PIE-Engine实践篇｜巧用map算子提高效率

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。