Capítulo uno
bases teóricas
1. Introducción de la plataforma y la aplicación Earth Engine, principales recursos de datos
2. Conceptos importantes, tipos de datos y objetos de la nube de teledetección de Earth Engine
3. Comparación y selección de programación en la nube de detección remota de JavaScript y Python
4. Conceptos básicos de Python (sintaxis, tipos de datos y estructuras de control de programas, funciones, clases y objetos, etc.)
5. Introducción a los paquetes de software comunes de Python ((pandas, numpy, os, etc.) y demostración de funciones básicas (lectura de archivos de datos Excel/csv y procesamiento de datos, operaciones de directorio, etc.)
6. Diferencias entre las API de nube de detección remota de JavaScript y Python, métodos de aprendizaje y recomendaciones de recursos
7. Introducción a los modelos de lenguaje natural de IA como ChatGPT y Wenxin Yiyan y sus aplicaciones en el campo de la teledetección
Capitulo dos
Crear el entorno de desarrollo
1. Introducción al entorno de desarrollo de nube de detección remota de Python local y en la nube
2. Construir el entorno de desarrollo local
1) Instalación de Anaconda, método de instalación del paquete pip/conda y creación de un entorno virtual, etc.;
2) Instalación de los paquetes de software necesarios como earthengine-api y geemap;
3) Gestión de autorizaciones locales en la nube de teledetección;
4) Instalación de Jupyter Notebook/Visual Studio Code y ejecución de depuración.
3. Construcción del entorno de desarrollo de Cloud Colab
4. Introducción a Geemap y demostración de funciones comunes
5. Aplicación de cuenta ChatGPT, Wenxin Yiyan y demostración de función principal, como respuesta de conocimiento de detección remota, análisis de datos y generación de código de procesamiento, consulta de marco de solución, etc.
tercer capitulo
Procesamiento de Big Data de Teledetección
Interacción básica con modelos de IA como ChatGPT
1. Introducción al proceso de análisis y procesamiento de datos de imágenes de la plataforma en la nube de teledetección: presente el marco básico del proceso de análisis y procesamiento de datos de imágenes de la plataforma en la nube de teledetección, incluida la adquisición de datos, el preprocesamiento de datos, el desarrollo de algoritmos, la visualización, etc. .
2. Visualización de objetos y exploración de campos de atributos de elementos e imágenes: Presente cómo mostrar y explorar campos de atributos de elementos e imágenes en la plataforma en la nube de detección remota, incluido cómo seleccionar elementos e imágenes de objetos, ver información de atributos, filtrar datos, etc.
3. Método de filtrado de atributos, espacio y tiempo de imagen/conjunto de características: presente cómo filtrar imágenes/conjunto de características en tiempo, espacio y atributo, incluido cómo seleccionar el período de tiempo, el área geográfica y las condiciones de los atributos para lograr un análisis de datos más preciso.
4. Operación de banda, operación condicional, cálculo de índice de vegetación, recorte y mosaico, etc.: Presente cómo realizar operación de banda, operación condicional, cálculo de índice de vegetación, operaciones de recorte y mosaico en la plataforma de nube de detección remota para lograr datos más detallados análisis.
5. Eliminación de nubes de imágenes ópticas de uso común como Landsat/Sentinel-2: Presente cómo usar diferentes métodos para eliminar nubes de imágenes ópticas de uso común como Landsat/Sentinel-2 en la plataforma de nube de detección remota para mejorar la calidad de los datos de imagen .
6. Ciclo iterativo de imágenes y conjuntos de funciones: Presente cómo utilizar la función de ciclo iterativo de la plataforma en la nube de detección remota para procesar por lotes imágenes y conjuntos de funciones para mejorar la eficiencia del análisis de datos.
7. Integración de datos de imágenes (Reductor): Presente cómo usar la función Reductor de la plataforma en la nube de detección remota para integrar múltiples datos de imágenes en un conjunto de datos para facilitar el análisis de datos posterior.
8. Análisis de vecindario y estadísticas espaciales: presente cómo realizar análisis de vecindario y estadísticas espaciales en la plataforma de nube de detección remota para obtener información espacial más detallada.
9. Errores comunes y optimización de código: presente errores comunes en el proceso de análisis de datos de la plataforma en la nube de detección remota y cómo optimizar el código para mejorar la eficiencia y precisión del análisis de datos.
10. Construcción de paquetes exclusivos de análisis de datos en la nube de detección remota de Python: Presente cómo usar Python para crear un paquete exclusivo de análisis de datos en la plataforma de nube de detección remota para facilitar el uso múltiple y compartir códigos de análisis.
Capítulo cuatro
Práctica de operación de caso típico
11. Caso de algoritmo de clasificación de aprendizaje automático: este caso combina Landsat y otras series de imágenes a largo plazo y algoritmos de aprendizaje automático para demostrar el proceso básico de clasificación de sensores remotos a escala nacional. El contenido específico incluye estadísticas de imágenes en el área de estudio, muestreo aleatorio espacialmente estratificado, segmentación de muestras aleatorias, preprocesamiento y síntesis de imágenes de series temporales, aplicación de algoritmos de aprendizaje automático, posprocesamiento de clasificación y evaluación de precisión, etc.
12. Caso del algoritmo de clasificación forestal del árbol de decisión: En este caso, combinado con el radar de banda L y las imágenes de series temporales ópticas de Landsat, el algoritmo de clasificación del árbol de decisión se utiliza para extraer el mapa de distribución forestal del área designada de 2007 a 2020, y el la comparación espacial se realiza con los productos forestales anuales de JAXA. El caso implica el uso conjunto de datos de múltiples fuentes, la construcción del algoritmo de clasificación del árbol de decisiones, la optimización dinámica del umbral, el análisis espacial de los resultados de la clasificación, etc.
