Open AI——如何正确注册和使用Open AI进行GEE计算

Open AI 是很火的一个AI交互式服务，但苦于很多人不知道如何去注册使用，因为在中国大陆是无法使用正常的手机号进行注册的，因为官网会提示你当前区域不支持。值得注意的这里需要我们进行科学上网，中国的网址是无法进行登录的，直接显示不可用。

 

我们先选择打开open ai官网，然后进行邮箱验证，验证完了，就是手机验证，这时我们就需要进入下面的链接，进行虚拟号码官网的注册：

获取虚拟手机号码。短期手机号码。手机短信激活服务

注册成功后我们就可以收到一封邮件，然后点击激活既可以，最后返回到虚拟手机号码官网界面。

 

点开我的寻找支付宝充值，这里我们可以选择用信用卡支付，

 这里最好是买美国的虚拟卡，因为其它国家的会提示错误，例如下图：

我尝试去用印度尼西亚的电话来收取验证码，结果是不行的，所以又花了1块（美元）钱去买了，建议大家还是一次性充值60卢布就可以了，然后就直接买一个美国的服务，将下面马赛克的部分也就是给你的电话号码直接复制到open ai中即可，然后等待10秒，在下面这张图的界面上将会收到验证码，然后返回open ai进行输入即可。

 

 

最终注册成功后的open ai界面如下：我们可以尝试try it来进行体验AI的智能与便捷。https://chat.openai.com/chat

这是一个免费的研究预览。我们的目标是获得外部反馈，以改进我们的系统，使其更加安全。虽然我们有保障措施，但该系统可能偶尔会产生不正确或误导性的信息，并产生攻击性或有偏见的内容。它不打算提供建议。

如何收集数据？

他们的培训师可能会对对话进行审查，以改进我们的系统，另外，给出的提示是请不要在对话中分享任何敏感信息。 

尝试问一些问题？ 

 

 

 

 

 他目前可以实现的功能主要以下这些方面：构建一个应用程序文本，补全代码补全，编辑文本生成、编辑和解释代码；图像生成；测试版调谐生成和编辑图像，为你的用例训练一个模型嵌入式搜索、分类和比较文本

Build an application

Text completion

Generate and edit text

Code completion

Limited beta

Generate, edit, and explain code

Image generation

Beta

Generate and edit images

Fine-tuning

Train a model for your use case

Embeddings

Search, classify, and compare text

最终我们来尝试让他提供一个计算NDVI的代码

 

 再来尝试一个sentinel-2去云代码

 这是他给出的代码：

// Load a Sentinel-2 image and apply the CloudScore algorithm.
var image = ee.Image('COPERNICUS/S2/20170608T012702_20170608T012702_T33UUB')
  .clipToCollection(geometry)
  .normalizedDifference(['B8', 'B11'])
  .rename('NDVI');
var cloudScore = ee.Algorithms.Landsat.simpleCloudScore(image).select('cloud');

// Mask out cloudy pixels and display the resulting image.
var mask = cloudScore.lte(10);
var maskedImage = image.updateMask(mask);
Map.addLayer(maskedImage, {min: 0, max: 1, palette: ['green', 'yellow', 'red']}, 'Masked NDVI');

最后还会给你来一段解释：

This code first loads a Sentinel-2 image and clips it to a geometry that you specify. Then it calculates the Normalized Difference Vegetation Index (NDVI) and applies the CloudScore algorithm to the image. The algorithm produces a new image with a cloud band that indicates the likelihood of each pixel being cloudy. The code then masks out pixels with a high likelihood of being cloudy and displays the resulting cloud-free image on a map。

我翻一下的结果：

此代码首先加载 Sentinel-2 图像并将其裁剪到您指定的几何形状。然后计算归一化差异植被指数 (NDVI) 并将 CloudScore 算法应用于图像。该算法生成带有云带的新图像，指示每个像素为多云的可能性。然后代码屏蔽掉极有可能是多云的像素，并在地图上显示生成的无云图像

整体来说基本上是可以做到简单代码的分析和应用的，比较适合初学者自己尝试，并且搜索一些简单的gee代码来进行联系，另外，对于高级GEE学员，我认为也可以通过这个来让他写一些代码，减少自己的工作量。

但是大部分内容还是得自己写，对于一些常识性的问题，我们可以进行询问，但是比如说我们要用ai earth进行去云结果就无法进行了：