当前位置: 首页 > news >正文

Google Earth Engine:在code Editor中(javascript api)使用Gemini 告别不会代码的烦恼!

Google Earth Engine 官方已经在 Code Editor 中原生集成了“Ask”功能(Gemini 辅助编程),而不再完全依赖第三方扩展。今天我们来配置和使用一下。

安装和配置

这里其实并没有安装环节,新版本的在线版本的编译器已经包含了ask这个环节:


这里如果你不配置api是不能使用的。所以这里我们一定要配置。

配置GEE Gemini API key

当我们点击这个创建key的时候,就会自动跳转到google AI studio的界面,如果这里之前设置过就api,那么直接copy即可,如果没有那么就创建一个新的:

这个过程中需要等待几秒钟,然后会出现下面的信息,复制API密钥即可:


这个就算完成了,这里我们要设置结算信息,我们直接设定免费层级的就可以了:

如果你想体验更好的模型,这里就绑定国外的信用卡即可:

测试

这里直接提示我们用户高峰期,稍后使用,我这里切换了2.5版本还是不行,大家出现这个状况的时候多试试即可:

案例

提问

约市河流提取的代码吗?简介一些,要求有可视化结果展示

结果

当然,这是一个简短的Earth Engine JavaScript代码示例,用于在纽约市提取并可视化河流。

这个脚本通过加载高程数据(SRTM DEM),计算地形坡度,并根据坡度阈值来识别潜在的河流区域。较低的坡度值通常与河流或平坦的河谷相关。

// 1. 定义纽约市的兴趣区域 (ROI)。// 这里使用一个点作为中心,然后创建一个缓冲区来代表纽约市的大致区域。varnycPoint=ee.Geometry.Point(-74.0060,40.7128);// 纽约市中心坐标varroi=nycPoint.buffer(30000);// 30公里缓冲区// 2. 加载数字高程模型 (DEM) 数据集。// 使用SRTM GL1 高程数据,分辨率为30米。varsrtm=ee.Image('USGS/SRTMGL1_003');// 3. 计算地形坡度。// 使用ee.Terrain.slope函数从DEM中计算坡度。varslope=ee.Terrain.slope(srtm);// 4. 提取潜在的河流区域。// 我们假设坡度非常小的区域(例如小于2度)可能是河流或河谷。varriverMask=slope.lt(2);// 坡度小于2度的区域// 5. 应用掩膜到SRTM高程数据,以便更好地可视化河流。varrivers=srtm.updateMask(riverMask);// 6. 定义可视化参数。// DEM的可视化参数。vardemVis={min:0,max:500,palette:['006633','E5FFCC','662A00','EECC88','CC9966','996633']};// 河流(低坡度区域)的可视化参数。varriverVis={min:0,max:500,// 与DEM相同的范围,但颜色不同以突出河流palette:['blue']};// 7. 将结果添加到地图上。Map.centerObject(roi,10);// 将地图中心设置到ROI并放大Map.addLayer(srtm,demVis,'SRTM DEM');Map.addLayer(rivers,riverVis,'Potential Rivers (low slope)');// 打印一些信息到控制台print('纽约市兴趣区域:',roi);print('SRTM DEM图像:',srtm);print('坡度图像:',slope);print('潜在河流掩膜:',riverMask);

代码解释:

定义兴趣区域 (ROI): 首先,我们使用纽约市中心的经纬度创建一个 ee.Geometry.Point,然后用 buffer(30000) 创建一个30公里的圆形缓冲区,作为我们分析的区域。
加载DEM数据: 我们加载了 ‘USGS/SRTMGL1_003’ 数据集,这是一个30米分辨率的数字高程模型。
计算坡度: 使用 ee.Terrain.slope(srtm) 函数计算了高程数据的坡度。
提取潜在河流: 通过 slope.lt(2) 创建一个二进制掩膜,筛选出坡度小于2度的区域。这些平坦的区域很可能是河流或其冲积平原。
应用掩膜: 将 riverMask 应用到原始的 srtm 图像上,这样只有被识别为河流的像素才会被显示。
可视化参数: 定义了两个可视化参数对象:demVis 用于显示整个DEM的颜色分级,riverVis 则用蓝色来突出潜在的河流区域。
添加图层到地图:
Map.centerObject(roi, 10); 将地图视图调整到纽约市的ROI。
Map.addLayer(srtm, demVis, ‘SRTM DEM’); 添加原始DEM图层。
Map.addLayer(rivers, riverVis, ‘Potential Rivers (low slope)’); 添加潜在河流图层,它将覆盖在DEM之上,用蓝色显示河流。
这个简化的方法可以快速展示潜在的河流区域。请注意,这是一个基于坡度的代理,对于更精确的河流网络提取,您可能需要使用更复杂的地球引擎水文工具,例如 ee.Image.flowAccumulation。

总结

相较于其他大模型,就相当于接入了一个接口,可以讲大模型生成的代码直接导入到编译器中间,极大方便了我们copy的过程。至于代码执行力或者代码是不是丰富,这里建议大家给更加丰富的提示词来实现这个过程:

http://www.gsyq.cn/news/1588931.html

相关文章:

  • Django毕业设计-基于 Python 的膳食健康系统设计与实现 基于 Python 的智能膳食推荐健康系统设计与实现(源码+LW+部署文档+全bao+远程调试+代码讲解等)
  • 2026年优质软件测试服务商选型推荐指南
  • 有人问我为什么要做边缘算力平台的测评,看的人又不多
  • AlienFX Tools:告别AWCC臃肿,打造你的Alienware个性化控制中心
  • 多重共线性诊断与处理:VIF、条件指数与业务驱动的特征重构
  • 【AI大模型】开发必备:Git与代码版本管理基础入门
  • Kubescape:Kubernetes 集群安全扫描,一个工具搞定
  • Dgraph:用 GraphQL 查询的分布式图数据库
  • 移动云能提供哪些行业专属方案?
  • 如何用500KB工具替代1.5GB的AWCC:AlienFX-Tools全功能解析
  • 家用人形机器人走进民用市场的时间预判
  • Windows任务栏美化革命:5分钟掌握TranslucentTB的完整透明化方案
  • STM32单片机语音识别智能家居系统99X-4(设计源文件+万字报告+讲解)(支持资料、图片参考_降重降ai)
  • CTC文本识别实战:TensorFlow端到端OCR从训练到部署
  • 钓鱼邮件文本增强:用攻击者话术训练AI防御模型
  • 经典遗传算法实操指南:选择、交叉、变异的工程化实现
  • CMake 构建 C 语言项目(vscode)
  • Collection 与 Map
  • 回归模型评估:从R²陷阱到业务对齐的实战指南
  • 云手机技术解析与实战:用 Python 远程操控云手机实现自动化挂机
  • 达梦数据库重启方法
  • 拦了百万次攻击还是被入侵?逐包核验揪出藏在流量里的3次“漏网之鱼”
  • Python毕设项目:基于 Python+Vue 的可视化数据购物管理系统设计与实现 基于 Python+Vue 的校园线上购物管理系统 (源码+文档,讲解、调试运行,定制等)
  • 从单调到惊艳:用Blue-Topaz主题彻底改造你的Obsidian笔记界面
  • 手写自编码器实战:从信息论到工业级异常检测
  • 鸿蒙进程模型与IPC机制详解
  • 线上投票工具的实用性
  • 2024十大AI落地论文实操指南:QLoRA、FlashAttention-3与StreamingLLM工程化落地
  • 130、 PCIE调试笔记:ARI这个“小开关”惹出的麻烦
  • Mistral Small 2409 实战指南:本地部署与 OpenHands 编程代理集成