近年來遙感技術(shù)得到了突飛猛進(jìn)的發(fā)展，航天、航空、臨近空間等多遙感平臺(tái)不斷增加，數(shù)據(jù)的空間、時(shí)間、光譜分辨率不斷提高，數(shù)據(jù)量猛增，遙感數(shù)據(jù)已經(jīng)越來越具有大數(shù)據(jù)特征。遙感大數(shù)據(jù)的出現(xiàn)為相關(guān)研究提供了前所未有的機(jī)遇，同時(shí)如何處理好這些數(shù)據(jù)也提出了巨大的挑戰(zhàn)。傳統(tǒng)的工作站和服務(wù)器已經(jīng)無法勝任大區(qū)域、多尺度海量遙感數(shù)據(jù)處理的需要。

? ? 以Earth Engine（GEE）、PIE-Engine為代表全球尺度地球科學(xué)數(shù)據(jù)（尤其是衛(wèi)星遙感數(shù)據(jù)）在線可視化計(jì)算和分析云平臺(tái)應(yīng)用越來越廣泛。GEE平臺(tái)存儲(chǔ)和同步遙感領(lǐng)域目前常用的MODIS、Landsat和Sentinel等衛(wèi)星影像、氣候與天氣、地球物理等方面的數(shù)據(jù)集超過80PB，同時(shí)依托全球上百萬臺(tái)超級(jí)服務(wù)器，提供足夠的運(yùn)算能力對(duì)這些數(shù)據(jù)進(jìn)行處理。相比于ENVI等傳統(tǒng)的遙感影像處理工具，GEE在處理海量遙感數(shù)據(jù)方面具有不可比擬的優(yōu)勢，一方面提供了豐富的計(jì)算資源，另一方面其巨大的云存儲(chǔ)節(jié)省了科研人員大量的數(shù)據(jù)下載和預(yù)處理的時(shí)間，是遙感數(shù)據(jù)的計(jì)算和分析可視化方面代表世界該領(lǐng)域最前沿水平，是遙感領(lǐng)域的一次革命。

前期我們分別以Javascript和Python為編程語言，成功舉辦了數(shù)期關(guān)于GEE遙感大數(shù)據(jù)分析處理的基礎(chǔ)培訓(xùn)課程，得到了來多個(gè)行業(yè)的學(xué)員的廣泛參與和支持。應(yīng)廣大科研工作者的要求，本次課程將聚焦目前遙感應(yīng)用最熱門領(lǐng)域之一的災(zāi)害、水體及濕地領(lǐng)域，重點(diǎn)結(jié)合典型應(yīng)用案例綜合展示GEE云平臺(tái)的使用技巧和強(qiáng)大功能，提升參會(huì)人員解決實(shí)際問題的能力。本課程將以JavaScript版本GEE為主進(jìn)行講解，先介紹GEE基本知識(shí)，再結(jié)合微型案例對(duì)關(guān)鍵知識(shí)進(jìn)行串講，最后結(jié)合林業(yè)應(yīng)用典型案例進(jìn)行綜合講解。為了提高教學(xué)質(zhì)量，結(jié)合最先進(jìn)的ChatGPT、文心一言等AI自然語言模型輔助教學(xué)，協(xié)助學(xué)員解答疑惑、提供針對(duì)性建議和指導(dǎo)，不僅讓學(xué)員更深入地掌握內(nèi)容，還為今后自助學(xué)習(xí)提供高效的個(gè)性化的學(xué)習(xí)體驗(yàn)。

查看原文

一、平臺(tái)及基礎(chǔ)開發(fā)平臺(tái)

• GEE平臺(tái)及典型應(yīng)用案例介紹；
• GEE開發(fā)環(huán)境及常用數(shù)據(jù)資源介紹；
• ChatGPT、文心一言等GPT模型介紹
• JavaScript基礎(chǔ)簡介；
• GEE遙感云重要概念與典型數(shù)據(jù)分析流程；
• GEE基本對(duì)象介紹、矢量和柵格對(duì)象可視化、屬性查看，API查詢、基本調(diào)試等平臺(tái)上手。

