Microsoft Planetary Computer Pro-galleriet för datavisualisering

Det här galleriet innehåller färdiga konfigurationsexempel för visualisering av vanliga geospatiala datatyper i Microsoft Planetary Computer Pro. Varje exempel innehåller omfattande JSON-konfigurationer för mosaiker, återgivningsalternativ, panelinställningar och STAC-insamlingsmetadata (SpatioTemporal Asset Catalog) som du kan anpassa för dina egna datauppsättningar.

Innehållsförteckning

Prerequisites

Innan du använder de här exemplen bör du ha:

Så här använder du de här exemplen

Varje exempel i det här galleriet innehåller:

  • Beskrivning och kontext – Information om metoden för datakälla och visualisering
  • Visuellt exempel – Skärmbild av renderade data i Utforskaren
  • Fullständiga konfigurationsinställningar ordnade på flikar:
    • Mosaik – Så här filtrerar och väljer du objekt som ska visas
    • Rendera alternativ – Formatera och visualisera data
    • Panelinställningar – Optimera visningsparametrar
    • STAC-samling – den underliggande strukturen för samlingsmetadata

Så här använder du dessa exempel på dina egna data:

  1. Skapa en ny samling i din GeoCatalog
  2. Importera data i samlingen.
  3. Gå till samlingens konfigurationssida
  4. Ändra JSON-exemplet så att det matchar datauppsättningens specifika band, tillgångar och egenskaper
  5. Tillämpa konfigurationerna på din samling
  6. Visa resultatet i Utforskaren

Konfiguration av Sentinel-2-l2a-samling

Skärmbild av datavisualisering för Sentinel-2-l2a.

Sentinel-2 är ett högupplöst, multispektralt bilduppdrag från Europeiska rymdorganisationen (ESA) som en del av Copernicus-programmet.

Konfigurationsinformation för Sentinel-2

Mosaikkonfiguration

Den här mosaikkonfigurationen uppmanar Utforskaren att visa de senaste Sentinel-2-avbildningarna från samlingen, men endast de avbildningarna med molntäcke som är mindre än eller lika med 40%. FILTRET Common Query Language (CQL) säkerställer att endast relativt tydliga bilder ingår, vilket gör visualiseringen mer användbar för de flesta program. Varje mosaikpost kan definiera olika kriterier för att välja och kombinera bilder, och i det här mosaikexemplet används en enda "standardmosaik" som fokuserar på nya bilder med låg molnnivå.

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

Samlingskonfiguration för National Agriculture Imagery Program

Skärmbild av datavisualisering för National Agriculture Imagery Program. National Agriculture Imagery Program (NAIP) tillhandahåller högupplösta flygbilder över hela USA. USDA Farm Service Agency registrerar dessa NAIP-bilder minst vart tredje år.

NAIP-data ger utmärkta detaljer med rumsliga upplösningar från 0,3 meter till 1 meter per pixel. Bilderna lagras i molnoptimerad GeoTIFF-format för effektiv åtkomst och bearbetning.

Varje NAIP-bild innehåller fyra spektralband:

  • Red
  • Green
  • Blue
  • Nära-infraröd (NIR)

Alla fyra band lagras tillsammans som en enda tillgång med flera band. Den här bandstrukturen möjliggör flera typer av analys:

  • Naturlig färgvisualisering använder RGB-banden (1-3) för att skapa bilder som ser ut ungefär som det mänskliga ögat ser
  • Färginfraröd analys kombinerar NIR, röda och gröna banden för att bedöma vegetationens hälsa
  • NDVI-beräkningar använder formeln (NIR-Red)/(NIR+Red) för att mäta vegetationstäthet och hälsa

NAIP-konfigurationsinformation

Mosaikkonfiguration

Mosaikkonfigurationen definierar hur bilder kombineras när de visas i Utforskaren, den här NAIP-samlingen använder standardinställningarna.

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

Konfiguration av umbra SAR-avbildningssamling

Skärmbild av visualisering av Umbra SAR-bilddata.

Umbras SAR-bilder (Synthetic Aperture Radar) använder radarsignaler som överförs från satelliter för att skapa högupplösta bilder av jordens yta, som kan se genom moln, mörker och väderförhållanden som skulle blockera traditionella optiska satelliter. Denna SAR-teknik är värdefull för att övervaka infrastruktur, upptäcka förändringar i stadsområden, spåra fartyg och fordon och bedöma skador efter naturkatastrofer, eftersom den kan fånga detaljerade bilder när som helst på dagen eller natten oavsett väderförhållanden.

SAR-konfigurationsinformation

Mosaikkonfiguration

Den här SAR-samlingen är standardkonfigurationen för mosaik.

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

Impact Observatory Land Use/Land Cover 9-klass samlingskonfiguration

Skärmbild av ESP-io-lulc-9-klassdatavisualisering.

Impact Observatory Land Use/Land Cover 9-klass datauppsättning ger årliga globala kartor över markanvändning och marktäcke (LULC). Den här datamängden genererades med hjälp av miljarder bildpunkter med mänsklig etikett för att träna en djupinlärningsmodell för markklassificering, tillämpad på Sentinel-2-bilder med en upplösning på 10 meter.

9-klasssystemet innehåller: Vatten, Träd, Översvämmad vegetation, Grödor, Byggt område, Bar mark, Snö/is, Moln och Rangeland. Den här uppdaterade klassificeringsmodellen kombinerar tidigare separata Grass- och Scrub-klasser i en enda Rangeland-klass, vilket ger mer konsekvent klassificering i tidsserierna.

Varje årlig karta representerar en sammanställning av LULC-förutsägelser under hela året, med en beräknad genomsnittlig noggrannhet på över 75%. Uppgifterna är värdefulla för övervakning av ändringar i markanvändningen, spårning av avskogning, stadsexpansion och jordbruksmönster i global skala.

Konfigurationsinformation för markanvändning/markskydd

Mosaikkonfiguration

Mosaikkonfigurationen för den här samlingen innehåller alternativ för temporär filtrering, så att användarna kan visa marktäckesdata för specifika år. Varje mosaikdefinition filtrerar data för att endast visa objekt från ett visst år med hjälp av CQL-uttryck (Common Query Language). Denna tidsmässiga filtrering gör det möjligt för användare att jämföra ändringar av marktäcket från år till år eller fokusera på en viss tidsperiod av intresse

Konfigurationen innehåller sex separata mosaikalternativ som täcker 2017-2022:

  • Temporal filtrering: Varje mosaik använder operatorn anyinteracts för att filtrera objekt där datetime egenskapen korsar ett visst års datumintervall
  • Datumintervall: Varje års filter sträcker sig från 1 januari till 31 december det specifika året (2022-01-01T23:59:59Z till 2022-12-31T23:59:59Z)

Denna tidsmässiga filtreringsmetod är värdefull för marktäckesanalys, eftersom den gör det möjligt för användare att spåra förändringar i markanvändningsmönster, övervaka avskogning eller återbeskogning, observera stadsexpansion och bedöma effekterna av naturkatastrofer eller mänsklig verksamhet över tid.

[
  {
    "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"
            ]
          }
        ]
      }
    ]
  }
]

Relaterat innehåll

  • Uppdaterades senast