'); })();
遥感云计算
GISer
2022-05-24
目录

FeatureCollection

# 简介

要素集（FeatureCollection）是PIE-Engine下的矢量数据集对象，对应一份矢量数据，是Feature的一个集合。众多的Feature对象要求具有相同的属性字段，几何图形的坐标系也要相同。PIE-Engine Studio提供要素集相关算法，包括但不限于加载要素集，获取要素集属性信息、几何信息，渲染要素集，要素集内Feature循环计算、要素集指定属性进行聚合统计计算。

# FeatureCollection

函数 返回值
FeatureCollection(args,columns) FeatureCollection
参数 类型 说明
args String|PIEGeometry|PIEFeature|Array 矢量数据路径或单个PIEGeomery对象或单个PIEFeature对象或PIEFeature对象Array
columns String 未启用

# 示例

featureCollection = pie.FeatureCollection('NGCC/CHINA_PROVINCE_BOUNDARY')
print(featureCollection.getInfo())

# classify

对FeatureCollection中的每个要素进行分类。

函数 返回值
classify(classifier, outputName) FeatureCollection
参数 类型 说明
classifier RT/SVM/ NormalBayes 分类器
outputName String 要添加的输出属性的名称，默认为"classification"

# 示例

Map = pie.Map()
Map.setCenter(0, 0, 0)
#加载原始矢量和栅格数据
image = pie.Image('user/17090142114/PGDB001/World84').select(["B1", "B2", "B3"])
featureCollection = pie.FeatureCollection('user/17090142114/PGDB001/WorldROI')

#获得训练样本，并且按照7:3分成训练样本和验证样本
sampleFeatureCollection = image.sampleRegions(featureCollection, ["type"], 50000)
sampleFeatureCollection = sampleFeatureCollection.randomColumn('random')
trainingFeatures = sampleFeatureCollection.filter(pie.Filter.lte("random", 0.7))
testingFeatures = sampleFeatureCollection.filter(pie.Filter.gt("random", 0.7))

#构建SVM分类器，并训练数据
classifer = pie.SVM().train(trainingFeatures, "type", ["B1", "B2", "B3"])

#影像分类，并加载显示
resultImage = image.classify(classifer, "classifyA")
visParam = {
  'opacity':1,
  'uniqueValue':'1,2,3,4',
  'palette': 'EAF2F5,000032,1F3600,FAFFC8'
}
Map.addLayer(resultImage, visParam,"ClassifyImage")

#评估训练样本的精度
checkM = classifer.confusionMatrix()
print(checkM.getInfo())
print(checkM.acc().getInfo())
print(checkM.kappa().getInfo())

#评估验证样本的精度
predictResult = testingFeatures.classify(classifer,"classification")
errorM=predictResult.errorMatrix("type","classification")
print(errorM.getInfo())
print(errorM.acc().getInfo())
print(errorM.kappa().getInfo())
Map

# errorMatrix

通过比较FeatureCollection的两列（一列包含实际值，另一列包含预测值），计算FeatureCollection的二维错误矩阵，其中数值从0开始。矩阵的轴0（行）对应于实际值，轴1（列）对应于预测值。

函数 返回值
errorMatrix(actual, predicted, order) ConfusionMatrix
参数 类型 说明
actual String 包含实际值的属性的名称
predicted String 包含预测值的属性的名称
order List 未启用

# 示例

Map = pie.Map()
Map.setCenter(0, 0, 0)
#加载原始矢量和栅格数据
image = pie.Image('user/17090142114/PGDB001/World84').select(["B1", "B2", "B3"])
featureCollection = pie.FeatureCollection('user/17090142114/PGDB001/WorldROI')

#获得训练样本，并且按照7:3分成训练样本和验证样本
sampleFeatureCollection = image.sampleRegions(featureCollection, ["type"], 50000)
sampleFeatureCollection = sampleFeatureCollection.randomColumn('random')
trainingFeatures = sampleFeatureCollection.filter(pie.Filter.lte("random", 0.7))
testingFeatures = sampleFeatureCollection.filter(pie.Filter.gt("random", 0.7))

#构建SVM分类器，并训练数据
classifer = pie.SVM().train(trainingFeatures, "type", ["B1", "B2", "B3"])

#影像分类，并加载显示
resultImage = image.classify(classifer, "classifyA")
visParam = {
  'opacity':1,
  'uniqueValue':'1,2,3,4',
  'palette': 'EAF2F5,000032,1F3600,FAFFC8'
}
Map.addLayer(resultImage, visParam,"ClassifyImage")

