Коллекция визуализаций данных Microsoft Planetary Computer Pro

Эта коллекция предоставляет готовые примеры конфигурации для визуализации распространенных геопространственных типов данных в Microsoft Planetary Computer Pro. Каждый пример включает в себя комплексные конфигурации JSON для мозаики, параметров отрисовки, параметров плитки и метаданных коллекции каталога ресурсов SpatioTemporal (STAC), которые можно адаптировать для собственных наборов данных.

Оглавление

Prerequisites

Прежде чем использовать эти примеры, необходимо:

Использование этих примеров

Каждый пример в этой коллекции включает:

  • Описание и контекст . Сведения о подходе к источнику данных и визуализации
  • Визуальный пример . Снимок экрана: отрисованные данные в обозревателе
  • Полные параметры конфигурации, упорядоченные на вкладках:
    • Мозаика — фильтрация и выбор элементов для отображения
    • Параметры отрисовки — как стилизовать и визуализировать данные
    • Настройки плитки — оптимизация параметров отображения
    • Коллекция STAC — базовая структура метаданных коллекции

Чтобы применить эти примеры к собственным данным:

  1. Создание коллекции в GeoCatalog
  2. Прием данных в коллекцию.
  3. Перейдите на страницу конфигурации коллекции
  4. Измените пример JSON в соответствии с определенными группами, ресурсами и свойствами набора данных.
  5. Применение конфигураций к коллекции
  6. Просмотр результатов в обозревателе

Конфигурация коллекции Sentinel-2-L2A

Снимок экрана: визуализация данных Sentinel-2-l2a.

Sentinel-2 является миссией по получению изображений с высоким разрешением и многоспектральной миссией из Европейского космического агентства (ESA), в рамках программы «Коперник».

Сведения о конфигурации Sentinel-2

Конфигурация мозаики

Эта конфигурация мозаики указывает обозревателю отобразить последние изображения Sentinel-2 из коллекции, но только те, у которых облачность меньше или равна 40%. Фильтр языка общих запросов (CQL) гарантирует, что включены только относительно четкие изображения, что делает визуализацию более полезной для большинства приложений. Каждая запись мозаики может определять различные критерии выбора и объединения изображений, и этот пример мозаики использует одну "мозаику по умолчанию", ориентированную на последние, низкооблачные изображения.

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

Конфигурация национальной программы сбора образов сельского хозяйства

Снимок экрана: визуализация данных Программы национального сельскохозяйственного изображения. Программа национального сельскохозяйственного изображения (NAIP) обеспечивает высококачественные воздушные изображения по всей территории США. Служба сельскохозяйственного обслуживания USDA производит съемку изображений NAIP по крайней мере каждые три года.

Данные NAIP предоставляют отличные детали с пространственными разрешениями от 0,3 метра до 1 метра на пиксель. Образы хранятся в оптимизированном для облака формате GeoTIFF для эффективного доступа и обработки.

Каждое изображение NAIP содержит четыре спектральные полосы:

  • Red
  • Green
  • Blue
  • Ближний инфракрасный диапазон (NIR)

Все четыре диапазона хранятся вместе в виде одного многополосного актива. Эта структура полосы включает несколько типов анализа:

  • Визуализация естественного цвета использует полосы RGB (1-3) для создания изображений, похожих на то, что видит человеческий глаз
  • Анализ цветового инфракрасного диапазона объединяет NIR, Red и Зеленые полосы для оценки здоровья растительности
  • Вычисления NDVI используют формулу (NIR-Red)/(NIR+Red) для измерения плотности растительности и здоровья

Сведения о конфигурации NAIP

Конфигурация мозаики

Конфигурация мозаики определяет, как изображения объединяются при отображении в обозревателе, эта коллекция NAIP использует параметры по умолчанию.

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

Конфигурация коллекции образов Umbra SAR

Снимок экрана: визуализация данных Umbra SAR Imagery.

Изображения Umbra, полученные с помощью радиолокационной системы с синтезированной апертурой (SAR), используют радиолокационные сигналы, передаваемые со спутников, для создания высококачественных изображений поверхности Земли, способных видеть сквозь облака, темноту и погодные условия, которые блокируют традиционные оптические спутники. Эта технология SAR ценна для мониторинга инфраструктуры, обнаружения изменений в городских районах, отслеживания судов и транспортных средств, а также оценки ущерба после стихийных бедствий, так как она может записывать подробные изображения в любое время дня или ночи независимо от погодных условий.

Сведения о конфигурации SAR

Конфигурация мозаики

Эта коллекция SAR — это конфигурация мозаики по умолчанию.

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

Конфигурация 9-классового сбора данных Impact Observatory Land Use/Land Cover

Снимок экрана: визуализация данных класса ESP-io-lulc-9.

Набор данных 9 класса "Обсерватория влияния на землю" и "Земельный покров" предоставляет ежегодные глобальные карты использования земли и земли (LULC). Этот набор данных был создан с помощью миллиардов пикселей с метками человека для обучения модели глубокого обучения для классификации земель, примененной к изображениям Sentinel-2 с разрешением 10 метров.

Система 9 классов включает в себя: вода, деревья, затопленная растительность, сельскохозяйственные культуры, построенная область, голая земля, снег/ лед, облака и Рейнланд. Эта обновленная модель классификации объединяет ранее отдельные классы Grass и Scrub в один класс Rangeland, обеспечивая более согласованную классификацию в временных рядах.

Каждая годовая карта представляет составные прогнозы LULC в течение года, с оцененной средней точностью более 75%. Эти данные полезны для мониторинга изменений в области использования земель, отслеживания обезлесения, расширения городов и сельскохозяйственных моделей в глобальном масштабе.

Сведения о конфигурации наземного использования и покрытия земли

Конфигурация мозаики

Конфигурация мозаики для этой коллекции предоставляет параметры темпоральной фильтрации, позволяя пользователям просматривать данные о земле в течение определенных лет. Каждое определение мозаики фильтрует данные, чтобы отображать только элементы из определенного года с помощью выражений CQL. Эта темпоральная фильтрация позволяет пользователям сравнивать изменения земного покрытия за год или сосредоточиться на определенном периоде времени, интересующий вас

Конфигурация включает шесть отдельных вариантов мозаики, охватывающих 2017-2022:

  • Темпоральная фильтрация: каждая мозаика использует anyinteracts оператор для фильтрации элементов, где datetime свойство пересекается с диапазоном дат определенного года.
  • Диапазоны дат: каждый год фильтр охватывает от 1 января до 31 декабря этого конкретного года (2022-01-01T23:59:59Z до 2022-12-31T23:59:59Z)

Этот подход к темпоральной фильтрации ценен для анализа земного покрытия, поскольку он позволяет пользователям отслеживать изменения в шаблонах использования земли, отслеживать обезлесение или восстановление лесов, наблюдать за городским расширением и оценивать влияние стихийных бедствий или человеческой деятельности с течением времени.

[
  {
    "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"
            ]
          }
        ]
      }
    ]
  }
]

Связанный контент

  • Последнее обновление: