Εφαρμογές Google Earth

Από RemoteSensing Wiki

(Διαφορές μεταξύ αναθεωρήσεων)
Μετάβαση σε: πλοήγηση, αναζήτηση
(Νέα σελίδα με ' category:Χαρτογραφία '''Εφαρμογές Google earth.''' '''Πρωτότυπος τίτλος:''' ''Google Earth Engine Applications'' '''Συγ...')
Γραμμή 9: Γραμμή 9:
'''Συγγραφέας: '''Onisimo Mutanga, Lalit Kumar
'''Συγγραφέας: '''Onisimo Mutanga, Lalit Kumar
 +
'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.mdpi.com/2072-4292/11/5/591/htm]
 +
 +
'''Λέξεις-Κλειδιά: ''' υπολογιστικό νέφος, ανάλυση μαζικών δεδομένων, μακροπρόθεσμη παρακολούθηση, συστήματα έγκαιρης προειδοποίησης
'''Εισαγωγή'''
'''Εισαγωγή'''

Αναθεώρηση της 10:41, 3 Φεβρουαρίου 2022


Εφαρμογές Google earth.

Πρωτότυπος τίτλος: Google Earth Engine Applications

Συγγραφέας: Onisimo Mutanga, Lalit Kumar

Σύνδεσμος πρωτότυπου κειμένου: [1]

Λέξεις-Κλειδιά: υπολογιστικό νέφος, ανάλυση μαζικών δεδομένων, μακροπρόθεσμη παρακολούθηση, συστήματα έγκαιρης προειδοποίησης

Εισαγωγή Το Google Earth Engine (GEE) είναι μια πλατφόρμα υπολογιστικού νέφους που έχει σχεδιαστεί για την αποθήκευση και επεξεργασία τεράστιων συνόλων δεδομένων (σε κλίμακα petabyte) για ανάλυση και τελική λήψη αποφάσεων . Μετά τη δωρεάν διαθεσιμότητα της σειράς Landsat το 2008, η Google αρχειοθέτησε όλα τα σύνολα δεδομένων και τα συνέδεσε με τη μηχανή υπολογιστικού νέφους για χρήση ανοιχτού κώδικα. Το τρέχον αρχείο δεδομένων περιλαμβάνει εκείνα από άλλους δορυφόρους, καθώς και σύνολα διανυσματικών δεδομένων που βασίζονται σε γεωγραφικά συστήματα πληροφοριών (GIS), κοινωνικά, δημογραφικά, καιρικά, ψηφιακά μοντέλα υψομέτρου και επίπεδα δεδομένων για το κλίμα.

