Εικονογράφηση συγγραφέας
Η ανάλυση γεωχωρικών δεδομένων είναι ένα πεδίο που απευθύνεται στην αντιμετώπιση, οπτικοποίηση και ανάλυση ενός ειδικού τύπου δεδομένων, που ονομάζονται γεωχωρικά δεδομένα. Σε σύγκριση με τα κανονικά δεδομένα, έχουμε δεδομένα πίνακα με μια πρόσθετη στήλη, τις πληροφορίες τοποθεσίας, όπως γεωγραφικό πλάτος και μήκος.
Υπάρχουν δύο κύριοι τύποι δεδομένων: διανυσματικά δεδομένα και δεδομένα ράστερ. Όταν ασχολείστε με διανυσματικά δεδομένα, εξακολουθείτε να έχετε ένα πίνακα δεδομένων, ενώ τα δεδομένα ράστερ μοιάζουν περισσότερο με εικόνες, όπως δορυφορικές εικόνες και αεροφωτογραφίες.
Σε αυτό το άρθρο, θα εστιάσω σε δεδομένα ράστερ που παρέχονται από το Google Earth Engine, μια πλατφόρμα υπολογιστικού νέφους που παρέχει έναν τεράστιο κατάλογο δεδομένων δορυφορικών εικόνων. Αυτό το είδος δεδομένων μπορεί εύκολα να κυριαρχήσει από το Σημειωματάριο Jupyter χρησιμοποιώντας ένα πακέτο Python που σώζει ζωές, που ονομάζεται Geemap. Ας αρχίσουμε!
Τι είναι το Google Earth Engine;
Στιγμιότυπο οθόνης από τον συγγραφέα. Αρχική σελίδα του Google Earth Engine.
Πριν ξεκινήσουμε με τη Βιβλιοθήκη Python, πρέπει να κατανοήσουμε τις δυνατότητες του Google Earth Engine. Αυτή η πλατφόρμα που βασίζεται σε σύννεφο, που υποστηρίζεται από την πλατφόρμα Google Cloud, φιλοξενεί δημόσια και δωρεάν σύνολα δεδομένων γεωχωρικών δεδομένων για ακαδημαϊκούς, μη κερδοσκοπικούς και επιχειρηματικούς σκοπούς.
Στιγμιότυπο οθόνης από τον συγγραφέα. Επισκόπηση του καταλόγου δεδομένων Earth Engine.
Η ομορφιά αυτής της πλατφόρμας είναι ότι παρέχει έναν κατάλογο πολλών petabyte με ράστερ και διανυσματικά δεδομένα, αποθηκευμένα στους διακομιστές του Earth Engine. Μπορείτε να έχετε μια γρήγορη επισκόπηση από αυτό σύνδεσμος. Επιπλέον, παρέχει API για τη διευκόλυνση της ανάλυσης συνόλων δεδομένων ράστερ.
Τι είναι το Geemap;
Εικονογράφηση συγγραφέας. Βιβλιοθήκη Geemap.
Geemap είναι μια βιβλιοθήκη Python που επιτρέπει την ανάλυση και την οπτικοποίηση τεράστιων ποσοτήτων γεωχωρικών δεδομένων από το Google Earth Engine.
Πριν από αυτό το πακέτο, ήταν ήδη δυνατή η υποβολή υπολογιστικών αιτημάτων μέσω JavaScript και Python API, αλλά τα Python API είχαν περιορισμένες λειτουργίες και στερούνταν τεκμηρίωσης.
Για να καλύψει αυτό το κενό, το Geemap δημιουργήθηκε για να επιτρέπει στους χρήστες να έχουν πρόσβαση σε πόρους του Google Earth Engine με λίγες γραμμές κώδικα. Το Geemap βασίζεται eartengine-api, ipyleaflet και φώλιο.
