13518219792
主要分析步骤：
成都创新互联专注于企业成都全网营销推广、网站重做改版、安远网站定制设计、自适应品牌网站建设、HTML5、商城开发、集团公司官网建设、外贸网站制作、高端网站制作、响应式网页设计等建站业务，价格优惠性价比高，为安远等各大城市提供网站开发制作服务。
加载区域范围
加载区域范围日均温数据集ERA5
定义日均温提取分析函数
提取数据
结果可视化
二、python代码
1、分析区域
python代码如下
region_bj = '../boudary/huangtu_plateau.shp'
region = geemap.shp_to_ee(region_bj)
roi = region.geometry()
Map = geemap.Map()
Map.addLayer(ee.Image().paint(roi, 0, 2), {'palette':'darkred'}, 'plateau')
Map.centerObject(roi)
Map
1
2
3
4
5
6
7
8
1
2
3
4
5
6
7
8
2、定义函数、设置属性及数据分析
python代码如下：
######### 1-定义函数 #########
# 计算区域的平均温度，设置属性
def meanTempCal(image):
mt_2m = image.reduceRegion(**{
'reducer':ee.Reducer.mean(),
'geometry':roi,
'bestEffort':True
})
# 转换为摄氏度
mt_cel = ee.Number(mt_2m.get('mean_2m_air_temperature'))\
.subtract(273.15)
# 增加新的属性
return image.set({'mean_air_temp':mt_cel})
######### 2-加载数据集并进行提取分析 #########
# 获取日平均温度，进行相应时间段、区域范围筛选
era5_mt = ee.ImageCollection('ECMWF/ERA5/DAILY') \
.filterDate('2010-01-01', '2020-12-31') \
.filterBounds(roi)
mean_airTemp = era5_mt.map(meanTempCal).aggregate_array('mean_air_temp').getInfo()
dates = era5_mt.reduceColumns(ee.Reducer.toList(), ["system:index"]).get('list').getInfo()
######### 3-结果制图 #########
import matplotlib.pyplot as plt
plt.plot(dates, mean_airTemp)
plt.title('mean daily air temprature')
plt.xlabel('dates')
plt.ylabel('Temprature(℃)')
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
结果如下：
在这里插入图片描述
三、小结
通过ERA日均数据集，利用GEE分析了10年来区域日均温度的变化，可以明显看出日均温度的周期性变化特征
下一步可进一步进行数据的分析，比如可利用R语言进行周期性、趋势性特征的统计分析，生成时间序列的变化图
round函数python：
这个函数相当于调去里面的一个函数，有一个数组，从中里面调取一个数据。简单的说，round是使用四舍五入对小数进行位数控制的函数，round（a，b），a参数是小数，b是小数点后保留的位数。实际使用需要考虑的python2和python3版本的差异与小数精度的问题。
ound函数的使用用法
根据Excel的帮助得知，round函数就是返回一个数值，该数值是按照指定的小数位数进行四舍五入运算的结果。
round函数的语法是：ROUND(number,num_digits)，即：Round（数值，保留的小数位数)
Number：需要进行四舍五入的数字。
Num_digits：指定的位数，按此位数进行四舍五入。
其中，如果num_digits大于0，则四舍五入到指定的小数位。
