华体会体育官网

华体会首页

公司产品

|

发布时间:2022-07-01 18:02:55 来源:华体会体育官网 作者:华体会体育官网app

[展开全文]

  近几年,国内外涌现出多个遥感大数据云计算平台,如美国的Google Earth Engine和我国的PIE-Engine等。遥感云计算平台提供的存储与计算资源,为海量遥感大数据的快速处理带来了前所未有的发展机遇,同时也促进更大时空尺度的遥感数据向知识转化,催生出地球系统科学研究的新发现。

  首都师范大学联合美国纽约州立大学布法罗分校、美国亚利桑那州立大学和中国农业科学院作物科学研究所,在《遥感学报》期刊上共同组织策划“遥感大数据云计算”专栏,重点介绍与遥感云计算平台方法或应用相关的最新研究,主要包括:遥感云计算平台与传统遥感平台的对比,遥感云计算文献计量可视化,国产遥感云计算平台的设计与实践,湿地遥感方法与应用等。

  传统桌面端遥感处理平台(例如ERDAS和ENVI等)无法满足当前遥感大数据的应用需求。作为领先的遥感云计算平台,GEE(Google Earth Engine)的出现改变了传统遥感数据处理和分析模式,为海量数据快速处理与信息挖掘带来了新的契机。本文旨在探讨GEE云平台相比于传统桌面端遥感处理平台分别在资源、方法和应用3个方面的创新性变革:

  (1) 在资源方面,GEE以其集大数据/云计算为一体的特点,打破了传统数据、模型算法、算力分离的局面,实现上述3者的云端部署,在大规模数据快速处理与分析方面展现出巨大潜力。用户仅需要通过简单的Java或Python编程向GEE云端发送指令,即可快速调用海量免费数据资源,完成实时计算并且返回处理结果;

  (2) 在方法方面,GEE提供的遥感分析新方法,突破了传统遥感技术瓶颈,实现了与大数据驱动的深度学习等人工智能模型耦合,极大提高了海量数据处理与信息挖掘效率。然而,GEE的像元级分析方法仍然有待深入挖掘,未来有望深入探究 GEE面向不同遥感应用的像元级重组方法,为挖掘更多新的地球知识与变化规律提供技术支撑;

  (3) 在应用方面,GEE不仅为全球尺度的长时间序列快速分析带来发展机遇,而且致力于打造良好的开发生态,推动了数据、算法和产品的快速共享,官方丰富的开发文档、用户友好的代码编辑器以及活跃的开发社区等,都为推动GEE发展注入了强劲的活力,进一步迎来了开放共享的遥感时代。

  引用格式:王小娜,田金炎,李小娟,王乐,宫辉力,陈蓓蓓,李向彩,郭婧涵.2022.Google Earth Engine云平台对遥感发展的改变.遥感学报,26(2):299-309

  1.中国地质大学(北京);2.中国科学院地理科学与资源研究所;3.美国斯坦福卡内基研究所;4.中国科学院大学;5.航天宏图信息技术股份有限公司;6.美国田纳西大学

  基于Web of Science(WoS)和中国知网CNKI(China National Knowledge Infrastructure)的文献数据,检索了2011-01—2021-04与遥感云计算平台相关的文献,借助文献计量方法对检索到的数据进行了发文量分析、合作分析、关键词共现分析以及文献共被引分析。结果表明:

  (1) 国内外基于遥感云计算平台的应用研究均呈上升趋势,中国和美国是利用遥感云计算平台进行研究最活跃的国家,中国科学院是最活跃的机构;

  (2) 相关学科交叉较为广泛,涉及遥感、环境科学与生态学、计算机科学、电子电力工程等领域,其中遥感学科是利用遥感云计算平台研究最多的领域,环境科学与生态学以及计算机科学与其他学科领域联系较密切;

  (4) 大范围的土地覆被制图、土地利用、植被变化、气候变化是遥感云平台的应用热点领域,而环境健康评估和人类活动对环境的影响研究也将成为遥感云平台未来的重要应用领域。

  引用格式:闫凯,陈慧敏,付东杰,曾也鲁,董金玮,李世卫,吴秋生,李翰良,杜姝渊.2022.遥感云计算平台相关文献计量可视化分析.遥感学报,26(2):310-323

  本文基于只需对变化信息进行定向监测和更新即可实现对地表实时监测这一前提出发,提出了一套卫星遥感和互联网结合的地球实时变化监测在线) 平台通过以用户感兴趣区域的自动变化检测技术为核心,汇聚用户对地表变化信息的需求,形成更高清的卫星拍摄条件,按轨道预测模型优先向最邻近拍摄点的卫星数据服务商快速推送卫星拍摄指令,实现定点定向数据更新,以保证用户随时可以查看感兴趣区域的地表最新影像。

  (2) 核心思想主要是基于互联网在线抓取技术、云平台的自动变化检测技术与卫星在轨处理实时感知技术来分析、挖掘、提取地理实体变化情报,通过实时推送卫星拍摄指令来实现基于变化信息的定向、定点地理实体数据的采集和更新,保持对感兴趣区域的实时监测服务。

  随着遥感大数据时代的到来,为快速处理和分析海量遥感数据,国内外涌现了众多遥感云计算平台,使得全球尺度、长时间序列遥感数据的快速分析和应用成为可能。

  (1) 本文分析国内外遥感云计算平台现状的基础上,针对大数据时代国内缺少功能完备的遥感云计算平台,且国外遥感云计算平台对国产卫星数据支持不足等问题,基于容器云技术,构建了包含国产卫星数据且集数据、算力和技术于一体的时空遥感云计算平台PIE(Pixel Information Expert)-Engine Studio,实现了脚本驱动的遥感数据的按需获取以及海量数据的快速处理。

