近年、リモートセンシング技術は飛躍的に発展し、航空宇宙、航空、近宇宙など複数のリモートセンシングプラットフォームが増加し続けており、データの空間的、時間的、スペクトル解像度は増加し続けています。データが急増し、リモートセンシングデータはますますビッグデータの特徴を帯びてきました。リモートセンシングビッグデータの出現は、関連研究に前例のない機会をもたらしますが、これらのデータをどのように扱うかは大きな課題でもあります。従来のワークステーションやサーバーは、大規模、マルチスケールの大規模なリモート センシング データ処理のニーズを満たすことができませんでした。
Earth Engine (GEE) や PIE-Engine に代表される、地球規模の地球科学データ (特に衛星リモート センシング データ) のオンライン可視化コンピューティングおよび分析クラウド プラットフォームはますます広く使用されています。GEE プラットフォームは、MODIS、Landsat、Sentinel などの衛星画像、気候と天気、現在リモート センシングの分野で一般的に使用されている地球物理学データ セットを保存および同期し、80PB を超えます。これらに十分なコンピューティング能力を提供するために世界中のスーパーサーバーでデータが処理されます。
Google Earth エンジン（GEE）
Google Earth Engine (GEE) は、衛星リモート センシング画像データやその他の地球観測データを処理するために、Google、カーネギー メロン大学、米国地質調査所 (USGS) が共同開発したクラウド コンピューティング プラットフォームです。
GEE プラットフォームは、Google サーバーや大規模なクラウド コンピューティング リソースによって提供される強力なコンピューティング能力を統合しており、プラットフォーム データセットは、Sentinel、MODIS、Landsat などの地球観測衛星の完全な画像データを多数提供し、植生も提供します。 、表面温度、社会経済データセット、データベースは毎日更新できます。GEE は、迅速でインタラクティブなアルゴリズム開発のための Web ベースのコード エディターを使用して、Python および JavaScript の編集インターフェイス (API) を提供します。特に優れた利点は、データ量が膨大で、オンラインで呼び出すことができ、データが幅広いソースから取得されているため、さまざまな情報に応じて異なるソース Web サイトから検索してダウンロードする必要がないことです。データ。オンライン クラウド コンピューティングでは、自分のコンピューターのメモリを占有する必要はありません。
GEEは、ENVIなどの従来のリモートセンシング画像処理ツールと比較して、豊富なコンピューティングリソースを提供する一方で、巨大なクラウドストレージにより大量のデータを保存できるなど、膨大なリモートセンシングデータの処理において比類のない利点を持っています。研究者向けダウンロード また、リモートセンシングデータの前処理、計算、解析の可視化は、この分野において世界最先端のレベルであり、リモートセンシング分野における革命と言えます。
災害、水域、湿地分野における事例と実践
· GEE プラットフォームと典型的なアプリケーション ケースの紹介。
· GEE 開発環境と一般的に使用されるデータ リソースの紹介。
ChatGPT や Wenxinyiyan などの GPT モデルの紹介
· JavaScript の基本の紹介。
· GEE リモート センシング クラウドの重要な概念と典型的なデータ分析プロセス。
GEE の基本オブジェクトの紹介、ベクターおよびラスター オブジェクトの視覚化、属性の表示、API クエリ、基本的なデバッグ、およびその他のプラットフォームを開始するための説明。
GEE の基礎知識は ChatGPT などの AI モデルと対話します
· 基本的な画像操作と操作: 数学的操作、関係/条件/ブール演算、形態学的フィルタリング、テクスチャ特徴抽出、画像マスキング、トリミング、モザイクなど。
· 要素の基本操作と操作: 幾何学的なバッファー、交差、和集合、差分操作など。
コレクション オブジェクトの操作: ループ反復 (マップ/反復)、マージ Merge、ユニオン (結合)。
· データ統合 Reduce: 画像と画像セットの統合、画像合成、画像エリア統計とドメイン統計、グループ統合とエリア近傍統計、画像セット線形回帰分析などが含まれます。
· 機械学習アルゴリズム: 教師あり (ランダム フォレスト、CART、SVM、デシジョン ツリーなど) および教師なし (wekaKMeans、wekaLVQ など) 分類アルゴリズム、分類精度評価などが含まれます。
データ資産管理: ローカル ベクターおよびラスター データのアップロード、クラウド ベクターおよびラスター データのダウンロード、統計結果データのエクスポートなど。
· 視覚化の描画: 棒グラフ、ヒストグラム、散布図、時系列、その他のグラフィック描画を含みます。
Q&A 支援、コード生成および修正に関するヒントを含むデモ。
重要な知識ポイントに関するミニケース講義と GPT モデルのインタラクティブなデモンストレーション
1) Landsat、Sentinel-2 画像は雲と影をバッチで自動的に除去します
2) Landsat と Sentinel-2 を組み合わせて、植生指数と年間総合をバッチで計算します。
3) 調査地域における利用可能な画像の数と雲のない観測の数の統計分析
4) 中国における年間の NDVI 植生数の合成と、一年で最も緑豊かな DOY 時期の検索
5) 時系列光学画像データの移動窓平滑化
6) 層別ランダムサンプリングとサンプルのエクスポート、サンプルのローカル評価とクラウドへのデータのアップロード
中国の過去40年間の降雨量の変動傾向の分析
洪水災害監視
Sentinel-1 レーダーなどの画像に基づいて、典型的な洪水災害を例として被災地域を監視します。事例の内容には、マルチソース画像データ処理、OSTUグローバル自動セグメンテーションやローカル適応閾値法などのさまざまな水域認識アルゴリズムの構築、被災地、被災地統計、視覚的出力を決定するためのさまざまな方法の使用が含まれます。 、など。
洪水感度とリスクのモデリング
ESA10m解像度の土地被覆プロダクト、地形（標高と傾斜）、MERITの地球規模の水文データ、JRC地表水データプロダクトなどの空間データセットをクラウドプラットフォームの助けを借りて組み合わせ、さまざまな土地タイプと外洋の間の距離を計算します。 、最も近い排水システム (HAND) 上の高さと降雨頻度 (降雨の強度と継続時間を表す) が洪水感度をシミュレートするための入力パラメーターとして使用され、加重線形結合 WLC 法を使用して洪水感度分布マップが描画されます。 。内容には、さまざまなデータ製品の再分類とグレーディング、ユークリッド距離の計算、画像セットのマップ サイクルと分析モデリングなどが含まれます。
水質モニタリング
過去 10 年間の Landsat 8/9 および JRC 表層水産物と組み合わせて、NDSSI 正規化差分浮遊堆積物指数、NDTI 正規化差分濁度指数などを使用して、集水域の水質変化を監視し、集水域をカウントします。月ごとに水質は変化します。内容としては、時系列画像の前処理、植生指数計算、月次・年次画像合成、画像セットReducer操作、Null値フィルタリングとマッピングなどが含まれます。
河川プロフィールのモニタリング
Earth Engine の河川水文学と地形学への応用を実証します。クラウド プラットフォームを使用して河川を他の水域から区別し、基本的な形状分析を実行し、河川の中心線と幅を抽出し、時間の経過に伴う河川形状の変化を検出する方法を具体的に示します。コンテンツには、オープンソース パッケージの呼び出し、RivWidthCloud キー コード解釈、時系列画像処理、水域リモート センシング認識、およびデータ エクスポートが含まれます。
地下水変化モニタリング
GRACE 衛星観測を使用して大規模な河川流域における地下水貯留量の変化を評価する方法が詳細に説明されており、これには、リモートセンシングによる推定総貯留量異常値、地表モデル出力 GLDAS、および地下水貯留の不変性に対処するための現場観測の適用が含まれます。内容としては、GRACEを使って総貯水量の変化や貯水傾向を描画し、河川流域の地下水貯留量の変化を解くというもので、実践知識としては画像セットのフィルタリング、セット結合、マップループ、傾向分析、可視化などが含まれます。
マングローブリモートセンシングマッピング
Sentinel-1/2 のマルチソース リモート センシング画像と機械学習アルゴリズムを組み合わせて、マングローブ分布図を描画します。トピックには、光学およびレーダー データ処理、機械学習アルゴリズムのアプリケーション、反転精度評価、変数重要度分析、結果の視覚化、ラスターおよびベクトル変換などが含まれ、マングローブ生息地特徴情報 (地形、海など) の使用方法をデモンストレーションします。 、等）により分類結果をきめ細かく調整し、高精度な分布図の描画を実現します。