Microsoft Planetary Computer Pro-Datenvisualisierungskatalog

Dieser Katalog enthält einsatzbereite Konfigurationsbeispiele für die Visualisierung allgemeiner geospatialer Datentypen in Microsoft Planetary Computer Pro. Jedes Beispiel enthält umfassende JSON-Konfigurationen für Mosaiken, Renderoptionen, Kacheleinstellungen und STAC-Sammlungsmetadaten (SpatioTemporal Asset Catalog), die Sie für Ihre eigenen Datasets anpassen können.

Inhaltsverzeichnis

Prerequisites

Bevor Sie diese Beispiele verwenden, sollten Sie folgendes haben:

Anleitung zur Verwendung dieser Beispiele

Jedes Beispiel in diesem Katalog umfasst:

  • Beschreibung und Kontext – Informationen zum Datenquellen- und Visualisierungsansatz
  • Visuelles Beispiel – Screenshot der gerenderten Daten im Explorer
  • Vollständige Konfigurationseinstellungen organisiert in Tabs:
    • Mosaik – Filtern und Auswählen von Elementen für die Anzeige
    • Renderoptionen – Formatieren und Visualisieren der Daten
    • Kacheleinstellungen – Wie man Anzeigeparameter optimiert
    • STAC-Sammlung – Die zugrunde liegende Metadatenstruktur der Sammlung

So wenden Sie diese Beispiele auf Ihre eigenen Daten an:

  1. Erstellen einer neuen Sammlung in Ihrem GeoCatalog
  2. Daten in die Sammlung aufnehmen.
  3. Navigieren zur Konfigurationsseite der Sammlung
  4. Ändern des JSON-Beispiels, um den spezifischen Bändern, Ressourcen und Eigenschaften Ihres Datasets zu entsprechen
  5. Anwenden der Konfigurationen auf Ihre Sammlung
  6. Anzeigen der Ergebnisse im Explorer

Konfiguration der Sentinel-2-l2a-Datensammlung

Screenshot der Sentinel-2-l2a-Datenvisualisierung.

Sentinel-2 ist eine hochauflösende, multispektrale Bildgebungsmission der Europäischen Weltraumorganisation (ESA) im Rahmen des Copnikus-Programms.

Sentinel-2-Konfigurationsdetails

Mosaikkonfiguration

Diese Mosaikkonfiguration weist den Explorer an, die neuesten Sentinel-2-Bilder aus der Sammlung anzuzeigen, aber nur diese Bilder mit Cloudabdeckung kleiner oder gleich 40%. Der CQL-Filter (Common Query Language) stellt sicher, dass nur relativ klare Bilder enthalten sind, wodurch die Visualisierung für die meisten Anwendungen nützlicher wird. Jeder Mosaikeintrag kann verschiedene Kriterien für die Auswahl und Kombination von Bildern definieren, und in diesem Mosaikbeispiel wird ein einzelnes "Standardmosaik" verwendet, das sich auf aktuelle, cloudarme Bilder konzentriert.

[
  {
    "id": "default",
    "name": "Most recent available",
    "description": "Most recent available imagery in this Sentinel-2 collection",
    "cql": [
      {
        "op": "<=",
        "args": [
          {
            "property": "eo:cloud_cover"
          },
          40
        ]
      }
    ]
  }
]

Die Sammlungskonfiguration des National Agriculture Imagery Program

Screenshot der Datenvisualisierung des National Agriculture Imagery Program. Das National Agriculture Imagery Program (NAIP) bietet hochauflösende Luftbilder in den USA. Die USDA Farm Service Agency erfasst diese NAIP-Bilder mindestens alle drei Jahre.

NAIP-Daten bieten hervorragende Details mit räumlichen Auflösungen von 0,3 Meter bis 1 Meter pro Pixel. Die Bilder werden im cloud-optimierten GeoTIFF-Format gespeichert, um effizienten Zugriff und Verarbeitung zu ermöglichen.