二、GEE基礎(chǔ)知識(shí)與ChatGPT等AI模型交互

• 影像基本運(yùn)算與操作：數(shù)學(xué)運(yùn)算、關(guān)系/條件/布爾運(yùn)算、形態(tài)濾波、紋理特征提取；影像掩碼、裁剪和鑲嵌等；
• 要素基本運(yùn)算與操作：幾何緩沖區(qū)，交、并、差運(yùn)算等；
• 集合對(duì)象操作：循環(huán)迭代（map/iterate）、合并Merge、聯(lián)合（Join）；
• 數(shù)據(jù)整合Reduce：包括影像與影像集整合，影像合成、影像區(qū)域統(tǒng)計(jì)與域統(tǒng)計(jì)，分組整合與區(qū)鄰域統(tǒng)計(jì)，影像集線性回歸分析等；
• 機(jī)器學(xué)習(xí)算法：包括監(jiān)督（隨機(jī)森林、CART、SVM、決策樹等）與非監(jiān)督（wekaKMeans、wekaLVQ等）分類算法，分類精度評(píng)估等；
• 數(shù)據(jù)資產(chǎn)管理：包括本地端矢量和柵格數(shù)據(jù)上傳、云端矢量和柵格數(shù)據(jù)下載、統(tǒng)計(jì)結(jié)果數(shù)據(jù)導(dǎo)出等；
• 繪圖可視化：包括條形圖、直方圖、散點(diǎn)圖、時(shí)間序列等圖形繪制。
• GPT模型交互：結(jié)合上述基本知識(shí)點(diǎn)和ChatGPT等AI工具進(jìn)行交互演示，包括輔助答疑、代碼生成與修正等技巧。

重要知識(shí)點(diǎn)微型案例串講與GPT模型交互演示

1. Landsat、Sentinel-2影像批量自動(dòng)去云和陰影
2. 聯(lián)合Landsat和Sentinel-2批量計(jì)算植被指數(shù)和年度合成
3. 研究區(qū)可用影像數(shù)量和無云觀測數(shù)量統(tǒng)計(jì)分析
4. 中國區(qū)域年度NDVI植被數(shù)合成及年度最綠DOY時(shí)間查找
5. 時(shí)間序列光學(xué)影像數(shù)據(jù)的移動(dòng)窗口平滑
6. 分層隨機(jī)抽樣及樣本導(dǎo)出、樣本本地評(píng)估與數(shù)據(jù)上傳云端
7. 中國近40年降雨量變化趨勢分析

案例一：洪澇災(zāi)害監(jiān)測

基于Sentinel-1 雷達(dá)等影像，以典型洪澇災(zāi)害為例監(jiān)測受災(zāi)區(qū)域。案例內(nèi)容包括多源影像數(shù)據(jù)處理和不同水體識(shí)別算法構(gòu)建，如OSTU全局自動(dòng)分割與局部自適應(yīng)閾值法，以及采用不同方式確定受災(zāi)區(qū)域，受災(zāi)面積統(tǒng)計(jì)與可視化輸出等。

案例二：洪水敏感性和風(fēng)險(xiǎn)模擬

結(jié)合ESA10m分辨率土地覆蓋產(chǎn)品、地形（海拔與坡度）、MERIT全球水文數(shù)據(jù)、JRC地表水?dāng)?shù)據(jù)產(chǎn)品等空間數(shù)據(jù)集，借助云平臺(tái)計(jì)算不同地類與開闊水域的距離，最近排水系統(tǒng)上方的高度 (HAND) 和降雨頻率（降雨強(qiáng)度和持續(xù)時(shí)間的代表）作為模擬洪災(zāi)敏感性的輸入?yún)?shù)，再應(yīng)用加權(quán)線性組合WLC方法繪制洪災(zāi)敏感性分布圖。內(nèi)容涉及不同數(shù)據(jù)產(chǎn)品再分類分級(jí)、歐幾里得距離計(jì)算、影像集map循環(huán)和分析建模等。

