此星光明博客

GBIF生物多样性数据概述 GBIF（全球生物多样性信息机构）提供超过16亿条物种分布记录，整合了博物馆标本、公民科学观测等多种数据来源。数据以Parquet格式存储，遵循Darwin Core标准，包含分类学、地理坐标、时间等核心字段。用户可通过STAC API或Python工具包（如Dask）高效访问和分析数据，支持全球生物多样性研究和保护。数据开放共享，需遵守GBIF引用规范。 关键词：GBIF、生物多样性、物种分布、大数据分析、开放数据

HLS v2.0是NASA协调Landsat 8/9与ESA Sentinel-2卫星数据的全球观测系统，提供30米分辨率、每2-3天更新的地表反射率和大气亮度数据。该数据集采用云优化GeoTIFF格式，覆盖2020年至今，包含Sentinel-2A/B/C的MSI数据，由NASA团队处理并在LP DAAC发布。数据延迟仅1.7天，支持MGRS网格系统的时间序列分析。

HLS2.0版本整合了Landsat8/9和Sentinel-2卫星数据，提供30米分辨率、每2-3天更新的全球地表观测。该数据集包含地表反射率和大气顶层亮度数据，采用云优化GeoTIFF格式，由NASA IMPACT团队处理，延迟仅1.7天。数据分HLS-S30（Sentinel-2）和HLS-L30（Landsat）两个集合，均按MGRS网格系统分块。示例展示了如何通过Planetary Computer平台查询加州橙县低云覆盖率数据（≤10%），比较不同卫星数据集的NDVI（归一化植被指数）分析能力。

行星计算机枢纽是一个开发环境，它使我们的数据和应用程序接口能够通过熟悉的开源工具进行访问，并使用户能够利用 Azure 强大的计算能力轻松扩展其分析。GPU 28GB。

该软件提供了高质量的卫星图像和地形数据，用户可以使用该软件来查看地球上任何地方的详细地图信息，包括地形、道路、建筑物等。在接下来的30天里，你可以点击应用顶部的切换按钮，在新的和当前的应用之间进行切换。如果在你感兴趣的地区没有高分辨率图像，可以通过我们的SkySat卫星为你采购。如果你还没有与我们的50厘米图像合作，请在这里下载我们的高分辨率图像样本，或联系销售，在你的合同中增加任务访问。你可以在 "我的订单 "中订购你的数据以供下载。你也可以点击双方按钮，将图像的足迹锁定在地图上，以获得更好的。

表面工具在本教程中，您将学习如何在行星计算机数据之上访问和使用 Xarray-Spatial 中可用的不同表面工具。您将使用 Xarray-Spatial 的表面工具从 NASADEM 数字高程模型中量化和可视化大提顿国家公园的地形地貌数据。使用这些工具分析和可视化栅格高程表面数据可帮助您识别在原始表面数据中可能不太明显的特定模式。此示例中的函数将 Xarray DataArray 作为输入，并返回一个 Xarray DataArray，您可以使用 NumPy 或 pandas 等熟悉的工具进一步处理它。

可视化飓风佛罗伦萨此示例通过将来自 GOES 的图像拼接在一起，制作了佛罗伦萨飓风的真彩色动画。它从 pytroll-examples 构建了这个例子。您可以在此处查看该示例的输出。这是我们最终的动画效果：寻找风暴首先，我们需要找到风暴在地球上的哪个位置。 NCEI 国际气候管理最佳跟踪档案提供包含我们需要的所有信息的文件。 geometry 是一个 geopandas GeoArray，其中的点随着时间的推移跟踪风暴的位置。我们将把它们与时间戳相匹配，以绘制出风暴的轨迹。我们还将用红色覆盖

焦点统计在本教程中，我们计算焦点统计数据并确定 NDVI（归一化差异植被指数）在卫星图像时间序列上的热点和冷点。 NDVI 本身用于突出绿色植被。它的热点和冷点有助于确定植物的生长或损失。在本笔记本中，我们将了解如何：使用 pystac_client 按项目 ID 搜索卫星数据可视化真彩色图像计算 NDVI使用均值滤波器平滑图像为输入数据数组中的每个像素计算指定焦点邻域内值的焦点统计识别图像中的热点和冷点，以及与图像其余部分明显不同的邻域本笔记本的重点是根据每个像素的焦点邻域核来分析每个像素的

