Compartir a través de

Galería de visualización de datos de Microsoft Planetary Computer Pro

Esta galería proporciona ejemplos de configuración listos para usar para visualizar tipos de datos geoespaciales comunes en Microsoft Planetary Computer Pro. Cada ejemplo incluye configuraciones JSON completas para mosaicos, opciones de representación, configuración de iconos y metadatos de colección del Catálogo de activos spatioTemporales (STAC) que puede adaptar para sus propios conjuntos de datos.

Tabla de contenido

Prerequisites

Antes de usar estos ejemplos, debe tener:

Cómo usar estos ejemplos

Cada ejemplo de esta galería incluye:

  • Descripción y contexto : información sobre el enfoque de visualización y origen de datos
  • Ejemplo visual : captura de pantalla de los datos representados en el Explorador
  • Completar las opciones de configuración organizadas en pestañas:
    • Mosaico : cómo filtrar y seleccionar elementos para mostrar
    • Opciones de representación : cómo aplicar estilo a los datos y visualizarlos
    • Configuración del icono : optimización de los parámetros de visualización
    • Colección STAC : la estructura de metadatos de la colección subyacente

Para aplicar estos ejemplos a sus propios datos:

  1. Creación de una colección en GeoCatalog
  2. Ingesta de datos en la colección.
  3. Vaya a la página de configuración de la colección .
  4. Modifique el json de ejemplo para que coincida con las propiedades, los recursos y bandas específicos del conjunto de datos.
  5. Aplicar las configuraciones a la colección
  6. Ver los resultados en el Explorador

Configuración de la colección Sentinel-2-l2a

Captura de pantalla de la visualización de datos sentinel-2-l2a.

Sentinel-2 es una misión de imagen multiespectral de alta resolución de la Agencia Espacial Europea (ESA) como parte del Programa Copernicus.

Detalles de configuración de Sentinel-2

Mosaic configuration

Esta configuración de mosaico indica al Explorador que muestre las imágenes de Sentinel-2 más recientes de la colección, pero solo esas imágenes con cobertura en la nube menor o igual que 40%. El filtro Common Query Language (CQL) garantiza que solo se incluyan imágenes relativamente claras, lo que hace que la visualización sea más útil para la mayoría de las aplicaciones. Cada entrada de mosaico puede definir criterios diferentes para seleccionar y combinar imágenes, y en este ejemplo de mosaico se usa un único mosaico "predeterminado" centrado en imágenes recientes y de baja nube.

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

Configuración de la colección del Programa nacional de imágenes de agricultura

Captura de pantalla de la visualización de datos del Programa nacional de imágenes de agricultura. El Programa Nacional de Imágenes de Agricultura (NAIP) proporciona imágenes aéreas de alta resolución en los Estados Unidos. La agencia de servicios de granjas de USDA captura esta imagen NAIP al menos cada tres años.

Los datos NAIP ofrecen un excelente detalle con resoluciones espaciales que van de 0,3 metros a 1 metro por píxel. Las imágenes se almacenan en formato GeoTIFF optimizado para la nube para un acceso y procesamiento eficientes.

Cada imagen NAIP contiene cuatro bandas espectrales:

  • Red
  • Green
  • Blue
  • Near-Infrared (NIR)

Las cuatro bandas se almacenan juntas como un único recurso de varias bandas. Esta estructura de banda permite varios tipos de análisis:

  • La visualización de color natural usa las bandas RGB (1-3) para crear imágenes que parecen similares a las que ve el ojo humano
  • El análisis de infrarrojos de color combina bandas NIR, Roja y Verde para evaluar la salud de la vegetación
  • Los cálculos de NDVI usan la fórmula (NIR-Red)/(NIR+Red) para medir la densidad y la salud de la vegetación

Detalles de configuración de NAIP

Mosaic configuration

La configuración de mosaico define cómo se combinan las imágenes cuando se muestran en el Explorador, esta colección NAIP usa la configuración predeterminada.

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

Configuración de la colección de imágenes de Umbra SAR

Captura de pantalla de la visualización de datos de imágenes de Umbra SAR.

Las imágenes de radar de apertura sintética (SAR) de Umbra usan señales radiales transmitidas desde satélites para crear imágenes de alta resolución de la superficie de la Tierra, capaces de ver a través de nubes, oscuridad y condiciones meteorológicas que bloquearían los satélites ópticos tradicionales. Esta tecnología SAR es valiosa para supervisar la infraestructura, detectar cambios en las zonas urbanas, rastrear buques y vehículos, y evaluar los daños después de desastres naturales, ya que puede capturar imágenes detalladas en cualquier momento del día o la noche, independientemente de las condiciones meteorológicas.

Detalles de configuración de SAR

Mosaic configuration

Esta colección SAR es la configuración de mosaico predeterminada.

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

Configuración de la colección de 9 clases del Observatorio de Impacto/Uso de Tierra/Cobertura terrestre

Captura de pantalla de la visualización de datos esp-io-lulc-9-class.

El conjunto de datos del Observatorio de impactos de uso de tierra/cobertura de tierra de 9 clases proporciona mapas globales anuales del uso de la tierra y la cobertura terrestre (LULC). Este conjunto de datos se generó mediante miles de millones de píxeles etiquetados por humanos para entrenar un modelo de aprendizaje profundo para la clasificación de tierras, aplicado a imágenes de Sentinel-2 en resolución de 10 metros.

El sistema de 9 clases incluye: Agua, Árboles, Vegetación inundada, Cultivos, Área construida, Tierra desnuda, Nieve/hielo, Nubes y Rangeland. Este modelo de clasificación actualizado combina las clases Grass y Scrub separadas anteriormente en una sola clase Rangeland, lo que proporciona una clasificación más coherente en toda la serie temporal.

Cada mapa anual representa una composición de predicciones de LULC durante todo el año, con una precisión media evaluada de más de 75%. Los datos son valiosos para supervisar los cambios en el uso de la tierra, el seguimiento de la deforestación, la expansión urbana y los patrones agrícolas a escala mundial.

Detalles de configuración de uso de terrenos y superficies terrestres

Mosaic configuration

La configuración de mosaico de esta colección proporciona opciones de filtrado temporal, lo que permite a los usuarios ver los datos de cobertura terrestre durante años específicos. Cada definición de mosaico filtra los datos para mostrar solo los elementos de un año determinado mediante expresiones de Common Query Language (CQL). Este filtrado temporal permite a los usuarios comparar los cambios de cobertura terrestre anual o centrarse en un período de tiempo específico de interés.

La configuración incluye seis opciones de mosaico independientes que abarcan 2017-2022:

  • Filtrado temporal: cada mosaico usa el anyinteracts operador para filtrar los elementos en los que la datetime propiedad se interseca con un intervalo de fechas de un año específico
  • Intervalos de fechas: el filtro de cada año abarca del 1 de enero al 31 de diciembre de ese año específico (2022-01-01T23:59:59Z a 2022-12-31T23:59:59Z)

Este enfoque de filtrado temporal es valioso para el análisis de cobertura terrestre, ya que permite a los usuarios realizar un seguimiento de los cambios en los patrones de uso de tierras, supervisar la deforestación o reforestación, observar la expansión urbana y evaluar el impacto de los desastres naturales o las actividades humanas a lo largo del tiempo.

[
  {
    "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"
            ]
          }
        ]
      }
    ]
  }
]

Related content

  • Last updated on