Galeria wizualizacji danych Komputer planetarny Microsoft Pro

Ta galeria zawiera gotowe do użycia przykłady konfiguracji do wizualizacji typowych typów danych geoprzestrzennych w firmie Komputer planetarny Microsoft Pro. Każdy przykład zawiera kompleksowe konfiguracje JSON dla mozaik, opcji renderowania, ustawień kafelków i metadanych kolekcji SpatioTemporal Asset Catalog (STAC), które można dostosować do własnych zestawów danych.

Spis treści

Prerequisites

Przed użyciem tych przykładów należy mieć następujące elementy:

Jak używać tych przykładów

Każdy przykład z tej galerii obejmuje następujące elementy:

  • Opis i kontekst — informacje o podejściu do źródła danych i wizualizacji
  • Przykład wizualizacji — zrzut ekranu przedstawiający renderowane dane w Eksploratorze
  • Pełne ustawienia konfiguracji zorganizowane na kartach:
    • Mozaika — jak filtrować i wybierać elementy do wyświetlania
    • Opcje renderowania — jak stylizować i wizualizować dane
    • Ustawienia kafelka — jak zoptymalizować parametry wyświetlania
    • Kolekcja STAC — podstawowa struktura metadanych kolekcji

Aby zastosować te przykłady do własnych danych:

  1. Tworzenie nowej kolekcji w usłudze GeoCatalog
  2. Pozyskiwanie danych do kolekcji.
  3. Przejdź do strony konfiguracji kolekcji
  4. Zmodyfikuj przykładowy kod JSON, aby był zgodny z określonymi przedziałami, elementami zawartości i właściwościami zestawu danych
  5. Zastosuj konfiguracje do kolekcji
  6. Wyświetlanie wyników w Eksploratorze

Konfiguracja kolekcji Sentinel-2-L2A

Zrzut ekranu przedstawiający wizualizację danych sentinel-2-l2a.

Sentinel-2 jest misją obrazową o wysokiej rozdzielczości, wielospektralną z Europejskiej Agencji Kosmicznej (ESA) w ramach Programu Copernicus.

Szczegóły konfiguracji usługi Sentinel-2

Konfiguracja mozaiki

Ta konfiguracja mozaiki informuje Eksploratora o wyświetlaniu najnowszych obrazów Sentinel-2 z kolekcji, ale tylko tych obrazów, których pokrycie chmur jest mniejsze lub równe 40%. Filtr języka CQL (Common Query Language) zapewnia, że uwzględniane są tylko stosunkowo jasne obrazy, dzięki czemu wizualizacja będzie bardziej przydatna dla większości aplikacji. Każdy element mozaiki może definiować różne kryteria do wyboru i połączenia obrazów, a ten przykład korzysta z jednej mozaiki "domyślnej," skoncentrowanej na niedawnych obrazach z minimalną ilością chmur.

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

Konfiguracja kolekcji programu obrazowania rolniczego narodowego

Zrzut ekranu przedstawiający wizualizację danych obrazowych Narodowego Programu Obrazów Rolniczych. Narodowy Program Obrazów Rolniczych (NAIP) zapewnia wysokiej rozdzielczości zdjęcia lotnicze w Stanach Zjednoczonych. Agencja Służby Farmy USDA przechwytuje te obrazy NAIP co najmniej co trzy lata.

Dane NAIP oferują doskonałe szczegóły z rozdzielczościami przestrzennymi od 0,3 metra do 1 metra na piksel. Obrazy są przechowywane w formacie GeoTIFF zoptymalizowanym pod kątem chmury w celu wydajnego dostępu i przetwarzania.

Każdy obraz NAIP zawiera cztery przedziały spektralne:

  • Red
  • Green
  • Blue
  • Bliska podczerwień (NIR)

Wszystkie cztery pasma są przechowywane razem jako pojedynczy zasób wielopasmowy. Ta struktura pasmów umożliwia wykonywanie kilku typów analizy:

  • Wizualizacja koloru naturalnego używa pasm RGB (1-3) do tworzenia obrazów, które wyglądają podobnie do tego, co widzi człowiek oko
  • Analiza podczerwieni kolorów łączy NIR, Czerwone i Zielone pasma w celu oceny zdrowia roślinności
  • Obliczenia NDVI wykorzystują formułę (NIR-Red)/(NIR+Red) do mierzenia gęstości i zdrowia roślinności

Szczegóły konfiguracji NAIP

Konfiguracja mozaiki

Konfiguracja mozaiki definiuje sposób łączenia obrazów podczas wyświetlania w Eksploratorze, ta kolekcja NAIP używa ustawień domyślnych.

