前期我们分别以Javascript和Python为编程语言,成功举办了数期关于GEE遥感大数据分析处理的基础培训课程,得到了来多个行业的学员的广泛参与和支持。应广大科研工作者的要求,本次课程将聚焦目前遥感应用最热门领域之一的灾害、水体及湿地领域,重点结合典型应用案例综合展示GEE云平台的使用技巧和强大功能,提升参会人员解决实际问题的能力。本课程将以JavaScript版本GEE为主进行讲解,先介绍GEE基本知识,再结合微型案例对关键知识进行串讲,最后结合林业应用典型案例进行综合讲解。为了提高教学质量,本课程将结合最先进的ChatGPT、文心一言等AI自然语言模型辅助教学,协助学员解答疑惑、提供针对性建议和指导,不仅让学员更深入地掌握课程内容,还为今后自助学习提供高效的个性化的学习体验。
课程大纲图例展示 |
|
模块 | 课程安排 | 学习内容 |
第一 部分 · 基础 实践 | 一 平台及基础 开发平台 | · GEE平台及典型应用案例介绍; · GEE开发环境及常用数据资源介绍; · ChatGPT、文心一言等GPT模型介绍 · JavaScript基础简介; · GEE遥感云重要概念与典型数据分析流程; · GEE基本对象介绍、矢量和栅格对象可视化、属性查看,API查询、基本调试等平台上手。 |
二 GEE基础知 识与ChatGPT等AI模型交互
| · 影像基本运算与操作:数学运算、关系/条件/布尔运算、形态滤波、纹理特征提取;影像掩码、裁剪和镶嵌等; · 要素基本运算与操作:几何缓冲区,交、并、差运算等; · 集合对象操作:循环迭代(map/iterate)、合并Merge、联合(Join); · 数据整合Reduce:包括影像与影像集整合,影像合成、影像区域统计与域统计,分组整合与区邻域统计,影像集线性回归分析等; · 机器学习算法:包括监督(随机森林、CART、SVM、决策树等)与非监督(wekaKMeans、wekaLVQ等)分类算法,分类精度评估等; · 数据资产管理:包括本地端矢量和栅格数据上传、云端矢量和栅格数据下载、统计结果数据导出等; · 绘图可视化:包括条形图、直方图、散点图、时间序列等图形绘制。 · GPT模型交互:结合上述基本知识点和ChatGPT等AI工具进行交互演示,包括辅助答疑、代码生成与修正等技巧。 | |
第二 部分 · 进阶 小试 | 重要知识点微型案例串讲与GPT模型交互演示 | 1) Landsat、Sentinel-2影像批量自动去云和阴影 2) 联合Landsat和Sentinel-2批量计算植被指数和年度合成 3) 研究区可用影像数量和无云观测数量统计分析 4) 中国区域年度NDVI植被数合成及年度最绿DOY时间查找 5) 时间序列光学影像数据的移动窗口平滑 6) 分层随机抽样及样本导出、样本本地评估与数据上传云端 7) 中国近40年降雨量变化趋势分析 |
第三部分 · 典型案例综合演练 |
案例一:洪涝灾害监测 | 基于Sentinel-1 雷达等影像,以典型洪涝灾害为例监测受灾区域。案例内容包括多源影像数据处理和不同水体识别算法构建,如OSTU全局自动分割与局部自适应阈值法,以及采用不同方式确定受灾区域,受灾面积统计与可视化输出等。 |
案例二:洪水敏感性和风险模拟 | 结合ESA10m分辨率土地覆盖产品、地形(海拔与坡度)、MERIT全球水文数据、JRC地表水数据产品等空间数据集,借助云平台计算不同地类与开阔水域的距离,最近排水系统上方的高度 (HAND) 和降雨频率(降雨强度和持续时间的代表)作为模拟洪灾敏感性的输入参数,再应用加权线性组合WLC方法绘制洪灾敏感性分布图。内容涉及不同数据产品再分类分级、欧几里得距离计算、影像集map循环和分析建模等。 | |
案例三:水体质量监测 | 联合近十年的Landsat 8/9、JRC地表水产品,使用如NDSSI归一化差异悬浮泥沙指数、NDTI归一化差分浊度指数等来监测水集水区水质变化情况,统计集水区域逐月水质变化情况。内容涉及时间序列影像预处理、植被指数计算、逐月逐年影像合成、影像集Reducer操作、空值过滤与作图等。 | |
案例四:河道轮廓监测 | 展示Earth Engine在河流水文学和地貌学中的应用。具体演示如何使用云平台区分河流和其它水体,进行基本的形态分析,提取河流的中心线和宽度,检测河流形态随时间的变化。内容涉及开源程序包调用、RivWidthCloud关键代码解读、时间序列影像处理、水体遥感识别和数据导出。 | |
案例五:地下水变化监测 | 详细介绍了利用GRACE重力卫星的观测数据来评估大型河流流域地下水储量的变化,包括应用遥感估计的总蓄水异常、陆地表面模型输出GLDAS和现场观测结果来解决地下水蓄不变化。内容涉及使用GRACE绘制总蓄水量变化、蓄水趋势和解决河流流域地下水储量的变化等,练习知识点包括影像集过滤、集合Join、map循环、趋势分析、可视化等。 | |
案例六:红树林遥感制图 | 联合Sentinel-1/2多源遥感影像和机器学习算法绘制红树林分布图。专题涉及光学和雷达数据处理、机器学习算法应用、反演精度评估、变量重要性分析、结果可视化、栅格与矢量转换等内容,将演示如何利用红树林的生境特征信息(如地形、与大海相连等)对分类结果进行精细处理,实现高精度分布图的绘制。 |