1简介

在本模块中，我们将讨论以下概念：

1. 如何将您自己的数据集引入 GEE。
2. 如何将来自遥感数据的值与您自己的数据相关联。
3. 如何从 GEE 导出特征。

2背景

了解动物对环境的反应对于了解如何管理这些物种至关重要。虽然动物被迫做出选择以满足其基本需求，但它们的选择很可能也受到当地天气条件等动态因素的影响。除了直接观察之外，很难将动物行为与天气条件联系起来。在这个单元中，我们将从美洲狮收集的 GPS 项圈数据与通过 GEE 访问的 Daymet 气候数据集的每日温度估计值集成。

这将要求我们将自己的数据引入 GEE，将天气值连接到点位置，并将这些增值数据从 GEE 中带回以进行进一步分析。

在加利福尼亚州洛杉矶的顶级旅游目的地之一附近拍摄的山狮的相机陷阱照片。照片：地球岛杂志
 

2.1 GPS定位数据

Mahoney 等人 2016 年的一项研究使用 GPS 项圈来跟踪犹他州中部的两只美洲狮和 16 只土狼的运动。这些数据用于了解这两个物种个体的一些行为模式。任何人都可以在Movebank网站上访问这些研究人员在研究期间收集的数据。该网站托管来自世界各地的动物运动数据集。虽然某些 Movebank 数据集仅列出作者的联系信息，但其他数据集允许您在其 web 地图上显示信息，还有一些允许您下载数据。
 

Movebank.com 上的交互图示例，可让您搜索有关动物运动的数据。
 

2.2 Daymet 天气数据

Daymet 数据集提供了每日天气参数的网格估计。每天有 7 个地表天气参数可用，空间分辨率为 1 公里 x 1 公里，空间范围为北美。ORNL DAAC 可以通过各种工具和格式访问 Daymet 数据集，从而提供丰富的每日地表气象资源。资料来源： Daymet/NASA

Daymet 数据以 1 公里 x 1 公里的空间分辨率提供每天的数据，是美洲狮与景观相互作用的时间和空间尺度的重要资源。总共有七个测量值。这使我们能够检查天气的多个方面，以评估它如何影响行为。

与 GEE 中的 Daymet 图像关联的元数据。
 

如果您有兴趣了解有关全球可用气候数据的更多信息，请查看 单元6。

# Load necessary libraries
library(sp)
library(rgdal)
library(dplyr)
 
# read in CSV of data
baseDir <- "The folder your csv is held in"
data <- read.csv(paste0( baseDir, "/Site fidelity in cougars and coyotes, Utah_Idaho USA (data from Mahoney et al. 2016).csv"))
 
# convert to spatial points data frame
# remove all NA values from lat and long columns
names(data)
noNAs <-  data[complete.cases(data[ , 4:5]),]
# filter to select animal of interest
glimpse(noNAs)
cougarF53 <- noNAs %>%
  filter(individual.local.identifier == "F53") %>%
  dplyr::select("event.id", "timestamp", "location.long","location.lat")
 
# Unique GEE issue
# GEE does not accept column names with dots So we will rename our columsn
colnames(cougarF53) <- c("id", "timestamp", "lon", "lat")
# check the time line of data collection so we can match those dates in GEE
timeframe <- sort(cougarF53$timestamp)
 
print(paste0("The first time stamp is ", timeframe[1], " the last collection is ", timeframe[length(timeframe)] ))
 
 
# Create a spatial feature with the sp package
# only keep unique id as data
cougarF53Spatial <- sp::SpatialPointsDataFrame(coords = cougarF53[,3:4], data = cougarF53[,1])
# set coordinate reference system to WGS84, using the proj4str
crs(cougarF53Spatial) <- "+proj=longlat +ellps=WGS84 +datum=WGS84 +no_defs "
 
# Export as shapefile
# write a shapefile
writeOGR(cougarF53Spatial, baseDir, "/cougarF53Locations", driver="ESRI Shapefile")

我们写出了 shapefile，每行只有一个列，一个唯一的 id。我们这样做是因为我们计划在 GEE 之外进行大部分分析，因此无需加载所有额外数据。唯一 ID 将允许我们将来自 GEE 的增值数据与原始数据集连接起来。

  
  

    
    

     
     

    
    
    
    

     
     
 
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      // Imported the data and not add it to the map and print.
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      Map.
      
      addLayer(cougarF53, {}, 
      
      "cougar presence data");
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      print(cougarF53, 
      
      "cougar data");
     
     
    
    
  
  

