Python

English version

Python

El paquete monitoreo es la base de todas las herramientas: el plugin de QGIS, el servidor MCP y el paquete de R llaman a sus funciones. Todas están en monitoreo.services, devuelven diccionarios y listas de Python (fáciles de pasar a pandas) y pueden escribir CSV, PNG y GeoTIFF.

Instalación y autenticación: Primeros pasos. Las opciones comunes (regiones, periodos, métricas, filtros) se explican en Conceptos.

Los ejemplos de esta página son reales y usan el Parque Nacional de Sierra Nevada (ID de WDPA 389011).

1. Conectar con Earth Engine

from monitoreo import services as mo

mo.init()                     # sin la variable EE_PROJECT: la cuenta compartida de MonitorEO
# mo.init('mi-proyecto-ee')   # o tu cuenta y tu proyecto (o mo.init() con EE_PROJECT)

u = mo.eecu_usage()  # tus EECU de este mes (con tu proyecto: mo.eecu_usage('Contributor') si es su nivel)
print(u['bar'], u['text'])
# [##----------------------------] 8% research EECUs: 8.0% used (2.00 of your 25 EECU-hours of this month with ...

Con la cuenta compartida son tus research EECUs: 25 EECU-h al mes, solo para investigación. Si te queda menos del 10 %, init() da un aviso (EECUWarning) y u['warning'] dice qué hacer; cuando se acaban, init() no conecta con la cuenta compartida hasta el mes siguiente (Conceptos).

2. Elegir la variable

mo.list_variables(sensor='Sentinel-2', text='NDVI')

[{'ref': 27, 'variable': 'NDVI', 'sensor': 'Sentinel-2', 'collection': 'COPERNICUS/S2_SR_HARMONIZED',
  'name': 'Normalized Difference Vegetation Index', 'theme': 'Vegetation', 'group': 'Carbon (Primary Production)',
  'resolution_m': 10, 'dates': '28/03/2017-now', 'unit': '[unitless]', 'rgb': True}]

mo.list_variables() da las 34 del catálogo (con el NBR). mo.describe_variable('NDSI', 'Sentinel-2') da su fórmula (N(B3, B11)), escala, filtros por píxel que se le aplican y qué filtros quitarían su señal ('measures': ['snow']: con el NDSI hay que dejar la nieve, quality={'snow': False}). En las dos, rgb dice si las imágenes de la variable tienen color verdadero, como mo.has_rgb('NDVI', 'Modis') (False).

3. Elegir la región

mo.find_protected_areas('Sierra Nevada')

[{'SITE_ID': 555722086, 'NAME': 'Sierra Nevada', 'DESIG': 'Special Areas of Conservation (Habitats Directive)', ...},
 ...
 {'SITE_ID': 389011, 'NAME': 'Sierra Nevada', 'DESIG': 'Parque Nacional', 'IUCN_CAT': 'II', 'ISO3': 'ESP',
  'REP_AREA': 858.83, 'STATUS_YR': 1999, ...},
 {'SITE_ID': 349467, 'NAME': 'Sierra Nevada', 'DESIG': 'Parque Natural', ...}, ...]

La región del parque nacional es {'wdpa_id': 389011}. Otras formas de dar la región (ecorregiones, rectángulos, puntos, GeoJSON, ficheros): Conceptos.

sn = {'wdpa_id': 389011}
zonas = {'file': 'zonas.gpkg', 'name_field': 'nombre'}          # una serie por polígono
punto = {'point': [-3.42, 37.13], 'buffer': 1500}               # círculo de 1,5 km de radio

Solo una parte de la región

where deja solo los píxeles cuyas variables cumplen unas condiciones, en todas las funciones con región (Conceptos):

arriba = [{'variable': 'ELEVATION', 'sensor': 'Copernicus', 'min': 1500}]
mo.time_series(sn, 'NDVI', 'Modis', '2015-01-01', '2024-12-31', step='annual', where=arriba)

4. Serie temporal

La media mensual del NDVI de Sentinel-2 en el parque, de 2022 a 2023, con CSV y gráfica:

ts = mo.time_series(sn, 'NDVI', 'Sentinel-2', '2022-01-01', '2023-12-31', step='monthly',
                    metric='mean', stat='mean', csv='ndvi_sierra_nevada.csv', chart='ndvi_sierra_nevada.png')
ts['rows'][:2]

