최근 원격탐사 기술은 비약적으로 발전하여 항공우주, 항공, 근거리 우주 등 다양한 원격탐사 플랫폼이 지속적으로 증가하고 있으며, 데이터의 공간적, 시간적, 스펙트럼 해상도가 지속적으로 향상되고 있다. 데이터가 치솟았고, 원격탐사 데이터는 점점 더 빅데이터로 특징지어지고 있습니다. . 원격탐사 빅데이터의 출현은 관련 연구에 전례 없는 기회를 제공하는 동시에 이러한 데이터를 처리하는 방법에 대한 큰 과제도 제시합니다. 기존 워크스테이션과 서버는 더 이상 대규모, 다중 규모의 대규모 원격 감지 데이터를 처리할 수 없습니다.
https://mp.weixin.qq.com/s?__biz=Mzg2NDYxNjMyNA==&mid=2247539613&idx=6&sn=838c5feae0c7a3e143cc9d7a3ca590e8&chksm=ce64b176f91338604d3d9615773e8bd 7 ca88025ea8afb5bffb67fe83e1b848ebe145933c5c2a&token=1648264366&lang=zh_CN#rdEarth Engine(GEE), PIE-Engine으로 대표되는 글로벌 규모의 지구과학 데이터(특히 위성 원격탐사 데이터)를 위한 온라인 비주얼 컴퓨팅 및 분석 클라우드 플랫폼이 점점 더 널리 사용되고 있습니다. GEE 플랫폼은 MODIS, Landsat 및 Sentinel과 같은 원격 탐사 분야에서 일반적으로 사용되는 80PB 이상의 위성 이미지, 기후 및 날씨, 지구물리학 및 기타 데이터 세트를 저장하고 동기화하는 동시에 주변 수백만 개의 슈퍼 서버에 의존합니다. 전 세계적으로 이러한 데이터를 처리할 수 있는 충분한 컴퓨팅 성능을 제공합니다. ENVI와 같은 기존 원격탐사 이미지 처리 도구와 비교하여 GEE는 대규모 원격탐사 데이터를 처리하는 데 있어 비교할 수 없는 이점을 가지고 있습니다. 한편으로는 풍부한 컴퓨팅 리소스를 제공하고 다른 한편으로는 거대한 클라우드 스토리지를 통해 연구원에게 많은 데이터를 절약할 수 있습니다. 다운로드, 전처리 시간 등을 통해 원격탐사 데이터의 계산, 분석, 시각화 분야에서 세계 최고 수준을 나타내며 원격탐사 분야의 혁명이다.
초기에는 Javascript와 Python을 각각 프로그래밍 언어로 사용했고, 여러 업계의 학생들로부터 폭넓은 참여와 지원을 받았습니다. 대다수 과학 연구자들의 요청에 따라 현재 가장 인기 있는 원격 감지 응용 분야 중 하나인 임업에 중점을 두고 일반적인 응용 사례를 통해 GEE 클라우드 플랫폼의 사용 기술과 강력한 기능을 종합적으로 입증하여 실제적인 문제를 해결하는 참가자의 능력. 설명은 JavaScript 버전의 GEE를 기반으로 진행되며, 먼저 GEE의 기본 지식을 소개한 후, 핵심 지식을 마이크로 사례와 결합하여 설명하고, 마지막으로 일반적인 임업을 기반으로 포괄적인 설명을 제공합니다. 적용사례. 교육의 질을 향상시키기 위해 ChatGPT 및 Wen Xinyiyan과 같은 최첨단 AI 자연어 모델을 사용하여 학생들이 의심에 답하고 목표한 제안과 지도를 제공할 수 있도록 교육을 지원할 것입니다. 코스 내용을 더 깊이 이해하고 향후 자조를 위한 준비도 가능합니다. Learn은 효율적이고 개인화된 학습 경험을 제공합니다.
세부:
1부: 기본 실습
1. 플랫폼 및 기본 개발 플랫폼
GEE 플랫폼 및 일반적인 적용 사례 소개
GEE 개발 환경 및 공통 데이터 리소스 소개
ChatGPT 및 Wen Xinyiyan과 같은 GPT 모델 소개, 계정 애플리케이션 및 임업 원격 감지 애플리케이션
JavaScript 기본 소개;
GEE 원격 감지 클라우드의 중요한 개념과 일반적인 데이터 분석 프로세스.
GEE 기본 객체, 벡터 및 래스터 객체 시각화, 속성 보기, API 쿼리, 기본 디버깅 및 기타 플랫폼을 소개합니다.
2. GEE 기본 지식과 ChatGPT 등 AI 모델 간의 상호 작용
기본 이미지 작업 및 작업: 수학적 연산, 관계형/조건부/부울 연산, 형태학적 필터링, 텍스처 특징 추출, 이미지 마스킹, 자르기 및 모자이크 등
요소에 대한 기본 계산 및 연산: 기하학적 버퍼, 교차점, 합집합, 차이 연산 등
컬렉션 객체 작업: 루프 반복(맵/반복), 병합, 결합(Join);
데이터 통합 감소: 이미지 및 이미지 세트 통합, 이미지 합성, 이미지 영역 통계 및 도메인 통계, 그룹 통합 및 영역 이웃 통계, 이미지 세트 선형 회귀 분석 등을 포함합니다.
