primeira parte
prática básica
um
Plataforma e plataforma básica de desenvolvimento
· Introdução da plataforma GEE e casos típicos de aplicação;
· Introdução do ambiente de desenvolvimento GEE e recursos de dados comumente usados;
Introdução aos modelos GPT, como ChatGPT e Wenxinyiyan
· Introdução ao básico de JavaScript;
· Conceitos importantes da nuvem de sensoriamento remoto GEE e processo típico de análise de dados;
Introdução de objetos básicos GEE, visualização de objetos vetoriais e raster, visualização de atributos, consulta de API, depuração básica e outras plataformas para começar.
dois
O conhecimento básico do GEE interage com modelos de IA, como o ChatGPT
· Operações e operações básicas de imagens: operações matemáticas, relações/condições/operações booleanas, filtragem morfológica, extração de recursos de textura, mascaramento de imagem, corte e mosaico, etc.;
· Operações e operações básicas dos elementos: buffer geométrico, interseção, união, operações de diferença, etc.;
Operações de objeto de coleção: iteração de loop (mapear/iterar), mesclar Mesclar, união (juntar);
· Integração de dados Reduzir: incluindo imagem e integração de conjuntos de imagens, síntese de imagens, estatísticas de área de imagem e estatísticas de domínio, integração de grupo e estatísticas de vizinhança de área, análise de regressão linear de conjunto de imagens, etc.;
· Algoritmos de aprendizado de máquina: incluindo algoritmos de classificação supervisionados (floresta aleatória, CART, SVM, árvore de decisão, etc.) e não supervisionados (wekaKMeans, wekaLVQ, etc.), avaliação de precisão de classificação, etc.;
Gerenciamento de ativos de dados: incluindo upload de dados vetoriais e raster locais, download de dados vetoriais e raster em nuvem, exportação de dados de resultados estatísticos, etc.;
· Visualização de desenho: incluindo gráficos de barras, histogramas, gráficos de dispersão, séries temporais e outros desenhos gráficos.
Interação do modelo GPT: combine os pontos de conhecimento básicos acima com ferramentas de IA, como ChatGPT, para demonstrações interativas, incluindo habilidades como resposta auxiliar a perguntas, geração e correção de código.
a segunda parte
questionário avançado
Mini-palestras sobre pontos importantes de conhecimento e demonstração interativa do modelo GPT
1) Imagens Landsat, Sentinel-2 removem automaticamente nuvens e sombras em lotes
2) Combine Landsat e Sentinel-2 para calcular o índice de vegetação e a síntese anual em lotes
3) Análise estatística do número de imagens disponíveis e do número de observações sem nuvens na área de estudo
4) Síntese dos números anuais de vegetação NDVI na China e busca pela época DOY mais verde do ano
5) Suavização de janela móvel de dados de imagens ópticas de séries temporais
6) Amostragem aleatória estratificada e exportação de amostra, avaliação local de amostra e upload de dados para a nuvem
Análise da tendência de variação das chuvas na China nos últimos 40 anos
a terceira parte
Exercício abrangente de caso típico
Caso 1: Monitoramento de Desastres de Enchentes
Com base em imagens como o radar Sentinel-1, um típico desastre de inundação é tomado como exemplo para monitorar a área afetada. O conteúdo do caso inclui o processamento de dados de imagens de várias fontes e a construção de diferentes algoritmos de reconhecimento de corpos d'água, como a segmentação automática global OSTU e o método de limiar adaptativo local, e o uso de diferentes métodos para determinar a área do desastre, estatísticas da área do desastre e saída visual , etc
Caso 2: Sensibilidade de inundação e modelagem de risco
Combinando conjuntos de dados espaciais, como produtos de cobertura de solo com resolução ESA10m, terreno (elevação e declive), dados hidrológicos globais MERIT, produtos de dados de água de superfície JRC, etc., com a ajuda da plataforma de nuvem para calcular a distância entre diferentes tipos de terreno e águas abertas , a altura acima do sistema de drenagem mais próximo ( HAND ) e a frequência de chuva (um representante da intensidade e duração da chuva) são usados como parâmetros de entrada para simular a sensibilidade a inundações e, em seguida, o método WLC de combinação linear ponderada é usado para desenhar um mapa de distribuição de sensibilidade a inundações . O conteúdo envolve reclassificação e classificação de diferentes produtos de dados, cálculo de distância euclidiana, ciclo de mapa de conjunto de imagens e modelagem de análise, etc.
Caso 3: Monitoramento da Qualidade da Água
Combinado com produtos aquáticos de superfície Landsat 8/9 e JRC nos últimos dez anos, use como índice de sedimento suspenso diferencial normalizado NDSSI, índice de turbidez diferencial normalizado NDTI, etc. Alterações mensais na qualidade da água. O conteúdo envolve pré-processamento de imagens de séries temporais, cálculo do índice de vegetação, síntese mensal e anual de imagens, operação do redutor de conjuntos de imagens, filtragem e mapeamento de valores nulos, etc.
Caso 4: Monitoramento do perfil do rio
Demonstrar a aplicação do Earth Engine à hidrologia e geomorfologia fluvial. Demonstre especificamente como usar a plataforma de nuvem para distinguir rios de outros corpos d'água, realizar análises básicas de forma, extrair a linha central e a largura dos rios e detectar mudanças na forma do rio ao longo do tempo. O conteúdo envolve chamada de pacote de código aberto, interpretação de código-chave RivWidthCloud, processamento de imagem de série temporal, reconhecimento de sensoriamento remoto de corpo d'água e exportação de dados.
Caso 5: Monitoramento de mudanças nas águas subterrâneas
O uso de observações de satélite GRACE para avaliar as mudanças no armazenamento de águas subterrâneas em grandes bacias hidrográficas é descrito em detalhes, incluindo a aplicação de anomalias de armazenamento totais estimadas por sensoriamento remoto, saída do modelo de superfície terrestre GLDAS e observações in situ para abordar a invariância de armazenamento de águas subterrâneas. O conteúdo envolve o uso do GRACE para desenhar mudanças no armazenamento total de água, tendências de armazenamento de água e resolver mudanças no armazenamento de águas subterrâneas em bacias hidrográficas. Os pontos de conhecimento prático incluem filtragem de conjuntos de imagens, junção de conjuntos, loop de mapa, análise de tendências, visualização, etc.
Caso 6: Mapeamento de sensoriamento remoto de manguezais
Combinando imagens de sensoriamento remoto de várias fontes Sentinel-1/2 e algoritmos de aprendizado de máquina para desenhar mapas de distribuição de manguezais. Os tópicos incluem processamento de dados ópticos e de radar, aplicação de algoritmo de aprendizado de máquina, avaliação de precisão de inversão, análise de importância variável, visualização de resultados, conversão raster e vetorial etc. , etc.) para ajustar os resultados da classificação e realizar o desenho de mapas de distribuição de alta precisão.
Link para o texto original: Prática de caso típico e aplicação do modelo GPT de big data de sensoriamento remoto em nuvem nos campos de desastres, corpos d'água e zonas úmidas