[{'region': 'Sierra Nevada', 'date': '2022-01-01', 'value': 0.3537, 'n_pixels': 346520, 'n_images': 30},
 {'region': 'Sierra Nevada', 'date': '2022-02-01', 'value': 0.4036, 'n_pixels': 298880, 'n_images': 29}]

ts también trae title, unit, scale (el píxel usado: 50 m, porque el parque es grande; ver Conceptos), csv y chart:

Con pandas:

import pandas as pd
df = pd.DataFrame(ts['rows'])
df['date'] = pd.to_datetime(df['date'])
df.pivot(index='date', columns='region', values='value')      # una columna por región

Variantes:

mo.time_series(sn, 'LST', 'Modis', '2010-01-01', '2023-12-31', step='annual', metric='max')   # máximo anual
mo.time_series(sn, 'NDVI', 'Landsat', '1985-01-01', '2023-12-31', step='annual',
               season=['06-01', '09-30'])                                           # solo los veranos
mo.time_series(sn, 'NDSI', 'Modis', '2022-10-01', '2023-06-30', step='16-day',
               quality={'snow': False})                                             # la nieve no se quita
mo.time_series(sn, 'SCF', 'Landsat', '1990-10-01', '2023-05-31', step='annual',
               season=['10-01', '05-31'])                      # frecuencia de nieve de cada temporada (con la media)
mo.time_series(punto, 'NDVI', 'Sentinel-2', '2023-01-01', '2023-12-31', step='daily')  # cada imagen

5. Mapa

La mediana del NDVI del verano de 2023, como teselas de Earth Engine y una vista previa en PNG:

capa = mo.map_layer(sn, 'NDVI', 'Sentinel-2', '2023-06-01', '2023-08-31', metric='median',
                    thumbnail='ndvi_verano_2023.png')
capa['url']       # 'https://earthengine.googleapis.com/v1/projects/.../maps/.../tiles/{z}/{x}/{y}'
capa['min'], capa['max'], capa['bounds']   # rampa (percentiles 5 y 95) y extensión [oeste, sur, este, norte]

La rampa de colores es la de MonitorEO para el NDVI: del azul (agua, roca o nieve, NDVI cercano a 0) al verde oscuro (vegetación densa).

La elevación y la pendiente son capas fijas, sin fechas: van sin periodo ni métrica, p. ej. mo.map_layer(sn, 'SLOPE', 'Copernicus') (ver Conceptos).

La URL vale unas horas en cualquier visor de teselas XYZ. Con folium:

import folium
m = folium.Map(location=[37.07, -3.1], zoom_start=10)
folium.TileLayer(capa['url'], attr='Google Earth Engine', name=capa['name']).add_to(m)
m

Para trabajar con la imagen de Earth Engine (geemap, más cálculos con ee), composite_image la devuelve con la región:

imagen, regiones = mo.composite_image(sn, 'NDVI', 'Sentinel-2', '2023-06-01', '2023-08-31', metric='median')
# imagen es un ee.Image con la banda 'value'

Agregaciones entre años (ver Conceptos):

mo.map_layer(sn, 'LST', 'Modis', '2014-01-01', '2023-12-31', metric='max', temporal='annual', interannual='median')

Color verdadero de las imágenes

rgb_map toma los mismos argumentos que map_layer y da el color verdadero de las mismas imágenes y píxeles: su reflectancia de superficie roja, verde y azul, con la misma métrica, con las tres bandas estiradas juntas entre el menor percentil 2 y el mayor percentil 98 de las bandas en la región (o vmin y vmax). Ayuda a leer el mapa de un índice: zonas quemadas, suelo desnudo, nieve, agua o nubes que dejaron los filtros (ver Conceptos).

rgb = mo.rgb_map(sn, 'NDVI', 'Sentinel-2', '2023-06-01', '2023-08-31', metric='median',
                 thumbnail='rgb_verano_2023.png')
rgb['bands'], rgb['min'], rgb['max']   # ['red', 'green', 'blue'] y el rango de reflectancia de las tres bandas