Για να εγκαταστήσετε τη βιβλιοθήκη, χρειάζεστε απλώς την ακόλουθη εντολή:
pip install geemap
Σας συνιστώ να πειραματιστείτε με αυτό το εκπληκτικό πακέτο στο Google Colab για να κατανοήσετε πλήρως τις δυνατότητές του. Ρίξε μια ματιά στο αυτό το δωρεάν βιβλίο γράφτηκε από τον καθηγητή Δρ. Qiusheng Wu για να ξεκινήσετε με το Geemap και το Google Earth Engine.
Πώς να αποκτήσετε πρόσβαση στο Earth Engine;
Πρώτα, πρέπει να εισαγάγουμε δύο βιβλιοθήκες Python, οι οποίες θα χρησιμοποιηθούν στο σεμινάριο:
import ee
import geemap
Εκτός από το geemap, έχουμε εισαγάγει τη βιβλιοθήκη πελατών Earth Engine Python, που ονομάζεται ee.
Αυτή η βιβλιοθήκη Python μπορεί να χρησιμοποιηθεί για τον έλεγχο ταυτότητας στο Earth Engine, αλλά μπορεί να είναι πιο γρήγορη χρησιμοποιώντας απευθείας τη βιβλιοθήκη Geemap:
m = geemap.Map()
m
Πρέπει να κάνετε κλικ στη διεύθυνση URL που επιστρέφεται από αυτήν τη γραμμή κώδικα, η οποία θα δημιουργήσει τον κωδικό εξουσιοδότησης. Πρώτα, επιλέξτε το έργο cloud και, στη συνέχεια, κάντε κλικ στο κουμπί «ΔΗΜΙΟΥΡΓΙΑ ΤΟΥΚΕΝ».
Στιγμιότυπο οθόνης από τον συγγραφέα. Επαληθευτής σημειωματάριων.
Μετά, θα σας ζητήσει να επιλέξετε τον λογαριασμό. Συνιστώ να λάβετε τον ίδιο λογαριασμό του Google Colab εάν το χρησιμοποιείτε.
Στιγμιότυπο οθόνης από τον συγγραφέα. Επιλέξτε έναν λογαριασμό.
Στη συνέχεια, κάντε κλικ στο πλαίσιο ελέγχου δίπλα στην επιλογή Επιλογή όλων και πατήστε το κουμπί «Συνέχεια». Με λίγα λόγια, αυτό το βήμα επιτρέπει στο Notebook Client να έχει πρόσβαση στον λογαριασμό Earth Engine.
Στιγμιότυπο οθόνης από τον συγγραφέα. Επιτρέψτε στο Notebook Client να έχει πρόσβαση στον λογαριασμό σας Earth Engine.
Μετά από αυτήν την ενέργεια, δημιουργείται ο κωδικός ελέγχου ταυτότητας και μπορείτε να τον επικολλήσετε στο κελί του σημειωματάριου.
Στιγμιότυπο οθόνης από τον συγγραφέα. Αντιγράψτε τον Κωδικό Επαλήθευσης.
Μόλις εισαχθεί ο κωδικός επαλήθευσης, μπορείτε τελικά να δημιουργήσετε και να οπτικοποιήσετε αυτόν τον διαδραστικό χάρτη:
m = geemap.Map()
m
Προς το παρόν, απλώς παρατηρείτε τον βασικό χάρτη πάνω από το ipyleaflet, ένα πακέτο Python που επιτρέπει την απεικόνιση διαδραστικών χαρτών μέσα στο Σημειωματάριο Jupyter.
Δημιουργήστε Διαδραστικούς Χάρτες
Προηγουμένως, είχαμε δει πώς να επαληθεύσουμε την ταυτότητα και να απεικονίσουμε έναν διαδραστικό χάρτη χρησιμοποιώντας μια ενιαία γραμμή κώδικα. Τώρα, μπορούμε να προσαρμόσουμε τον προεπιλεγμένο χάρτη καθορίζοντας το γεωγραφικό πλάτος και το μήκος του κέντρου, το επίπεδο ζουμ και το ύψος. Έχω επιλέξει τις συντεταγμένες της Ρώμης για το κέντρο για να εστιάσω στον χάρτη της Ευρώπης.
