// This is a dictionary object. It has a key and an item.
var dictionary_one = {key: 'item', term: 'value'};
var dictionary_two = {first_key: 1.1, second_key: 2.2, third_key: 3.3};
print(dictionary_one,"dict1");
print(dictionary_two, "dict2");// Occasionally, dictionary items can be lists. Lists are simply containers for multiple items.
var dictionary_with_list = {key: ['item1', 'item2', 'item3']};
print(dictionary_with_list, "dictList");

3.1真彩色 (TCI)

在本单元中，我们将使用许多数据集。在本节中，我们将导入 Landsat 8 表面反射率集合。我们将首先使用真彩色图像 (TCI) 来调查和解释加拿大蒙特利尔的景观。使用下面的代码应该会产生如下所示的图像。我们在新闻和网上遇到的许多基于空间的图像都是 TCI。通过使用 Google Earth Engine 中的 TCI，我们可以利用自己的经验和常识识别来对物体进行识别和分类。使用以下代码启动一个新脚本以生成如下所示的 TCI。

// Load the Landsat image collection.
var ls8 = ee.ImageCollection("LANDSAT/LC08/C01/T1_SR");// Filter the collection by date and cloud cover.
var ls8 = ls8
.filterDate('2017-05-01','2017-09-30')
.filterMetadata('CLOUD_COVER','less_than', 3.0);// There are a number of keys that you can use in a visParams dictionary.
// Here, we are going to start by defining our 'bands', 'min', 'max', and 'gamma' values.
// You can think of 'gamma' essentially as a brightness level.
var ls_tci = {bands: ['B4','B3','B2'], min: 0, max: 3000, gamma: 1.4};Map.setCenter(-73.755, 45.5453, 11);
Map.addLayer(ls8, ls_tci, 'True Color');

可视化 2017 年加拿大蒙特利尔上空 Landsat 8 表面反射率数据的真彩色图像。

3.2彩色红外（CI）

将下面的代码附加到我们的脚本中，我们可以将 TCI 与彩色红外 (CI) 进行比较。使用 CI，我们可以开始区分土地覆盖类别（即森林覆盖与农田）以及类别内的条件，例如区域较深红色的更活跃的植被。再次单击运行以查看类似于下图的图像。

// Add the Color Infrared visualization.
var ls_ci = {bands: ['B5','B4','B3'], min: 0, max: 3000, gamma: [0.7, 1, 1]};
Map.addLayer(ls8, ls_ci, 'Color Infrared');

用彩色红外图像替换我们的真彩色图像，以识别加拿大蒙特利尔和周边陆地区域的活跃植被和水道区域。

3.3伪色 1 和 2 (FC1/FC2)

再一次，如果我们将下面的代码附加到我们的脚本中，我们可以将两个额外的假彩色合成 (FC1) 与我们的其他多波段图像进行比较。在水体中，对短波和长波红外波长的吸收率很高。因此，这些图像中的水体会显得很暗，而真彩色图像中一些茂密的植被也会显得很暗。FC1 中的波段组合还应突出灰色/紫色的密集城市发展区域，而休耕农田将显示为浅棕色。再次单击运行，您的地图窗口应与下图类似。

// Add the False Color 1 visualization.
var ls_fc1 = {bands: ['B6','B5','B4'], min: 0, max: 4000, gamma: 0.9};
Map.addLayer(ls8, ls_fc1, 'False Color 1');// Add the False Color 2 visualization.
var ls_fc2 = {bands: ['B7','B6','B4'], min: 0, max: 3000, gamma: 0.9};
Map.addLayer(ls8, ls_fc2, 'False Color 2');

我们使用两个不同（但相关）的假彩色图像对加拿大蒙特利尔的最终描绘，突出了农业和城市地区以及水道之间的差异。

4.1连续数据

为了了解如何有效地使用调色板来解释连续数据，我们将使用来自 Landsat 的 Gross Primary Productivity 栅格。初级生产力总值在此定义为“生态系统中植物捕获的碳量”的量度。使用以下代码启动一个新脚本，以可视化美国华盛顿州喀斯喀特山脉东坡的数据。对我们来说方便的是，数据集已经过滤掉了水体和大气效应。运行脚本，您应该会看到如下图所示的图像。

通过使用这个特定的调色板，我们可以开始挑选土地管理活动。强烈的几何和/或线性特征可以指示森林采伐和农业等活动，而不规则形状通常可以是保护区（即国家森林或荒野地区）。