Con folium, añade su TileLayer antes que el del NDVI para tener el color verdadero debajo. En GeoTIFF, download_rgb toma los argumentos de download_image y escribe tres bandas float32, red, green y blue (NoData −9999), en la misma rejilla que el GeoTIFF de la variable:

r = mo.download_rgb(punto, 'NDVI', 'Sentinel-2', '2023-06-01', '2023-08-31', path='ndvi_verano_rgb.tif')
r['bands'], r['min'], r['max']         # su 'min' y 'max': el rango para ver las tres bandas juntas

Solo lo tienen las variables de Sentinel-2 y Landsat y la frecuencia de nubes de MODIS (mo.has_rgb(variable, sensor)), con las métricas median, mean, min, max o pN (con max y min, los colores de la imagen en la que la variable es más alta o más baja en cada píxel); las demás se rechazan con un ValueError antes de calcular nada.

6. Estadísticas de un mapa por polígono

mo.region_stats(sn, 'LST', 'Modis', '2023-06-01', '2023-08-31', metric='mean')

{'rows': [{'region': 'Sierra Nevada', 'mean': 32.21, 'std': 1.98, 'min': 27.27, 'p5': 29.41, 'p50': 32.09,
           'p95': 34.90, 'max': 40.86, 'n_pixels': 1051}],
 'scale': 1000.0, 'unit': '[ºC]', 'title': 'LST Modis | 2023-06-01 / 2023-08-31 (mean)'}

7. Descargar un mapa en GeoTIFF

El percentil 95 del NDVI de 2023 en un círculo de 1,5 km, a 10 m:

r = mo.download_image(punto, 'NDVI', 'Sentinel-2', '2023-01-01', '2023-12-31', metric='p95', path='ndvi_p95.tif')

{'file': 'ndvi_p95.tif', 'grid': {'crs': 'EPSG:32630', 'resolution': 10.0, 'width': 300, 'height': 301, ...},
 'resolution': 10.0, 'native_resolution': 10.0, 'images': 74, 'unit': '[unitless]', 'min': 0.31, 'max': 1.0, ...}

El GeoTIFF es float32 con NoData −9999, en UTM (crs='auto') u otro sistema (crs='EPSG:25830'), con el píxel de los datos o el que se pida (resolution=20). Earth Engine lo calcula por teselas en paralelo: para regiones de unos millones de píxeles. Con max_pixels=4_000_000, una región mayor se descarga con píxeles 2, 3... veces más grandes; a resolución completa, mejor exportarlo a Google Drive. El color verdadero de las mismas imágenes, en la misma rejilla: download_rgb (Color verdadero de las imágenes).

8. Tendencias estacionales

¿Ha cambiado el NDVI de cada mes entre 2005 y 2024? Con MODIS (20 años):

t = mo.trend_table(sn, 'NDVI', 'Modis', '2005-01-01', '2024-12-31', step='monthly',
                   csv='tendencias_ndvi.csv', chart='tendencias_ndvi.png')
[(r['label'], round(r['slope'], 4), round(r['p_value'], 3), r['significant']) for r in t['rows']]

[('January', -0.0003, 0.697, False), ('February', 0.0007, 0.65, False), ('March', 0.0015, 0.119, False),
 ('April', 0.0004, 0.795, False), ('May', 0.0009, 0.516, False), ('June', 0.0012, 0.243, False),
 ('July', 0.0013, 0.27, False), ('August', 0.0019, 0.005, True), ('September', 0.002, 0.023, True),
 ('October', 0.001, 0.399, False), ('November', 0.0011, 0.436, False), ('December', 0.0005, 0.516, False)]

El NDVI medio del parque sube en todos los meses salvo enero, pero la subida solo es significativa (p < 0,05) a finales del verano: unas +0,002 unidades por año en agosto y septiembre. Cada fila trae también n (años con datos), tau, z e intercept; t['yearly'] tiene los valores anuales de cada mes. La gráfica muestra esos valores y la recta de Sen de cada mes:

En cada píxel. El mapa de la pendiente de Sen del NDVI anual, solo donde la tendencia es significativa:

mo.trend_map(sn, 'NDVI', 'Modis', '2005-01-01', '2024-12-31', step='annual', output='slope', alpha=0.05,
             thumbnail='tendencia_ndvi_anual.png')