Οι χρήστες μπορούν επίσης να προσθέτουν και να επιμελούνται τα δικά τους δεδομένα, ενώ χρησιμοποιούν το cloud της Google για να αναλάβουν όλη την επεξεργασία. Το τελικό αποτέλεσμα είναι ότι αυτό επιτρέπει τώρα στους επιστήμονες, τους ανεξάρτητους ερευνητές και τα έθνη να εξορύσσουν αυτή τη μαζική αποθήκη δεδομένων για την ανίχνευση αλλαγών, τις τάσεις των χαρτών και τον ποσοτικό προσδιορισμό των πόρων στην επιφάνεια της Γης όπως ποτέ άλλοτε. Καθώς δεν χρειάζονται οι μεγάλες δυνατότητες επεξεργασίας των τελευταίων υπολογιστών ή του πιο πρόσφατου λογισμικού, αυτό σημαίνει ότι οι φτωχοί σε πόρους ερευνητές στα φτωχότερα έθνη του κόσμου έχουν την ίδια ικανότητα να διεξάγουν ανάλυση με εκείνους στα πιο προηγμένα έθνη. Σκοπός αυτού του ειδικού τεύχους ήταν να προσελκύσει έγγραφα που εκμεταλλεύονται τα γεωχωρικά εργαλεία υπολογιστικού νέφους του Google Engine για την επεξεργασία μεγάλων συνόλων δεδομένων για παγκόσμιες εφαρμογές. Ιδιαίτερη προτεραιότητα δόθηκε σε έγγραφα από αναπτυσσόμενες χώρες σχετικά με τον τρόπο με τον οποίο η διαθεσιμότητα δεδομένων και επεξεργασίας GEE επέτρεψε νέα έρευνα που ήταν δύσκολη ή αδύνατη πριν.. Είμαστε στην ευχάριστη θέση να αναφέρουμε ότι συνολικά 22 εργασίες δημοσιεύθηκαν σε αυτό το ειδικό τεύχος, οι οποίες καλύπτουν περιοχές γύρω από την παρακολούθηση της βλάστησης, τη χαρτογράφηση των καλλιεργήσιμων εκτάσεων, την αξιολόγηση του οικοσυστήματος και την ακαθάριστη πρωτογενή παραγωγικότητα, μεταξύ άλλων. Μια πληθώρα συνόλων δεδομένων που χρησιμοποιήθηκαν κυμαίνονταν από χονδροειδή δεδομένα χωρικής ανάλυσης όπως το MODIS (Φασματοφωτόμετρο Απεικόνισης Μέτριας Ανάλυσης) έως σύνολα δεδομένων πολύ υψηλής ανάλυσης (Worldview -2) και οι μελέτες κάλυπταν ολόκληρο τον πλανήτη σε διάφορες χωρικές και χρονικές κλίμακες. Από την ίδρυσή της το 2010, η χρήση του Google Earth διερευνήθηκε χρησιμοποιώντας άρθρα που προέρχονται από συνολικά 158 περιοδικά. Η μελέτη έδειξε μια στρεβλή χρήση προς τις ανεπτυγμένες χώρες σε σύγκριση με αναπτυσσόμενες περιοχές όπως η Αφρική , με το Landsat να είναι το πιο ευρέως χρησιμοποιούμενο σύνολο δεδομένων. Αυτό το άρθρο κατηγοριοποίησε τις εφημερίδες σε πέντε κύρια θέματα, των οποίων οι συνεισφορές συνοψίζονται.


