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、時間、スペクトル解像度は向上し続けています。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として特徴づけられるようになりました。リモートセンシングビッグデータの出現は、関連研究にこれまでにない機会をもたらすと同時に、これらのデータをどのように扱うかが大きな課題となっています。従来のワークステーションやサーバーは、大面積、マルチスケールの大量のリモート センシング データを処理できなくなりました。
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)のオンラインビジュアルコンピューティング・解析クラウドプラットフォームの利用が広がっています。GEE プラットフォームは、80PB を超える衛星画像、気候と天気、地球物理学、および MODIS、Landsat、Sentinel などのリモート センシングの分野で現在使用されているその他の一般的に使用されているデータ セットを保存し、同期します。世界中のサーバーに配置されているため、これらのデータを処理するのに十分なコンピューティング能力が提供されます。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、GEE は大量の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有し、一方では豊富なコンピューティングリソースを提供し、他方ではその巨大なクラウドストレージにより研究者に大量のデータを保存しますダウンロード数や前処理時間など、リモートセンシングデータの計算・解析・可視化の分野では世界最先端レベルであり、リモートセンシング分野における革命と言えます。
初期段階では、プログラミング言語としてそれぞれJavaScriptとPythonを使用し、多業種の学生から広範な参加と支援を受けました。大多数の科学研究者の要望に応えて、現在リモート センシング アプリケーションの最も人気のある分野の 1 つである林業に焦点を当て、典型的なアプリケーション ケースを使用して GEE クラウド プラットフォームの使用スキルと強力な機能を包括的に実証し、研究成果を強化します。参加者の実践的な問題を解決する能力。JavaScript版GEEに基づいて説明しますが、最初にGEEの基礎知識を紹介し、次に重要な知識をミクロな事例と組み合わせて解説し、最後に代表的な林業をベースに総合的に解説します。応用例。教育の質を向上させるために、ChatGPT や Wen Xinyiyan などの最先端の AI 自然言語モデルを使用して、生徒の疑問に答え、的を絞った提案や指導を提供できるように指導を支援します。コースの内容をより深く理解するだけでなく、将来の自助努力に備えることもできます。Learn は、効率的でパーソナライズされた学習体験を提供します。
詳細:
パート 1: 基本的な練習
1. プラットフォームと基本開発基盤
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 開発環境と共通データ リソースの紹介。
ChatGPT や Wen Xinyiyan などの GPT モデル、アカウント アプリケーション、林業リモート センシング アプリケーションの紹介
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、ベクターおよびラスター オブジェクトの視覚化、属性表示、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始めるための概要。
2. GEEの基礎知識とChatGPTなどのAIモデルの連携
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。
要素の基本的な計算と操作: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、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。
描画の視覚化: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。
GPT モデルのインタラクション:上記の基本的な知識ポイントを ChatGPT や Wen Xinyiyan などの AI ツールと組み合わせて、補助的な Q&A、コード生成および修正テクニックを含むインタラクティブなデモンストレーションを実施します。
パート 2: 重要な知識ポイントに関するマイクロケースの講義と 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 および Sentinel-2 の画像から雲と影をバッチで自動的に削除します。
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) 調査地域で利用可能な画像と雲のない観測の数の統計分析
4) 中国における年次 NDVI 植生数の合成と年間の最も緑豊かな 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
7)中国の過去40年間の降雨量変化傾向の分析
8) 特定地域における年間森林損失の統計分析(ハンセン林業製品に基づく)
パート 3: 典型的なケースに関する包括的な演習
事例 1: 複数のリモートセンシングデータを組み合わせて森林を識別する
この記事では、Landsat 時系列光学画像と PALSAR-2 レーダー データを組み合わせる完全なプロセスと、森林などの典型的な土地タイプのリモート センシング分類を実現する決定木アルゴリズムを詳しく紹介します。トピックには、画像データの時空間フィルタリング、光学画像のバッチ雲マスキングと植生指数計算、層別ランダムサンプリングとサンプルエクスポート、ローカル品質管理とクラウドアップロード、ランダムサンプルセグメンテーション、分離性分析、分類アルゴリズムの構築と適用、分類後処理、および精度評価、テーマ別地図作成など。
事例2:森林の長期的な状態監視
長期にわたる一連の MODIS または Landsat 画像データを使用して、森林の状態を長期的に監視し、森林植生の緑化または褐色化を分析します。トピックには、時系列画像の前処理、画像セットの接続、画像合成、変化傾向のノンパラメトリック検出、有意性テスト、変化傾向の定量化と分類、空間統計と結果の視覚化、主題図の描画が含まれます。
ケース 3: 森林破壊と劣化のモニタリング
Landsat シリーズの画像、スペクトル分離モデル、NDFI 正規化差分率指数を組み合わせて、森林破壊と劣化を監視します。トピックには、画像の前処理、混合ピクセル分解、NDFI インデックス計算、関数のカプセル化、変化検出と強度分類、結果の視覚化、主題図の描画などが含まれます。
事例 4: 森林火災の監視
この記事では、Landsat と Sentinel-2 の時系列光学リモート センシング画像を使用して森林火災による損失を監視し、火災の強度分類を実現する方法を詳しく紹介します。トピックには、画像フィルタリング、Landsat および Sentinel-2 の光学画像雲除去などの前処理、植生指数計算、画像合成、火災地域の特定と災害強度分類、統計分析と結果の視覚化などが含まれます。
事例5:森林撹乱の長期監視
Landsat などの 30 年にわたる光学画像と古典的な LandTrendr アルゴリズムを組み合わせて、森林撹乱モニタリングを実現します。トピックには、長期シリーズのリモートセンシング画像の前処理、植生指数のバッチ計算、年間画像の合成、アレイ画像の概念と使用方法、LandTrendr アルゴリズムの原理とパラメータ設定、森林撹乱結果の解釈と空間統計分析、可視化と主題図の描画などが含まれます。 。
ケース 6: 森林の主要な生理学的パラメーター (木の高さ、バイオマス/炭素貯蔵量)
この反転では、GEDI LIDAR、Landsat/Sentinel-2 マルチスペクトル光学画像、Sentinel-1/PALSAR-2 レーダー画像などと機械学習アルゴリズムを組み合わせて、樹高、バイオマス/炭素貯蔵量などの森林の主要な物理パラメータを反転します。トピックには、GEDI LIDAR データの紹介、一般的な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、反転精度評価と変数重要度分析、結果の視覚化などが含まれます。