目次
第 3 章、リモートセンシングビッグデータ処理の基礎と ChatGPT などの AI モデルとの対話
第 6 章、クラウド データ ペーパーの出版物レベルの視覚化
ChatGPT や Wenxin Yiyan などの最先端の AI 自然言語モデルを統合して、教育を支援し、生徒が疑問に答えるのを支援し、的を絞った提案とガイダンスを提供し、将来の自助学習のための効率的でパーソナライズされた学習体験を提供します。現在、アースエンジンの強力な機能は国内外の多くの科学技術関係者に評価されており、その応用はますます一般的になってきています。
Earth Engine の実践的な応用力を習得するために、プログラミング言語 Python をベースに、プラットフォームの構築、画像データの解析、ローカルおよびクラウドのデータ管理、クラウドデータペーパーの出版レベルの可視化についての解説と高度なトレーニングを行います。ケース。さらに、バッチ処理と機械学習にも重点が置かれます。これは、Earth Engine と Python の基礎をある程度マスターした学生、またはプログラミングに強い関心を持つ学生に適しています。
第 1 章、理論的根拠
1.Earth Engine プラットフォームとアプリケーション、主要なデータ リソースの紹介
2.Earth Engine リモート センシング クラウドの重要な概念、データ型とオブジェクトなど
3.JavaScript と Python リモート センシング クラウド プログラミングの比較と選択
4.Python の基礎 (文法、データ)型とプログラムの制御構造、関数、クラス、オブジェクトなど）
5. よく使われるPythonソフトウェアパッケージ（pandas、numpy、osなど）の紹介と基本機能デモ（Excel/csvデータファイルの読み込みとデータ加工、ディレクトリ） 6. JavaScript と Python のリモート
センシング クラウド API の違い、学習方法、リソースの推奨事項
7. ChatGPT や Wenxinyiyan などの AI 自然言語モデルとリモート センシング分野でのそのアプリケーションの紹介
第2章 開発環境の構築
1. ローカルとクラウドのPythonリモートセンシングクラウド開発環境の紹介
2. ローカル開発環境の構築
1) Anacondaのインストール、pip/condaソフトウェアパッケージのインストール方法、仮想環境の作成など
2) Earthengine-api、geemapなど必要なソフトウェアパッケージインストール
3) リモート センシング クラウドのローカル認証管理
4) Jupyter Notebook/Visual Studio Code のインストールとデバッグの実行。
3. Cloud Colab開発環境の構築
4. Geemap導入と共通機能デモンストレーション
5. ChatGPT、Wenxin Yiyanアカウントアプリケーションと主要機能デモンストレーション（リモートセンシング知識応答、データ分析と処理コード生成、ソリューションフレームワークコンサルティングなど）
第 3 章、リモートセンシングビッグデータ処理の基礎と ChatGPT などの AI モデルとの対話
1. リモートセンシングクラウドプラットフォームの画像データ分析および処理プロセスの紹介：データ取得、データ前処理、アルゴリズム開発、視覚化などを含む、リモートセンシングクラウドプラットフォームの画像データ分析および処理プロセスの基本フレームワークを紹介します。 。
2. 要素と画像のオブジェクト表示と属性フィールドの探索:要素と画像オブジェクトの選択方法、属性情報の表示、データのフィルター処理など、リモート センシング クラウド プラットフォーム上の要素と画像の属性フィールドを表示および探索する方法を紹介します。
3. 画像/特徴セットの時間、空間、属性のフィルタリング方法:より正確なデータ分析を実現するための、期間、地理的エリア、属性条件の選択方法など、時間、空間、属性で画像/特徴セットをフィルタリングする方法を紹介します。
4. バンド操作、条件付き操作、植生指数計算、クリッピングおよびモザイクなど:より詳細なデータを取得するために、リモート センシング クラウド プラットフォーム上でバンド操作、条件付き操作、植生指数計算、クリッピングおよびモザイク操作を実行する方法を紹介します。分析
5. Landsat/Sentinel-2 などの一般的に使用される光学画像の雲の除去:リモート センシング クラウド プラットフォーム上で Landsat/Sentinel-2 などの一般的に使用される光学画像の雲を除去し、画像データの品質を向上させるさまざまな方法を使用する方法を紹介します。
6. 画像と特徴セットの反復サイクル:リモートセンシング クラウド プラットフォームの反復サイクル機能を使用して画像と特徴セットをバッチ処理し、データ分析効率を向上させる方法を紹介します。
7. 画像データ統合（Reducer）：リモートセンシングクラウドプラットフォームのReducer機能を使用して、複数の画像データを1つのデータセットに統合し、その後のデータ分析を容易にする方法を紹介します。
8. 近傍分析と空間統計:リモート センシング クラウド プラットフォームで近傍分析と空間統計を実行し、より詳細な空間情報を取得する方法を紹介します。
9. 一般的なエラーとコードの最適化:リモート センシング クラウド プラットフォームのデータ分析プロセスにおける一般的なエラーと、データ分析の効率と精度を向上させるためにコードを最適化する方法を紹介します。
10. Python リモートセンシング クラウド データ分析専用パッケージの構築: Python を使用してリモートセンシング クラウド プラットフォーム上にデータ分析専用パッケージを構築し、複数の利用を促進し、分析コードを共有する方法を紹介します。
第 4 章、典型的なケースの運用実践
11. 機械学習分類アルゴリズムのケース:このケースでは、Landsat およびその他の長期画像シリーズと機械学習アルゴリズムを組み合わせて、国家規模での基本的なリモート センシング分類プロセスを実証します。具体的な内容には、調査領域の画像統計、空間層化ランダムサンプリング、ランダムサンプルセグメンテーション、時系列画像の前処理と合成、機械学習アルゴリズムの適用、分類の後処理と精度評価などが含まれます。
12. デシジョン ツリー森林分類アルゴリズムのケース:このケースでは、L バンド レーダーと Landsat 光学時系列画像と組み合わせて、デシジョン ツリー分類アルゴリズムを使用して、指定されたエリアの 2007 年から 2020 年の年間森林分布図を抽出しました。 JAXA の年間林産物との空間比較を行った。この事例には、マルチソースデータの共同利用、決定木分類アルゴリズムの構築、閾値の動的最適化、分類結果の空間分析などが含まれます。
13. 洪水災害監視ケース:このケースは、州レベルの豪雨災害を監視するために、Sentinel-1 C バンド レーダーおよびその他の画像に基づいています。事例内容はSentinel-1 Cの画像処理、各種水域認識アルゴリズムの構築、画像差分解析、結果の可視化などです。
14. 干ばつリモートセンシング監視ケース:このケースでは、CHIRPS などの 40 年前の衛星リモートセンシング降雨データ製品を使用して、州規模の極度の干ばつを監視します。事例内容としては、気象データの基本的な処理、年・月スケールデータの統合、長期平均LPA・偏差の算出、データ結果の可視化等が含まれます。
15. 季節学的特徴のケース分析:このケースは、Landsat や MODIS などの時系列画像に基づいており、典型的な地表植生の経年変化 (サンプリング ポイント スケール) と大規模 (中国など) 季節学的空間の季節学的差異を分析します。植生指数の変化による変動特性。事例内容としては、時系列画像合成、画像の平滑化（Smoothing）と隙間埋め（Gap-filling）、結果の可視化などです。
16. 森林植生の健全性モニタリングの事例:この事例では、20 年間の MODIS 植生指数を使用して、選択された地域の森林の長期モニタリングを実施し、森林植生の植林や褐変を分析します。画像の連結と合成、傾向分析、空間統計、視覚化を含む手法
17. 生態環境品質の動的モニタリングのケース:このケースでは、RSEI リモートセンシング生態インデックスと Landsat シリーズ画像を使用して、選択した都市の生態状態を迅速にモニタリングします。主な技術としては、植生指数の計算、地表温度の抽出、データの正規化、主成分のPCA分析、RSEI生態指数の構築と結果の可視化などが挙げられます。
第 5 章、入出力とデータ資産の効率的な管理
1. ローカル データとクラウドの連携:ローカルの csv、kml、ベクター、ラスター データをクラウド データに変換する方法とデータ エクスポートの方法を説明します。
2. サーバー側データのバッチ ダウンロード:直接ローカル ダウンロード、画像セットのバッチ ダウンロード、および全世界の森林製品や 20 年間の MODIS データ製品などの大規模かつ長期のデータ製品を迅速にダウンロードする方法を含みます。 。
3. ローカル データのアップロードと属性設定: Earthengine コマンドの使用、少量のローカル ベクターおよびラスター データをアップロードして属性を設定する方法 (小さなファイル)、データをバッチでアップロードして属性を自動的に設定する方法、および高速アップロードスキルの使い方を紹介 国内ハイスコア画像などの超大容量画像ファイルをアップロード
4. 個人データ資産管理: Python と Earthengine コマンド ラインを使用して個人データ資産を管理する方法 (作成、削除、移動、名前変更などの操作を含む) を紹介し、アップロード/ダウンロード タスクをバッチでキャンセルする方法も説明します。
第 6 章、クラウド データ ペーパーの出版物レベルの視覚化
1. Python 視覚化および主要なソフトウェア パッケージの紹介: matplotlib および seaborn 視覚化パッケージを紹介し、基本的なグラフィックスの概念、グラフィックスの構成、一般的に使用されるグラフィックスの簡単な描画などについて説明します。
2. 調査地域の地形・サンプルプロット分布図の描画：局地または雲のベクトルファイル、雲地形データなどを組み合わせて調査地域の模式図を描画します。描画プロセス、中国語表示、カラーマッチングと美化などが含まれます。また、cpt-city絶妙なパレットパレットのオンラインダウンロードとローカルアプリケーションなども紹介します。
3. エリアの画像カバー率の統計と描画を調査する:指定されたエリア内のランドサットとセンチネルおよびその他の一連の画像のカバー量と雲のない画像のカバー率に関する統計を作成し、地域の画像統計マップまたはピクセルレベルの雲を描画します。 - 無料の画像範囲テーママップ
4. サンプルのスペクトル特性と季節特性の分析と描画:さまざまなタイプのプロットのスペクトルと季節特性を迅速に描画し、過去 30 年間のサンプリング点のサムネイルと植生指数時系列などを動的にダウンロードして統合します。
5. 分類結果の主題図描画と時空ダイナミックタイムラプス写真のタイムラプス制作：単一または複数分類の主題図描画とカラーマッチング美化、土地利用の変化が明確なタイムラプスの作成、アニメーションテキストの追加など。
6. 分類結果エリアの統計と描画:雲の分類結果とベクトル境界ファイルに基づいて、さまざまな地域のさまざまな土地タイプの面積をカウントし、統計結果を抽出し、統計エリアをさまざまなグラフィックスで表示し、土地利用の変化を統計的に作成します。図面など
Xiaobai が林業アプリケーションで GEE、GEE-Python、および GEE を学ぶ方法_Xiaoyan 給油ブログ - CSDN ブログGEE は、その強力な機能により、ますます多くの外国の科学技術従事者によって評価され、応用されています。https://blog.csdn.net/weixin_46747075/article/details/128216382?spm=1001.2014.3001.5502 GEE リモート センシング クラウド ビッグ データ林業アプリケーションの典型的な事例実践と GPT モデル application_WangYan2022 のブログ - CSDN ブログでは、最先端の ChatGPT、Wenxinyiyan、および他の AI 自然言語モデルは、教育を支援し、学生が疑問に答えるのを支援し、的を絞った提案とガイダンスを提供し、学生が学習内容をより深く理解できるようにするだけでなく、将来の自主学習のために効率的でパーソナライズされた学習体験を提供します。
https://blog.csdn.net/WangYan2022/article/details/130722655?spm=1001.2014.3001.5502