'SR_B2'], 'min': 8000, 'max': 20000 } # 创建地图并添加图层 Map = geemap.Map() Map.addLayer(image, vis_params, 'Landsat 8 RGB') Map.centerObject(image, 8) Map

这段代码不仅加载了数据，还展示了geemap比在线编辑器更强大的几个方面：

交互式控件：可以缩放、平移、切换图层
更灵活的可视化参数：可以实时调整显示范围
完整的Python环境：可以结合其他库进行数据处理

3.2 高级可视化技巧

geemap提供了多种在线编辑器不具备的可视化功能：

# 创建分屏地图比较不同时期的影像 Map = geemap.Map() # 加载两个不同时期的影像 image2019 = landsat.filterDate('2019-06-01', '2019-06-30').first() image2020 = landsat.filterDate('2020-06-01', '2020-06-30').first() # 添加分屏比较 Map.split_map( left_layer=image2019, right_layer=image2020, left_name='2019', right_name='2020', vis_params=vis_params ) # 添加图层控制和时间轴 Map.addLayerControl() Map.add_time_slider(landsat, vis_params, time_interval=2) Map

4. 进阶分析：NDVI计算与时间序列

4.1 实现NDVI计算与可视化

NDVI（归一化植被指数）是遥感分析中最常用的指标之一。在本地环境中，我们可以更灵活地实现这一计算：

# 定义NDVI计算函数 def addNDVI(image): ndvi = image.normalizedDifference(['SR_B5', 'SR_B4']).rename('NDVI') return image.addBands(ndvi) # 计算NDVI并添加到影像 image_with_ndvi = addNDVI(image) # NDVI可视化参数 ndvi_params = { 'bands': ['NDVI'], 'min': -1, 'max': 1, 'palette': ['blue', 'white', 'green'] } # 创建地图显示NDVI Map = geemap.Map() Map.addLayer(image_with_ndvi, ndvi_params, 'NDVI') Map.add_colorbar(ndvi_params, label='NDVI Scale') Map.centerObject(image, 8) Map

4.2 时间序列分析：提取区域NDVI变化

本地环境的真正优势在于可以轻松实现复杂的分析流程：

# 定义研究区域（北京周边） region = ee.Geometry.Point([116.4, 39.9]).buffer(5000) # 创建2015-2020年每年夏季的NDVI时间序列 years = ee.List.sequence(2015, 2020) def getYearlyNDVI(year): year = ee.Number(year) start = ee.Date.fromYMD(year, 6, 1) end = ee.Date.fromYMD(year, 8, 31) # 获取夏季影像中值并计算NDVI yearlyImage = landsat.filterDate(start, end).median() ndvi = addNDVI(yearlyImage).select('NDVI') # 计算区域平均NDVI meanNDVI = ndvi.reduceRegion( reducer=ee.Reducer.mean(), geometry=region, scale=30 ).get('NDVI') return ee.Feature(None, { 'year': year, 'meanNDVI': meanNDVI, 'system:time_start': start.millis() }) # 执行计算并获取结果 timeSeries = ee.FeatureCollection(years.map(getYearlyNDVI)) results = geemap.ee_to_pandas(timeSeries) # 绘制时间序列图 import matplotlib.pyplot as plt plt.figure(figsize=(10, 5)) plt.plot(results['year'], results['meanNDVI'], 'o-') plt.title('北京周边夏季平均NDVI变化 (2015-2020)') plt.xlabel('年份') plt.ylabel('NDVI') plt.grid(True) plt.show()

5. 本地与云端数据融合：解锁更多可能

5.1 导入本地数据到GEE分析

geemap使得本地数据与GEE数据的融合变得简单：

# 加载本地shapefile（需要提前上传到Colab或本地Jupyter环境） local_shapefile = 'path/to/your/file.shp' # 将本地矢量数据转换为GEE对象 aoi = geemap.shp_to_ee(local_shapefile) # 现在可以在GEE分析中使用这个区域了 Map = geemap.Map() Map.addLayer(aoi, {}, 'Study Area') Map.centerObject(aoi, 10) Map

5.2 导出GEE数据到本地

有时我们需要将GEE的处理结果下载到本地进行进一步分析：

# 定义导出任务 task = ee.batch.Export.image.toDrive( image=image_with_ndvi.select('NDVI'), description='NDVI_Export', folder='GEE_Exports', fileNamePrefix='beijing_ndvi', scale=30, region=region, fileFormat='GeoTIFF' ) # 启动导出任务 task.start() # 检查任务状态 geemap.get_task_list()