Χαρτογράφηση και παρακολούθηση της βλάστησης

Ορισμένα άρθρα εξέτασαν τη χρησιμότητα του GEE στη χαρτογράφηση και την παρακολούθηση της βλάστησης. Αυτό περιλαμβάνει την παγκόσμια εκτίμηση βασικών μεταβλητών βιοποικιλότητας, όπως ο δείκτης περιοχής φύλλων (LAI), το κλάσμα απορροφούμενης φωτοσυνθετικής ενεργού ακτινοβολίας (FAPAR), η κάλυψη κλασματικής βλάστησης (FVC) και η περιεκτικότητα σε νερό θόλου (CWC) χρησιμοποιώντας ιστορικά δεδομένα MODIS . Σε πλανητική κλίμακα στο Βιετνάμ , χαρτογραφημένη βλάστηση με τη χρήση προϊόντων EVI που προέρχονται από το MODIS και της διαδικτυακής εφαρμογής GEE. Χρησιμοποιώντας μια καθορισμένη από τον χρήστη περίοδο αναφοράς, θα μπορούσαν να παρακολουθούν την υποβάθμιση ή τη βελτίωση της βλάστησης και τον αντίκτυπο των προσπαθειών μετριασμού από την κυβέρνηση του Βιετνάμ. Μια σχετική μελέτη σε ένα κινεζικό φυσικό καταφύγιο χρησιμοποίησε εποχιακά σύνθετα υλικά Landsat TM για να χαρτογραφήσει τη βλάστηση και τη γενική χερσαία περιοχή ελαχιστοποιώντας την κάλυψη νεφών και τις επιπτώσεις του εδάφους. Ένας συνδυασμός δεικτών φασματικής βλάστησης, βοηθητικών δεδομένων εδάφους και απλού μετασχηματισμού φωτισμού θα μπορούσε να προβλέψει την ταξινόμηση της βλάστησης με ακρίβεια άνω του 70% . Ένα πιο εκλεπτυσμένο και ακριβές σύνθετο NDVI 30 m, που εκτείνεται τα τελευταία 30 χρόνια, αναπτύχθηκε για τις Ηνωμένες Πολιτείες της Αμερικής χρησιμοποιώντας την πλατφόρμα πλανητικής επεξεργασίας που βασίζεται στο cloud του Google Engine . Τα ελλείποντα δεδομένα λόγω των νεφών συμπληρώθηκαν με τη χρήση μιας προσέγγισης μοντελοποίησης με γνώμονα το κλίμα και τα δεδομένα παρήχθησαν σε πολλαπλές κλίμακες . Χρησιμοποιώντας το Google Engine, μια μελέτη εκτίμησης οικοσυστήματος σε ένα ημιάγονο τοπίο της Βραζιλίας έδειξε ότι τα δεδομένα υψηλής χωρικής ανάλυσης (Worldview) θα μπορούσαν να αποφέρουν υψηλότερη ακρίβεια ταξινόμησης σε σύγκριση με τη μέση ανάλυση Landsat TM, με πλήρεις πληροφορίες φασματικής ανάλυσης . Τα δέντρα, οι θάμνοι και η γυμνή γη ταξινομήθηκαν, με σαφή διάκριση μεταξύ δέντρων και θάμνων, μια εργασία μαμούθ χρησιμοποιώντας προηγούμενα σύνολα δεδομένων. Δόθηκε επίσης προσοχή στην παρακολούθηση της περιοχής με τη χρήση μακροπρόθεσμων δορυφορικών δεδομένων σε περιβάλλον υπολογιστικού νέφους. Συγκεκριμένα, στη Βραζιλία καταρτίστηκαν συνολικά 17 χάρτες βοσκοτόπων με τη χρήση δεδομένων MODIS από το 2000 έως το 2016 με ακρίβεια άνω του 80% . Τα αποτελέσματα έδειξαν αύξηση της βοσκοτόπων για τις περισσότερες περιοχές που αναλύθηκαν.

Χαρτογράφηση landcover

Ορισμένες μελέτες αξιολόγησαν τη δυναμική της κάλυψης της γης σε διαφορετικές χωρικές κλίμακες. Εκμεταλλευόμενη την GEE, η οποία παρέχει πρόσβαση στα δεδομένα και προηγμένες αναλυτικές τεχνικές για τα μαζικά δεδομένα, χρησιμοποίησε τον αλγόριθμο Bayesian Updating of Land Cover (BULC) για να συγχωνεύσει δεδομένα Landsat με το GlobCover 2009, βελτιώνοντας έτσι τη χωρική ανάλυση της παγκόσμιας παραγωγής από 300 m σε 30 m στη Βραζιλία. Η προσέγγιση εφαρμόζεται ευρέως, δεδομένου ότι χρησιμοποιεί έναν αλγόριθμο χωρίς επίβλεψη, ο οποίος δεν απαιτεί εντατικά δεδομένα επίγειας αλήθειας . Οι δυνατότητες της GEE καταδείχθηκαν επίσης στον χειρισμό τεράστιων μακροπρόθεσμων συνόλων δεδομένων σε παγκόσμια κλίμακα για την ανάλυση των επιπτώσεων της αλλαγής της κάλυψης της γης στην επιφανειακή αστική θερμότητα, εκμεταλλευόμενοι το ήδη καθιερωμένο εργαλείο για το κλίμα Engine για την εξαγωγή τεράστιων δεδομένων θερμοκρασίας επιφάνειας γης . Υποβλήθηκαν σε επεξεργασία περισσότερες από 6000 εικόνες Landsat από το 2000 έως το 2011. Το πρόβλημα της νεφοκάλυψης δεν είναι νέο στην τηλεπισκόπηση. Η διαθεσιμότητα δεδομένων χρονοσήμανσης και πλατφόρμας GEE διευκόλυνε την ανάπτυξη αλγορίθμων που επιλύουν τα προβλήματα κάλυψης νέφους και επιπτώσεων εδάφους της χαρτογράφησης της κάλυψης γης σε μια κινεζική προστατευόμενη περιοχή . Η πλατφόρμα υπολογιστικού νέφους διευκόλυνε επίσης τον υπολογισμό των δεικτών φασματικής βλάστησης από τα πολυ-εποχιακά δεδομένα Landsat καθώς και τους αλγόριθμους ομαλοποίησης φωτισμού, αποφέροντας επιτυχημένα αποτελέσματα ταξινόμησης κάλυψης γης. Εκτός από τα δεδομένα landsat, μια άλλη μελέτη χρησιμοποίησε δορυφορικά δεδομένα υψηλής ανάλυσης Sentinel 1 και 2 για να χαρτογραφήσει την έκταση των υγροτόπων σε επαρχιακή κλίμακα στη Νέα Γη του Καναδά. Η μελέτη παρήγαγε τον πρώτο λεπτομερή περιφερειακό χάρτη υγροτόπων, αξιοποιώντας υψηλής ανάλυσης Sentinel SAR και οπτικά δεδομένα, την υπολογιστική ισχύ GEE και προηγμένους αλγόριθμους μηχανικής μάθησης.