Jedes NAIP-Bild enthält vier spektrale Bänder:

  • Red
  • Green
  • Blue
  • Nahinfrarot (NIR)

Alle vier Bänder werden zusammen als ein einzelnes Multiband-Asset gespeichert. Diese Bandstruktur ermöglicht verschiedene Analysetypen:

  • Natürliche Farbvisualisierung verwendet die RGB-Bänder (1-3), um Bilder zu erstellen, die ähnlich aussehen wie das menschliche Auge sieht
  • Farb-Infrarotanalyse kombiniert NIR-, Rot- und Grünbänder zur Bewertung der Vegetationsgesundheit
  • NDVI-Berechnungen verwenden die Formel (NIR-Red)/(NIR+Red) zur Messung der Vegetationsdichte und des Gesundheitszustands

NAIP-Konfigurationsdetails

Mosaikkonfiguration

Die Mosaikkonfiguration definiert, wie Bilder kombiniert werden, wenn sie im Explorer angezeigt werden, diese NAIP-Auflistung verwendet die Standardeinstellungen.

[
  {
    "id": "default",
    "name": "Default",
    "description": "",
    "cql": []
  }
]

Konfiguration der Umbra-SAR-Bilddatenerfassung

Screenshot der Visualisierung von Umbra SAR Imagery-Daten.

Umbras Synthetic Aperture Radar (SAR)-Bilder verwenden Radarsignale, die von Satelliten übertragen werden, um hochauflösende Bilder der Erdoberfläche zu erzeugen. Diese Bilder können durch Wolken, Dunkelheit und Wetterbedingungen hindurchsehen, die herkömmliche optische Satelliten blockieren würden. Diese SAR-Technologie ist nützlich für die Überwachung der Infrastruktur, das Erkennen von Veränderungen in städtischen Gebieten, die Verfolgung von Schiffen und Fahrzeugen und die Bewertung von Schäden nach Naturkatastrophen, da sie detaillierte Bilder zu jeder Tages- oder Nachtzeit unabhängig von den Wetterbedingungen erfassen kann.

SAR-Konfigurationsdetails

Mosaikkonfiguration

Diese SAR-Sammlung ist die Standard-Mosaikkonfiguration.

[
  {
    "id": "default",
    "name": "Default",
    "description": "",
    "cql": []
  }
]

Konfiguration der Impact Observatory Land Use/Land Cover 9-Klassenkollektion

Screenshot der Datenvisualisierung der ESP-io-lulc-9-class.

Das Impact Observatory Land Use/Land Cover 9-Class-Dataset stellt jährliche globale Karten der Landnutzung und Landabdeckung (LULC) bereit. Dieses Dataset wurde mit Milliarden von menschenbeschrifteten Pixeln generiert, um ein Deep Learning-Modell für die Landklassifizierung zu trainieren, das auf Sentinel-2-Bilder mit einer Auflösung von 10 Metern angewendet wurde.

Das 9-Klassen-System umfasst: Wasser, Bäume, Überflutete Vegetation, Kulturpflanzen, Gebaute Fläche, Bare Boden, Schnee/Eis, Wolken und Rangeland. Dieses aktualisierte Klassifizierungsmodell kombiniert die zuvor getrennten Grass- und Scrub-Klassen in einer einzigen Rangeland-Klasse und bietet eine konsistentere Klassifizierung in der gesamten Zeitreihe.

Jede jährliche Karte stellt eine Kombination aus LULC-Vorhersagen im laufe des Jahres dar, mit einer bewerteten durchschnittlichen Genauigkeit von über 75%. Die Daten sind nützlich für die Überwachung von Landnutzungsänderungen, die Verfolgung der Entwaldung, der städtischen Expansion und der landwirtschaftlichen Muster auf globaler Ebene.

