PIE-Engine实践篇｜巧用map算子提高效率
2023-09-18 18:51来源：西盟科技 阅读量：16778
首先，地图操作员的角色
地图算子是我们在云计算平台上处理图像时常用的一种算子。它可以对集合中的每个元素进行操作，操作后返回的结果仍然是集合对象。以FeatureCollection调用地图操作符为例，其基本形式如下:
var featureCol = pie。FeatureCollection
var feature col new = feature col . map
var geometry = feature.geometry
var featureNew = pie。特写)；
返回功能新；
上面的代码把featureCol中的每个特征都拿出来，然后找到每个特征的几何中心，得到一个新的向量集——feature col new。
二、map运算符与for循环的区别
当然，有些map操作也可以通过传统的for/while循环来实现，但在计算机制上有本质的不同。for循环是一个前端控制变量，顺序执行代码的循环，速度很慢，很少用在PIE-Engine中。另一方面，map在后台服务器上直接作用于集合中的元素进行循环操作，效率非常高，相当于任务的并行执行；但是在地图中一般不再使用打印、地图、导出、缩小等方法。下面比较了在集合中使用map运算符和for循环之间的区别。
对列表中的每个元素进行循环计算。
//将列表中的每个元素加1，并使用map运算符。
var list1 = pie。列表)；
var list2 = list1.map
返回馅饼。number . add(1)；
);
打印；
输出结果:
//将列表中的每个元素加1，并使用for循环。
var list1 = pie。列表)；
var list 2 =；
for(var I = 0；我
list2.push)。添加(1)。getInfo())；
打印；
输出结果:
列表集调用map操作符后，可以直接作用于其中的元素，而使用for循环需要增加很多限制才能达到同样的功能。
对FeatureCollection中的每个要素执行循环计算。
利用全国省级行政区划矢量数据计算各省面积，分别使用地图运算符和for循环进行计算。
取FeatureCollection中的每个元素，并使用map运算符计算其面积:
向上滑动阅读
var featureCol = pie。feature collection . load(# 39；NGCC/中国省界# 39；);
var feature col new = feature col . map
var name = feature.get
var geometry = feature.geometry
var area = geometry . area . divide(1000000)；
feature = feature.set
feature = feature.set
返回特征；
var result = featurecolnew . reduce columns，(quot名称quot；，quotareaquot));
打印；
map . add layer；
Map.setCenter
代码链接:
地图算子用于获取中国各省的面积
取FeatureCollection中的每个元素，并使用for循环计算其面积:
向上滑动阅读
var featureCol = pie。feature collection . load(# 39；NGCC/中国省界# 39；);
打印
for(I = 0；我
var name = feature col . getat . get(quot；名称quot；);
var geometry = feature col . getat . geometry()；
var area = geometry . area . divide(1000000)；
打印；
map . add layer；
Map.setCenter
代码链接:
运行结果:
For循环输出各省的面积。
上面的代码使用了map运算符，2秒就可以得到结果，而for循环需要40秒，等待时间长，体现了map运算符的优势。
对ImageCollection中的每个图像进行循环计算。
获取ImageCollection中的每个元素来计算NDVI，并使用map运算符:
向上滑动阅读
var featureCol = pie。feature collection . load(# 39；NGCC/中国省界# 39；);
var Beijing = feature col . filter)；
var bj geo = Beijing . getat . geometry()；
var vis params =；
map . add layer；
Map.centerObject
var imageCol = pie。图像集合
。过滤日期
。过滤界限；
打印；
var imageColNDVI = imageCol.map
// NDVI计算
var img_Nir = image.select;var img _ Nir = image.select
var img_Red = image.select;var img _ Red = image.select
var img_NDVI = img_Nir.subtract.divide(img_Nir.add).rename(quot;NDVIquot;);var img _ NDVI = img _ NIR . subtract . divide(img _ NIR . add)。重命名(quotNDVIquot);
return image . add bands；
);
打印；
//NDVI绘画风格
var visParamNDVI =
最小值:-0.2，
最大:0.8，
调色板:# 39；CA7A41、CE7E45、DF923D、F1B555、FCD163、99B718、# 39；+
#39;74A901，6A000，529400，3E8601，207401，056201，004C00，# 39；+
#39;023B01，012E01，011D01，011301 # 39；
var imageNDVI = imagecolndvi . select . mosaic()。剪辑(bj geo)；
map . add layer；
代码链接:
输出结果:
取ImageCollection中的每个元素计算NDVI，并采用for循环:
向上滑动阅读
var featureCol = pie。feature collection . load(# 39；NGCC/中国省界# 39；);
var Beijing = feature col . filter)；
var bj geo = Beijing . getat . geometry()；