Γεωργικές εφαρμογές

Οι γεωργικές εφαρμογές που περιλαμβάνουν εκτίμηση της απόδοσης των καλλιεργειών, χαρτογράφηση της περιοχής καλλιέργειας, ευπάθεια παρασίτων και ασθενειών και αξιολογήσεις καταλληλότητας, είναι κρίσιμες για τη διατήρηση της παραγωγικότητας και της επισιτιστικής ασφάλειας. Αυτό το τεύχος αναφέρει μια σειρά μελετών που χρησιμοποίησαν υπολογιστικό νέφος GEE για γεωργικές εφαρμογές σε διάφορες κλίμακες. Η πλατφόρμα GEE έδωσε την ευκαιρία να ενταφούν τα δεδομένα terra MODIS και η Landsat για την εκτίμηση της ακαθάριστης πρωτογενούς παραγωγικότητας επτά καλλιεργειών στη Μοντάνα των ΗΠΑ από το 2008 έως το 2015 σε χωρική ανάλυση 30 m . Τα εκτιμώμενα πρότυπα παραγωγικότητας των καλλιεργήσιμων εκτάσεων και οι εποχιακές διακυμάνσεις τους συγκρίνονται ευνοϊκά με τα στοιχεία για τις καλλιέργειες σε επίπεδο χώρας. Τα δεδομένα worldview 2 υψηλής χωρικής ανάλυσης χρησιμοποιήθηκαν επίσης για τη χαρτογράφηση ετερογενών καλλιεργήσιμων εκτάσεων μικροκαλλιέργειων στο αφρικανικό περιβάλλον του Μάλι, χρησιμοποιώντας κανόνες συνόλου. Η πλατφόρμα cloud, με υψηλές δυνατότητες επεξεργασίας, επέτρεψε τον υπολογισμό μιας σειράς κανόνων συνόλου για τη βελτιστοποίηση της ακρίβειας ταξινόμησης. Σε ηπειρωτική κλίμακα, οι καλλιεργήσιμες εκτάσεις και οι μη καλλιεργήσιμες εκτάσεις χαρτογραφήθηκαν για ολόκληρη την ήπειρο της Αφρικής χρησιμοποιώντας ένα συνδυασμό δεδομένων Sentinel 10 ημερών και δεδομένων 16 ημερών Landsat TM. Τα σύνθετα υλικά ανάλυσης 30 m δημιουργήθηκαν με τη χρήση δορυφορικών δεδομένων, μαζί με δεδομένα ανύψωσης που παράγουν ένα επίπεδο κλίσης 30 μέτρων που προέρχεται από την τοπογραφική αποστολή shuttle radar (SRTM) . Στη συνέχεια, τα δεδομένα υποβλήθηκαν σε ταξινομήσεις που βασίζονται σε εικονοστοιχεία (Random Forest) και αντικείμενο (Αναδρομική Ιεραρχική Τμηματοποίηση), με αποτελέσματα συγκρίσιμα με τις εκθέσεις του FAO.