Verde: aumento; rojo: descenso; en blanco, los píxeles sin tendencia significativa. Con valores, en GeoTIFF:

d = mo.download_trend(sn, 'NDVI', 'Modis', '2005-01-01', '2024-12-31', step='annual', path='tendencia_ndvi_anual.tif')
d['bands']    # ['slope', 'tau', 'z', 'p_value', 'intercept', 'n']
d['unit']     # '[unitless] / year'

Para un mes o un bloque de 16 días: step='monthly', part=8 (agosto) o step='16-day', part=14 (días 209-224). output elige la banda del mapa de teselas: 'slope', 'tau', 'z', 'p_value', 'intercept' o 'n'.

9. Comparar dos periodos

El NDVI de cada mes en 2020-2024 frente a 2005-2009:

c = mo.compare_series(sn, 'NDVI', 'Modis', '2005-01-01', '2009-12-31',     # periodo de referencia
                      '2020-01-01', '2024-12-31',                          # el otro periodo
                      step='monthly', csv='comparacion_ndvi.csv', chart='comparacion_ndvi.png')
c['profile'][:2]

[{'region': 'Sierra Nevada', 'part': 1, 'key': 'm01', 'label': 'January', 'reference': 0.4954, 'other': 0.4953,
  'difference': -0.0002, 'n_reference': 5, 'n_other': 5},
 {'region': 'Sierra Nevada', 'part': 2, 'key': 'm02', 'label': 'February', 'reference': 0.4681, 'other': 0.4829,
  'difference': 0.0149, 'n_reference': 5, 'n_other': 5}]

c['rows'] tiene los valores de cada año de los dos periodos. El mapa de la diferencia (la mediana de 2020-2024 menos la de 2005-2009):

mo.compare_map(sn, 'NDVI', 'Modis', '2005-01-01', '2009-12-31', '2020-01-01', '2024-12-31',
               metric='median', thumbnail='diferencia_ndvi.png')
mo.download_comparison(sn, 'NDVI', 'Modis', '2005-01-01', '2009-12-31', '2020-01-01', '2024-12-31',
                       metric='median', path='diferencia_ndvi.tif')     # bandas difference, reference, other

Severidad de un incendio

El incendio de agosto de 2023 en el Parque Nacional del Teide, con Sentinel-2 (ver Conceptos):

s = mo.burn_severity({'wdpa_id': 389013}, 'Sentinel-2', '2023-05-15', '2023-08-14',   # antes
                     '2023-09-15', '2023-11-30', path='severidad.tif', csv='severidad.csv')   # después
s['burned_ha']                                  # {'El Teide': 956.4}: hectáreas con dNBR >= 0,1
[(r['label'], round(r['ha'])) for r in s['classes'] if r['class'] >= 1]
# [('Low severity', 559), ('Moderate-low severity', 318), ('Moderate-high severity', 79), ('High severity', 0)]
r = mo.burn_severity({'wdpa_id': 389013}, 'Sentinel-2', '2023-05-15', '2023-08-14',
                     '2023-09-15', '2023-11-30', index='RBR', path='rbr.tif')   # el RBR, continuo
r['stats']                                      # [{'region', 'mean', 'median', 'p10', 'p90', 'min', 'max', 'ha'}]
d = mo.burn_severity({'wdpa_id': 389013}, 'Sentinel-2', '2023-05-15', '2023-08-14',
                     '2024-05-15', '2024-08-14', index='RdNBR', path='rdnbr.tif')   # un año después
d['classes']                                    # [{'region', 'class', 'label', 'rdnbr_min', 'rdnbr_max', 'ha'}]
d['burned_ha']                                  # hectáreas que cambiaron: RdNBR >= 0,069
d['stats']                                      # media, mediana, p10, p90, mín. y máx. del RdNBR
m = mo.burn_severity({'wdpa_id': 389013}, 'Modis', '2023-05-15', '2023-08-14',   # MODIS Aqua, 500 m
                     '2024-05-15', '2024-08-14', index='RdNBR', collection='MODIS/061/MYD09GA')

Con index='RBR' da el RBR en lugar del dNBR y sus clases (ver Conceptos). Con index='RdNBR', el dNBR relativo de Miller y Thode (2007) y sus clases de severidad (class 0 a 3: Unchanged, Low severity, Moderate severity y High severity), la superficie que cambió (burned_ha, RdNBR ≥ 0,069), las estadísticas del RdNBR (stats) y un GeoTIFF con las bandas rdnbr, severity, dnbr, nbr_before y nbr_after (ver Conceptos). Sus clases se calibraron con el periodo después un año tras el incendio, en la misma época que el periodo antes. Solo el RdNBR se calcula también con MODIS (sensor='Modis', 500 m, clases aproximadas): Terra (MODIS/061/MOD09GA) por defecto, o Aqua con collection='MODIS/061/MYD09GA'.

10. Leer los GeoTIFF

Con GDAL (viene en el entorno de conda) o rasterio:

from osgeo import gdal
ds = gdal.Open('tendencia_ndvi_anual.tif')
nombres = [ds.GetRasterBand(i + 1).GetDescription() for i in range(ds.RasterCount)]   # slope, tau, ...
pendiente = ds.GetRasterBand(1).ReadAsArray()        # NoData: -9999

11. Exportar a Google Drive

Para mapas grandes a resolución completa o series muy largas. Earth Engine los calcula sin límite de tiempo y los deja en una carpeta de tu Google Drive:

tarea = mo.export_image(sn, 'NDVI', 'Sentinel-2', '2023-01-01', '2023-12-31', metric='median',
                        resolution=10, folder='MonitorEO')
mo.task_status(tarea['operation'])     # {'state': 'RUNNING', 'progress': 0.4, ...} hasta 'SUCCEEDED'

mo.time_series_to_drive(sn, 'NDVI', 'Sentinel-2', '2017-04-01', '2023-12-31', step='daily', folder='MonitorEO')

Las tareas también se ven en https://code.earthengine.google.com/tasks.

12. Varias variables para un modelo: recetas

download_variables descarga varias variables y métricas en rejillas alineadas (mismo CRS, mismos bordes, NoData −9999) sobre un área de estudio y, con un píxel más grueso, sobre las ecorregiones que toca. Es lo que usa eHabitat+ para preparar sus variables de entrada. La receta es un YAML (o un diccionario):

crs: auto                                   # UTM del centro del área, o p. ej. EPSG:25830
study: {resolution: 10, buffer: 500}        # área de estudio: rectángulo + 500 m, descarga directa
ecoregion: {resolution: 100, drive: true}   # opcional: ecorregiones que toca, vía Google Drive
period: ['2021-01-01', '2023-12-31']
quality: {clouds: true, water: true, snow: true, aerosols: true, cloud_score: 0.6}
variables:
  - {index: NDVI, sensor: Sentinel-2, metric: [p95, p5]}                       # un fichero por métrica
  - {index: LST, sensor: Modis, temporal: annual, metric: max, interannual: median}
  - {name: pendiente, image: COPERNICUS/DEM/GLO30_2024_1, band: DEM, terrain: slope}  # cualquier imagen de Earth Engine

Primero, un ensayo (dry_run) para ver el tamaño de las rejillas y el número de imágenes:

p = mo.download_variables('receta.yaml', {'wdpa_id': 389011}, 'variables', dry_run=True)
p['grids']['study']       # {'crs': 'EPSG:32630', 'resolution': 10.0, 'width': 7962, 'height': 3102,
                          #  'pixels': 24698124, 'mb_per_variable': 94.22, ...}
[f['file'] for f in p['files']]
# ['1_NDVI_S2_p95.tif', '2_NDVI_S2_p5.tif', '3_LST_MODIS_annual-max_median.tif', '4_pendiente.tif']

Y después la descarga:

mo.download_variables('receta.yaml', 'area_estudio.gpkg', 'variables', log=print)

• Las variables del área de estudio quedan en variables/ y las de las ecorregiones en variables/ecoregion/, con sus polígonos en ecoregions.gpkg.
• monitoreo.json guarda con qué se hizo cada fichero: al repetirlo solo se descarga lo que haya cambiado (overwrite=True lo descarga todo).
• Las rejillas con drive: true se exportan a Google Drive (sin límite de tamaño) y se importan desde Google Drive para escritorio al terminar. Si se interrumpe, al repetirlo se esperan las exportaciones en curso en vez de lanzarlas otra vez.

