ee.imagecollection.fromimages(images)用法

时间: 2024-01-24 12:01:04 浏览: 110
DOCX

EE24 Satellite Imagery.docx

ee.imagecollection.fromimages(images)是Google Earth Engine中用来创建图像集的方法。它接受一个图像数组作为输入，然后返回一个包含这些图像的图像集。 这个方法的用法非常简单，只需要将图像数组作为参数传递给fromimages方法即可。图像数组可以是由单个图像组成的列表，也可以是由多个图像组成的数组。每个图像可以包含不同的波段或者元数据。 使用fromimages方法可以方便地将多个图像组合成一个图像集，方便对这些图像进行批量处理和分析。比如对于遥感图像，可以将多个时间点的图像合并成一个图像集，方便进行时序分析，或者将不同传感器获取的图像合并成一个图像集，方便进行多波段分析。 另外，fromimages方法也可以用来将已有图像集中的图像进行筛选和重新组合，形成新的图像集。比如可以筛选出特定时间范围内的图像，或者筛选出特定区域内的图像，然后将这些图像组合成一个新的图像集进行进一步处理。 总的来说，ee.imagecollection.fromimages(images)方法是用来创建图像集并对图像进行整合、筛选的重要工具，可以方便地进行遥感图像分析和处理。
阅读全文

相关推荐

docx

EE23 Image Collections.docx

- **imageCollection.uint8**、**imageCollection.Uint8**、**imageCollection.uint16**、**imageCollection.Uint16**、**imageCollection.uint32**、**imageCollection.Uint32**、**imageCollection.int8**、**...
docx

EE38 Algorithms.docx

本文详细介绍了GEE中算法的创建和使用方法，通过具体的示例展示了算法的定义过程及其调用方式。这些基础知识对于初学者来说至关重要，它们构成了理解和运用GEE进行地理数据分析的核心。通过掌握这些技能，用户能够...

ee.ImageCollection.reduceColumns

ee.ImageCollection.reduceColumns 是Google Earth Engine (GEE) 中的一个函数，用于对 ImageCollection 中的图像列进行聚合操作。它允许你在每列图像上应用一个函数（通常是统计函数），并将结果汇总到一个新的...

gee ee.ImageCollection.iterate

在Google Earth Engine (GEE) 中，ee.ImageCollection.iterate() 是一个迭代器函数，它用于遍历给定的影像集合中的每个图像，并为每个图像应用提供的处理函数。这个函数非常有用，当你需要对集合中的每个元素执行...

ee.ImageCollection getRegion

ee.ImageCollection.getRegion() 是Google Earth Engine (GEE) 中的一个方法，用于获取图像集合（Image Collection）内的数据在一个特定区域（Region）的剪裁版。这个方法可以帮助用户提取感兴趣的地理空间范围内...

ee.ImageCollection替换

在 Google Earth Engine 中，如果你想要用一个 ImageCollection 替换另一个 ImageCollection 中的某些图像，可以使用 ee.ImageCollection.merge() 方法。该方法可以将两个或多个 ImageCollection 合并为一个，其中...

Line 2: ee.ImageCollection(...).filterDate(...).clip is not a function

This error message suggests that the clip function is being called on the result of an ee.ImageCollection(...).filterDate(...) operation, but the clip function is not a defined function for an ...

codes for this image data from 2000 up to date ee.ImageCollection("MODIS/061/MOD13Q1")

在这个代码片段中，它引用的是Google Earth Engine (GEE) 中的一...var firstImage = ee.Image(ee.ImageCollection("MODIS/061/MOD13Q1").first()); print('First image:', firstImage.date(), 'and properties');