Διαχείριση Καταστροφών και Επιστήμες της Γης

Ένα υδροηλεκτρικό μοντέλο snowcloud, που εφαρμόζεται σε διαφορετικά περιβάλλοντα στη Χιλή, την Ισπανία και τις ΗΠΑ αναπτύχθηκε χρησιμοποιώντας το MOD10A1 . Το μοντέλο που βασίζεται στο cloud προβλέπει μηνιαίες ροές ρευμάτων σε περιοχές χιονιού και χαρτογραφημένους χώρους χιονοκάλυψης. Όσον αφορά τις καταστροφές, ανέπτυξε ένα σύστημα πρόληψης και αντιμετώπισης πλημμυρών χρησιμοποιώντας την πλατφόρμα GEE που βασίζεται στο cloud. Το σύστημα ενσωματώνει μια ολόκληρη σειρά συνόλων δεδομένων από τηλεπισκόπηση και βοηθητικές πηγές σε κάθε στάδιο των πλημμυρικών συμβάντων (πριν, κατά τη διάρκεια και μετά), συμπεριλαμβανομένων των Formosat-2, ραντάρ συνθετικού διαφράγματος και γραφογραφικών δεδομένων GIS, και δοκιμάστηκε με επιτυχία για τη διαχείριση του Typhoon Soudelor τον Αύγουστο του 2015. Η πλατφόρμα GEE χρησιμοποιήθηκε επίσης για την αξιολόγηση της εμφάνισης ξηρασίας χρησιμοποιώντας την υγρασία του εδάφους ως δείκτη σε παγκόσμια κλίμακα . Το cloud διευκόλυνε την ενσωμάτωση των παγκόσμιων συνόλων δεδομένων υγρασίας του εδάφους και των διαδικτυακών εργαλείων επεξεργασίας για την πρόβλεψη της διάρκειας της ξηρασίας καθώς και της έντασης και το μοντέλο δοκιμάστηκε με επιτυχία στην Αιθιοπία και τη Νότια Αφρική.

Άλλες εφαρμογές σε αυτό το ζήτημα περιλαμβάνουν τη συγκάλυψη του νέφους χρησιμοποιώντας πολυχρονικές προσεγγίσεις , την παρακολούθηση επιφανειακών ιζήματος και τη χαρτογράφηση της περιοχής εξόρυξης με τη χρήση δεδομένων .

Συμπέρασμα

Συνοπτικά, αυτό το ζήτημα έχει αποδείξει τη δύναμη της πλατφόρμας GEE στο χειρισμό τεράστιων συνόλων δεδομένων σε διάφορες κλίμακες και την οικοδόμηση αυτοματοποιημένων προγραμμάτων που μπορούν να χρησιμοποιηθούν σε επιχειρησιακό επίπεδο. Αυτό είναι ένα μεγάλο βήμα για την επίλυση των περιβαλλοντικών προβλημάτων που επηρεάζουν τη γη και είναι κρίσιμο για την επίτευξη των αναπτυξιακών στόχων. Οι εφαρμογές που παρουσιάζονται είναι ευρείες, μεταξύ άλλων, από τη μεταλλεία, τη γεωργία, τις οικοσυστημικές υπηρεσίες και την παρακολούθηση της ξηρασίας. Η καθημερινή, μηνιαία, εποχιακή και μακροπρόθεσμη παρακολούθηση των φαινομένων σε υψηλή χωρική ανάλυση καλύπτοντας μεγάλες εκτάσεις είναι πλέον δυνατή με τη διαθεσιμότητα τέτοιων πλατφορμών που μπορούν να χειριστούν μαζικά δεδομένα.

Προσωπικά εργαλεία