Ces dernières années, la technologie de télédétection s'est développée à pas de géant. De multiples plates-formes de télédétection telles que l'aérospatiale, l'aviation et l'espace proche ont continué à se développer. La résolution spatiale, temporelle et spectrale des données a continué d'augmenter. Les données de télédétection sont devenues de plus en plus caractéristiques du Big Data. L’émergence des mégadonnées de télédétection offre des opportunités sans précédent pour la recherche dans ce domaine, mais la manière de traiter ces données pose également de grands défis. Les postes de travail et les serveurs traditionnels se sont révélés incapables de répondre aux besoins du traitement massif et multi-échelle des données de télédétection.
Représentées par Earth Engine (GEE) et PIE-Engine, les plateformes cloud de calcul et d'analyse de visualisation en ligne pour les données des sciences de la Terre à l'échelle mondiale (en particulier les données de télédétection par satellite) sont de plus en plus largement utilisées. La plateforme GEE stocke et synchronise des images satellites telles que MODIS, Landsat et Sentinel, des ensembles de données climatiques, météorologiques et géophysiques qui sont actuellement couramment utilisés dans le domaine de la télédétection, dépassant les 80 Po. En même temps, elle s'appuie sur des millions de données. des super serveurs dans le monde entier pour fournir une puissance de calcul suffisante pour ces données. Par rapport aux outils traditionnels de traitement d'images de télédétection tels qu'ENVI, GEE présente des avantages incomparables dans le traitement de données massives de télédétection : d'une part, il fournit des ressources informatiques abondantes, et d'autre part, son énorme stockage cloud permet d'économiser une grande quantité de données. télécharger pour les chercheurs.Et le temps de prétraitement, le calcul et l'analyse des données de télédétection représentent le niveau le plus avancé dans ce domaine au monde, et c'est une révolution dans le domaine de la télédétection.
1. Plateforme et plateforme de développement de base
Introduction à la plateforme GEE et cas d'application typiques ;
· Introduction de l'environnement de développement GEE et des ressources de données couramment utilisées ;
Introduction aux modèles GPT tels que ChatGPT et Wenxinyiyan
· Introduction aux bases de JavaScript ;
· Concepts importants du cloud de télédétection GEE et processus typique d'analyse des données ;
· Introduction aux objets de base GEE, visualisation des objets vectoriels et raster, visualisation des attributs, requête API, débogage de base et autres plates-formes pour commencer.
2. Les connaissances de base de GEE interagissent avec des modèles d'IA tels que ChatGPT
Opérations et opérations de base sur les images : opérations mathématiques, opérations relationnelles/conditionnelles/booléennes, filtrage morphologique, extraction de caractéristiques de texture ; masquage d'image, recadrage et mosaïque, etc. ;
· Opérations et opérations de base des éléments : tampon géométrique, intersection, union, opérations de différence, etc. ;
Opérations sur les objets de collection : itération de boucle (map/iterate), fusion, union (Join) ;
· Intégration des données Réduire : y compris l'intégration d'images et d'ensembles d'images, la synthèse d'images, les statistiques de zone d'image et de domaine, l'intégration de groupe et les statistiques de voisinage de zone, l'analyse de régression linéaire d'ensemble d'images, etc. ;
· Algorithmes d'apprentissage automatique : y compris les algorithmes de classification supervisés (forêt aléatoire, CART, SVM, arbre de décision, etc.) et non supervisés (wekaKMeans, wekaLVQ, etc.), l'évaluation de l'exactitude de la classification, etc. ;
Gestion des actifs de données : y compris le téléchargement de données vectorielles et raster locales, le téléchargement de données vectorielles et raster dans le cloud, l'exportation de données de résultats statistiques, etc. ;
· Visualisation de dessins : comprenant des graphiques à barres, des histogrammes, des nuages de points, des séries chronologiques et d'autres dessins graphiques.
Interaction du modèle GPT : combinez les points de connaissances de base ci-dessus avec des outils d'IA tels que ChatGPT pour effectuer des démonstrations interactives, y compris des compétences telles que la réponse aux questions auxiliaires, la génération et la correction de code.
Démonstration interactive de points de connaissances importants, mini-cas et modèle GPT
1) Les images Landsat et Sentinel-2 suppriment automatiquement les nuages et les ombres par lots
2) Combinez Landsat et Sentinel-2 pour calculer l'indice de végétation et la synthèse annuelle par lots
3) Analyse statistique du nombre d'images disponibles et du nombre d'observations sans nuages dans la zone d'étude
4) Synthèse des chiffres annuels de végétation NDVI en Chine et recherche de la période DOY la plus verte de l'année
5) Lissage de la fenêtre mobile des données d'images optiques de séries chronologiques
6) Échantillonnage aléatoire stratifié et exportation d'échantillons, évaluation locale d'échantillons et téléchargement de données vers le cloud
7) Analyse des tendances des précipitations en Chine au cours des 40 dernières années
Cas 1 : Surveillance des catastrophes liées aux inondations
Sur la base du radar Sentinel-1 et d'autres images, la zone touchée par la catastrophe est surveillée en prenant comme exemple les inondations catastrophiques typiques. Le contenu du cas comprend le traitement de données d'images multi-sources et la construction de différents algorithmes de reconnaissance des plans d'eau, tels que la segmentation automatique globale OSTU et la méthode de seuil adaptatif local, ainsi que l'utilisation de différentes méthodes pour déterminer la zone sinistrée, les statistiques de la zone sinistrée et la sortie visuelle. , etc.
