Google Earth Engine（GEE）——容易犯的错误8（样本数据的导出export)

Export 中间结果 

假设您的目标是从相对复杂的计算图像中取样。通常Export对图像更有效toAsset()，加载导出的图像，然后采样。例如：

  

   

    

     

    
    

     

      var image = ee.Image('UMD/hansen/global_forest_change_2018_v1_6');
     
    
   

    

     

    
    

     

      var geometry = ee.Geometry.Polygon(
     
    
   

    

     

    
    

     

          [[[-76.64069800085349, 5.511777325802095],
     
    
   

    

     

    
    

     

            [-76.64069800085349, -20.483938229362376],
     
    
   

    

     

    
    

     

            [-35.15632300085349, -20.483938229362376],
     
    
   

    

     

    
    

     

            [-35.15632300085349, 5.511777325802095]]], null, false);
     
    
   

    

     

    
    

     

      var testRegion = ee.Geometry.Polygon(
     
    
   

    

     

    
    

     

          [[[-48.86726050085349, -3.0475996402515717],
     
    
   

    

     

    
    

     

            [-48.86726050085349, -3.9248707849303295],
     
    
   

    

     

    
    

     

            [-47.46101050085349, -3.9248707849303295],
     
    
   

    

     

    
    

     

            [-47.46101050085349, -3.0475996402515717]]], null, false);
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      // 2016 年森林损失，对样本进行分层。
     
    
   

    

     

    
    

     

      var loss = image.select('lossyear');
     
    
   

    

     

    
    

     

      var loss16 = loss.eq(16).rename('loss16');
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      // 除云函数
     
    
   

    

     

    
    

     

      function maskL8sr(image) {
     
    
   

    

     

    
    

     
  var cloudShadowBitMask = 1 << 3;
     
    
   

    

     

    
    

     
  var cloudsBitMask = 1 << 5;
     
    
   

    

     

    
    

     
  var qa = image.select('pixel_qa');
     
    
   

    

     

    
    

     
  var mask = qa.bitwiseAnd(cloudShadowBitMask).eq(0)
     
    
   

    

     

    
    

     

            .and(qa.bitwiseAnd(cloudsBitMask).eq(0));
     
    
   

    

     

    
    

     
  return image.updateMask(mask).divide(10000)
     
    
   

    

     

    
    

     

            .select("B[0-9]*")
     
    
   

    

     

    
    

     

            .copyProperties(image, ["system:time_start"]);
     
    
   

    

     

    
    

     

      }
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      var collection = ee.ImageCollection('LANDSAT/LC08/C01/T1_SR')
     
    
   

    

     

    
    

     

          .map(maskL8sr);
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      // 创建两个年度无云复合影像。
     
    
   

    

     

    
    

     

      var composite1 = collection.filterDate('2015-01-01', '2015-12-31').median();
     
    
   

    

     

    
    

     

      var composite2 = collection.filterDate('2017-01-01', '2017-12-31').median();
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      // 我们想要这个堆栈的分层样本
     
    
   

    

     

    
    

     

      var stack = composite1.addBands(composite2)
     
    
   

    

     

    
    

     

          .float(); // 导出尽可能小的尺寸。
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      // 导出图像。由于导出已完成，因此对该块进行了注释。
     
    
   

    

     

    
    

     

      /*
     
    
   

    

     

    
    

     

      var link = '0b8023b0af6c1b0ac7b5be649b54db06'
     
    
   

    

     

    
    

     

      var desc = 'Logistic_regression_stack_' + link;
     
    
   

    

     

    
    

     

      Export.image.toAsset({
     
    
   

    

     

    
    

     

       image: stack,
     
    
   

    

     

    
    

     

       description: desc,
     
    
   

    

     

    
    

     

       assetId: desc,
     
    
   

    

     

    
    

     

       region: geometry,
     
    
   

    

     

    
    

     

       scale: 30,
     
    
   

    

     

    
    

     

       maxPixels: 1e10
     
    
   

    

     

    
    

     

      })
     
    
   

    

     

    
    

     

      */
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      // 加载导出的图像。
     
    
   

    

     

    
    

     

      var exportedStack = ee.Image(
     
    
   

    

     

    
    

     
  'projects/google/Logistic_regression_stack_0b8023b0af6c1b0ac7b5be649b54db06');
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      // 先取一个很小的样本，进行调试。
     
    
   

    

     

    
    

     

      var testSample = exportedStack.addBands(loss16).stratifiedSample({
     
    
   

    

     

    
    

     
  numPoints: 1,
     
    
   

    

     

    
    

     
  classBand: 'loss16',
     
    
   

    

     

    
    

     
  region: testRegion,
     
    
   

    

     

    
    

     
  scale: 30,
     
    
   

    

     

    
    

     
  geometries: true
     
    
   

    

     

    
    

     

      });
     
    
   

    

     

    
    

     

      print(testSample); // Check this in the console.
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      // 取一个大样本。
     
    
   

    

     

    
    

     

      var sample = exportedStack.addBands(loss16).stratifiedSample({
     
    
   

    

     

    
    

     
  numPoints: 10000,
     
    
   

    

     

    
    

     
  classBand: 'loss16',
     
    
   

    

     

    
    

     
  region: geometry,
     
    
   

    

     

    
    

     
  scale: 30,
     
    
   

    

     

    
    

     

      });
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      // 导出大样本...
     
    
  
 

在此示例中，请注意图像导出为浮点数。除非绝对必要，否则不要以双精度导出。执行此导出时，请注意代码编辑器链接（在导出前立即获得）嵌入在文件名中以实现可复制性。

导出完成后，重新加载资产并继续从中采样。请注意，首先在非常小的测试区域上运行非常小的样本，以进行调试。当证明成功时，获取更大的样本并将其导出。如此大的样本通常需要出口。不要期望这些样本在print()没有先导出它们的情况下可以交互地（例如通过）或可用（例如作为分类器的输入）。

文章来源: blog.csdn.net，作者：此星光明2021年博客之星云计算Top3，版权归原作者所有，如需转载，请联系作者。

原文链接：blog.csdn.net/qq_31988139/article/details/119839986