m = geemap.Map(center=[41, 12], zoom=6, height=600)
m
Αν θέλουμε να αλλάξουμε τον βασικό χάρτη, υπάρχουν δύο πιθανοί τρόποι. Ο πρώτος τρόπος αποτελείται από τη σύνταξη και εκτέλεση της ακόλουθης γραμμής κώδικα:
m.add_basemap("ROADMAP")
m
Εναλλακτικά, μπορείτε να αλλάξετε χειροκίνητα τον χάρτη βάσης κάνοντας κλικ στο εικονίδιο του κλειδιού δακτυλίου που βρίσκεται στα δεξιά.
Επιπλέον, βλέπουμε τη λίστα των βασικών χαρτών που παρέχονται από το Geemap:
basemaps = geemap.basemaps.keys()
for bm in basemaps:
print(bm)
Αυτή είναι η έξοδος:
OpenStreetMap
Esri.WorldStreetMap
Esri.WorldImagery
Esri.WorldTopoMap
FWS NWI Wetlands
FWS NWI Wetlands Raster
NLCD 2021 CONUS Land Cover
NLCD 2019 CONUS Land Cover
...
Όπως μπορείτε να παρατηρήσετε, υπάρχει μια μεγάλη σειρά βασικών χαρτών, οι περισσότεροι από αυτούς διαθέσιμοι χάρη στο OpenStreetMap, ESRI και USGS.
Τύποι δεδομένων Earth Engine
Πριν δείξετε το πλήρες δυναμικό του Geemap, είναι σημαντικό να γνωρίζετε δύο βασικούς τύπους δεδομένων στο Earth Engine. Ρίξτε μια ματιά στο τεκμηρίωση του Google Earth Engine Για περισσότερες πληροφορίες.
Εικονογράφηση συγγραφέας. Παράδειγμα διανυσματικών τύπων δεδομένων: Γεωμετρία, Χαρακτηριστικό και Συλλογή χαρακτηριστικών.
Όταν χειριζόμαστε διανυσματικά δεδομένα, χρησιμοποιούμε κυρίως τρεις τύπους δεδομένων:
- Γεωμετρία αποθηκεύει τις συντεταγμένες που απαιτούνται για τη σχεδίαση των διανυσματικών δεδομένων σε έναν χάρτη. Τρεις κύριοι τύποι γεωμετριών υποστηρίζονται από το Earth Engine: Point, LineString και Polygon.
- Χαρακτηριστικό είναι ουσιαστικά μια σειρά που συνδυάζει γεωμετρία και μη γεωγραφικά χαρακτηριστικά. Είναι πολύ παρόμοιο με την κατηγορία GeoSeries των GeoPandas.
- Συλλογή χαρακτηριστικών είναι μια δομή δεδομένων σε πίνακα που περιέχει ένα σύνολο χαρακτηριστικών. Το FeatureCollection και το GeoDataFrame είναι σχεδόν πανομοιότυπα εννοιολογικά.
Στιγμιότυπο οθόνης από τον συγγραφέα. Παράδειγμα τύπου δεδομένων εικόνας. Δείχνει το Αυστραλιανό Μοντέλο Ψηφιακής Εξομάλυνσης (DEM-S)
Στον κόσμο των ράστερ δεδομένων, εστιάζουμε σε Εικόνα αντικείμενα. Οι Εικόνες του Google Earth Engine αποτελούνται από μία ή περισσότερες επωνυμίες, όπου κάθε ζώνη έχει συγκεκριμένο όνομα, εκτιμώμενο ελάχιστο και μέγιστο, και περιγραφή.
Εάν έχουμε μια συλλογή ή χρονοσειρά εικόνων, ImageCollection είναι πιο κατάλληλο ως τύπος δεδομένων.
Στιγμιότυπο οθόνης από τον Συγγραφέα. Copernicus CORINE Land Cover.
