在 Google Earth Engine 中的 imageCollection 上对每个图像执行

Question

我需要对图像集合执行每个图像的 PCA。然后，我只想保留主组件轴 1，并将其作为一个带添加到我的图像集中的每个图像中。最终，我想导出一个 .csv 文件，其中行标题处的 GPS 采样位置和图像 ID 作为列标题，平均主成分轴 1 作为值。这样做背后的想法是，我想要一个代理（光谱异质性）用于 R 中的进一步统计分析。

这是我到目前为止的代码：

//Create an test image to extract information to be used during PCA

var testImage =ee.Image('LANDSAT/LC08/C01/T1_SR/LC08_168080_20130407')

.select(['B2', 'B3', 'B4', 'B5', 'B6', 'B7'],

        ['Blue', 'Green', 'Red', 'NIR', 'SWIR1', 'SWIR2']);

// Define variables for PCA

var region = Extent;

var scale = testImage.projection().nominalScale();

var bandNames = testImage.bandNames();

Map.centerObject(region);

// Function for performing PCA

function doPCA(image){

  // This code is from https://code.earthengine.google.com/7249153a8a0f5c79eaf562ed45a7adad

var meanDict = image.reduceRegion({

    reducer: ee.Reducer.mean(),

    geometry: region,

    scale: scale,

    maxPixels: 1e9

});

var means = ee.Image.constant(meanDict.values(bandNames));

var centered = image.subtract(means);

// This helper function returns a list of new band names.

var getNewBandNames = function(prefix) {

  var seq = ee.List.sequence(1, bandNames.length());

  return seq.map(function(b) {

    return ee.String(prefix).cat(ee.Number(b).int());

  });

};

// [START principal_components]

var getPrincipalComponents = function(centered, scale, region) {

  var arrays = centered.toArray();

  var covar = arrays.reduceRegion({

    reducer: ee.Reducer.centeredCovariance(),

    geometry: region,

    scale: scale,

    maxPixels: 1e9

  });

Extent是我的 ROI，而LandsatCol是经过预处理的图像集。尝试将 PCA 映射到图像集合（代码的倒数第二行）时，此处的代码会产生错误。错误显示：“数组：需要参数‘值’”。

关于如何处理这个问题的任何建议？以及如何在图像集合上添加主分量轴 1 作为每个图像的带？

Answer 1

我想到了。错误“Array: Parameter 'values' is required”与稀疏矩阵有关，稀疏矩阵是执行 PCA 的过滤、裁剪和指定区域的产物。Earth Engine 无法处理稀疏矩阵。这是工作代码。LandsatCol是我的预处理图像集。// Display AOIvar point = ee.Geometry.Point([30.2261, -29.458])Map.centerObject(point,10);// Prepairing imagery for PCAvar Preped = LandsatCol.map(function(image){  var orig = image;  var region = image.geometry();  var scale = 30;  var bandNames = ['Blue', 'Green', 'Red', 'NIR', 'SWIR1', 'SWIR2'];  var meanDict = image.reduceRegion({    reducer: ee.Reducer.mean(),    geometry: region,    scale: scale,    maxPixels: 1e9  });  var means = ee.Image.constant(meanDict.values(bandNames));  var centered = image.subtract(means);  var getNewBandNames = function(prefix) {  var seq = ee.List.sequence(1, 6);  return seq.map(function(b) {    return ee.String(prefix).cat(ee.Number(b).int());    });  };  // PCA function  var getPrincipalComponents = function(centered, scale, region) {    var arrays = centered.toArray();    var covar = arrays.reduceRegion({      reducer: ee.Reducer.centeredCovariance(),      geometry: region,      scale: scale,      maxPixels: 1e9    });    var covarArray = ee.Array(covar.get('array'));    var eigens = covarArray.eigen();    var eigenValues = eigens.slice(1, 0, 1);    var eigenVectors = eigens.slice(1, 1);    var arrayImage = arrays.toArray(1);    var principalComponents = ee.Image(eigenVectors).matrixMultiply(arrayImage);    var sdImage = ee.Image(eigenValues.sqrt())    .arrayProject([0]).arrayFlatten([getNewBandNames('sd')]);    return principalComponents.arrayProject([0])    .arrayFlatten([getNewBandNames('pc')])    .divide(sdImage);    };  var pcImage = getPrincipalComponents(centered, scale, region);  return ee.Image(image.addBands(pcImage));});print("PCA imagery: ",Preped);