var s2Sr = ee.ImageCollection('COPERNICUS/S2'); var s2Clouds = ee.ImageCollection('COPERNICUS/S2_CLOUD_PROBABILITY'); var START_DATE = ee.Date('2018-01-01'); var END_DATE = ee.Date('2018-12-31'); var MAX_CLOUD_PROBABILITY = 65; function maskClouds(img) { var clouds = ee.Image(img.get('cloud_mask')).select('probability'); var isNotCloud = clouds.lt(MAX_CLOUD_PROBABILITY); return img.updateMask(isNotCloud); } // The masks for the 10m bands sometimes do not exclude bad data at // scene edges, so we apply masks from the 20m and 60m bands as well. // Example asset that needs this operation: // COPERNICUS/S2_CLOUD_PROBABILITY/20190301T000239_20190301T000238_T55GDP function maskEdges(s2_img) { return s2_img.updateMask( s2_img.select('B8A').mask().updateMask(s2_img.select('B9').mask())); } // Filter input collections by desired data range and region. var criteria = ee.Filter.and( ee.Filter.bounds(table), ee.Filter.date(START_DATE, END_DATE)); s2Sr = s2Sr.filter(criteria).map(maskEdges); s2Clouds = s2Clouds.filter(criteria); // Join S2 SR with cloud probability dataset to add cloud mask. var s2SrWithCloudMask = ee.Join.saveFirst('cloud_mask').apply({ primary: s2Sr, secondary: s2Clouds, condition: ee.Filter.equals({leftField: 'system:index', rightField: 'system:index'}) }); var s2CloudMasked = ee.ImageCollection(s2SrWithCloudMask).map(maskClouds).median(); var rgbVis = {min: 0, max: 3000, bands: ['B4', 'B3', 'B2']}; var rgbVis = {min: 0, max: 3000, bands: ['B4', 'B3', 'B2']}; Map.addLayer( s2CloudMasked, rgbVis, 'S2 SR masked at ' + MAX_CLOUD_PROBABILITY + '%', true);将合成图像的全波段下载

要将合成图像的全波段下载，可以使用 Export.image.toDrive 方法将影像导出为 Google Drive 上的 GeoTIFF 文件，然后在本地使用 GIS 软件打开。以下是一个示例代码，可以将中值影像导出为 GeoTIFF 文件： // ...

var img = ee.ImageCollection('COPERNICUS/S2_SR') .select('B.*');var roi = ee.Geometry.Rectangle(-122.347, 37.743, -122.024, 37.838); var sample = img.addBands(lc).stratifiedSample({ numPoints: 1000, classBand: label, region: table, scale: 10, geometries: true });报错Line 16: img.addBands is not a function

该错误是因为 img 是一个 ImageCollection 对象，而 addBands() 方法是 ee.Image 对象的方法，不能直接用于 ImageCollection 对象上。你需要先选择一张图像来进行 addBands() 操作。以下是修改后的代码...

io.imagecollection

io.imagecollection是一个Python库，用于从多个来源收集图像数据集。它提供了一个简单的API，可以从本地文件夹、网络URL和在线图像库中获取图像。这个库可以帮助开发者快速构建自己的图像数据集，用于机器学习、...

var s2 = ee.ImageCollection('COPERNICUS/S2') .filterBounds(table) .filterDate('2019-01-01', '2019-12-31') .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20)) .map(function(image) { return image.clip(table); }) .median(); // 取中值影像 Map.addLayer(s2, {bands: ['B4', 'B3', 'B2'], max: 3000}, 'RGB');续写下载以上图像的代码。

好的，您可以使用以下代码将中值合成影像 s2 下载到您的计算机中的 Google Drive： javascript // 将图像转换为可下载链接 var link = s2.getDownloadURL({ name: 'Sentinel-2_Image', region: table, ...

var imgCollection = ee.ImageCollection('COPERNICUS/S2_SR') .filterDate('2021-01-01', '2021-12-31') .select('B.*');// 添加土地覆被作为反射图像的波段，并从感兴趣区域内的每个土地覆被类别中以10米的比例采样100个像素。 var roi = ee.Geometry.Rectangle(-122.347, 37.743, -122.024, 37.838); var sample = imgCollection.addBands(lc).stratifiedSample({ numPoints: 100, classBand: label, region: roi, scale: 10, geometries: true });报错Line 17: imgCollection.addBands is not a function

var imgCollection = ee.ImageCollection('COPERNICUS/S2_SR') .filterDate('2021-01-01', '2021-12-31') .select('B.*'); var sample = imgCollection.addBands(lc).stratifiedSample({ numPoints: 100, ...