// Call in image and filter.
var Daymet = ee.ImageCollection("NASA/ORNL/DAYMET_V3")
.filterDate("2014-01-01", "2017-08-01")
.filterBounds(geometry)
.select('tmin')
.map(function(image){return image.clip(geometry)});
 
print(Daymet,"Daymet");
Map.addLayer(Daymet, {}, "Daymet");

​

打印语句中 Daymet 数据结构的视图。
 

从打印语句中，我们可以看到这是一个包含 267 张图像的图像集合（尽管您的图像总数可能会随着数据集的变化而变化）。每幅图像都有七个与特定天气测量相关的波段。现在两个数据集都已加载，我们将把美洲狮的发生数据与天气数据相关联。

// Convert to a multiband image and clip.
var DaymetImage = Daymet
  .toBands()
  .filterBounds(geometry);
 
print(DaymetImage, "DaymetImage");

​

显示从图像集合转换为多波段图像的结果的打印语句。

现在我们有了一个多波段图像，我们可以使用该sampleRegions函数。您需要考虑此函数的三个参数。

Collection采样数据将与之关联的矢量数据集。

Properties定义将保留矢量数据集的哪些列。在这种情况下，我们希望保留“id”列，因为我们将使用它来将此数据集连接回 GEE 之外的原始数据。

Scale：这是指数据集的空间尺度（像元大小）。比例应始终与栅格数据的分辨率相匹配。如果您不确定栅格的分辨率是多少，请使用搜索栏搜索数据集，该信息将出现在文档中。

// Call the sample regions function.
var samples = DaymetImage.sampleRegions({
  collection: cougarF53,
  properties: ['id'],
  scale: 1000 });
print(samples,'samples');

​

从打印语句中，我们可以看到我们的点位置现在具有与之关联的天气测量值。同样，您的结果可能看起来略有不同。
 

// Export value added data to your Google Drive.
Export.table.toDrive({
  collection: samples,
  description:'cougarDaymetToDriveExample',
  fileFormat: 'csv'
});

当您导出某些内容时，您的任务窗格将亮起。您需要通过选择运行按钮单独运行任务。

export运行具有函数的脚本后的任务栏示例。
 

当您选择运行按钮时，将出现以下弹出窗口。这允许您编辑导出的详细信息。

​

从 GEE 导出特征时出现的用户定义参数示例。
 

// Apply a median reducer to the dataset.
var Daymet1 = Daymet
  .median()
  .clip(geometry);
  
print(Daymet1);
 
// Export the image to drive.
Export.image.toDrive({
  image: Daymet1,
  description: 'MedianValueForStudyArea',
  scale: 1000,
  region: geometry,
  maxPixels: 1e9
});

有很多选项。最重要的选项之一是max.pixels设置。一般来说，GEE 不允许您导出超过 10^9 像素的栅格。使用该max.pixels参数，您可以将其提高到每张图像大约 10^12 像素。如果您为大于 10^12 像素的区域导出数据，您将需要创造性地了解如何从 GEE 中获取信息。有时这涉及将图像分割成更小的部分，或者在 GEE 之外重新评估如此大的图像的有用性。

// Imported the data and not add it to the map and print.
Map.addLayer(cougarF53, {}, "cougar presence data");
print(cougarF53, "cougar data");
 
// Call in image and filter.
var Daymet = ee.ImageCollection("NASA/ORNL/DAYMET_V3")
.filterDate("2014-01-01", "2017-08-01")
.filterBounds(geometry)
.select('tmin')
.map(function(image){return image.clip(geometry)});
 
print(Daymet,"Daymet");
Map.addLayer(Daymet, {}, "Daymet");
 
// Convert to a multiband image and clip.
var DaymetImage = Daymet
  .toBands()
  .clip(geometry);
 
print(DaymetImage, "DaymetImage");
 
// Call the sample regions function.
var samples = DaymetImage.sampleRegions({
  collection: cougarF53,
  properties: ['id'],
  scale: 1000 });
print(samples,'samples');
 
// Export value added data to your Google Drive.
Export.table.toDrive({
  collection: samples,
  description:'cougarDaymetToDriveExample',
  fileFormat: 'csv'
});
 
// Apply a median reducer to the dataset.
var Daymet1 = Daymet
  .median()
  .clip(geometry);
print(Daymet1);
 
// Export the image to drive.
Export.image.toDrive({
  image: Daymet1,
  description: 'MedianValueForStudyArea',
  scale: 1000,
  region: geometry,
  maxPixels: 1e9
});