卫星图像数据源配准在本教程中，您将学习如何在 Planetary Computer 上使用 stackstac 将来自 Sentinel-2 Level 2A 和 Landsat Collection 2 Level-2 的两个空间重叠栅格图像配准（对齐）到一个数据集中。然后，您将计算所得数据集的归一化差异植被指数 (NDVI)，并将其与基于原始数据的 NDVI 进行比较。本教程包括以下步骤： 准备工作：创建本地Dask集群在本教程中，您将使用一个小型数据集。创建一个本地 Dask 集群来保存你的

本地工具在像元级别运行，其中一组输入栅格中具有相同位置的值用于计算输出栅格中像元的值。本地工具应用的一些示例是：随时间变化：您可以使用本地工具来识别土地使用或温度等值随时间变化的地方。随时间聚合：您可以使用本地工具随时间聚合值，例如计算每个单元格的平均降雨量或日照时间。随时间变化的阈值：您可以使用本地工具来识别值高于或低于指定阈值的位置，例如温度低于 0 °C 的位置。数据聚合：您可以使用本地工具来计算一个区域的成本面，汇总不同层中同一单元格的不同类型的成本。在本笔记本中，我们将演示如何使用 Num

该数据在全球范围内为90米，但在沿海地区最为相关。让我们通过定义一个边界框和剪切我们的xarray数据集来放大缅甸的一个易发洪水的地区。

您可以在上图中看到，大峡谷的不同海拔高度现在由有限数量的不同颜色标识。例如，深蓝色区域代表海拔700m左右的最低海拔，黄色区域代表海拔1700m左右的海拔，白色区域代表海拔2500m左右的最高海拔。此方法旨在根据在数据中形成“自然”组的集群将数据分配到类中。例如，分类用于将数据点分组到等值线图上不同颜色区域的类中。数据集，该数据集提供 1 角秒 (~30m) 水平分辨率的全球地形数据。参数允许您在计算分组时控制要采样的值的数量，并且对性能有很大影响。数据集的数据对大峡谷的地形海拔高度进行分类。

Leafmap 包括对使用 STAC 元数据可视化数据的强大支持。例如，您可以提供其可视化的集合、项目和资产的名称。是一个 Python 包，用于在 Jupyter 环境中以最少的编码进行交互式地图绘制和地理空间分析。动态呈现图像，这意味着您可以提供 TiTiler 表达式来动态呈现您想要的值。）来获取时空元数据，并使用Planteary Computer 的。）来获取要在地图上显示的实际图像。调用使用Planteary Computer 的。来查找 STAC 集合和项目 ID。使用叶子图进行交互式映射。.

(MoBI) 由栅格地图组成，该地图结合了美国本土 2,216 种濒危物种的栖息地信息，使用基于范围大小和保护程度的权重来确定对生物多样性保护具有高度重要性的区域。该项目包括的物种是截至 2018 年 9 月，全球保护状态为 G1（濒危）或 G2（濒危）或根据美国濒危物种法在全物种层面被列为受威胁或濒危的物种. 该项目包括的分类群包括脊椎动物（鸟类、哺乳动物、两栖动物、爬行动物、海龟、鳄鱼、淡水和溯河鱼类）、维管植物、选定的水生无脊椎动物（淡水贻贝和小龙虾）和选定的传粉媒介（大黄蜂、蝴蝶和船长） ）。

这些地图和数据集是通过结合来自星载卫星的多个遥感测量结果生成的，使用最先进的机器学习和统计方法进行处理，并使用来自多个国家的现场数据进行验证。该数据集提供了对地上储量和变化的直接估计，而不是基于土地利用或土地覆盖面积的变化，因此它们包括所有类型的木本植被（无论是自然植被还是人工林植被）中碳储量的收益和损失。其中一个代表了给定年份的地上木质生物量的估计值（吨），另一个代表了与前一年相比的变化（吨）。首先，我们将在每个空间维度上对整个数据集进行10倍的降样，并将节点数据值以上的任何数值删除。

正如npartitions所表明的，这个Parquet数据集是由许多单独的parquet文件组成的。(GBIF) 是一个由世界各国政府资助的国际网络和数据基础设施，提供记录物种发生的全球数据。重新处理数据的原因有多种，包括主干分类的更改，因此该日期不一定是发生记录最后更改的日期。GBIF 发生数据集结合了来自广泛来源的数据，包括来自自然历史博物馆的标本相关数据、来自公民科学网络的观察和自动环境调查。为了了解最常观察到的物种，我们将对数据集进行分组，并获得每个物种的计数。大多数字段名称对应于。