13. Otros datos de Earth Engine, por su ID

Todas las funciones que calculan aceptan, en lugar de variable y sensor, cualquier imagen o colección de imágenes de Earth Engine por su ID: collection (imágenes con fechas) o image (una imagen fija, o una colección de teselas sin fechas), con band y, si hace falta, band_scale, band_offset y unit (en UDUNITS); con image, también terrain. Qué son, qué análisis tiene cada uno y cómo se citan: Conceptos.

Primero, qué es el ID (lee sus metadatos en Earth Engine, sin calcular):

d = mo.describe_asset('IDAHO_EPSCOR/TERRACLIMATE')
d['type'], d['use'], d['cadence']      # ('image_collection', 'collection', '1 month')
d['dates']                             # ['1958-01-01', '2024-12-01'], como dice su ficha
next(b for b in d['bands'] if b['band'] == 'pr')
# {'band': 'pr', 'description': 'Precipitation accumulation', 'units': 'mm', 'unit': 'mm', 'resolution_m': 4638.3, ...}
d['arguments']      # los que calculan su primera banda: {'collection': 'IDAHO_EPSCOR/TERRACLIMATE', 'band': ..., ...}
d['references']     # cómo citarlo (Abatzoglou et al., 2018, con su DOI); d['credits'], los que piden sus condiciones

La precipitación de cada mes de TerraClimate y la temperatura media anual de WorldClim (1960-1990), una imagen fija guardada en décimas de grado:

pr = dict(collection='IDAHO_EPSCOR/TERRACLIMATE', band='pr', unit='mm month-1')    # mm de cada mes
ts = mo.time_series(sn, **pr, start='1991-01-01', end='2020-12-31', step='annual', metric='sum',
                    csv='precip_terraclimate.csv', chart='precip_terraclimate.png')
ts['unit']          # 'mm': la suma de los 12 meses de cada año es el total anual
mo.trend_table(sn, **pr, start='1991-01-01', end='2020-12-31', step='annual', metric='sum')   # ¿ha cambiado?

bio01 = dict(image='WORLDCLIM/V1/BIO', band='bio01', band_scale=0.1, unit='degC')
mo.region_stats(sn, **bio01)                       # media, mínimo, percentiles y máximo, en degC
mo.download_image(sn, **bio01, path='bio01.tif')   # sin periodo ni métrica: una imagen fija

Los conjuntos de datos del catálogo de la comunidad de GEE, por sus temas (Conceptos), de la copia de su índice que trae el paquete (sin Earth Engine):

mo.community_themes('es')[2]
# {'theme': 'Elevation and Bathymetry', 'name': 'Elevación y batimetría', 'datasets': 15}
[d['id'] for d in mo.community_datasets(theme='Elevación y batimetría')]     # o 'Elevation and Bathymetry'
# ['projects/sat-io/open-datasets/ASTER/GDEM', ..., 'projects/sat-io/open-datasets/FABDEM', ...]
mo.community_datasets(text='fabdem')
# [{'id': 'projects/sat-io/open-datasets/FABDEM', 'title': 'FABDEM (Forest And Buildings removed Copernicus 30m DEM)',
#   'type': 'image_collection', 'theme': 'Elevation and Bathymetry', 'provider': 'Hawker, L., Uhe, P., ...',
#   'license': 'Creative Commons Attribution Non Commercial Share Alike 4.0 International', 'tags': '...',
#   'docs': 'https://gee-community-catalog.org/projects/fabdem/'}]
mo.describe_asset('projects/sat-io/open-datasets/FABDEM')['use']   # 'image': teselas sin fechas, en un mosaico

fabdem = dict(image='projects/sat-io/open-datasets/FABDEM', band='b1')
mo.region_stats(sn, **fabdem, unit='m')            # la elevación del suelo, sin árboles ni edificios
mo.download_image(sn, **fabdem, terrain='slope', path='fabdem_pendiente.tif')   # su pendiente, en grados (degree)

• Los errores dan un ValueError que dice qué hacer: un ID que esta cuenta no puede leer, un ID dado como variable, una imagen o una colección de teselas sin fechas dada como collection, una serie temporal, una tendencia o una comparación de una image, sin band, una unit que no está en UDUNITS, o una unit distinta de degree con terrain (Problemas frecuentes).
• rgb_map, download_rgb y burn_severity son solo para las variables del catálogo.
• En una receta de download_variables se indican con las mismas claves, con scale y offset en lugar de band_scale y band_offset: {collection: IDAHO_EPSCOR/TERRACLIMATE, band: pr, unit: mm month-1, temporal: annual, metric: sum}. Una unit vacía (unit: '') es una unidad no indicada, como en las funciones, no una adimensional (unit: '1').

