GEE遥感云大数据林业应用典型案例实践及GPT模型应用

近年来遥感技术得到了突飞猛进的发展，航天、航空、临近空间等多遥感平台不断增加，数据的空间、时间、光谱分辨率不断提高，数据量猛增，遥感数据已经越来越具有大数据特征。遥感大数据的出现为相关研究提供了前所未有的机遇，同时如何处理好这些数据也提出了巨大的挑战。传统的工作站和服务器已经无法胜任大区域、多尺度海量遥感数据处理的需要。

以Earth Engine（GEE）为代表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应用越来越广泛。该平台存储和同步遥感领域目前常用的MODIS、Landsat和Sentinel等卫星影像、气候与天气、地球物理等方面的数据集超过60PB，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。相比于ENVI等传统的遥感影像处理工具，GEE在处理海量遥感数据方面具有不可比拟的优势，一方面提供了丰富的计算资源，另一方面其巨大的云存储节省了科研人员大量的数据下载和预处理的时间，是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。

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学习，得到了来自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，将聚焦目前遥感应用最热门领域之一的林业，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。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。综合案例部分，部分内容会结合Python版本的GEE进行讲解，建议参会学员提前搭建好软硬件平台。

查看原文

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、帐号申请及林业遥感应用
• 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、文心一言等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。

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
8. 某区域年度森林损失统计分析（基于Hansen森林产品）

典型案例综合演练

案例一：联合多源遥感数据的森林识别

详细介绍联合Landsat时间序列光学影像和PALSAR-2雷达数据，以及决策树算法实现森林等典型地类遥感分类的完整流程。专题涉及影像数据时空过滤、光学影像批量云掩膜与植被指数计算；分层随机抽样及样本导出、本地端质量控制与云端上传、样本随机切分、可分离性分析、分类算法构建及应用、分类后处理和精度评估，专题图绘制等。

案例二：长时间尺度的森林状态监测

利用长时间序列的MODIS或Landsat影像数据，对森林状态进行长期监测，分析森林植被绿化或褐变情况。专题涉及时间序列影像预处理、影像集连接、影像合成、变化趋势非参数检测、显著性检验和变化趋势量化与分级、空间统计和结果可视化和专题图绘制等。

案例三：森林砍伐与退化监测

联合Landsat系列影像，光谱分离模型和NDFI归一化差值分数指数实现森林的砍伐和退化监测。专题涉及影像预处理、混合像元分解、NDFI指数计算、函数封装、变化检测和强度分级，结果可视化、专题图绘制等。

案例四：森林火灾监测

详细介绍利用Landsat和Sentinel-2时间序列光学遥感影像，监测森林火灾损失情况，实现火灾强度分级。专题涉及影像过滤、Landsat和Sentinel-2光学影像除云等预处理、植被指数计算、影像合成、火灾区域识别和灾害强度分级，结果统计分析与可视化等。

案例五：长时间尺度的森林扰动监测

联合30年的Landsat等光学影像和经典LandTrendr算法实现森林扰动的监测。专题涉及长时间序列遥感影像预处理、植被指数批量计算、年度影像合成、数组影像概念和使用方法、LandTrendr算法原理及参数设置、森林扰动结果解译与空间统计分析、可视化及专题图绘制等。

案例六：森林关键生理参数（树高、生物量/碳储量）反演

联合GEDI激光雷达、Landsat/Sentinel-2多光谱光学影像、Sentinel-1 /PALSAR-2雷达影像等和机器学习算法反演森林的关键物理参数，如树高、生物量/碳储量。专题涉及GEDI激光雷达数据介绍、常见光学和雷达数据处理、机器学习算法应用、反演精度评估和变量重要性分析、结果可视化等内容。

 

 

 

 

推荐：

长时间序列遥感数据处理及在全球变化、物候提取、植被变绿与固碳分析、生物量估算与趋势分析


 基于PyTorch深度学习无人机遥感影像目标检测、地物分类及语义分割技术应用

 高光谱遥感数值建模技术及在植被、水体、土壤信息提取领域应用

陆面生态水文模拟与多源遥感数据同化的实践技术应用 

 无人机遥感在农林信息提取中的实现方法与GIS融合应用

本近地面无人机植被定量遥感与生理参数反演实践技术应用 

GEE-Python遥感大数据分析、管理与可视化实践技术应用 

点击查看原文