기계 학습 알고리즘: 감독(랜덤 포레스트, CART, SVM, 의사결정 트리 등) 및 비지도(wekaKMeans, wekaLVQ 등) 분류 알고리즘, 분류 정확도 평가 등을 포함합니다.
데이터 자산 관리: 로컬 벡터 및 래스터 데이터 업로드, 클라우드 벡터 및 래스터 데이터 다운로드, 통계 결과 데이터 내보내기 등을 포함합니다.
도면 시각화: 막대 차트, 히스토그램, 산점도, 시계열 및 기타 그래픽 도면을 포함합니다.
GPT 모델 상호 작용: 위의 기본 지식 포인트를 ChatGPT 및 Wen Xinyiyan과 같은 AI 도구와 결합하여 보조 Q&A, 코드 생성 및 수정 기술을 포함한 대화형 데모를 수행합니다.
2부: 중요 지식 포인트에 대한 마이크로 사례 강의 및 GPT 모델의 대화형 시연
1) Landsat 및 Sentinel-2 영상에서 구름과 그림자를 일괄적으로 자동 제거
2) Landsat과 Sentinel-2를 결합하여 식생지수와 연간 합성량을 일괄적으로 계산
3) 연구 지역에서 사용 가능한 이미지 수 및 구름 없는 관측 수에 대한 통계적 분석
4) 중국 내 연간 NDVI 식생수 종합 및 연간 가장 친환경적인 DOY 시간 검색
5) 시계열 광학 영상 데이터의 이동 창 평활화
6) 계층화된 무작위 샘플링 및 샘플 내보내기, 샘플 로컬 평가 및 클라우드에 데이터 업로드
7) 지난 40년간 중국 강수량 변화 추이 분석
8) 특정지역의 연간 산림손실에 대한 통계분석(한센임산물 기준)
3부: 일반적인 사례에 대한 종합 연습
사례 1: 다중 소스 원격탐사 데이터를 결합하여 산림 식별
이 기사에서는 Landsat 시계열 광학 이미지와 PALSAR-2 레이더 데이터를 결합하는 전체 프로세스와 숲과 같은 일반적인 토지 유형의 원격 감지 분류를 달성하기 위한 의사 결정 트리 알고리즘을 자세히 소개합니다. 주제에는 이미지 데이터의 시공간 필터링, 광학 이미지 일괄 클라우드 마스킹 및 식생 지수 계산, 계층화된 무작위 샘플링 및 샘플 내보내기, 로컬 품질 관리 및 클라우드 업로드, 무작위 샘플 분할, 분리성 분석, 분류 알고리즘 구축 및 적용, 분류 후처리 및 정확성 평가, 주제별 지도 작성 등
사례 2: 장기적인 산림 현황 모니터링
MODIS 또는 Landsat 영상 데이터의 장기 시리즈를 사용하여 산림 상태에 대한 장기 모니터링을 수행하고 산림 식생의 녹화 또는 갈변을 분석합니다. 주제에는 시계열 이미지 전처리, 이미지 세트 연결, 이미지 합성, 변화 추세의 비모수적 탐지, 유의성 테스트, 변화 추세의 정량화 및 분류, 공간 통계 및 결과 시각화, 주제별 지도 그리기가 포함됩니다.
사례 3: 산림 벌채 및 황폐화 모니터링
Landsat 시리즈 이미지, 스펙트럼 분리 모델 및 NDFI 표준화된 차이 분수 지수를 결합하여 삼림 벌채 및 황폐화를 모니터링합니다. 주제에는 이미지 전처리, 혼합 픽셀 분해, NDFI 지수 계산, 함수 캡슐화, 변경 감지 및 강도 분류, 결과 시각화, 주제별 지도 그리기 등이 포함됩니다.
사례 4: 산불 모니터링
이 기사에서는 Landsat 및 Sentinel-2 시계열 광학 원격 감지 이미지를 사용하여 산불 손실을 모니터링하고 화재 강도 분류를 달성하는 방법을 자세히 소개합니다. 영상 필터링, Landsat 및 Sentinel-2 광학 영상 클라우드 제거 등의 전처리, 식생 지수 계산, 영상 합성, 화재 지역 식별 및 재해 강도 분류, 통계 분석 및 결과 시각화 등을 주제로 합니다.
사례 5: 장기간의 산림 교란 모니터링
Landsat 등 30년간의 광학 이미지와 클래식 LandTrendr 알고리즘을 결합하여 산림 교란 모니터링을 실현합니다. 주제로는 장기 시리즈 원격탐사 영상 전처리, 식생지수 일괄 계산, 연간 영상 합성, 배열 영상 개념 및 활용 방법, LandTrendr 알고리즘 원리 및 매개변수 설정, 산림 교란 결과 해석 및 공간 통계 분석, 시각화 및 주제별 지도 작성 등이 포함됩니다. .
사례 6: 숲의 주요 생리학적 변수(나무 높이, 바이오매스/탄소 저장)
반전은 GEDI LiDAR, Landsat/Sentinel-2 다중 스펙트럼 광학 이미지, Sentinel-1/PALSAR-2 레이더 이미지 등과 기계 학습 알고리즘을 결합하여 나무 높이, 바이오매스/탄소 저장과 같은 숲의 주요 물리적 매개변수를 반전시킵니다. 주제에는 GEDI LiDAR 데이터 소개, 일반적인 광학 및 레이더 데이터 처리, 기계 학습 알고리즘 적용, 역전 정확도 평가 및 변수 중요도 분석, 결과 시각화 등이 포함됩니다.