var vis params = color:quot；ff0000ffquot，fill color:quot；00000000quot；
map . add layer；
Map.centerObject
var imageCol = pie。图像集合
。过滤日期
。过滤界限；
打印；
var new col =；
for(I = 0；我
var image = imageCol.getAt
var img_Nir = image.select;var img _ Nir = image.select
var img_Red = image.select;var img _ Red = image.select
var img_NDVI = img_Nir.subtract.divide(img_Nir.add)var img _ NDVI = img _ NIR . subtract . divide(img _ NIR . add)
。重命名；
image = image . add bands；
new col . push；
var newImageCol=pie。image collection . from images(new col)；
打印；
//NDVI绘画风格
var visParamNDVI =
最小值:-0.2，
最大:0.8，
调色板:# 39；CA7A41、CE7E45、DF923D、F1B555、FCD163、99B718、# 39；+
#39;74A901，6A000，529400，3E8601，207401，056201，004C00，# 39；+
#39;023B01，012E01，011D01，011301 # 39；
var imageNDVI = new imagecol . select . mosaic()。剪辑(bj geo)；
map . add layer；
代码链接:
上述代码的计算时间与for循环基本相同，但在使用for循环时要重新构造一个数组来存储新的ImageCollections，并且在循环结束后要重新构造一个由这些图像组成的图像集合，这是很复杂的。
因此，在遥感云计算平台中，当涉及到对集合中的各个元素进行操作时，建议使用map运算符，这样既快捷又方便。但是，如上所述，打印、映射、导出和缩小等方法不应在映射运算符中使用。如果需要对集合中的每个元素执行统计操作，可以使用for循环。下面的代码显示了如何使用for循环来计算从北京各个城区提取的建筑面积:
向上滑动阅读
var chn = pie。FeatureCollection
var Beijing = CHN . filter)；
var bj geo = Beijing . getat . geometry()；
var chn2 = pie。FeatureCollection
var Beijing 2 = CHN 2 . filter)；
var bjgeo 2 = Beijing 2 . getat . geometry()；
地图.中心对象
var vis params = color:quot；ff0000ffquot，fill color:quot；00000000quot；
map . add layer；
map . add layer；
函数rmCloud
var qa = image.select
var cloudMask = qa.bitwiseAnd(1
返回image.updateMask
var l8 =馅饼。图像集合
。过滤日期
。过滤界限
。选择)
。地图；
//计算中使用的索引
function imgCalculate函数img计算
var green = image.select
var red = image.select
var nir = image.select
var swir1 = image.select
var ndvi =)。divide(nir.add(red))。重命名(quotNDVIquot);
var mndwi = green.subtract
。除)
。重命名；
return image . add bands . add bands(MND wi)；
var imgCol = l8.mapvar imgCol = l8.map
。意思是
。剪辑；
Map.addLayer , quot;imgColquot;);Map.addLayer，quotimgColquot);
var ndvi = imgCol.select;var ndvi = imgCol.select
var nonVeg = imgCol.updateMask);var non veg = img col . update mask)；
Map.addLayer，quotnonVegquot);
var mndwi = imgCol.select;var Mn DWI = img col . select；
var non veg water = non veg . update mask)；
Map.addLayer，quot非淡水quot；);
var non veg water 2 = non veg water . select . gt(0)；
map . add layer；
var area image = non veg water 2 . pixel area . multiply(non veg water 2 . gt(0))；
var area = areaImage.reduceRegion，bjGeo，30)；
打印:quot，馅饼。number(area . get(quot；常量quot；)).除(1000000))；
var new features =；
for(var I = 0；我
var temp = non veg water 2 . clip . geometry())；
var areaImg = temp . pixel area . multiply(temp . gt(0))；
var area = areaImg.reduceRegion，beijing2.getAt(i)。几何()，30)；
new features . push . set(quot；areaquot，area . get(quot；常量quot；)));
北京2 =馅饼。FeatureCollection
打印；
var result = Beijing 2 . reduce columns，(quot名称quot；，quotareaquot));
打印；
代码链接:
输出结果:
第三，巧用map算子，提高计算效率。
Map operator在带来便利的同时，也将大量计算转移到后台计算服务。通常我们在图像处理中会计算多个指数，单个指数的计算公式通常会写成函数的形式，便于调用。当多个map算子一起使用时，相当于很多个循环，涉及的计算量也非常大。如何使用map运算符优化计算逻辑，提高计算效率？