Οραματιζόμαστε τις δορυφορικές εικόνες που δείχνουν τον χάρτη κάλυψης της γης της Ευρώπης. Αυτό το σύνολο δεδομένων παρέχει τις αλλαγές μεταξύ 1986 και 2018.
Αρχικά, φορτώνουμε την εικόνα χρησιμοποιώντας το ee.Image και, στη συνέχεια, επιλέγουμε τη ζώνη "landcover". Τέλος, ας οπτικοποιήσουμε την εικόνα προσθέτοντας το φορτωμένο σύνολο δεδομένων στον χάρτη ως επίπεδο χρησιμοποιώντας το Map.addLayer.
Map = geemap.Map()
dataset = ee.Image('COPERNICUS/CORINE/V20/100m/2012')
landCover = dataset.select('landcover')
Map.setCenter(16.436, 39.825, 6)
Map.addLayer(landCover, {}, 'Land Cover')
Map
Στιγμιότυπο οθόνης από τον Συγγραφέα.
Ομοίως, μπορούμε να κάνουμε το ίδιο πράγμα για να φορτώσουμε και να οπτικοποιήσουμε τις δορυφορικές εικόνες που δείχνουν τον χάρτη κάλυψης της γης της Ευρώπης. Αυτό το σύνολο δεδομένων παρέχει τις αλλαγές μεταξύ 1986 και 2018.
Στιγμιότυπο οθόνης από τον Συγγραφέα. Εικόνες υψηλής ανάλυσης εκτός σύνδεσης των συγκεντρώσεων μεθανίου.
Για να απεικονίσετε μια συλλογή ImageCollection του Earth Engine, οι γραμμές κώδικα είναι παρόμοιες, εκτός από το ee.ImageCollection.
Map = geemap.Map()
collection = ee.ImageCollection('COPERNICUS/S5P/OFFL/L3_CH4').select('CH4_column_volume_mixing_ratio_dry_air').filterDate('2019-06-01', '2019-07-16')
band_viz = {
'min': 1750,
'max': 1900,
'palette': ['black', 'blue', 'purple', 'cyan', 'green', 'yellow', 'red']
}
Map.addLayer(collection.mean(), band_viz, 'S5P CH4')
Map.setCenter(0.0, 0.0, 2)
Map
Στιγμιότυπο οθόνης από τον Συγγραφέα.
Αυτό είναι υπέροχο! Από αυτόν τον χάρτη, παρατηρούμε πώς το μεθάνιο, ένας από τους πιο σημαντικούς συντελεστές του φαινομένου του θερμοκηπίου, διανέμεται στον κόσμο.
Τελικές Σκέψεις
Αυτός ήταν ένας εισαγωγικός οδηγός που μπορεί να σας βοηθήσει να εργαστείτε με δεδομένα του Google Earth Engine χρησιμοποιώντας Python. Το Geemap είναι η πιο ολοκληρωμένη βιβλιοθήκη Python για την οπτικοποίηση και ανάλυση αυτού του τύπου δεδομένων.
Εάν θέλετε να εμβαθύνετε σε αυτό το πακέτο, μπορείτε να ρίξετε μια ματιά στους πόρους που πρότεινα παρακάτω.
Μπορείτε να βρείτε τον κωδικό εδώ. Ελπίζω να σας φάνηκε χρήσιμο το άρθρο. Να εχεις μια ωραια μερα!
Χρήσιμοι πόροι:
Ευγενία Ανέλλο είναι επί του παρόντος επιστημονικός συνεργάτης στο Τμήμα Μηχανικών Πληροφορικής του Πανεπιστημίου της Πάντοβα, Ιταλία. Το ερευνητικό της έργο επικεντρώνεται στη Συνεχή Μάθηση σε συνδυασμό με την Ανίχνευση Ανωμαλιών.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
- PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
- PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
- πηγή: https://www.kdnuggets.com/geospatial-data-analysis-with-geemap?utm_source=rss&utm_medium=rss&utm_campaign=geospatial-data-analysis-with-geemap