// Load and select the Gross Primary Production (GPP) image collection.
var dataset = ee.ImageCollection('UMT/NTSG/v2/LANDSAT/GPP').filter(ee.Filter.date('2018-05-01', '2018-10-31'));
var gpp = dataset.select('GPP');// Build a set of visualization parameters and add the GPP layer to the map.
var gppVis = {min: 0.0,max: 500.0,palette: ['ffffe5','f7fcb9','d9f0a3','addd8e','78c679','41ab5d','238443','005a32']};Map.setCenter(-120.9893, 47.2208, 10);
Map.addLayer(gpp, gppVis, 'GPP');

可视化美国华盛顿州喀斯喀特山脉东坡的总初级生产力（来自 Landsat 数据），其中多种土地用途以红色突出显示。

4.2分类数据

我们还可以使用调色板来突出显示分类数据。如果我们想在研究区域创建森林/非森林掩膜，我们可以使用国家土地覆盖数据集NLCD以深绿色突出显示所有森林类别。NLCD 中有许多土地覆盖类别，但为了简化此示例，我们仅在东部瀑布的同一区域使用“落叶林”、“常绿林”和“混交林”。再次启动一个新脚本并粘贴下面的代码。您应该会看到类似于下图的结果图像。

// Load the NLCD image collection and select the land cover layer.
var dataset = ee.ImageCollection('USGS/NLCD');
var landcover = dataset.select('landcover');// Values from 41-43 represent explicitly defined forest types.
var landcoverVis = {min: 41.0,max: 43.0,palette: ['black','green', 'green','green','black'],opacity: 0.75
};Map.setCenter(-120.9893, 47.2208, 10);
Map.addLayer(landcover, landcoverVis, 'Landcover');

森林与非森林区域的简单二元可视化，同样位于喀斯喀特山脉的东坡，使用国家土地覆盖数据集类。

我们将在第9单元中再次处理分类数据。

// This is a dictionary object. It has a key and an item.
var dictionary_one = {key: 'item', term: 'value'}
var dictionary_two = {first_key: 1.1, second_key: 2.2, third_key: 3.3}
print(dictionary_one,"dict1");
print(dictionary_two, "dict2");// Occasionally, dictionary items can be lists. Lists are simply containers for multiple items.
var dictionary_with_list = {key: ['item1', 'item2', 'item3']};
print(dictionary_with_list, "dictList");// Load the Landsat image collection.
var ls8 = ee.ImageCollection("LANDSAT/LC08/C01/T1_SR");// Filter the collection by date and cloud cover.
var ls8 = ls8
.filterDate('2017-05-01','2017-09-30')
.filterMetadata('CLOUD_COVER','less_than', 3.0);// There are a number of keys that you can use in a visParams dictionary.
// Here, we are going to start by defining our 'bands', 'min', 'max', and 'gamma' values.
// You can think of 'gamma' essentially as a brightness level.
var ls_tci = {bands: ['B4','B3','B2'], min: 0, max: 3000, gamma: 1.4};Map.setCenter(-73.755, 45.5453, 11);
Map.addLayer(ls8, ls_tci, 'True Color');// Add the Color Infrared visualization.
var ls_ci = {bands: ['B5','B4','B3'], min: 0, max: 3000, gamma: [0.7, 1, 1]};
Map.addLayer(ls8, ls_ci, 'Color Infrared');// Add the False Color 1 visualization.
var ls_fc1 = {bands: ['B6','B5','B4'], min: 0, max: 4000, gamma: 0.9};
Map.addLayer(ls8, ls_fc1, 'False Color 1');// Add the False Color 2 visualization.
var ls_fc2 = {bands: ['B7','B6','B4'], min: 0, max: 3000, gamma: 0.9};
Map.addLayer(ls8, ls_fc2, 'False Color 2');// Load and select the Gross Primary Production (GPP) image collection.
var dataset = ee.ImageCollection('UMT/NTSG/v2/LANDSAT/GPP').filter(ee.Filter.date('2018-05-01', '2018-10-31'));
var gpp = dataset.select('GPP');// Build a set of visualization parameters and add the GPP layer to the map.
var gppVis = {min: 0.0,max: 500.0,palette: ['ffffe5','f7fcb9','d9f0a3','addd8e','78c679','41ab5d','238443','005a32']};Map.setCenter(-120.9893, 47.2208, 10);
Map.addLayer(gpp, gppVis, 'GPP');// Load the NLCD image collection and select the land cover layer.
var dataset = ee.ImageCollection('USGS/NLCD');
var landcover = dataset.select('landcover');// Values from 41-43 represent explicitly defined forest types.
var landcoverVis = {min: 41.0,max: 43.0,palette: ['black','green', 'green','green','black'],opacity: 0.75
};Map.setCenter(-120.9893, 47.2208, 10);
Map.addLayer(landcover, landcoverVis, 'Landcover');