如果num_digits等于0，则四舍五入到最接近的整数。
如果num_digits小于0，则在小数点左侧进行四舍五入。
在这篇文章中，我们将介绍如何使用通过 MultiTracker 类实现的 OpenCV 的多对象跟踪 API。我们将共享C++ 和 Python 代码。
大多数计算机视觉和机器学习的初学者都学习对象检测。如果您是初学者，您可能会想为什么我们需要对象跟踪。我们不能只检测每一帧中的对象吗？
让我们来探究一下跟踪是有用的几个原因。
首先，当在视频帧中检测到多个对象（例如人）时，跟踪有助于跨帧建立对象的身份。
其次，在某些情况下，对象检测可能会失败，但仍可能跟踪对象，因为跟踪考虑了对象在前一帧中的位置和外观。
第三，一些跟踪算法非常快，因为它们做的是局部搜索，而不是全局搜索。因此，我们可以通过每n帧进行目标检测，并在中间帧中跟踪目标，从而为我们的系统获得很高的帧率。
那么，为什么不在第一次检测后无限期地跟踪对象呢？跟踪算法有时可能会丢失它正在跟踪的对象。例如，当对象的运动太大时，跟踪算法可能跟不上。许多现实世界的应用程序同时使用检测和跟踪。
在本教程中，我们只关注跟踪部分。我们想要跟踪的对象将通过拖动它们周围的包围框来指定。
OpenCV 中的 MultiTracker 类提供了多目标跟踪的实现。它是一个简单的实现，因为它独立处理跟踪对象，而不对跟踪对象进行任何优化。
让我们逐步查看代码，了解如何使用 OpenCV 的多目标跟踪 API。
2.1 第 1 步:创建单一对象跟踪器
多目标跟踪器只是单目标跟踪器的集合。我们首先定义一个函数，该函数接受一个跟踪器类型作为输入，并创建一个跟踪器对象。OpenCV有8种不同的跟踪器类型:BOOSTING, MIL, KCF,TLD, MEDIANFLOW, GOTURN, MOSSE, CSRT。
如果您想使用 GOTURN 跟踪器，请务必阅读这篇文章并下载 caffe 模型。
在下面的代码中，给定跟踪器类的名称，我们返回跟踪器对象。这将在稍后用于多目标跟踪器。
Python
C++
2.2 第 2 步：读取视频的第一帧
多目标跟踪器需要两个输入
给定这些信息，跟踪器在所有后续帧中跟踪这些指定对象的位置。 在下面的代码中，我们首先使用 VideoCapture 类加载视频并读取第一帧。这将在稍后用于初始化 MultiTracker。
Python
C++
2.3 第 3 步：在第一帧中定位对象
接下来，我们需要在第一帧中定位我们想要跟踪的对象。该位置只是一个边界框。 OpenCV 提供了一个名为 selectROI 的函数，该函数会弹出一个 GUI 来选择边界框（也称为感兴趣区域 (ROI)）。 在 C++ 版本中，selectROI 允许您获取多个边界框，但在 Python 版本中，它只返回一个边界框。所以，在 Python 版本中，我们需要一个循环来获取多个边界框。 对于每个对象，我们还选择一种随机颜色来显示边界框。 代码如下所示。
Python
C++
getRandomColors 函数相当简单
2.4 第 3 步：初始化 MultiTracker
到目前为止，我们已经读取了第一帧并获得了对象周围的边界框。这就是我们初始化多目标跟踪器所需的所有信息。
我们首先创建一个 MultiTracker 对象，并向其中添加与边界框一样多的单个对象跟踪器。在此示例中，我们使用 CSRT 单对象跟踪器，但您可以通过将下面的 trackerType 变量更改为本文开头提到的 8 个跟踪器之一来尝试其他跟踪器类型。 CSRT 跟踪器不是最快的，但在我们尝试的许多情况下它产生了最好的结果。
您还可以使用包裹在同一个 MultiTracker 中的不同跟踪器，但当然，这没什么意义。
MultiTracker 类只是这些单个对象跟踪器的包装器。正如我们从上一篇文章中知道的那样，单个对象跟踪器是使用第一帧初始化的，并且边界框指示我们想要跟踪的对象的位置。 MultiTracker 将此信息传递给它在内部包装的单个对象跟踪器。
Python
C++
2.5 第 4 步：更新 MultiTracker 并显示结果
最后，我们的 MultiTracker 已准备就绪，我们可以在新帧中跟踪多个对象。我们使用 MultiTracker 类的 update 方法来定位新框架中的对象。每个跟踪对象的每个边界框都使用不同的颜色绘制。
Python
C++
C++
Python