以裸地指数BSI、改进的归一化差异水指数MNDWI、增强的裸地指数EBSI和去云后的建筑用地指数NDBI的计算为例，说明如何在规范层面进行优化，以减少计算量，提高计算效率。
方法一，把每个指标的计算分别写成一个函数，过滤图像后用map运算符依次调用:
向上滑动阅读
var chn = pie。FeatureCollection
var Beijing = CHN . filter)；
var bj geo = Beijing . getat . geometry()；
地图.中心对象
var vis params = color:quot；ff0000ffquot，fill color:quot；00000000quot；
map . add layer；
//去云端
函数rmCloud
var qa = image.select
var cloudMask = qa.bitwiseAnd(1
返回image.updateMask
//裸土指数BSI: -(B05+B02))/+(B05+B02))
功能BSI
var nir = image.select
var swir1 = image.select
var red = image.select
var blue = image.select
var bsi =。减去(nir.add(蓝色)))
. divide . add(NIR . add(blue)))；
return image . add bands)；
//改进的归一化差异水体指数MNDWI: /(B03+B06)
功能MNDWI
var Mn DWI = image . select . subtract(image . select(quot；B6quot))
. divide . add(image . select(quot；B6quot)))
return image . add bands)；
//增强型裸土指数EBSI:/(BSI+MNDWI)
功能EBSI
var mndwi = image.select
var bsi = image.select
var ebsi =)。divide(BSI . add(Mn DWI))；
return image . add bands)；
//建筑用地指标NDBI: /(B06+B05)
功能NDBI
var ndbi = image . select . subtract(image . select(quot；B5quot))
. divide . add(image . select(quot；B5quot)))
return image . add bands)；
//加载Landsat 8影像数据集。
var imgColl8 = pie.ImageCollectionvar imgColl8 = pie。图像集合
。过滤日期
。过滤界限
。选择)
。地图
。地图
。地图
。地图
。地图
。意思是
。剪辑；
打印；
Map.addLayer , quot;imgCol1quot;);Map.addLayer，quotimg col 1 quot；);
Map.addLayer，最小值:-0.2，最大值:0.2，quotBSIquot);
Map.addLayer，最小值:-0.2，最大值:0.2，quotNDBIquot);
Map.addLayer，，quotMNDWIquot);
Map.addLayer，最小值:0，最大值:1，quotEBSIquot);
代码链接:
上面的代码调用map操作符五次，相当于遍历过滤后的图像五次。除了云端运算，每张图片的波段运算后每增加一次计算指标，在反复读写中消耗大量计算能力，输出计算结果需要85秒，完整显示需要135秒。
依次调用多个地图计算每个指数。
方法二，将去云与指数运算封装成一个函数，在对影像进行滤波后，仅用map算子调用一次:
向上滑动阅读
var chn = pie。FeatureCollection
var Beijing = CHN . filter)；
var bj geo = Beijing . getat . geometry()；
地图.中心对象
var vis params = color:quot；ff0000ffquot，fill color:quot；00000000quot；
map . add layer；
var imgColl8 = pie.ImageCollectionvar imgColl8 = pie。图像集合
。过滤日期
。过滤界限
。选择)；
//图像处理功能
function imgCalculate函数img计算
var qa = image.select
var cloudMask = qa.bitwiseAnd(1
image = image.updateMask
var blue = image.select
var green = image.select
var red = image.select
var nir = image.select
var swir1 = image.select
var bsi =。减去(nir.add(蓝色)))
. divide.add(nir.add(蓝色)))
。重命名；
var mndwi = green.subtract
。除)
。重命名；
var ebsi =)。divide(bsi.add(mndwi))
。重命名；
var ndbi = swir1.subtract
。除)
。重命名；
返回image.addBands.addBands(bsi)。添加波段(ebsi)
。addBands
imgColl8 = imgColl8.map.mean()。剪辑(bj geo)；
打印；
Map.addLayer , quot;imgCol1quot;);Map.addLayer，quotimg col 1 quot；);
Map.addLayer，最小值:-0.2，最大值:0.2，quotBSIquot);
Map.addLayer，最小值:-0.2，最大值:0.2，quotNDBIquot);
Map.addLayer，，quotMNDWIquot);
Map.addLayer，最小值:0，最大值:1，quotEBSIquot);
代码链接:
将指数计算封装到一个函数中并调用它。
上面的代码只调用一次map操作符，从滤波后的图像中去除云并添加四个指数波段，每个场景图像只需要读写一次，大大节省了计算量，输出结果并完整显示只需要8秒。与方法1相比，计算速度提高了近10倍。
学习了这种思想之后，我们平时写代码的时候注意优化计算过程，可以提高计算效率，减少等待时间。
郑重声明：此文内容为本网站转载企业宣传资讯，目的在于传播更多信息，与本站立场无关。仅供读者参考，并请自行核实相关内容。
“碳核算”助力第31届世界大学生夏季运动会实
