遥感大数据处理基础与AI大模型交互

公众号，【科研的力量】

随着航空、航天、近地空间等多个遥感平台的不断发展，近年来遥感技术突飞猛进。由此，遥感数据的空间、时间、光谱分辨率不断提高，数据量也大幅增长，使其越来越具有大数据特征。对于相关研究而言，遥感大数据的出现为其提供了前所未有的机遇，但同时也提出了巨大的挑战。传统的工作站和服务器已经无法满足大区域、多尺度海量遥感数据处理的需要。

为解决这一问题，国内外涌现了许多全球尺度地球科学数据（尤其是卫星遥感数据）在线可视化计算和分析云平台如谷歌Earth Engine（GEE）、航天宏图的PIE Engine和阿里的AI Earth等。其中，Earth Engine最为强大，能够存取和同步遥感领域目前常用的MODIS、Landsat和Sentinel等卫星图像和NCEP等气象再分析数据集，同时依托全球上百万台超级服务器，提供足够的运算能力对这些数据进行处理。目前，Earth Engine上包含超过900个公共数据集，每月新增约2 PB数据，总容量超过80PB。与传统的处理影像工具（例如ENVI）相比，Earth Engine在处理海量遥感数据方面具有不可比拟的优势。一方面，它提供了丰富的计算资源；另一方面，其巨大的云存储能力节省了科研人员大量的数据下载和预处理时间。可以说，Earth Engine在遥感数据的计算和分析可视化方面代表世界该领域最前沿水平，是遥感领域的一次革命。

第一章、理论基础

1、Earth Engine平台及应用、主要数据资源介绍

2、Earth Engine遥感云重要概念、数据类型与对象等

3、JavaScript与Python遥感云编程比较与选择

4、Python基础（语法、数据类型与程序控制结构、函数及类与对象等）

5、常用Python软件包（（pandas、numpy、os等）介绍及基本功能演示（Excel/csv数据文件读取与数据处理、目录操作等）

6、JavaScript和Python遥感云API差异，学习方法及资源推荐

7、ChatGPT、文心一言等AI自然语言模型介绍及其遥感领域中的应用

第二章、开发环境搭建

1、本地端与云端Python遥感云开发环境介绍

2、本地端开发环境搭建

1）Anaconda安装，pip/conda软件包安装方法和虚拟环境创建等；

2）earthengine-api、geemap等必备软件包安装；

3）遥感云本地端授权管理；

4）Jupyter Notebook/Visual Studio Code安装及运行调试。

3、云端Colab开发环境搭建

4、geemap介绍及常用功能演示。

ChatGPT 4、Claude Op