Cas 2 : Sensibilité aux inondations et modélisation des risques
Combinant des ensembles de données spatiales tels que les produits de couverture terrestre de résolution ESA10m, le terrain (altitude et pente), les données hydrologiques mondiales MERIT, les produits de données sur les eaux de surface du JRC, etc., à l'aide d'une plateforme cloud pour calculer la distance entre différents types de terres et les eaux libres. , la hauteur au-dessus du système de drainage le plus proche (HAND) et la fréquence des précipitations (représentative de l'intensité et de la durée des précipitations) sont utilisées comme paramètres d'entrée pour simuler la sensibilité aux inondations, puis la méthode WLC de combinaison linéaire pondérée est utilisée pour dessiner une carte de distribution de la sensibilité aux inondations. . Le contenu implique la reclassification et la classification de différents produits de données, le calcul de la distance euclidienne, le cycle de cartographie des ensembles d'images et la modélisation d'analyse, etc.
Cas 3 : Surveillance de la qualité de l’eau
Combiné avec les produits aquatiques de surface Landsat 8/9 et JRC au cours des dix dernières années, utilisation telle que l'indice différentiel normalisé de sédiments en suspension NDSSI, l'indice différentiel normalisé de turbidité NDTI, etc. pour surveiller les changements de qualité de l'eau dans les bassins versants et collecter des statistiques sur les bassins versants. zones Changements mensuels de la qualité de l’eau. Le contenu implique le prétraitement d'images de séries chronologiques, le calcul de l'indice de végétation, la synthèse d'images mensuelles et annuelles, le fonctionnement du réducteur d'ensemble d'images, le filtrage et la cartographie des valeurs nulles, etc.
Cas 4 : Surveillance du profil de la rivière
Démontrer l’application de Earth Engine à l’hydrologie et à la géomorphologie des rivières. Démontrez spécifiquement comment utiliser la plate-forme cloud pour distinguer les rivières des autres plans d'eau, effectuer une analyse de forme de base, extraire la ligne médiane et la largeur des rivières et détecter les changements de forme des rivières au fil du temps. Le contenu implique l'appel de packages open source, l'interprétation du code clé RivWidthCloud, le traitement d'images de séries chronologiques, la reconnaissance par télédétection des plans d'eau et l'exportation de données.
Cas 5 : Surveillance des changements dans les eaux souterraines
Utiliser les observations du satellite GRACE pour évaluer les changements dans le stockage des eaux souterraines dans les grands bassins fluviaux, notamment en appliquant les anomalies de stockage totales estimées par télédétection, les résultats du modèle de surface terrestre GLDAS et les observations in situ pour résoudre l'invariance du stockage des eaux souterraines. Le contenu implique l'utilisation de GRACE pour dessiner les changements dans le stockage total de l'eau, les tendances du stockage de l'eau et la résolution des changements dans le stockage des eaux souterraines dans les bassins fluviaux. Les points de connaissances pratiques incluent le filtrage d'ensembles d'images, la jointure d'ensembles, la boucle de carte, l'analyse des tendances, la visualisation, etc.
Cas 6 : Cartographie des mangroves par télédétection
Combinant des images de télédétection multi-sources Sentinel-1/2 et des algorithmes d'apprentissage automatique pour dessiner des cartes de répartition des mangroves. Les sujets incluent le traitement des données optiques et radar, l'application d'algorithmes d'apprentissage automatique, l'évaluation de la précision de l'inversion, l'analyse d'importance variable, la visualisation des résultats, la conversion raster et vectorielle, etc., et démontreront comment utiliser les informations sur les caractéristiques de l'habitat des mangroves (telles que le terrain et la mer). , etc.) pour affiner les résultats de classification et réaliser le dessin de cartes de répartition de haute précision.
https://link.zhihu.com/?target=https%3A//mp.weixin.qq.com/s%3F__biz%3DMzUyNzczMTI4Mg%3D%3D%26mid% 3D2247652611%26idx %3D1%26sn%3D37819ba835f7eeae9ed54c47784d13a5%26chksm%3Dfa77ca3ecd004328507d0e39c804eb09abf6a1092102dc3c5b13c4022f2 fe0c98d4f48aef936%2 6token%3D1724138116%26lang%3Dzh_CN%23rdlecture recommandée
Application et cas typiques du big data cloud de télédétection GEE en foresterie