案例三：水體質(zhì)量監(jiān)測

聯(lián)合近十年的Landsat 8/9、JRC地表水產(chǎn)品，使用如NDSSI歸一化差異懸浮泥沙指數(shù)、NDTI歸一化差分濁度指數(shù)等來監(jiān)測水集水區(qū)水質(zhì)變化情況，統(tǒng)計(jì)集水區(qū)域逐月水質(zhì)變化情況。內(nèi)容涉及時(shí)間序列影像預(yù)處理、植被指數(shù)計(jì)算、逐月逐年影像合成、影像集Reducer操作、空值過濾與作圖等。

案例四：河道輪廓監(jiān)測

展示Earth Engine在河流水文學(xué)和地貌學(xué)中的應(yīng)用。具體演示如何使用云平臺(tái)區(qū)分河流和其它水體，進(jìn)行基本的形態(tài)分析，提取河流的中心線和寬度，檢測河流形態(tài)隨時(shí)間的變化。內(nèi)容涉及開源程序包調(diào)用、RivWidthCloud關(guān)鍵代碼解讀、時(shí)間序列影像處理、水體遙感識(shí)別和數(shù)據(jù)導(dǎo)出。

案例五：地下水變化監(jiān)測

詳細(xì)介紹了利用GRACE重力衛(wèi)星的觀測數(shù)據(jù)來評(píng)估大型河流流域地下水儲(chǔ)量的變化，包括應(yīng)用遙感估計(jì)的總蓄水異常、陸地表面模型輸出GLDAS和現(xiàn)場觀測結(jié)果來解決地下水蓄不變化。內(nèi)容涉及使用GRACE繪制總蓄水量變化、蓄水趨勢和解決河流流域地下水儲(chǔ)量的變化等，練習(xí)知識(shí)點(diǎn)包括影像集過濾、集合Join、map循環(huán)、趨勢分析、可視化等。

案例六：紅樹林遙感制圖

聯(lián)合Sentinel-1/2多源遙感影像和機(jī)器學(xué)習(xí)算法繪制紅樹林分布圖。專題涉及光學(xué)和雷達(dá)數(shù)據(jù)處理、機(jī)器學(xué)習(xí)算法應(yīng)用、反演精度評(píng)估、變量重要性分析、結(jié)果可視化、柵格與矢量轉(zhuǎn)換等內(nèi)容，將演示如何利用紅樹林的生境特征信息（如地形、與大海相連等）對(duì)分類結(jié)果進(jìn)行精細(xì)處理，實(shí)現(xiàn)高精度分布圖的繪制。

推薦：

基于PyTorch深度學(xué)習(xí)無人機(jī)遙感影像目標(biāo)檢測、地物分類及語義分割實(shí)踐技術(shù)應(yīng)用

Matlab高光譜遙感、數(shù)據(jù)處理與混合像元分解實(shí)踐技術(shù)應(yīng)用

無人機(jī)遙感在農(nóng)林信息提取中的實(shí)現(xiàn)方法與GIS融合應(yīng)用

合成孔徑雷達(dá)干涉測量InSAR數(shù)據(jù)處理、地形三維重建、形變信息提取、監(jiān)測等實(shí)踐技術(shù)應(yīng)用

點(diǎn)擊查看原文https://mp.weixin.qq.com/s?__biz=Mzg2NDYxNjMyNA==&mid=2247533179&idx=4&sn=81fe340bb4b090a861300d6d0e5eabd9&chksm=ce64a890f9132186f5917aaf4ae2a1d51cff384e1b9daa4c8310df5e76c0c68313d35439fa92&token=1569167428&lang=zh_CN#rd文章來源地址http://www.zghlxwxcb.cn/news/detail-463840.html

到了這里，關(guān)于遙感云大數(shù)據(jù)在災(zāi)害、水體與濕地領(lǐng)域典型案例實(shí)踐及GPT模型應(yīng)用的文章就介紹完了。如果您還想了解更多內(nèi)容，請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！