Tabla de contenido
Capítulo 2, Construcción del entorno de desarrollo
Capítulo cuatro, práctica de operación de caso típico
Capítulo 5, Entrada y salida y gestión eficiente de activos de datos
Capítulo 6, Visualización a nivel de publicación de documentos de datos en la nube
Integrar los modelos de lenguaje natural de IA más avanzados, como ChatGPT y Wenxin Yiyan, para ayudar a la enseñanza, ayudar a los estudiantes a responder dudas, proporcionar sugerencias y orientación específicas, y brindar una experiencia de aprendizaje eficiente y personalizada para el futuro aprendizaje de autoayuda. En la actualidad, Earth Engine ha sido valorado por más y más trabajadores científicos y tecnológicos en el país y en el extranjero por sus potentes funciones, y su aplicación es cada vez más común.
Para dominar la capacidad de aplicación práctica de Earth Engine, basado en el lenguaje de programación Python, se brindarán explicaciones y capacitación avanzada en términos de construcción de plataformas, análisis de datos de imágenes, gestión de datos locales y en la nube, y visualización a nivel de publicación en papel de datos en la nube combinada con casos. Además, se enfatizará el procesamiento por lotes y el aprendizaje automático, lo cual es adecuado para estudiantes que dominan algunos conceptos básicos de Earth Engine y Python, o que tienen un gran interés en la programación.
Capítulo 1, Base Teórica
1. Plataforma y aplicación de Earth Engine, introducción de los principales recursos de datos
2. Conceptos importantes de la nube de detección remota de Earth Engine, tipos de datos y objetos, etc.
3. Comparación y selección de programación en la nube de detección remota
de JavaScript y Python tipo y estructura de control del programa, 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 de la 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 Wenxinyiyan y sus aplicaciones en el campo de la detección remota
Capítulo 2, Construcción del entorno de desarrollo
1. Introducción al entorno de desarrollo de nube de detección remota de Python local y en la nube
2. Construcción del entorno de desarrollo local
1) Instalación de Anaconda, método de instalación del paquete de software pip/conda y creación del entorno virtual, etc.
2) Earthengine-api, geemap y otro paquete de software necesario instalación
3) Gestión de autorización local en la nube de detección remota
4) Instalación y depuración de Jupyter Notebook/Visual Studio Code.
3. Construcción del entorno de desarrollo de Cloud Colab
4. Introducción de Geemap y demostración de función común
5. ChatGPT, aplicación de cuenta de 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.
Capítulo 3, la base del procesamiento de big data de teledetección y la interacción 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. Operaciones de banda, operaciones condicionales, cálculos de índice de vegetación, recorte y mosaico, etc.: Presente cómo realizar operaciones de banda, operaciones condicionales, cálculos de índice de vegetación, operaciones de recorte y mosaico en la plataforma de nube de detección remota para obtener 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 en 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 imagen (Reductor): Presente cómo usar la función Reductor de la plataforma en la nube de detección remota para integrar múltiples datos de imagen 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 estratificado espacial, 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 imágenes de series temporales ópticas Landsat y radar de banda L, se utilizó el algoritmo de clasificación del árbol de decisión para extraer el mapa de distribución forestal anual de 2007-2020 en un área designada, y el la comparación espacial se hizo con los productos forestales anuales de JAXA. El caso involucra 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, etc.
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 de la vegetación superficial típica a lo largo de los años (escala de puntos de muestreo) y espacial fenológica a gran escala (como China). características de variación a través de cambios en los índices 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. Un caso de monitoreo de la salud de la vegetación forestal: este caso utiliza el índice de vegetación MODIS de 20 años para realizar un monitoreo a largo plazo de los bosques en áreas seleccionadas y analizar la forestación o el oscurecimiento de la vegetación forestal. Métodos que involucran concatenación y composición de 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 5, Entrada y salida y gestión eficiente de activos de datos
1. Interacción entre los datos locales y la nube: presente cómo convertir datos csv, kml, vectoriales y ráster locales con datos de la nube, y explique el método de exportación de 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, etc. .
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 Cargar 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 6, 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, etc.
2. Dibujo de topografía y mapa de distribución de parcelas de muestra 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 de la paleta exquisita de cpt-city y la aplicación local, etc.
3. Estadísticas y dibujos de cobertura de imágenes del área de investigación: haga estadísticas sobre la cantidad de cobertura de Landsat y Sentinel y otras series de imágenes en el área designada, y la cobertura de imágenes sin nubes, y dibuje mapas estadísticos de imágenes regionales o nubes a nivel de píxeles -mapas temáticos de cobertura de imagen gratis
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 de puntos de muestreo en los últimos 30 años y series temporales de índices de vegetación, etc.
5. Dibujo de mapas temáticos de los resultados de la clasificación y producción de Timelapse de fotografía de lapso de tiempo dinámico de espacio-tiempo: dibujo de mapas temáticos de clasificación simple o múltiple y embellecimiento de combinación de colores, hacer Timelapse con cambios claros en el uso de la tierra e introducir la adición de texto de animación, etc.
6. Estadísticas y dibujo del área de resultados de la clasificación: según los resultados de la clasificación de nubes y los archivos de límites vectoriales, cuente el área de diferentes tipos de tierra en diferentes regiones, extraiga resultados estadísticos y muestre el área estadística en diferentes gráficos; haga que el cambio de uso de la tierra sea estadístico dibujos, etc
Cómo aprende Xiaobai GEE, GEE-Python y GEE en la aplicación forestal_Blog de reabastecimiento de combustible de Xiaoyan-Blog CSDN GEE ha sido valorado y aplicado por más y más trabajadores científicos y tecnológicos extranjeros por sus poderosas funciones. https://blog.csdn.net/weixin_46747075/article/details/128216382?spm=1001.2014.3001.5502 Caso práctico típico de la aplicación forestal de big data en la nube de GEE y la aplicación del modelo GPT_Blog-CSDN de WangYan2022 combina el ChatGPT más avanzado, Wenxinyiyan y otros modelos de lenguaje natural de IA ayudan a la enseñanza, ayudan a los estudiantes a responder dudas, brindan sugerencias y orientación específicas, no solo permiten a los estudiantes comprender el contenido de aprendizaje más profundamente, sino que también brindan una experiencia de aprendizaje eficiente y personalizada para el futuro aprendizaje independiente.
https://blog.csdn.net/WangYan2022/article/details/130722655?spm=1001.2014.3001.5502