Galerie de visualisations de données Microsoft Planetary Computer Pro

Cette galerie fournit des exemples de configuration prêts à l’emploi pour visualiser les types de données géospatiales courants dans Microsoft Planetary Computer Pro. Chaque exemple inclut des configurations JSON complètes pour les mosaïques, lesoptions de rendu, les paramètres de vignette et les métadonnées de collection SpatioTemporal Asset Catalog (STAC) que vous pouvez adapter à vos propres jeux de données.

Table des matières

Prerequisites

Avant d’utiliser ces exemples, vous devez disposer des éléments suivants :

Comment utiliser ces exemples

Chaque exemple de cette galerie comprend les éléments suivants :

  • Description et contexte - Informations sur la source de données et l’approche de visualisation
  • Exemple visuel - Capture d’écran des données rendues dans l’Explorateur
  • Paramètres de configuration complets organisés sous onglets :
    • Mosaïque - Comment filtrer et sélectionner des éléments à afficher
    • Options de rendu - Comment mettre en forme et visualiser les données
    • Paramètres de vignette - Comment optimiser les paramètres d’affichage
    • Collection STAC - Structure de métadonnées de collection sous-jacente

Pour appliquer ces exemples à vos propres données :

  1. Créer une collection dans votre GeoCatalog
  2. Ingérer des données dans la collection.
  3. Accédez à la page de configuration de la collection
  4. Modifiez l’exemple JSON pour qu’il corresponde aux bandes, ressources et propriétés spécifiques de votre jeu de données
  5. Appliquer les configurations à votre collection
  6. Afficher les résultats dans l’Explorateur

Configuration de la collection Sentinel-2-l2a

Capture d’écran de la visualisation des données Sentinel-2-l2a.

Sentinel-2 est une mission d’imagerie multispectrale à haute résolution de l’Agence spatiale européenne (ESA) dans le cadre du programme Copernicus.

Détails de la configuration de Sentinel-2

Configuration de mosaïque

Cette configuration de mosaïque indique à l’Explorateur d’afficher les images Sentinel-2 les plus récentes de la collection, mais uniquement ces images avec couverture cloud inférieures ou égales à 40%. Le filtre CQL (Common Query Language) garantit que seules les images relativement claires sont incluses, ce qui rend la visualisation plus utile pour la plupart des applications. Chaque entrée de mosaïque peut définir différents critères pour sélectionner et combiner des images, et cet exemple de mosaïque utilise une seule mosaïque « par défaut » axée sur les images récentes et à faible cloud.

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

Configuration de la collection du programme national d'imagerie agricole

Capture d’écran de la visualisation des données du Programme national d’imagerie agricole. Le National Agriculture Imagery Program (NAIP) fournit des images aériennes à haute résolution aux États-Unis. L’USDA Farm Service Agency capture cette imagerie NAIP au moins toutes les trois ans.

Les données NAIP offrent un excellent détail avec des résolutions spatiales allant de 0,3 mètre à 1 mètre par pixel. L’imagerie est stockée au format GeoTIFF optimisé dans le cloud pour un accès et un traitement efficaces.

Chaque image NAIP contient quatre bandes spectres :

  • Red
  • Green
  • Blue
  • Proche infrarouge (NIR)

Les quatre bandes sont stockées ensemble sous la forme d’une ressource multibande unique. Cette structure de bande permet plusieurs types d’analyse :

  • La visualisation de couleur naturelle utilise les bandes RVB (1 à 3) pour créer des images qui ressemblent à ce que l’œil humain voit
  • L’analyse infrarouge couleur combine les bandes NIR, Rouge et Vert pour évaluer la santé de la végétation
  • Les calculs NDVI utilisent la formule (NIR-Red)/(NIR+Red) pour mesurer la densité de végétation et la santé

Détails de la configuration NAIP

Configuration de mosaïque

La configuration de mosaïque définit la façon dont les images sont combinées lorsqu’elles sont affichées dans l’Explorateur, cette collection NAIP utilise les paramètres par défaut.

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

Configuration de la collection d’images Umbra SAR

Capture d’écran de la visualisation des données imagery Umbra SAR.

L’imagerie radar d’ouverture synthétique (SAR) d’Umbra utilise des signaux radar transmis à partir de satellites pour créer des images à haute résolution de la surface de la Terre, capables de voir des nuages, des ténèbres et des conditions météorologiques qui bloqueraient les satellites optiques traditionnels. Cette technologie SAR est précieuse pour la surveillance de l’infrastructure, la détection des changements dans les zones urbaines, le suivi des navires et les véhicules, et l’évaluation des dommages après les catastrophes naturelles, car elle peut capturer des images détaillées à tout moment de la journée ou de la nuit, quelles que soient les conditions météorologiques.

Détails de la configuration SAR

Configuration de mosaïque

Cette collection SAR est la configuration de mosaïque par défaut.

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

Configuration de la collection à 9 classes de l'Observatoire d'impact sur l'utilisation et la couverture du sol

Capture d’écran de la visualisation de données ESP-io-lulc-9-class.

Le jeu de données Impact Observatory Land Use/Land Cover 9-Class fournit des cartes mondiales annuelles de l’utilisation des terres et de la couverture terrestre (LULC). Ce jeu de données a été généré à l’aide de milliards de pixels étiquetés par l’homme pour entraîner un modèle d’apprentissage profond pour la classification des terres, appliqué à l’imagerie Sentinel-2 à une résolution de 10 mètres.

Le système de 9 classes comprend l’eau, les arbres, la végétation inondée, les cultures, la zone construite, le sol nu, la neige/glace, les nuages et les plages. Ce modèle de classification mis à jour combine les classes Grass et Scrub précédemment distinctes en une seule classe Rangeland, ce qui offre une classification plus cohérente entre les séries chronologiques.

Chaque carte annuelle représente un composite de prédictions LULC tout au long de l’année, avec une précision moyenne évaluée de plus de 75%. Les données sont précieuses pour surveiller les changements d’utilisation des terres, suivre la déforestation, l’expansion urbaine et les modèles agricoles à l’échelle mondiale.

Détails de la configuration de l’utilisation des terres/couverture terrestre

Configuration de mosaïque

La configuration de mosaïque pour cette collection fournit des options de filtrage temporelle, ce qui permet aux utilisateurs d’afficher les données de couverture terrestre pendant des années spécifiques. Chaque définition de mosaïque filtre les données pour afficher uniquement les éléments d’une année particulière à l’aide d’expressions CQL (Common Query Language). Ce filtrage temporel permet aux utilisateurs de comparer les changements de couverture terrestre d’une année à l’autre ou de se concentrer sur une période spécifique d’intérêt

La configuration comprend six options de mosaïque distinctes couvrant 2017-2022 :

  • Filtrage temporel : chaque mosaïque utilise l’opérateur anyinteracts pour filtrer les éléments où la datetime propriété se croise avec la plage de dates d’une année spécifique
  • Plages de dates : le filtre de chaque année s’étend du 1er janvier au 31 décembre de cette année spécifique (2022-01-01T23:59:59Z à 2022-12-31T23:59:59Z)

Cette approche temporelle de filtrage est précieuse pour l’analyse des couvertures terrestres, car elle permet aux utilisateurs de suivre les changements dans les modèles d’utilisation des terres, de surveiller la déforestation ou le reboisement, d’observer l’expansion urbaine et d’évaluer l’impact des catastrophes naturelles ou des activités humaines au fil du temps.

[
  {
    "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"
            ]
          }
        ]
      }
    ]
  }
]

Contenu connexe

  • Last updated on