Referencia

Función	Qué hace	Devuelve
init(project, shared)	Conecta con Earth Engine: con tu proyecto o, sin él (o con shared=True), con la cuenta compartida de MonitorEO, que no exporta a Google Drive	el proyecto
eecu_usage(limit, refresh, lang)	Tus EECU gastados este mes (research EECUs con la cuenta compartida; con tu cuenta, la cuota de tu proyecto)	used_percent, left_percent, used_hours, limit_hours, warning, text, bar
about(lang)	Descripción, agradecimientos, logotipos y enlaces	dict
list_variables(sensor, text)	Variables del catálogo	lista
describe_variable(variable, sensor)	Todo sobre una variable	dict
describe_asset(asset)	Qué es una imagen o colección de Earth Engine, por su ID: imagen o colección, bandas, unidades, escala, fechas, licencia y cómo citarla (lee sus metadatos en Earth Engine)	type, use, bands, arguments, references, ...
community_themes(lang), community_datasets(theme, text, kind, limit)	Temas y conjuntos de datos del catálogo de la comunidad de GEE (sin Earth Engine)	listas
find_protected_areas(text, designation=None)	Áreas protegidas de WDPA por nombre (designation='ramsar': solo sitios Ramsar)	lista
find_admin_units(text, level=1, country=None)	Unidades administrativas de FAO GAUL 2025 por nombre, con su código	lista
time_series(region, variable, sensor, start, end, step, metric, stat, ...)	Serie temporal	rows, csv, chart, scale, unit, title
map_layer(region, variable, sensor, start, end, metric, temporal, ...)	Teselas del mapa	url, min, max, palette, bounds, thumbnail
rgb_map(...), has_rgb(variable, sensor)	Teselas del color verdadero de las mismas imágenes y píxeles que map_layer; si una variable lo tiene	url, bands, min, max, bounds, thumbnail; True o False
thumbnail(...)	Vista previa del mapa	PNG (bytes)
composite_image(...)	La imagen de Earth Engine del mapa	(ee.Image, ee.FeatureCollection)
region_stats(...)	Estadísticas del mapa por polígono	rows, scale, unit
download_image(..., path)	Mapa en GeoTIFF	file, grid, resolution, ...
download_rgb(..., path)	Color verdadero en GeoTIFF (bandas red, green, blue), en la rejilla de download_image	file, grid, bands, min, max, ...
trend_table(..., step, alpha)	Tendencias de la región	rows, yearly, csv, chart
trend_map(..., step, part, output, alpha)	Teselas del mapa de tendencias	como map_layer
download_trend(..., step, part, path)	Tendencias por píxel en GeoTIFF	file, bands, ...
compare_series(..., other_start, other_end, step)	Comparación de periodos	profile, rows, csv, chart
compare_map(...) / download_comparison(..., path)	Mapa de la diferencia	como map_layer / download_image
burn_severity(region, sensor, start, end, other_start, other_end, path, csv, index, collection)	Severidad de un incendio (dNBR, clases del USGS; con index='RBR', el RBR; con index='RdNBR', el RdNBR y las clases de Miller y Thode, también con MODIS)	classes, burned_ha (o stats del RBR; el RdNBR, los tres), file
export_image(...) / time_series_to_drive(...)	Exportaciones a Google Drive	operation, file, folder
task_status(operation)	Estado de una exportación	state, progress, error
download_variables(recipe, area, folder, ...)	Receta de variables en GeoTIFF	resumen

Las funciones que calculan aceptan también, en lugar de variable y sensor, collection o image, con band, band_scale, band_offset, unit y terrain (13. Otros datos de Earth Engine). Cada función tiene su documentación completa, también de estos argumentos: help(mo.time_series).