使用一个命名的聚合，我们可以计算出每个传感器的摘要，并将其绘制在地图上。我们可以通过选择每个传感器的第一个观测值，用地理坐标绘制每个传感器的位置。每个快照都包含从文件夹名称 YYYY-MM-DD 上的日期开始的 Parquet 格式的未来 7 天的传感器读数。Network 是一个低成本的城市空气质量传感网络，是微软研究院城市创新小组领导的一个研究项目。是一个低成本的城市空气质量传感网络，是微软研究院城市创新小组领导的一个研究项目。导出为 GeoParquet 格式的集合的 STAC 项目的快照。

这个是GitHub上的开源数据集：https://github.com/microsoft/GlobalMLBuildingFootprints介绍必应地图正在世界各地发布开放式建筑足迹。我们从 2014 年到 2021 年间的 Bing Maps 图像中检测到了 7.77 亿座建筑物，包括 Maxar 和 Airbus 的图像。数据可在 ODbL 下免费下载和使用。该数据集补充了我们的其他版本。包括的地区执照此数据由 Microsoft 根据Open Dat..

最近发现了一款非常好用的地图下载神器，只要在网页上进行即可，所使用的是微软的星星计划Planet中Basemaps Viewer，利用跟这个我们可以下载赤道附近热带区域的最新高分辨率地图大概分辨率在3.7m左右。底图查看器是用于查看和下载底图的在线工具。Planet 的底图由 Planet 的最佳每日图像组成，可提供无云的比较。功能概述 查找您的底图：查看您感兴趣的区域可用的底图。 比较底图：并排比较两个底图以识别变化。 检查贡献场景：确定哪些场景对底图四边形有贡献，.

订购研究区数据当您订购托管数据时，您可以直接在浏览器中分析星球的日常场景。该数据是全分辨率、全比特深度的，并且包括光谱带信息。这些附加数据使您能够使用像素增强和光谱可视化等工具（您不能在目录中的预览图像上使用这些工具）。订购托管数据以在 Explorer 中进行分析要订购场景进行分析，请根据您的需要搜索影像，然后单击订购场景。您将看到一个对话框，要求您在订购下载或订购浏览器中的分析之间进行选择。笔记如果您想订购您的图像以在 Explorer 中进行分析并在之后下载，您必须分别下两个订单

您可以通过测量、并排比较图像、增强像素、应用光谱可视化和创建延时摄影来分析浏览器中的图像。测量工具可以在地图上找到。所有其他分析工具都可以在右侧的工具栏中找到。进行测量您可以测量两点之间的距离、多边形内的区域或绘制线的方位角。测量工具位于地图的右下角，在绘制 AOI 按钮下方。如果您漂浮在此图标上，您将看到以下可用工具：请注意，当单击这些工具以使用它们时，您正在使用的活动工具会变成蓝绿色。这将根据您当时使用的活动工具而改变。左起第一个图标（罗盘图标）是测量方位角工具，它允许您测量地图上

如何搜索图像本节介绍如何通过在搜索栏中键入内容、在地图上创建感兴趣区域 (AOI) 或使用屏幕底部的时间线来搜索图像。请注意：您必须绘制感兴趣区域 (AOI) 才能搜索每日图像。您可以使用时间线搜索底图。使用搜索栏您可以使用搜索框（类似于搜索引擎）搜索任何位置或特定兴趣区域 (AOI)。如果您使用搜索栏进行搜索，您会发现搜索栏位于屏幕的左上方。当您在搜索栏中输入您感兴趣的位置时，地图视图将缩放到该位置，并且地图视图上将出现一个感兴趣区域 (AOI) 边界框。绘制边界框后，搜索结果将显

planet explorer期间有新的产品发布，类似于Google earth的在线地图查询工具，planet explorer，这里的一个主要目的就是通过在线免费获取一个3.7m的高分辨率影像，不用写代码目前这个限定的区域全是靠近赤道区域附近，这个界面你可以实现关于研究区的矢量上传，距离测量和面积量测。这里面的使用的卫星是skysat卫星Take a high resolution imageIf high-resolution imagery isn't availab..