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

Konfiguracja kolekcji obrazów Umbra SAR

Zrzut ekranu przedstawiający wizualizację danych Umbra SAR Imagery.

Obrazy Syntetycznej Apertury Radarowej (SAR) firmy Umbra wykorzystują sygnały radarowe przesyłane z satelitów do tworzenia obrazów o wysokiej rozdzielczości powierzchni Ziemi, które są w stanie przebić się przez chmury, ciemność i warunki pogodowe, które blokowałyby tradycyjne satelity optyczne. Ta technologia SAR jest cenna dla infrastruktury monitorowania, wykrywania zmian w obszarach miejskich, śledzenia statków i pojazdów oraz oceny szkód po klęskach żywiołowych, ponieważ może przechwytywać szczegółowe obrazy w dowolnym momencie dnia lub nocy, niezależnie od warunków pogodowych.

Szczegóły konfiguracji SAR

Konfiguracja mozaiki

Ta kolekcja SAR jest domyślną konfiguracją mozaiki.

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

Konfiguracja 9-klasowej kolekcji użytkowania i pokrycia terenu przez Impact Observatory

Zrzut ekranu przedstawiający wizualizację danych klasy ESP-io-lulc-9.

Zestaw danych Land Use/Land Cover 9-Class (Impact Observatory Land Use/Land Cover 9- Class) zawiera roczne globalne mapy użytkowania gruntów i pokrywy lądowej (LULC). Ten zestaw danych został wygenerowany przy użyciu miliardów pikseli oznaczonych przez człowieka w celu wytrenowania modelu uczenia głębokiego na potrzeby klasyfikacji gruntów, zastosowanych do obrazów Sentinel-2 w rozdzielczości 10 metrów.

9-klasowy system obejmuje: Wodę, Drzewa, Zalaną roślinność, Uprawy, Obszar zbudowany, Goły grunt, Śnieg/lód, Chmury i Rangeland. Ten zaktualizowany model klasyfikacji łączy wcześniej oddzielne klasy Grass i Scrub w jedną klasę Rangeland, zapewniając bardziej spójną klasyfikację w szeregach czasowych.

Każda roczna mapa reprezentuje złożone przewidywania LULC przez cały rok, z ocenianą średnią dokładnością ponad 75%. Dane są przydatne do monitorowania zmian użytkowania gruntów, śledzenia wylesiania, ekspansji miejskiej i wzorców rolnych na skalę globalną.

Szczegóły konfiguracji użytkowania gruntów/pokrywy gruntowej

Konfiguracja mozaiki

Konfiguracja mozaiki dla tej kolekcji zapewnia opcje filtrowania czasowego, dzięki czemu użytkownicy mogą wyświetlać dane pokrycia gruntów przez określone lata. Każda definicja mozaiki filtruje dane, aby wyświetlać tylko elementy z określonego roku przy użyciu wyrażeń języka CQL (Common Query Language). Takie filtrowanie czasowe umożliwia użytkownikom porównywanie zmian pokrycia gruntów w roku do roku lub skupienie się na określonym okresie zainteresowania

Konfiguracja zawiera sześć oddzielnych opcji mozaiki obejmujących lata 2017-2022.

  • Filtrowanie czasowe: Każda mozaika używa anyinteracts operatora do filtrowania elementów, w których datetime właściwość przecina się z określonym zakresem dat roku
  • Zakresy dat: filtr każdego roku obejmuje od 1 stycznia do 31 grudnia tego konkretnego roku (2022-01-01T23:59:59Z do 2022-12-31T23:59:59Z)

Takie podejście do filtrowania czasowego jest cenne w przypadku analizy pokrycia gruntów, ponieważ umożliwia użytkownikom śledzenie zmian w wzorcach użytkowania gruntów, monitorowanie wylesiania lub wylesiania, obserwowanie ekspansji miejskiej i ocenianie wpływu klęsk żywiołowych lub działań ludzkich w czasie.

[
  {
    "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"
            ]
          }
        ]
      }
    ]
  }
]

Treści powiązane

  • Last updated on