Имея множество доступных спутниковых данных ДЗЗ, Google создала инфраструктуру, называемую Google Earth Engine (или Earth Engine — https://developers.google.com/earth-engine/), которая позволяет ученым и исследователям получать доступ к огромному количеству данных и применять к этим данным различные процедуры обработки, чтобы они могли получать необходимые изображения. Об этом на сайте gislounge пишет Mark Altaweel. Этот сервис решает главную проблему для ученых, которая заключается в том, как наилучшим образом получить доступ к растущим объемам спутниковых данных и предоставить исследователям удобную площадку для поиска соответствующих данных. Сервис использует облачные вычисления для обеспечения доступа к разным форматам данных, их совместного использования и интеграции. Это повлекло за собой создание не только инфраструктуры с петабайтным масштабом, но также и API-интерфейсов, использующих JavaScript и Python, которые позволяют добавлять и обрабатывать различные данные.
Отображение временных климатических данных с помощью Climate Engine
Что было очень полезно для некоторых исследователей, так это тот факт, что API-интерфейсы можно расширять, для того чтобы ими можно было манипулировать для более конкретных типов задач. Так обстоит дело с порталом Climate Engine (http://climateengine.org/), который построен на основе Google Earth Engine для создания интерфейса, который может отображать, например, временные ряды снимков с сенсора MODIS, с климатическими данными, чтобы ученым было легче получить информацию о климате, получаемой с помощью ДЗЗ. Это экономит время и позволяет непосредственно ученым решать задачи, которые ранее были доступны только специалистам по ДЗЗ.
Снимки MODIS, январь - февраль 2016 г. Отличие температуры земной поверхности от среднего значения, демонстрирующее исключительно высокую температуру поверхности в арктическом регионе. Источник: Climate Engine
Анализ различных временных и пространственных изменений с помощью Earth Engine
Одним из мощных приложений Earth Engine является интеграция различных наборов данных в разных временных и пространственных масштабах. Например, один исследовательский проект столкнулся с трудностью понимания изменения водно-болотных угодий, используя только данные Landsat низкого разрешения. Благодаря интеграции лидарных данных и данных аэрофотосъемки сор спутниковыми данными, доступными через Earth Engine стало возможным определить изменения и степень затопления водно-болотных угодий. Преимущества Google Earth Engine включают в себя интеграцию разных наборов данных с разным разрешением, в данном случае с изображениями Sentinel-1, Sentinel-2 и Landsat-8, в разных временных интервалах, так что заполнить пробелы в данных и улучшить идентификацию возможно благодаря интеграция нескольких изображений. Результаты помогли исследователям применить временную агрегацию данных, чтобы заполнить основные пробелы из-за облачного покрытия, которое обычно требовало загрузки многих изображений и последующей обработки каждого из них для интеграции перед тем, как проводить идентификационный анализ, который классифицирует особенности земного покрова.
Сравнение карт затопления водно-болотных угодий. (a). Изображения NAIP (сентябрь 2015 г.) и лидарные данные (b). Многовременные изображения NAIP (2009–2017 гг.) и лидарные данные (c). Ежемесячное изменение водного баланса JRC (сентябрь 2015 г.), полученные из данных Landsat (d)
Обнаружение ошибок с помощью Earth Engine
Earth Engine способствует не только появлению новых платформ, таких как Climate Engine, но и позволяет использовать новые алгоритмы для более эффективной обработки и применения данных. Одно из приложений обнаруживает ошибки в данных, чтобы они не распространялись при дальнейшем использовании в других приложениях или изображениях по мере их интеграции. Разработка методов оценки, таких как использование Z-показателя, отклонения Тьюки и др., для определения вероятности аналитических ошибок или того, как наблюдения могут не относиться к тому, что говорят данные, которые могут иметь решающее значение для идентификации. Усовершенствования в алгоритмах включают автоматическое обнаружение ошибок, которое информирует исследователей о потенциальных проблемах с использованием любого набора изображений из Google Earth Engine.
Google Earth Engine позволил тысячам ученых получить доступ к данным дистанционного зондирования и интегрировать их, не имея доступа к сложному программному обеспечению или техническим специалистам с данными навыками. Многие данные все еще имеют разрешение, которое может быть слишком низким (например, снимки Landsat). Тем не менее, это может измениться, так как данные более высокого разрешения начинают интегрироваться в платформу. Характер временных рядов набора данных является, пожалуй, лучшим активом, поскольку он позволяет лучше понять наш изменяющийся мир благодаря долгосрочному анализу данных.