Planet PlatformPlanet Platform 是一个完全自动化的基于云的图像和分析平台，可以访问由 PlanetScope 和 SkySat 星座捕获的全面的每日数据集。Planet Platform每天下载、处理和管理15TB以上的数据。这个独特的卫星数据集生活在网上，通过基于网络的工具和用户友好的API和GUI使客户的访问和下载变得简单。最近收到了关于planet官方的邮件：主要内容是新的旗舰产品，有利于高质量影像的获取，虽然没能及时参会，但是会后还是看了视频。两种超高分辨率

方法四。用rasterio和rioxarray对内存中的DataArray进行重投影和重采样Rasterio和rioxarray都提供了光栅扭曲和重投影的工具。它们都使用了GDAL引擎。用rasterio的reproject()对内存中的数据进行重投影和重采样WGS 84投影（EPSG: 4326）通常用于许多大地测量应用，包括全球定位系统（GPS）。WGS 84将经线和平行线显示为等距的垂直和水平线。地图上的x和y坐标与地球位置之间的转换非常简单。这种投影在一般情况下非常受欢迎。然而，这种方法所固

方法3：用stackstac.reproject_array对一个内存数组进行重投影和重采样stackstac.reproject_array将在内部使用scipy.interpolate.interpn对一个xarray.DatArray进行重投影和剪辑。要指定重采样方法，将可选的插值参数设置为两种可用的插值方法之一：线性或最近的（默认）。这个例子使用空间斜面投影（EPSG: 29873）。这种投影是明确为卫星图像创建的，旨在沿卫星的轨道路径不产生失真。对于重采样，本例使用线性插值，目标分辨率为（1

方法2：使用WarpedVRT在用rasterio和rioxarray加载时进行重投影和重采样我们选择的STAC项目有各种资产，每个波段都有，它们与Azure Blob Storage中的COG相连接。本例将对这些波段进行重新投影和采样，从EPSG:32613的源CRS到ESRI:54030的罗宾逊CRS。罗宾逊投影旨在一次性显示整个地球，既不是等面积的，也不是保形的。使用rasterio的WarpedVRT类，你只需要提供地理数据的URL作为输入参数。你不需要事先下载任何GeoTIFF文件。重采样的

如何将云优化GeoTIFFs（COG）重新投影到不同的坐标参考系（CRS）？重投数据通常还包括将光栅数据重新采样到不同的分辨率，这需要将多个像素值组合到一起（当下采样--或重新采样到较低的分辨率/较大的单元尺寸时）或从现有的像素中插值新的像素（当上采样--或重新采样到较高的分辨率/较小的单元尺寸时）。你还将学习如何使用不同的重采样算法来调整光栅的像素大小。本教程涵盖了几种再现的方法。选择哪种方法主要取决于两个因素。当你加载数据时，你是否已经知道你的目标是什么CRS你是否有用于你所处理的数据的S

主要内容就是我邮件收到来自他们的信息，具体内容已经翻译成中文了。Hello Researchers,新年快乐! 谈到Planet的科学社区，我们今年有很多令人兴奋的事情。我们也很想看看你们都想出了什么新的研究应用。你可以在我们的2020-2021年科学应用手册中回顾去年的一些大型研究出版物。这个月，我们将举办一个关于我们新的PSScene资产和如何访问我们的8波段SuperDove数据的培训课程。你将能够通过我们任何一个有PlanetScope访问权的科学项目访问这些数据集，包括教育与研究（E

行星计算机使用STAC对我们托管的数据集进行编目。我们提供了一个STAC API端点，可用于按空间和时间搜索我们的数据集。本快速入门将向您展示如何使用我们的 STAC API 和开源库搜索数据。首先，您需要安装pystac-client库。您可以通过 pip 安装它：> pip install pystac-client首先，我们将使用 pystac-client 打开我们的 STAC API：from pystac_client import Clientca.

本教程根据卫星图像的时间序列构建无云影像图。我们将看到以下内容： 查找地球上特定点的时间序列图像 将这些图像堆叠成一个数组 通过取中值计算无云马赛克 可视化结果 此示例使用Sentinel-2 Level-2A数据。这里使用的技术同样适用于其他遥感数据集。先看以下数据介绍：我们可以通过在线的影像查看sentinel数据的云量状态：Planetary Computer在前哨2方案提供以10m-60M分辨率和大约5天，重访时间十三谱带全球图像。该数据集.

得益于前段时间去微软亚洲总部去参观，这里还有感谢以下CSDN，我正好和那里的工作人员交流开通了这个我之前申请一致没有通过的账户，现在终于可以开始了。相较于GEE目前微软云平台没有在线支持JavaScript的界面，而是通过在线PYTHON和R语言以及Qgis等环境自动给你配置环境，然后直接跳转到你的工作页面。点击左侧sign in 就可以登录你的账号，因为我这里默认的Microsoft账号就是我现在用的邮箱所以我就直接通过了。Hub 提供多种环境来自定义您的计算环境。这决定了服务器的...