// 设置研究区 var roi = /*ee.Geometry*/(your_geometry); // 导入降水数据集 var precip = ee.ImageCollection('UCSB-CHG/CHIRPS/DAILY') .filterBounds(roi) .filterDate('2005-01-01', '2020-12-31'); // 将降水数据集转换为年数据集 var precipYearly = precip .filter(ee.Filter.calendarRange(1,12,'month')) .filter(ee.Filter.calendarRange(2005,2020,'year')) .reduce(ee.Reducer.sum()) .multiply(365) .rename('precip'); // 将数据集裁剪至研究区 var precipClipped = precipYearly.clip(roi); // 循环导出每一年的降水量数据 for (var i = 2005; i <= 2020; i++) { var year = ee.String(i).slice(2,4); var precipYear = precipClipped.filter(ee.Filter.calendarRange(i,i,'year')); Export.image.toDrive({ image: precipYear, description: 'precipitation_data_' + year, folder: 'my_folder', scale: 30, region: roi, crs: 'EPSG:4326', maxPixels: 1e13, fileFormat: 'GeoTIFF' }); }运行以上代码后，在 var year = ee.String(i).slice(2,4);行报错Line 22: Invalid argument specified for ee.String(): 2005，是什么原因？我该如何修改代码

这个错误是因为在 ee.String() 函数中使用了一个数值类型的参数，它只能接受字符串类型的参数。因此，你需要将 i 转换为字符串类型才能使用 ee.String() 函数。可以使用 ee.String(i) 来将 i 转换为字符串...

var imageCollection = ee.ImageCollection('LANDSAT/LC08/C01/T1_TOA') .filterBounds(roi) .filterDate('2017-01-01', '2017-08-01') .sort('CLOUD_COVER', false); // 从随机点生成器中获取随机点 var seed = 123; var randomPoints = ee.FeatureCollection.randomPoints(roi, 150, seed); Map.addLayer(randomPoints) // 为随机点添加类别属性 randomPoints = randomPoints.map(function(feature) { var classValue = ee.Number.parse(feature.id()).mod(60); return feature.set('classValue', 30); }); // 定义分类器并进行训练 var classifier = ee.Classifier.smileRandomForest(50, 100).train({ features: imageCollection, classProperty: 'classValue' }); // 对整个图像进行分类 var classified = imageCollection.map(function(image){ return image.classify(classifier); }); // 将分类结果可视化 Map.addLayer(classified, {min: 0, max:100, palette: 'blue'}, 'Classification');报错Classification: Layer error: Classifier.train: InputProperties must be specified.

这个错误提示是因为在使用 ee.Classifier.smileRandomForest(50, 100).train() 方法时，需要指定分类器的输入属性（Input Properties）。在你的代码中，需要在 train() 方法中添加一个 inputProperties 参数，...

// 定义区域 var roi = ee.Geometry.Point([117.12, 31.83]).buffer(1000); // 加载Sentinel-2数据 var s2 = ee.ImageCollection('COPERNICUS/S2_SR') .filterBounds(roi) .filterDate('2020-01-01', '2020-12-31') .filterMetadata('CLOUDY_PIXEL_PERCENTAGE', 'less_than', 20); // 定义云掩膜函数 function maskClouds(image) { var cloudProb = image.select('MSK_CLDPRB'); var mask = cloudProb.lt(50); return image.updateMask(mask); } // 应用云掩膜 var s2Masked = s2.map(maskClouds); // 定义分类样本点 var points = ee.FeatureCollection([ ee.Feature(ee.Geometry.Point([117.11, 31.83]), {'class': 0}), ee.Feature(ee.Geometry.Point([117.13, 31.83]), {'class': 1}), ee.Feature(ee.Geometry.Point([117.11, 31.82]), {'class': 2}), ee.Feature(ee.Geometry.Point([117.13, 31.82]), {'class': 3}) ]); // 提取样本点的特征 var training = s2Masked.sampleRegions({ collection: points, properties: ['class'], scale: 10 }); // 定义随机森林分类器 var classifier = ee.Classifier.randomForest(10); // 训练分类器 var trained = classifier.train(training, 'class'); // 应用分类器 var classified = s2Masked.classify(trained); // 可视化分类结果 Map.addLayer(classified, {min: 0, max: 3, palette: ['blue', 'green', 'yellow', 'red']}, 'Classification');报错Line 29: s2Masked.sampleRegions is not a function