#评估训练样本的精度
checkM = classifer.confusionMatrix()
print(checkM.getInfo())
print(checkM.acc().getInfo())
print(checkM.kappa().getInfo())

#评估验证样本的精度
predictResult = testingFeatures.classify(classifer,"classification")
errorM=predictResult.errorMatrix("type","classification")
print(errorM.getInfo())
print(errorM.acc().getInfo())
print(errorM.kappa().getInfo())
Map

# filter

对FeatureCollection对象通过指定过滤器进行过滤，返回过滤后的FeatureCollection对象。

函数 返回值
filter(self, pieFilter) FeatureCollection
参数 类型 说明
pieFilter JSON 过滤方法

# 示例

featureCollection = pie.FeatureCollection("NGCC/CHINA_PROVINCE_BOUNDARY")
Beijing = featureCollection.filter(pie.Filter.eq('name','北京市'))
print(Beijing.getInfo())

# filterBounds

矢量数据集根据范围过滤。

函数 返回值
filterBounds(geometry) FeatureCollection
参数 类型 说明
geometry JSON 矢量数据范围

# 示例

geometry = pie.Geometry.Polygon([[
    [
        117.32231424423242,
        31.67739708368279
    ],
    [
        117.27770476968334,
        31.455679701418802
    ],
    [
        117.69777732178011,
        31.322396608956836
    ],
    [
        117.32231424423242,
        31.67739708368279
    ]
]], None); 
featureCollection = pie.FeatureCollection("NGCC/CHINA_PROVINCE_BOUNDARY")  
region = featureCollection.filterBounds(geometry) 
print(region.getInfo())

Map = pie.Map()
Map.addLayer(pie.Feature(geometry),{'color': "blue"}, "geometry")
Map.addLayer(region,{'color': "red"}, "region")
Map.setCenter(117,31.6,6)
Map

# first

获得FeatureCollection对象中的第一个Feature对象。

函数 返回值
first() Feature

# 示例

featureCollection = pie.FeatureCollection("NGCC/CHINA_PROVINCE_BOUNDARY")
f0 = featureCollection.first()
print(f0.getInfo())

# geometries

得到矢量要素的几何形体对象。

函数 返回值
geometries() Value
参数 类型 说明
tolerance Number 结果简化距离范围，单位米，默认距离为0，表示不简化

# 示例

featureCollection=pie.FeatureCollection("NGCC/CHINA_PROVINCE_BOUNDARY")
geometryList = featureCollection.geometries(2000)
print(geometryList.getString(0))

# get

根据属性名获得FeatureCollection下对应属性值信息。

函数 返回值
get(self, key) Value
参数 类型 说明
key String 属性名

# 示例

geometry = pie.Geometry.LineString([
    [
        116.47239746093555,
        39.90895451343508
    ],
    [
        115.61247314452947,
        40.701053532910964
    ]
], None)
fc = pie.FeatureCollection(geometry)
fc = fc.set("key1",{'name':123})
value = fc.get("key1")
print(value.getInfo())

# getArray

根据属性名获得FeatureCollection下的属性值信息，并且将其转换为数组类型。

函数 返回值
getArray(self, property) Value
参数 类型 说明
property String 属性名

# 示例

featureCollection = pie.FeatureCollection("user/101/public/shape/Shi_HeBei")
dict = {'key1': [1, 2, 3, 4, 5, 6], 'key2': 12.34, 'key3': "Shanxi"}
featureCollection = featureCollection.setMulti(dict)
value = featureCollection.getArray("key1").getInfo()
print(value)

# getAt

获得FeatureCollection对象中指定编号的Feature对象。

函数 返回值
getAt(index) Feature
参数 类型 说明
index Number Feature的编号

# 示例

featureCollection = pie.FeatureCollection("NGCC/CHINA_PROVINCE_BOUNDARY")
f0 = featureCollection.getAt(0)
print(f0.getInfo())

# getNumber

根据属性名获得FeatureCollection下的属性值信息，并且将其转换为数值类型。

函数 返回值
getNumber(self, property) Value
参数 类型 说明
property String 属性名

# 示例

featureCollection = pie.FeatureCollection("user/101/public/shape/Shi_HeBei")
dict = {'key1': [1, 2, 3, 4, 5, 6], 'key2': 12.34, 'key3': "Shanxi"}
featureCollection = featureCollection.setMulti(dict)
value = featureCollection.getNumber("key2").getInfo()
print(value)

