x <- 1:100
y <- vector()
for (i in x) {
if(i <= 5) y[i] <- f(x[i])#此处f()表示y与x的函数关系式
else y[i] <- y[i-5]
}
主要分析步骤：加载区域范围
定义日均温提取分析函数
提取数据
结果可视化
二、python代码
1、分析区域
python代码如下
region_bj = '../boudary/huangtu_plateau.shp'
region = geemap.shp_to_ee(region_bj)
roi = region.geometry()
Map = geemap.Map()
Map.addLayer(ee.Image().paint(roi, 0, 2), {'palette':'darkred'}, 'plateau')
Map.centerObject(roi)
Map
1
2
3
4
5
6
7
8
1
2
3
4
5
6
7
8
2、定义函数、设置属性及数据分析
python代码如下：
######### 1-定义函数 #########
# 计算区域的平均温度，设置属性
def meanTempCal(image):
mt_2m = image.reduceRegion(**{
'reducer':ee.Reducer.mean(),
'geometry':roi,
'bestEffort':True
})
# 转换为摄氏度
mt_cel = ee.Number(mt_2m.get('mean_2m_air_temperature'))\
.subtract(273.15)
# 增加新的属性
return image.set({'mean_air_temp':mt_cel})
######### 2-加载数据集并进行提取分析 #########
# 获取日平均温度，进行相应时间段、区域范围筛选
era5_mt = ee.ImageCollection('ECMWF/ERA5/DAILY') \
.filterDate('2010-01-01', '2020-12-31') \
.filterBounds(roi)
mean_airTemp = era5_mt.map(meanTempCal).aggregate_array('mean_air_temp').getInfo()
dates = era5_mt.reduceColumns(ee.Reducer.toList(), ["system:index"]).get('list').getInfo()
######### 3-结果制图 #########
import matplotlib.pyplot as plt
plt.plot(dates, mean_airTemp)
plt.title('mean daily air temprature')
plt.xlabel('dates')
plt.ylabel('Temprature(℃)')
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
结果如下：
在这里插入图片描述
三、小结
通过ERA日均数据集，利用GEE分析了10年来区域日均温度的变化，可以明显看出日均温度的周期性变化特征
下一步可进一步进行数据的分析，比如可利用R语言进行周期性、趋势性特征的统计分析，生成时间序列的变化图
