GEE遥感云大数据在林业中的应用
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。
点击查看原文
第一部分：GEE实践篇
海量遥感数据处理与GEE云计算技术应用
一、初识GEE及开发平台
1.GEE平台及典型应用案例介绍；
2.GEE JavaScript开发环境及常用数据资源介绍；
3.JavaScript基础，包括变量，运算符，数组，判断及循环语句等；
4.GEE遥感云重要概念与典型数据分析流程。
5.初识GEE JavaScript对象和平台上手
影像与影像集
几何体、要素与要素集
日期、字符、数字
数组、列表、字典
影像/影像集、要素/要素集数据查询、时空过滤、可视化、属性查看等
主要对象最常用API介绍
程序调试与误区提醒
二、影像大数据处理基础
1.
影像数学运算、关系/条件/布尔运算、形态滤波、纹理特征提取等
影像掩码，裁剪和镶嵌
集合对象的循环迭代（map/iterate）
集合对象联合（Join）
再谈数组及数组影像
影像面向对象分析
2.主要功能应用
Landsat/Sentinel-2影像批量去云
Landsat/Sentinel-2传感器归一化、植被指数计算与Tasseled cap变换等
时间序列光学影像的平滑与空间插值
三、数据整合Reduce
1.
影像与影像集整合，如指定时窗的年度影像合成
影像区域统计与领域统计，分类后处理
要素集属性列统计
栅格与矢量的相互转换
分组整合与区域统计
影像集、影像和要素集的线性回归分析
2.
研究区可用Landsat影像的数量和无云观测数量的统计分析
中国区域年度NDVI植被数合成及年度最绿的DOY时间查找
国家尺度30年尺度的降雨量时空变化趋势分析
四、云端数据可视化
1.
要素与要素集属性制图（条形图、直方图、堆积柱形图、散点图等）
影像制图（区域统计、分类图、直方图、散点图、线型图，饼图等）
影像集制图（样点时间序列图、区域统计时间序列图等）
数组与链表制图（散点图、样线图等
图形风格和属性设置
2.
基于MODIS时间序列影像的不同地表植被物候分析与制图
基于Hansen产品的年度森林时空变化分析与专题图绘制
五、数据导入导出及资产管理
1.
不同矢量数据上传个人资产
影像数据上传个人资产、属性设置等
影像批量导出（Asset和Driver）
矢量数据导出（Asset和Driver）
统计分析结果导出
2.
中国通量站点数据上传与显示，站点基本气象和地形等数据导出
年度影像合成批量导出或下载到个人Asset或Driver平台
六、机器学习算法
1.
样本抽样（随机抽样、分层随机抽样）
监督分类算法（随机森林、CART、贝叶斯、SVM、决策树等）
非监督分类算法（wekaKMeans、wekaLVQ等）
TensorFlor模型
分类精度评估
2.
联合光学与雷达时间序列影像的森林动态监测
水体自动提取与洪涝监测研究
七、
以一个完整的土地利用分类案例来回顾GEE的主要功能。包含不同地面样本准备、多源遥感影像预处理、算法开发、分类后处理、精度评估和空间统计分析与制图等环节
GEE代码优化、常见错误与调试总结
第二部分：GEE遥感云大数据在林业中的应用
一、初识GEE及开发平台
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；
JavaScript基础简介；
Python-GEE环境搭建；
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
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。
三、重要知识点微型案例
1)Landsat、Sentinel-2影像批量自动去云和阴影
2)联合Landsat和Sentinel-2批量计算植被指效和年度合成
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）
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。
点击查看原文