var s2 = ee.ImageCollection('COPERNICUS/S2_SR') .filterBounds(roi) .filterDate('2020-01-01', '2020-12-31') .filterMetadata('CLOUDY_PIXEL_PERCENTAGE', 'less_than', 20) .map(maskClouds); // 应用云掩...

function rmCloud(image) { var qa = image.select('QA60'); var cloudBitMask = 1 << 10; var cirrusBitMask = 1 << 11; var mask = qa.bitwiseAnd(cloudBitMask).eq(0) .and(qa.bitwiseAnd(cirrusBitMask).eq(0)); return image.updateMask(mask); } var rawImage = ee.ImageCollection("COPERNICUS/S2"); var visParams = { bands: ['B4', 'B3', 'B2'], min: 0, max: 3000 }; 中报错Line 12: qa.bitwiseAnd is not a function

这个错误是因为你正在尝试使用 Earth Engine JavaScript API 中的 bitwiseAnd() 函数，但是该函数是在 ee.Image() 类中实现的，而不是在 ee.ImageCollection() 类中实现的。因此，你需要将你的 rawImage ...

改进代码：var sentinel1 = ee.ImageCollection('COPERNICUS/S1_GRD') .filterBounds(aoi) .filterDate('2020-01-01','2020-12-31') .filterMetadata('instrumentMode', 'equals', 'IW'); var sentinel1_vv_vh = sentinel1.select(['VV', 'VH']).median(); // 获取图像中所有波段的名称 var ratio = sentinel1_vv_vh.select('VV').divide(sentinel1_vv_vh.select('VH'));

var sentinel1 = ee.ImageCollection('COPERNICUS/S1_GRD') .filterBounds(areaOfInterest) .filterDate('2020-01-01', '2020-12-31') .filterMetadata('instrumentMode', 'equals', 'IW'); // 获取 VV 和 VH ...

将VV，VH进行比值运算：var sentinel1 = ee.ImageCollection('COPERNICUS/S1_GRD') .filterBounds(aoi) .filterDate('2020-01-01','2020-12-31') .filterMetadata('instrumentMode', 'equals', 'IW'); var sentinel1_vv_vh = sentinel1.select(['VV', 'VH']).median(); // 获取图像中所有波段的名称 var bandNames = sentinel1_vv_vh.bandNames(); // 打印波段名称 print('Band names:', bandNames);

要进行VV和VH的比值运算，可以使用以下代码： var ratio = sentinel1_vv_vh.select('VV').divide(sentinel1_vv_vh.select('VH'));...你可以将这个图像打印出来，也可以使用其他方法对其进行分析或可视化。

最新推荐

recommend-type

用Python编程实现控制台爱心形状绘制技术教程

内容概要：本文档主要讲解了使用不同编程语言在控制台绘制爱心图形的方法，特别提供了Python语言的具体实现代码。其中包括了一个具体的函数 draw_heart() 实现，使用特定规则在控制台上输出由星号组成的心形图案，代码展示了基本的条件判断以及字符打印操作。 适合人群：对编程有兴趣的学生或者初学者，特别是想要学习控制台图形输出技巧的人。 使用场景及目标：适合作为编程入门级练习，帮助学生加深对于控制流、字符串处理及图形化输出的理解。也可以作为一个简单有趣的项目用来表达情感。 阅读建议：建议读者尝试动手运行并修改代码，改变输出图形的颜色、大小等特性，从而提高对Python基础语法的掌握程度。
recommend-type

优选驾考小程序 微信小程序+SSM毕业设计 源码+数据库+论文+启动教程.zip

优选驾考小程序 微信小程序+SSM毕业设计 源码+数据库+论文+启动教程 项目启动教程：https://www.bilibili.com/video/BV1BfB2YYEnS
recommend-type

