GEE遥感云大数据林业应用典型案例及GPT模型

详情点击链接：GEE遥感云大数据林业应用典型案例及GPT模型

一：平台及基础开发平台

• GEE平台及典型应用案例；
• GEE开发环境及常用数据资源；
• ChatGPT、文心一言等GPT模型、帐号申请及林业遥感
• JavaScript基础；
• GEE遥感云重要概念与典型数据分析流程；

GEE基本对象、矢量和栅格对象可视化、属性查看，API查询、基本调试等平台上手。

二：GEE基础与ChatGPT等AI模型交互

• 影像基本运算与操作：数学运算、关系/条件/布尔运算、形态滤波、纹理特征提取；影像掩码、裁剪和镶嵌等；
• 要素基本运算与操作：几何缓冲区，交、并、差运算等；
• 集合对象操作：循环迭代（map/iterate）、合并Merge、联合（Join）；
• 数据整合Reduce：包括影像与影像集整合，影像合成、影像区域统计与域统计，分组整合与区邻域统计，影像集线性回归分析等；
• 机器学习算法：包括监督（随机森林、CART、SVM、决策树等）与非监督（wekaKMeans、wekaLVQ等）分类算法，分类精度评估等；
• 数据资产管理：包括本地端矢量和栅格数据上传、云端矢量和栅格数据下载、统计结果数据导出等；
• 绘图可视化：包括条形图、直方图、散点图、时间序列等图形绘制。

GPT模型交互：结合上述基本知识点和ChatGPT、文心一言等AI工具进行交互演示，包括辅助答疑、代码生成与修正等技巧。
三：GPT模型

1. Landsat、Sentinel-2影像批量自动去云和阴影
2. 联合Landsat和Sentinel-2批量计算植被指数和年度合成
3. 研究区可用影像数量和无云观测数量统计分析
4. 中国区域年度NDVI植被数合成及年度最绿DOY时间查找
5. 时间序列光学影像数据的移动窗口平滑
6. 分层随机抽样及样本导出、样本本地评估与数据上传云端
7. 中国近40年降雨量变化趋势分析
   某区域年度森林损失统计分析（基于Hansen森林产品）

四：联合多源遥感数据的森林识别
联合Landsat时间序列光学影像和PALSAR-2雷达数据，以及决策树算法实现森林等典型地类遥感分类的完整流程。涉及影像数据时空过滤、光学影像批量云掩膜与植被指数计算；分层随机抽样及样本导出、本地端质量控制与云端上传、样本随机切分、可分离性分析、分类算法构建及应用、分类后处理和精度评估，专题图绘制等。
五：长时间尺度的森林状态监测
利用长时间序列的MODIS或Landsat影像数据，对森林状态进行长期监测，分析森林植被绿化或褐变情况。涉及时间序列影像预处理、影像集连接、影像合成、变化趋势非参数检测、显著性检验和变化趋势量化与分级、空间统计和结果可视化和专题图绘制等。
六：森林砍伐与退化监测
联合Landsat系列影像，光谱分离模型和NDFI归一化差值分数指数实现森林的砍伐和退化监测。涉及影像预处理、混合像元分解、NDFI指数计算、函数封装、变化检测和强度分级，结果可视化、专题图绘制等。
七：森林火灾监测
利用Landsat和Sentinel-2时间序列光学遥感影像，监测森林火灾损失情况，实现火灾强度分级。涉及影像过滤、Landsat和Sentinel-2光学影像除云等预处理、植被指数计算、影像合成、火灾区域识别和灾害强度分级，结果统计分析与可视化等。
八：长时间尺度的森林扰动监测
联合30年的Landsat等光学影像和经典LandTrendr算法实现森林扰动的监测。涉及长时间序列遥感影像预处理、植被指数批量计算、年度影像合成、数组影像概念和使用方法、LandTrendr算法原理及参数设置、森林扰动结果解译与空间统计分析、可视化及专题图绘制等。
九：森林关键生理参数（树高、生物量/碳储量）反演
联合GEDI激光雷达、Landsat/Sentinel-2多光谱光学影像、Sentinel-1 /PALSAR-2雷达影像等和机器学习算法反演森林的关键物理参数，如树高、生物量/碳储量。涉及GEDI激光雷达数据、常见光学和雷达数据处理、机器学习算法应用、反演精度评估和变量重要性分析、结果可视化等内容。