提示：导出任务需要一些时间完成，可以通过geemap.get_task_list()查看进度。

6. 构建交互式应用：geemap的高级功能

6.1 创建自定义交互工具

geemap允许创建比在线编辑器更丰富的交互界面：

# 创建地图 Map = geemap.Map() # 添加一个绘制工具 draw_control = Map.draw_control # 添加一个按钮来计算绘制区域的统计信息 def compute_stats(feature): if feature is None: print("请先绘制一个多边形") return geometry = feature.geometry() stats = image_with_ndvi.reduceRegion( reducer=ee.Reducer.mean(), geometry=geometry, scale=30 ) print(f"区域统计:\n{stats.getInfo()}") # 将函数绑定到绘制完成事件 Map.on_draw(compute_stats) # 显示地图 Map

6.2 构建完整的面板应用

结合ipywidgets，可以创建复杂的数据分析面板：

from ipywidgets import interact, FloatSlider # 创建地图 Map = geemap.Map() # 定义交互函数 def update_map(ndvi_min, ndvi_max): Map = geemap.Map() ndvi_params = { 'bands': ['NDVI'], 'min': ndvi_min, 'max': ndvi_max, 'palette': ['blue', 'white', 'green'] } Map.addLayer(image_with_ndvi, ndvi_params, 'NDVI') Map.centerObject(image, 8) display(Map) # 创建交互界面 interact( update_map, ndvi_min=FloatSlider(min=-1, max=0, step=0.1, value=-0.5), ndvi_max=FloatSlider(min=0, max=1, step=0.1, value=0.8) )

7. 性能优化与最佳实践

7.1 加速GEE请求的技巧

当处理大量数据时，性能优化变得重要：

使用适当的scale参数：根据需求选择合适的空间分辨率
限制时间范围：避免不必要的时间跨度
选择性下载：只导出需要的波段或属性
使用reduceResolution：当下采样可以接受时

# 优化后的区域统计计算 optimized_stats = image_with_ndvi.reduceRegion( reducer=ee.Reducer.mean(), geometry=region, scale=100, # 使用更大的scale加速计算 bestEffort=True, # 如果计算太复杂，返回尽力而为的结果 maxPixels=1e9 # 增加最大像素数限制 )

7.2 本地缓存策略

对于频繁使用的数据，可以建立本地缓存：

from pathlib import Path import json # 定义缓存目录 cache_dir = Path('gee_cache') cache_dir.mkdir(exist_ok=True) # 尝试从缓存加载 cache_file = cache_dir / 'ndvi_stats.json' if cache_file.exists(): with open(cache_file) as f: stats = json.load(f) else: # 从GEE获取数据 stats = image_with_ndvi.reduceRegion( reducer=ee.Reducer.mean(), geometry=region, scale=30 ).getInfo() # 保存到缓存 with open(cache_file, 'w') as f: json.dump(stats, f)

8. 从分析到发布：创建可分享的成果

8.1 导出交互式HTML地图

geemap可以轻松导出交互式地图供他人查看：

# 创建地图 Map = geemap.Map() Map.addLayer(image_with_ndvi, ndvi_params, 'NDVI') Map.centerObject(image, 8) # 导出为HTML Map.to_html('ndvi_map.html', title='北京NDVI分布')

8.2 构建可重复的分析模板

将常用分析流程封装为函数，方便重用：

def analyze_ndvi_trends(point, start_year, end_year, buffer=5000): """分析指定点周围区域的NDVI时间趋势""" region = point.buffer(buffer) years = ee.List.sequence(start_year, end_year) def getYearlyNDVI(year): year = ee.Number(year) start = ee.Date.fromYMD(year, 6, 1) end = ee.Date.fromYMD(year, 8, 31) yearlyImage = landsat.filterDate(start, end).median() ndvi = addNDVI(yearlyImage).select('NDVI') meanNDVI = ndvi.reduceRegion( reducer=ee.Reducer.mean(), geometry=region, scale=30 ).get('NDVI') return ee.Feature(None, { 'year': year, 'meanNDVI': meanNDVI, 'system:time_start': start.millis() }) timeSeries = ee.FeatureCollection(years.map(getYearlyNDVI)) return geemap.ee_to_pandas(timeSeries) # 使用函数分析不同地点 beijing = ee.Geometry.Point([116.4, 39.9]) shanghai = ee.Geometry.Point([121.47, 31.23]) bj_ndvi = analyze_ndvi_trends(beijing, 2015, 2020) sh_ndvi = analyze_ndvi_trends(shanghai, 2015, 2020)

在实际项目中，我发现将常用分析流程封装成这样的函数可以大大提高工作效率，特别是在需要比较多个区域或时间段的场景中。geemap的交互功能与GEE的计算能力结合，使得探索性空间数据分析变得前所未有的高效和直观。

查看全文

http://www.jsqmd.com/news/839484/