【国信期货-2024研报】宏观2025年投资策略报告：经济结构性矛盾现拐点 2025年注重破局.pdf

研究报告
recommend-type

JHU荣誉单变量微积分课程教案介绍

资源摘要信息:"jhu2017-18-honors-single-variable-calculus" 知识点一：荣誉单变量微积分课程介绍 本课程为JHU（约翰霍普金斯大学）的荣誉单变量微积分课程，主要针对在2018年秋季和2019年秋季两个学期开设。课程内容涵盖两个学期的微积分知识，包括整合和微分两大部分。该课程采用IBL（Inquiry-Based Learning）格式进行教学，即学生先自行解决问题，然后在学习过程中逐步掌握相关理论知识。 知识点二：IBL教学法 IBL教学法，即问题导向的学习方法，是一种以学生为中心的教学模式。在这种模式下，学生在教师的引导下，通过提出问题、解决问题来获取知识，从而培养学生的自主学习能力和问题解决能力。IBL教学法强调学生的主动参与和探索，教师的角色更多的是引导者和协助者。 知识点三：课程难度及学习方法 课程的第一次迭代主要包含问题，难度较大，学生需要有一定的数学基础和自学能力。第二次迭代则在第一次的基础上增加了更多的理论和解释，难度相对降低，更适合学生理解和学习。这种设计旨在帮助学生从实际问题出发，逐步深入理解微积分理论，提高学习效率。 知识点四：课程先决条件及学习建议 课程的先决条件为预演算，即在进入课程之前需要掌握一定的演算知识和技能。建议在使用这些笔记之前，先完成一些基础演算的入门课程，并进行一些数学证明的练习。这样可以更好地理解和掌握课程内容，提高学习效果。 知识点五：TeX格式文件 标签"TeX"意味着该课程的资料是以TeX格式保存和发布的。TeX是一种基于排版语言的格式，广泛应用于学术出版物的排版，特别是在数学、物理学和计算机科学领域。TeX格式的文件可以确保文档内容的准确性和排版的美观性，适合用于编写和分享复杂的科学和技术文档。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本：布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学，1996年。法语。NNT：电话：00345357HAL ID：电话：00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆，用于存放和传播科学研究论文，无论它们是否被公开。论文可以来自法国或国外的教学和研究机构，也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

【实战篇：自定义损失函数】：构建独特损失函数解决特定问题，优化模型性能

![损失函数](https://img-blog.csdnimg.cn/direct/a83762ba6eb248f69091b5154ddf78ca.png) # 1. 损失函数的基本概念与作用 ## 1.1 损失函数定义 损失函数是机器学习中的核心概念，用于衡量模型预测值与实际值之间的差异。它是优化算法调整模型参数以最小化的目标函数。 ```math L(y, f(x)) = \sum_{i=1}^{N} L_i(y_i, f(x_i)) ``` 其中，`L`表示损失函数，`y`为实际值，`f(x)`为模型预测值，`N`为样本数量，`L_i`为第`i`个样本的损失。 ## 1.2 损
recommend-type

如何在ZYNQMP平台上配置TUSB1210 USB接口芯片以实现Host模式，并确保与Linux内核的兼容性？

要在ZYNQMP平台上实现TUSB1210 USB接口芯片的Host模式功能，并确保与Linux内核的兼容性，首先需要在硬件层面完成TUSB1210与ZYNQMP芯片的正确连接，保证USB2.0和USB3.0之间的硬件电路设计符合ZYNQMP的要求。 参考资源链接：[ZYNQMP USB主机模式实现与测试(TUSB1210)](https://wenku.csdn.net/doc/6nneek7zxw?spm=1055.2569.3001.10343) 具体步骤包括： 1. 在Vivado中设计硬件电路，配置USB接口相关的Bank502和Bank505引脚，同时确保USB时钟的正确配置。
recommend-type