简介：本次的网址如下：Planetary Computer对于行星云计算，我之前写过关于微软的云计算的文章具体链接：微软行星云计算Planetary Computer——行星计算机数据资源管理器介绍！和GEE有啥不同？_此星光明的博客-CSDN博客数据集：这里的数据集主要包括：生物多样性代码：import pystacimport planetary_computerimport rioxarrayitem_url = "https://plane...

为了实现一个可持续的未来，我们需要包容性和革命性的解决方案来应对世界上最紧迫的保护挑战。网页APP链接：Marxan on Azure | Marxan为保护的未来实现空间规划的民主化Marxan，一个世界领先的保护规划工具，可以帮助从根本上改变决策者如何使用技术进行保护。我们的目标是确保任何人在任何地方都可以访问数据，进行合作，并实施可操作的空间规划，以支持生物多样性保护、经济增长和气候适应，并在未来十年的保护规划中减轻影响。Marxan是一个决策支持工具，帮助构建、设计和评估土地、

这个系统所针对的研究区域因为在地球之肺的巴西，所以就仅仅局限于巴西的亚马逊热带雨林地区。因此可以研究的区域也就是亚马逊地区所在的州。当然这个只针对巴西地区的森林损毁监测提供了两种语言，英语和葡萄牙语。简介让可持续的未来成为我们唯一的预测：这是PrevisIA的目的，这是一个创新的平台，使用人工智能来显示巴西亚马逊地区有被砍伐的风险的地区。PrevisIA的开发源于改变关于森林的叙述方向的愿望，停止只看被砍伐的地区，并使用技术来预测即将发生的破坏，因此，提供数据来避免它。PrevisIA是与亚马逊人

上一篇文章我们介绍了微软云计算应用中的PEARL和其他主要的应用，今天具体看一下这个最智能的自动土地分类交互界面如何！首先，你可以选择使用Google或者微软账户登录，登陆后的界面显示，直接创建新的一个项目：上来第一步界面会有提示：1.选择感兴趣的区域：选择一个感兴趣的区域来运行该模型。点击铅笔图标开始在地图上绘图，然后点击✔确认。重新训练模型的区域必须在100平方公里以下，而运行推理的区域总面积必须在200平方公里以下。兴趣点是可以上传的：蓝色表示安全可接受...

Planetary Computer Land Cover Mapping 平台使用最先进的 ML 和 AI 技术来大幅减少生成准确的土地覆盖图所需的时间。科学家和制图人员可以访问经过预训练的高性能入门模型，以及托管在 Microsoft Azure 上的 NAIP 等高分辨率图像。介绍PEARL 是 Microsoft 行星计算机土地覆盖制图平台。它结合了最先进的机器学习技术、开放数据集和来自 Microsoft Azure 的可扩展计算，以改进 LULC 映射工作流。PEARL 适用于从事复杂工

应用行星计算机将全球范围的环境监测能力交到科学家、开发人员和政策制定者的手中，从而实现数据驱动的决策。了解我们的合作伙伴作为行星计算机的一部分正在构建的一些应用程序。全球土地利用和土地覆盖分类Impact Observatory 通过将机器学习工具应用于卫星图像，使用行星计算机构建了分辨率为 10 米的全球土地利用和土地覆盖图。由此产生的地图——现已在行星计算机上公开提供——将支持生态系统监测和土地利用规划。探索土地分类了解影响天文台毁林风险分析...

在行星计算机上计算行星计算机的核心组件是数据集和用于查询它们的 API。本文档概述了您可以对由行星计算机托管的数据进行计算的各种方法。无论您如何对数据进行计算，为确保最高效率，您都应将计算位置尽可能靠近数据。行星计算机数据目录托管在 Azure 的西欧区域，因此您的计算也应该在那里。使用我们的 JupyterHub该行星计算机中心是JupyterHub在西欧地区Azure的部署。这是在行星计算机上开始计算的最简单方法。笔记您需要申请访问权限才能使用行星计算机中心。一旦获得批

GitHub Codespaces是一个托管在云中的开发环境。git hub的界面上手最简单的方法是将叉的行星计算机实例库，并创建一个新的码域（我们建议设置一个默认区第一）。这将在您的 GitHub 帐户下创建一个代码空间，该代码空间配置为可以很好地处理我们的数据。当您启动笔记本时，系统会提示您选择内核。选择内核。'notebook':conda设置默认区域我们建议您在西欧创建代码空间。您可以按代码空间执行此操作，或设置默认区域。这可确保您的计算节点与数据位..