Details zur Landnutzung/Landabdeckung

Mosaikkonfiguration

Die Mosaikkonfiguration für diese Sammlung bietet zeitliche Filteroptionen, sodass Benutzer Landdeckdaten für bestimmte Jahre anzeigen können. Jede Mosaikdefinition filtert die Daten so, dass nur Elemente aus einem bestimmten Jahr mithilfe von Common Query Language (CQL)-Ausdrücken angezeigt werden. Diese zeitliche Filterung ermöglicht Benutzern das Vergleichen von Landabdeckungsänderungen im Laufe des Jahres oder den Fokus auf einen bestimmten Zeitraum von Interesse.

Die Konfiguration umfasst sechs separate Mosaikoptionen, die den Zeitraum von 2017 bis 2022 abdecken.

  • Zeitliche Filterung: Jedes Mosaik verwendet den anyinteracts Operator zum Filtern von Elementen, in denen sich die datetime Eigenschaft mit einem bestimmten Datumsbereich des Jahres überschneidet
  • Datumsbereiche: Jeder Jahresfilter erstreckt sich zwischen dem 1. Januar und dem 31. Dezember des jeweiligen Jahres (2022-01-01T23:59:59Z bis 2022-12-31T23:59:59Z)

Dieser zeitliche Filteransatz ist für die Analyse von Flächendeckflächen nützlich, da es den Benutzern ermöglicht, Änderungen der Flächennutzungsmuster nachzuverfolgen, Entwaldung oder Aufforstung zu überwachen, städtische Expansion zu beobachten und die Auswirkungen von Naturkatastrophen oder menschlichen Aktivitäten im Laufe der Zeit zu bewerten.

[
  {
    "id": "2022",
    "name": "2022",
    "description": "2022 Use/Land Cover",
    "cql": [
      {
        "op": "anyinteracts",
        "args": [
          {
            "property": "datetime"
          },
          {
            "interval": [
              "2022-01-01T23:59:59Z",
              "2022-12-31T23:59:59Z"
            ]
          }
        ]
      }
    ]
  },
  {
    "id": "2021",
    "name": "2021",
    "description": "2021 Use/Land Cover",
    "cql": [
      {
        "op": "anyinteracts",
        "args": [
          {
            "property": "datetime"
          },
          {
            "interval": [
              "2021-01-01T23:59:59Z",
              "2021-12-31T23:59:59Z"
            ]
          }
        ]
      }
    ]
  },
  {
    "id": "2020",
    "name": "2020",
    "description": "2020 Use/Land Cover",
    "cql": [
      {
        "op": "anyinteracts",
        "args": [
          {
            "property": "datetime"
          },
          {
            "interval": [
              "2020-01-01T23:59:59Z",
              "2020-12-31T23:59:59Z"
            ]
          }
        ]
      }
    ]
  },
  {
    "id": "2019",
    "name": "2019",
    "description": "2019 Use/Land Cover",
    "cql": [
      {
        "op": "anyinteracts",
        "args": [
          {
            "property": "datetime"
          },
          {
            "interval": [
              "2019-01-01T23:59:59Z",
              "2019-12-31T23:59:59Z"
            ]
          }
        ]
      }
    ]
  },
  {
    "id": "2018",
    "name": "2018",
    "description": "2018 Land Use/Land Cover",
    "cql": [
      {
        "op": "anyinteracts",
        "args": [
          {
            "property": "datetime"
          },
          {
            "interval": [
              "2018-01-01T23:59:59Z",
              "2018-12-31T23:59:59Z"
            ]
          }
        ]
      }
    ]
  },
  {
    "id": "2017",
    "name": "2017",
    "description": "2017 Land Use/Land Cover",
    "cql": [
      {
        "op": "anyinteracts",
        "args": [
          {
            "property": "datetime"
          },
          {
            "interval": [
              "2017-01-01T23:59:59Z",
              "2017-12-31T23:59:59Z"
            ]
          }
        ]
      }
    ]
  }
]

Verwandte Inhalte

  • Zuletzt aktualisiert um