Naruto爱好者必备CLI测试应用

资源摘要信息:"Are-you-a-Naruto-Fan:CLI测验应用程序，用于检查Naruto狂热者的知识" 该应用程序是一个基于命令行界面（CLI）的测验工具，设计用于测试用户对日本动漫《火影忍者》（Naruto）的知识水平。《火影忍者》是由岸本齐史创作的一部广受欢迎的漫画系列，后被改编成同名电视动画，并衍生出一系列相关的产品和文化现象。该动漫讲述了主角漩涡鸣人从忍者学校开始的成长故事，直到成为木叶隐村的领袖，期间包含了忍者文化、战斗、忍术、友情和忍者世界的政治斗争等元素。 这个测验应用程序的开发主要使用了JavaScript语言。JavaScript是一种广泛应用于前端开发的编程语言，它允许网页具有交互性，同时也可以在服务器端运行（如Node.js环境）。在这个CLI应用程序中，JavaScript被用来处理用户的输入，生成问题，并根据用户的回答来评估其对《火影忍者》的知识水平。 开发这样的测验应用程序可能涉及到以下知识点和技术： 1. **命令行界面（CLI）开发：** CLI应用程序是指用户通过命令行或终端与之交互的软件。在Web开发中，Node.js提供了一个运行JavaScript的环境，使得开发者可以使用JavaScript语言来创建服务器端应用程序和工具，包括CLI应用程序。CLI应用程序通常涉及到使用诸如 commander.js 或 yargs 等库来解析命令行参数和选项。 2. **JavaScript基础：** 开发CLI应用程序需要对JavaScript语言有扎实的理解，包括数据类型、函数、对象、数组、事件循环、异步编程等。 3. **知识库构建：** 测验应用程序的核心是其问题库，它包含了与《火影忍者》相关的各种问题。开发人员需要设计和构建这个知识库，并确保问题的多样性和覆盖面。 4. **逻辑和流程控制：** 在应用程序中，需要编写逻辑来控制测验的流程，比如问题的随机出现、计时器、计分机制以及结束时的反馈。 5. **用户界面（UI）交互：** 尽管是CLI，用户界面仍然重要。开发者需要确保用户体验流畅，这包括清晰的问题呈现、简洁的指令和友好的输出格式。 6. **模块化和封装：** 开发过程中应当遵循模块化原则，将不同的功能分隔开来，以便于管理和维护。例如，可以将问题生成器、计分器和用户输入处理器等封装成独立的模块。 7. **单元测试和调试：** 测验应用程序在发布前需要经过严格的测试和调试。使用如Mocha或Jest这样的JavaScript测试框架可以编写单元测试，并通过控制台输出调试信息来排除故障。 8. **部署和分发：** 最后，开发完成的应用程序需要被打包和分发。如果是基于Node.js的应用程序，常见的做法是将其打包为可执行文件（如使用electron或pkg工具），以便在不同的操作系统上运行。 根据提供的文件信息，虽然具体细节有限，但可以推测该应用程序可能采用了上述技术点。用户通过点击提供的链接，可能将被引导到一个网页或直接下载CLI应用程序的可执行文件，从而开始进行《火影忍者》的知识测验。通过这个测验，用户不仅能享受答题的乐趣，还可以加深对《火影忍者》的理解和认识。
recommend-type

"互动学习：行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动，互动学习以行动为中心的强化学习学会互动，互动学习，以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授：智囊团论文联合主任菲利普·普雷教授，大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授，Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士，Deepmind对于那些及时看到自己错误的人...3谢谢你首先，我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔，"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲，你知道在这篇论文的（许多）错误中，你是我可以依
recommend-type

【强化学习损失函数探索】：奖励函数与损失函数的深入联系及优化策略

![【强化学习损失函数探索】：奖励函数与损失函数的深入联系及优化策略](https://cdn.codeground.org/nsr/images/img/researchareas/ai-article4_02.png) # 1. 强化学习中的损失函数基础 强化学习（Reinforcement Learning, RL）是机器学习领域的一个重要分支，它通过与环境的互动来学习如何在特定任务中做出决策。在强化学习中，损失函数（loss function）起着至关重要的作用，它是学习算法优化的关键所在。损失函数能够衡量智能体（agent）的策略（policy）表现，帮助智能体通过减少损失来改进自