primera parte
práctica básica
uno
Plataforma y plataforma básica de desarrollo
· Introducción de la plataforma GEE y casos típicos de aplicación;
· Introducción del entorno de desarrollo GEE y los recursos de datos de uso común;
Introducción a los modelos GPT como ChatGPT y Wenxinyiyan
· Introducción a los conceptos básicos de JavaScript;
· Conceptos importantes de la nube de teledetección GEE y proceso típico de análisis de datos;
Introducción básica de objetos GEE, visualización de objetos vectoriales y ráster, visualización de atributos, consulta de API, depuración básica y otras plataformas para comenzar.
dos
El conocimiento básico de GEE interactúa con modelos de IA como ChatGPT
· Operaciones y operaciones básicas de imágenes: operaciones matemáticas, relaciones/condiciones/operaciones booleanas, filtrado morfológico, extracción de características de textura, enmascaramiento de imágenes, recorte y mosaico, etc.;
· Operaciones básicas de elementos y operaciones: buffer geométrico, intersección, unión, operaciones de diferencia, etc.;
Operaciones de objetos de colección: iteración de bucle (asignar/iterar), fusionar Fusionar, unión (Join);
· Reducción de la integración de datos: incluida la integración de imágenes y conjuntos de imágenes, síntesis de imágenes, estadísticas de área de imagen y estadísticas de dominio, integración de grupos y estadísticas de vecindad de área, análisis de regresión lineal de conjunto de imágenes, etc.;
· Algoritmos de aprendizaje automático: incluidos los algoritmos de clasificación supervisados (bosque aleatorio, CART, SVM, árbol de decisiones, etc.) y no supervisados (wekaKMeans, wekaLVQ, etc.), evaluación de precisión de clasificación, etc.;
Gestión de activos de datos: incluida la carga de datos ráster y vectoriales locales, la descarga de datos ráster y vectoriales en la nube, la exportación de datos de resultados estadísticos, etc.;
· Visualización de dibujos: incluidos gráficos de barras, histogramas, diagramas de dispersión, series temporales y otros dibujos gráficos.
Interacción del modelo GPT: combine los puntos de conocimiento básicos anteriores con herramientas de IA como ChatGPT para demostraciones interactivas, incluidas habilidades como respuesta a preguntas auxiliares, generación y corrección de códigos.
la segunda parte
prueba avanzada
Conferencias de minicasos sobre puntos de conocimiento importantes y demostración interactiva del modelo GPT
1) Las imágenes Landsat, Sentinel-2 eliminan automáticamente las nubes y las sombras en lotes
2) Combine Landsat y Sentinel-2 para calcular el índice de vegetación y la síntesis anual en lotes
3) Análisis estadístico del número de imágenes disponibles y el número de observaciones sin nubes en el área de estudio
4) Síntesis de los números anuales de vegetación NDVI en China y búsqueda de la época DOY más verde del año
5) Suavizado de ventanas móviles de datos de imágenes ópticas de series temporales
6) Muestreo aleatorio estratificado y exportación de muestras, evaluación local de muestras y carga de datos en la nube
Análisis sobre la Tendencia de Variación de las Precipitaciones en China en los Últimos 40 Años
la tercera parte
Taladro integral de caso típico
Caso 1: Monitoreo de Desastres por Inundaciones
Con base en imágenes como las del radar Sentinel-1, se toma como ejemplo un desastre de inundación típico para monitorear el área afectada. El contenido del caso incluye el procesamiento de datos de imágenes de múltiples fuentes y la construcción de diferentes algoritmos de reconocimiento de cuerpos de agua, como la segmentación automática global OSTU y el método de umbral adaptativo local, y el uso de diferentes métodos para determinar el área del desastre, las estadísticas del área del desastre y la salida visual. , etc.
Caso 2: Sensibilidad de inundación y modelado de riesgo
Combinación de conjuntos de datos espaciales como productos de cobertura terrestre con resolución ESA10m, terreno (elevación y pendiente), datos hidrológicos globales MERIT, productos de datos de aguas superficiales del JRC, etc., con la ayuda de una plataforma en la nube para calcular la distancia entre diferentes tipos de terreno y aguas abiertas , la altura sobre el sistema de drenaje más cercano (HAND) y la frecuencia de lluvia (un representante de la intensidad y duración de la lluvia) se usan como parámetros de entrada para simular la sensibilidad a inundaciones, y luego se usa el método WLC de combinación lineal ponderada para dibujar un mapa de distribución de sensibilidad a inundaciones . El contenido implica la reclasificación y calificación de diferentes productos de datos, el cálculo de la distancia euclidiana, el ciclo de mapas de conjuntos de imágenes y el modelado de análisis, etc.
Caso 3: Monitoreo de la calidad del agua
En combinación con Landsat 8/9 y productos acuáticos superficiales del JRC en los últimos diez años, use el índice de sedimentos suspendidos diferenciales normalizados NDSSI, el índice de turbidez diferencial normalizado NDTI, etc. para monitorear los cambios en la calidad del agua en las áreas de captación de agua y contar las áreas de captación de agua. Cambios mensuales en la calidad del agua. El contenido implica el preprocesamiento de imágenes de series temporales, el cálculo del índice de vegetación, la síntesis de imágenes mensuales y anuales, la operación del reductor de conjuntos de imágenes, el filtrado y el mapeo de valores nulos, etc.
Caso 4: Monitoreo del perfil del río
Demostrar la aplicación de Earth Engine a la hidrología y geomorfología de los ríos. Específicamente, demuestre cómo usar la plataforma en la nube para distinguir ríos de otros cuerpos de agua, realizar análisis básicos de forma, extraer la línea central y el ancho de los ríos y detectar cambios en la forma del río a lo largo del tiempo. El contenido incluye llamadas de paquetes de código abierto, interpretación de códigos clave de RivWidthCloud, procesamiento de imágenes de series temporales, reconocimiento de sensores remotos de cuerpos de agua y exportación de datos.
Caso 5: Monitoreo del cambio de aguas subterráneas
El uso de observaciones satelitales GRACE para evaluar los cambios en el almacenamiento de agua subterránea en grandes cuencas fluviales se describe en detalle, incluida la aplicación de anomalías de almacenamiento total estimadas por detección remota, el resultado del modelo de superficie terrestre GLDAS y observaciones in situ para abordar la invariancia del almacenamiento de agua subterránea. El contenido involucra el uso de GRACE para dibujar cambios en el almacenamiento total de agua, tendencias de almacenamiento de agua y resolver cambios en el almacenamiento de agua subterránea en cuencas fluviales. Los puntos de conocimiento de la práctica incluyen filtrado de conjuntos de imágenes, unión de conjuntos, bucle de mapas, análisis de tendencias, visualización, etc.
Caso 6: Mapeo de manglares por teledetección
Combinando imágenes de sensores remotos de múltiples fuentes Sentinel-1/2 y algoritmos de aprendizaje automático para dibujar mapas de distribución de manglares. Los temas incluyen el procesamiento de datos ópticos y de radar, la aplicación de algoritmos de aprendizaje automático, la evaluación de la precisión de la inversión, el análisis de importancia variable, la visualización de resultados, la conversión de vectores y ráster, etc. , etc.) para afinar los resultados de la clasificación y realizar el dibujo de mapas de distribución de alta precisión.
Enlace original: Caso práctico típico y aplicación del modelo GPT de macrodatos de nubes de teledetección en los campos de desastres, masas de agua y humedales