gee遥感深度学习样本

### 关于Google Earth Engine用于遥感的深度学习

#### 使用Google Earth Engine进行遥感能够极大地简化数据获取流程并提高数据分析效率[^1]。为了更好地支持深度学习应用，GEE不仅提供了丰富的API接口还拥有庞大的卫星图像数据库。

对于希望利用GEE开展深度学习研究的研究人员来说，官方文档中包含了详细的指南和实例说明如何加载、预处理以及导出适合训练模型的数据集。此外，在GitHub和其他开源社区也存在着大量由开发者贡献的具体案例供参考学习。

下面给出一段简单的Python代码示例，展示怎样通过调用GEE API来准备适用于卷积神经网络(CNN)输入格式的土地覆盖分类任务所需的数据：

import ee
ee.Initialize()

# 定义感兴趣区域(AOI)
aoi = ee.Geometry.Rectangle([min_lon, min_lat, max_lon, max_lat])

# 加载Landsat8影像集合，并筛选特定时间范围内的高质量观测值
landsat_collection = (ee.ImageCollection('LANDSAT/LC08/C01/T1_TOA')
                      .filterBounds(aoi)
                      .filterDate('2017-01-01', '2017-12-31'))

# 计算NDVI指数作为特征层之一
def add_ndvi(image):
    ndvi = image.normalizedDifference(['B5', 'B4']).rename('ndvi')
    return image.addBands(ndvi)

landsat_with_ndvi = landsat_collection.map(add_ndvi)

# 导出样本点位及其对应的像素值到CSV文件以便后续离线建模使用
sample_points = ee.FeatureCollection.randomPoints(region=aoi, points=1000).map(
    lambda point: ee.Feature(point).set({
        **{band.name(): image.select(band.name()).reduceRegion(ee.Reducer.first(), geometry=point.geometry())
           for band in landsat_with_ndvi.first().bandNames()}
    })
)

task = ee.batch.Export.table.toDrive(collection=sample_points,
                                     description='land_cover_samples',
                                     folder='gee_export')

task.start()
print(f'Export task started with ID {task.id}')

这段脚本展示了如何定义一个地理边界框，选取指定时间段内符合条件的 Landsat 8 影像，增加 NDVI 特征通道，并最终随机抽取一定数量的位置坐标连同其周围环境信息一起保存下来形成可用于监督式机器学习算法训练的数据表单。

除了上述方法外，还有许多其他资源可以帮助深入理解和实践 GEE 上面的深度学习技术，比如 TensorFlow 和 PyTorch 的集成库 `geemap` 提供了一系列便捷函数让使用者可以快速构建端到端的工作流；而 Keras 则有专门针对地球科学领域设计的应用程序包如 `keras_earth` 可选。