Introducción a Google Earth Engine#
Para ejecutar el código:
Asegúrate de tener este cuaderno abierto en Google Colab. Si comienzas desde el libro digital, haz clic en
Cada bloque de código se denomina celda. Para ejecutar una celda, pasa el cursor sobre ella y haz clic en la flecha de la esquina superior izquierda, o haz clic dentro de la celda y presiona Shift + Enter.
Nota: La primera vez que ejecutes un bloque de código, Google Colab mostrará el mensaje Warning: This notebook was not authored by Google. Haz clic en Run Anyway.
Necesitas un proyecto de Google Earth Engine para ejecutar este código. Si todavía no lo has configurado, consulta la lección anterior, Configurar Google Earth Engine.
Una gran ventaja de Google Colab es que puedes escribir código en Python y ver el resultado directamente en el navegador. A continuación, repasaremos los conceptos básicos.
import ee
# Autenticar Google Earth Engine
ee.Authenticate()
# Sustituye "emerge-lessons" por el ID de tu proyecto si es diferente
ee.Initialize(project="emerge-lessons")
En el código anterior, sustituye emerge-lessons por el ID de tu propio proyecto. Por ejemplo, si tu ID es emerge-34956, puedes cambiar la línea por la siguiente:
ee.Initialize(project="emerge-34956")
Terminología básica: uso de colecciones en GEE#
Las entidades (features) son objetos geométricos acompañados de una lista de propiedades:
ee.Feature
Las imágenes son similares a las entidades, pero pueden contener varias bandas:
ee.Image
Las colecciones son grupos de entidades o imágenes:
ee.FeatureCollectionoee.ImageCollection
En el Catálogo de datos de Earth Engine, la página de cada conjunto de datos incluye un fragmento de código que muestra cómo importarlo.
En este ejemplo utilizaremos el conjunto de datos MODIS Terra Land Surface Temperature (LST).
# Importar la colección de temperatura de la superficie terrestre de MODIS
lst = ee.ImageCollection("MODIS/061/MOD11A1")
Los conjuntos de datos contienen distintos tipos de información distribuidos entre varias bandas. Algunos incluyen imágenes diarias con una resolución de 1 km, como el conjunto MODIS LST que utilizamos aquí, mientras que otros ofrecen una imagen anual con una resolución de 30 m.
La colección LST incluye, entre otras, las siguientes bandas:
LST_Day_1km: temperatura diurna de la superficie terrestre.Day_view_time: hora local de la observación diurna.LST_Night_1km: temperatura nocturna de la superficie terrestre.
Como la colección contiene muchas imágenes, debemos aplicar filtros. Utiliza filterDate() para seleccionar imágenes dentro de un intervalo de fechas y select() para elegir variables específicas.
# Fecha inicial de interés, incluida en el intervalo
i_date = "2024-01-01"
# Fecha final de interés, excluida del intervalo
f_date = "2024-01-31"
# Seleccionar las bandas y fechas apropiadas para LST
lst = (
lst.select("LST_Day_1km", "QC_Day")
.filterDate(i_date, f_date)
)
A continuación, definiremos dos puntos de interés para comparar. Como estamos estudiando la temperatura de la superficie terrestre, compararemos la temperatura de una zona urbana con la de una zona rural.
# Definir un punto urbano cerca de Miami, Florida
urban_lon = -80.196432
urban_lat = 25.779766
urban_poi = ee.Geometry.Point(urban_lon, urban_lat)
# Definir un punto rural alejado de la ciudad, cerca de Homestead, Florida
rural_lon = -80.4998113
rural_lat = 25.3933527
rural_poi = ee.Geometry.Point(rural_lon, rural_lat)
Los valores del conjunto de datos MODIS que utilizamos deben multiplicarse por un factor de escala de 0.02 para obtener la temperatura en kelvin. Puedes consultar esta información en el catálogo de Google Earth Engine.
Recuerda convertir los valores para obtener la respuesta final en las unidades deseadas.
Necesitamos calcular la temperatura promedio de la superficie terrestre en los dos puntos de interés, por lo que utilizaremos mean().
# Escala en metros
scale = 1000
def get_mean_lst(poi, scale):
"""
Calcula la temperatura promedio de la superficie terrestre
para un punto y la convierte a grados Celsius.
"""
mean_lst = (
lst.mean()
.sample(poi, scale)
.first()
.get("LST_Day_1km")
.getInfo()
)
return round(mean_lst * 0.02 - 273.15, 2)
# Obtener la temperatura promedio para los puntos urbano y rural
urban_lst = get_mean_lst(urban_poi, scale)
rural_lst = get_mean_lst(rural_poi, scale)
print(
"La temperatura promedio de la superficie terrestre "
f"en el punto urbano es {urban_lst} °C."
)
print(
"La temperatura promedio de la superficie terrestre "
f"en el punto rural es {rural_lst} °C."
)
Mapas interactivos#
import folium # Crear mapas interactivos en Python
import geemap # Otra opción para mapear datos de Google Earth Engine
Crea un mapa vacío centrado en Florida. Puedes hacer clic y arrastrar para desplazarte, y utilizar los controles para acercar o alejar la vista.
map = folium.Map(
location=[28.263363, -83.497652],
tiles="Cartodb dark_matter",
zoom_start=7
)
display(map)
A continuación, definiremos una función, adaptada de este tutorial, para agregar datos de Google Earth Engine a un mapa y mostrarlos de forma interactiva.
def add_ee_layer(self, ee_image_object, vis_params, name):
"""
Agrega a un mapa de Folium una capa de teselas
procedente de una imagen de Earth Engine.
"""
map_id_dict = ee.Image(ee_image_object).getMapId(vis_params)
folium.raster_layers.TileLayer(
tiles=map_id_dict["tile_fetcher"].url_format,
attr=(
'Map Data © '
'<a href="https://earthengine.google.com/">'
"Google Earth Engine</a>"
),
name=name,
overlay=True,
control=True
).add_to(self)
folium.Map.add_ee_layer = add_ee_layer
# Parámetros de visualización que definen los colores de los datos
lst_vis = {
"min": 13000.0,
"max": 16500.0,
"palette": [
"040274", "040281", "0502a3", "0502b8", "0502ce", "0502e6",
"0602ff", "235cb1", "307ef3", "269db1", "30c8e2", "32d3ef",
"3be285", "3ff38f", "86e26f", "3ae237", "b5e22e", "d6e21f",
"fff705", "ffd611", "ffb613", "ff8b13", "ff6e08", "ff500d",
"ff0000", "de0101", "c21301", "a71001", "911003"
]
}
# Agregar los datos al mapa
map.add_ee_layer(
lst.mean().select("LST_Day_1km"),
lst_vis,
"Temperatura de la superficie terrestre"
)
display(map)