13. Caso de monitoreo de desastres por inundaciones: este caso se basa en el radar de banda C Sentinel-1 y otras imágenes para monitorear desastres por lluvias torrenciales a nivel provincial. El contenido del caso incluye procesamiento de imágenes Sentinel-1 C, construcción de varios algoritmos de reconocimiento de cuerpos de agua, análisis de diferencia de imágenes y visualización de resultados. .
14. Caso de monitoreo de la sequía por teledetección: Este caso utiliza productos de datos de precipitación por teledetección satelital de 40 años de antigüedad, como CHIRPS, para monitorear la sequía extrema a escala provincial. El contenido del caso incluye procesamiento básico de datos meteorológicos, integración de datos de escala anual y mensual, cálculo de desviación/LPA promedio a largo plazo y visualización de resultados de datos.
15. Análisis de caso de características fenológicas: este caso se basa en imágenes de series temporales como Landsat y MODIS, y analiza las diferencias fenológicas (punto de escala de muestreo) y las características de variación espacial fenológica a gran escala (como China) de la vegetación superficial típica para muchos años a través del cambio de índice de vegetación. El contenido del caso incluye síntesis de imágenes de series temporales, suavizado de imágenes (Smoothing) y relleno de huecos (Gap-filling), visualización de resultados, etc.
16. Caso de monitoreo de la salud de la vegetación forestal: este caso utiliza 20 años del índice de vegetación MODIS para monitorear el bosque en un área seleccionada durante un período prolongado y analizar el enverdecimiento o el oscurecimiento de la vegetación forestal. Se incluyen métodos para unir y componer imágenes, análisis de tendencias, estadísticas espaciales y visualización.
17. Caso de monitoreo dinámico de la calidad del medio ambiente ecológico: Este caso utiliza el índice ecológico de sensores remotos RSEI y las imágenes de la serie Landsat para monitorear rápidamente el estado ecológico de las ciudades seleccionadas. Las principales tecnologías involucradas incluyen cálculo de índice de vegetación, extracción de temperatura superficial, normalización de datos, análisis PCA de componentes principales, construcción de índice ecológico RSEI y visualización de resultados, etc.
capítulo cinco
Gestión eficiente de activos de entrada y salida y de datos
1. Interacción entre los datos locales y la nube: presente cómo convertir datos csv, kml, vectoriales y ráster locales en datos de la nube, y explique cómo exportar datos.
2. Descarga por lotes de datos del lado del servidor: incluida la descarga local directa, la descarga por lotes de conjuntos de imágenes y cómo descargar rápidamente productos de datos a gran escala y a largo plazo, como productos forestales globales y productos de datos MODIS de 20 años. .
3. Carga de datos locales y configuración de atributos: incluido el uso de comandos de motor de tierra, cómo cargar una pequeña cantidad de datos vectoriales y ráster locales y establecer atributos (archivos pequeños), y cómo cargar datos en lotes y establecer atributos automáticamente, y también presentar cómo usar las habilidades de carga rápida Cargue archivos de imagen muy grandes, como imágenes nacionales de alta puntuación.
4. Gestión de activos de datos personales: presente cómo utilizar Python y la línea de comandos de Earthengine para gestionar activos de datos personales, incluida la creación, eliminación, movimiento, cambio de nombre y otras operaciones, y también explique cómo cancelar tareas de carga/descarga en lotes.
Capítulo Seis
Visualización a nivel de publicación de documentos de datos en la nube
1. Introducción a la visualización de Python y los principales paquetes de software: presente los paquetes de visualización matplotlib y seaborn, explique los conceptos básicos de gráficos, la composición de gráficos y el dibujo rápido de gráficos de uso común.
2. Dibujo de topografía y mapa de distribución de parcelas del área de investigación: combine archivos vectoriales locales o de nubes, datos topográficos de nubes, etc. para dibujar un diagrama esquemático del área de investigación. Implica el proceso de dibujo, la pantalla china, la combinación de colores y el embellecimiento, etc. También presentará la descarga en línea y la aplicación local de la paleta de colores exquisita cpt-city.
3. Estadísticas de cobertura de imágenes y mapeo en el área de investigación: realice estadísticas sobre la cantidad de cobertura y la cobertura de imágenes sin nubes de las imágenes de las series Landsat y Sentinel en el área designada, y dibuje mapas estadísticos de imágenes regionales o cobertura de imágenes sin nubes a nivel de píxel. mapas temáticos.
4. Análisis y dibujo de características espectrales y características fenológicas de muestras: Dibuje rápidamente características espectrales y fenológicas de diferentes tipos de parcelas, descargue e integre dinámicamente miniaturas (thumbnails) y series temporales de índices de vegetación de puntos de muestreo en los últimos 30 años, etc.
5. Dibujo de mapas temáticos de resultados de clasificación y producción de Timelapse de fotografía de time-lapse dinámica de espacio-tiempo: dibujo de mapas temáticos clasificados únicos o múltiples y embellecimiento de combinación de colores, hacer Timelapse con cambios claros en el uso del suelo e introducir texto de animación y otro contenido.
6. Estadísticas del área y dibujo de los resultados de la clasificación: según los resultados de la clasificación y los archivos de límites vectoriales en la nube, se puede contar el área de diferentes tipos de tierra en diferentes regiones, se pueden extraer los resultados estadísticos y el área estadística puede mostrarse en diferentes gráficos; se pueden hacer dibujos estadísticos de cambios en el uso de la tierra, etc.