# getString

根据属性名获得FeatureCollection下的属性值信息，并且将其转换为字符串类型。

函数 返回值
getString(self, property) Value
参数 类型 说明
property String 属性名

# 示例

featureCollection = pie.FeatureCollection("user/101/public/shape/Shi_HeBei")
dict = {'key1': [1, 2, 3, 4, 5, 6], 'key2': 12.34, 'key3': "Shanxi"}
featureCollection = featureCollection.setMulti(dict)
value = featureCollection.getString("key3").getInfo()
print(value)

# id

返回FeatureCollection对象的ID。

函数 返回值
id() Number

# 示例

featureCollection = pie.FeatureCollection("user/101/public/shape/Shi_HeBei")
id = featureCollection.id().getInfo()
print(id)

# load

FeatureCollection对象加载数据，一般在FeatureCollection初始化的时候会默认调用该方法。

函数 返回值
load(collectionId) FeatureCollection
参数 类型 说明
collectionId String 数据路径

# 示例

fc = pie.FeatureCollection().load("NGCC/CHINA

# map

针对FeatureCollection中的每个Feature用同一函数进行循环计算。

函数 返回值
map(algorithm, dropNulls) FeatureCollection
参数 类型 说明
algorithm Function 参数是Feature的方法，返回Feature
dropNulls Boolean 是否允许返回空值

# 示例

featureCollection = pie.FeatureCollection("NGCC/CHINA_PROVINCE_BOUNDARY")
f_buffer = featureCollection.map(lambda feature: feature.buffer(10,None),True)
print(f_buffer.getInfo())

# propertyNames

返回FeatureCollection的属性名称。

函数 返回值
propertyNames() String

# 示例

fc = pie.FeatureCollection("NGCC/CHINA_PROVINCE_BOUNDARY")
fc = featureCollection.set("key1", {'name':123})
print(fc.propertyNames().getInfo())

# reduceColumns

FeatureCollection中的所有元素按指定selector中的属性值进行reducer计算，返回一个字典对象。

函数 返回值
reduceColumns(self, reducer, selector, weightSelectors) Dictionary
参数 类型 说明
reducer Reducer 统计器，目前仅支持toList统计器
selector Array 要统计的属性列表
weightSelectors Array 各个属性的权重，默认为None

# 示例

featureCollection = pie.FeatureCollection("NGCC/CHINA_PROVINCE_BOUNDARY")
value = featureCollection.reduceColumns(pie.Reducer.toList(2),["name"],None)
print(value.getInfo())

# set

设置FeatureCollection下的指定属性的属性值，如果存在就覆盖更新，如果不存在则直接创建。

函数 返回值
Set(self, key, value) Void
参数 类型 说明
key String 属性名
value String|Number|Boolean|Object|List 属性值

# 示例

geometry = pie.Geometry.LineString([
    [
        116.47239746093555,
        39.90895451343508
    ],
    [
        115.61247314452947,
        40.701053532910964
    ]
], None)
fc = pie.FeatureCollection(geometry)
fc = fc.set("key1",{'name':123})
print(fc.getInfo())

# setMulti

批量设置FeatureCollection下的属性信息，如果存在就覆盖更新，如果不存在则直接创建。

函数 返回值
setMulti(self, property) Void
参数 类型 说明
property String 属性名

# 示例

featureCollection = pie.FeatureCollection("user/101/public/shape/Shi_HeBei")
dict = {'key1': [1, 2, 3, 4, 5, 6], 'key2': 12.34, 'key3': "12.34"}
featureCollection = featureCollection.setMulti(dict)
print(featureCollection.getInfo())

# size

获取FeatureCollection对象中PIEFeature的个数。

函数 返回值
size() Number

# 示例

featureCollection = pie.FeatureCollection("NGCC/CHINA_PROVINCE_BOUNDARY")
size = featureCollection.size()
print(size.getInfo())

# style

FeatureCollection数据渲染显示，返回渲染绘制后的Image对象。

函数 返回值
style(style) Image
参数 类型 说明
style JSON 数据可视化样式，参考示例

# 示例

geometry = pie.Geometry.LineString([
    [
        116.47239746093555,
        39.90895451343508
    ],
    [
        115.61247314452947,
        40.701053532910964
    ]
], None)
fc = pie.FeatureCollection(geometry).style({'color':'FFFF00FF'})

Map = pie.Map()
Map.addLayer(fc,{},'fc')
Map.setCenter(116,40,8)
Map
有问题，我来改改 (opens new window)
上次更新: 2022/05/25, 07:37:39
Feature
Filter

← Filter→

最近更新
01
太湖水体浑浊度计算
05-25
02
太湖水域蓝藻密度分析
05-25
03
北京城市建设用地情况分析
05-25
更多文章>
Theme by Vdoing | Copyright © 2021-2022 蜀ICP备2021024989号-3