  (3) 结果表明,由于计算资源的限制,本平台的计算和导出时间均比GEE稍长,但计算结果的空间分布一致,其中近68%的值均分布在(0.48,0.77),且二者差值的95.33%集中在(-0.13,0.13),结果较为可信。

  先前的潮间带湿地分类研究依赖于训练样本、人工设定阈值或后处理等,本研究基于GEE(Google Earth Engine)平台开发一种自动、快速、高精度的潮间带湿地分类方法。

  (1) 该方法首先构建高质量密集时序Sentinel-2影像堆栈;然后,分析不同潮间带湿地的遥感特征,基于最大光谱指数合成算法(MSIC)和大津算法(Otsu)建立多层自动决策树分类模型。

  (2) 应用该方法对2020年福建漳江口红树林自然保护区的潮间带湿地进行分类,得到的总体精度为96.5%,Kappa系数为0.95。漳江口红树林保护区内潮间带湿地包括红树林、互花米草和滩涂3种类型,面积分别为82.46 hm2、218.26 hm2和496.84 hm2。

  (3) 本研究的方法能够实现潮间带湿地的自动、快速、高精度分类,对潮间带和其他内陆湿地的精准分类研究具有重要的借鉴价值。

  程丽娜,钟才荣,李晓燕,贾明明,王宗明,毛德华.2022.Sentinel-2密集时间序列数据和Google Earth Engine的潮间带湿地快速自动分类.遥感学报,26(2):348-35706

  传统水体提取算法大多基于某一时期单景遥感影像,无法表现出水体随着时间和空间高度可变的特性,虽然国内外已出现部分时序水体数据产品,但其空间分辨率及水体边界的精度仍无法满足一些研究和应用的需要。

  本文以地表环境复杂的长江流域为研究区,基于GEE(Google Earth Engine)云平台,使用Sentinel-2 MSI年内长时序影像集结合像元的“时间特征”,提出一种在大尺度环境下更具普适性、可操作性且效果更好的高精度水体提取算法,即基于时序影像数据结合多指数和“时间特征”并融合DEM的算法。

  该算法选择自动提取水体指数(AWEI)、改进型归一化差值水体指数(MNDWI)、归一化植被指数(NDVI)和增强型植被指数(EVI)进行多指数逻辑组合来提取水体;同时利用NIR波段反射率值和SRTM数字高程模型生成的坡度数据集来辅助抑制高反射率噪声和阴影噪声。

  实验结果表明:本研究算法在提取不同时空位置和不同环境下的水体具有一定的普适意义,可有效避免水体与其他地物混合造成的“同物异谱”和“同谱异物”现象,同时对复杂背景噪声有着良好的抑制作用,具有较高的准确度和精度。

  刘宇晨,高永年.2022.Sentinel时序影像的长江流域地表水体提取.遥感学报,26(2):358-37207

  由于受到多云多雨天气和潮汐动态淹没的影响,单时相遥感数据难以获取完整的潮间带湿地信息。因此,本研究开发了一种基于时序遥感指数的潮间带湿地分类算法:

  (1) 以福建省亚热带海岸带为例,基于Google Earth Engine(GEE)云平台,利用2017年—2019年Landsat 8时序影像数据,提取潮间带光滩、高潮滩植被和低潮滩植被3种典型湿地类型,分类结果总体精度97.47%,Kappa系数0.96。

  (2) 该算法有效降低了亚热带海岸带地区多云多雨天气和潮汐动态过程对光学遥感技术应用的影响。结果显示福建省潮间带湿地主要分布在河口与海湾处,且自北向南呈下降趋势,高潮滩植被集中分布在南部泉州湾、九龙江口、漳江口,闽北分布较少。将本研究结果与国内外同类数据集进行比较,显示出一定的优势。

  (3) 该方法为大尺度潮间带湿地的高精度智能分类提供了可能,为海岸带资源的可持续管理利用及区域的高质量发展提供数据基础。

  智超,吴文挺,苏华.2022.潮汐和植被物候影响下的潮间带湿地遥感提取.遥感学报,26(2):373-38508

  本文基于Google Earth Engine(GEE)云平台,使用Sentinel-1合成孔径雷达(SAR)数据、Sentinel-2光学数据以及地形数据,探讨了红边、雷达以及地形特征对大范围区域沼泽湿地提取的重要性,验证了利用JM距离寻找沼泽湿地提取最优特征组合的可行性,结合随机森林算法对2018年黑龙江流域沼泽湿地进行提取。研究表明:

  (1) Sentinel-2红边波段和Sentinel-1雷达波段以及地形数据有利于沼泽湿地信息提取,相比植被指数和水体指数沼泽的制图精度分别提高了7.56%,5.04%,4.48%;

  (2) 利用JM距离得到的分离度表明,红边特征其他光学特征地形特征雷达特征。进行特征优选后沼泽湿地的制图和用户精度分别提高了1.45%和3.02%,最终结合随机森林算法的总体精度为91.54%,沼泽的提取精度为88.55%。

  (3) 利用GEE云平台和多源遥感数据以及机器学习算法,能够准确、快速、高效地提取大尺度范围沼泽湿地信息,具有较大的应用潜力。



上一篇:移动云又有大动作云桌面数字化太给力!
下一篇:什么叫大数据与云计算有何关系