Formation Google Earth Engine

Leçon 1 • Concepts géospatiaux fondamentaux pour GEE

Passe en revue les systèmes de coordonnées, les projections et les données raster vs vectorielles telles qu'elles sont utilisées dans GEE. Fournit le vocabulaire spatial nécessaire à tous les chapitres subséquents.

Leçon 2 • Exploration de l'interface de l'éditeur de code

Visite tous les panneaux de l'éditeur de code, les barres d'outils et les raccourcis clavier. Les étudiants exécutent leur premier script et interprètent la sortie de la console.

Leçon 3 • Qu'est-ce que Google Earth Engine

Définit GEE comme une plateforme d'analyse géospatiale infonuagique et le compare aux SIG de bureau. Établit pourquoi GEE est important pour la surveillance environnementale à grande échelle.

Leçon 1 • Syntaxe JavaScript et types de données

Couvre les variables, les types primitifs et les opérateurs tels qu'ils sont utilisés dans les scripts GEE. Relie les règles de syntaxe directement aux patrons de l'API GEE que les étudiants rencontreront.

Leçon 2 • Tableaux, objets et dictionnaires

Explique les tableaux et objets JavaScript comme base pour les propriétés d'entités et les métadonnées de GEE. Les étudiants manipulent des données structurées avant de passer aux objets GEE.

Leçon 3 • Débogage et organisation du code

Présente les instructions print, les messages d'erreur et la structure modulaire des scripts. Les étudiants apprennent à isoler rapidement les bogues, une compétence essentielle pour les pipelines GEE complexes.

Leçon 1 • Chargement d'images et de collections d'images

Couvre les constructeurs ee.Image et ee.ImageCollection et leurs différences. Les étudiants chargent des images satellitaires et inspectent leurs propriétés par programmation.

Leçon 2 • Filtrage des collections d'images

Enseigne les filtres de date, d'étendue et de propriétés pour réduire les collections à des sous-ensembles pertinents. Un filtrage efficace est fondamental pour toutes les analyses temporelles et régionales.

Leçon 3 • Ensembles de données satellitaires clés dans GEE

Présente les ensembles de données Landsat, Sentinel, MODIS et d'élévation avec leurs compromis. Les étudiants sélectionnent l'ensemble de données approprié en fonction des besoins spatiaux, temporels et spectraux.

Leçon 1 • Visualisation et stylisation d'images

Configure les paramètres de visualisation pour les cartes en couleurs vraies, fausses couleurs et les cartes d'indices. Une visualisation efficace communique clairement les résultats analytiques à tout public.

Leçon 2 • Calcul d'indices spectraux

Dérive les indices NDVI, NDWI, NDBI et EVI des bandes brutes à l'aide de l'arithmétique des bandes. Les indices spectraux représentent le résultat analytique le plus courant dans les flux de travail en télédétection.

Leçon 3 • Opérations arithmétiques et logiques

Couvre l'addition, la soustraction, la multiplication, la division et les opérations binaires sur les bandes d'images. Les étudiants construisent des expressions personnalisées combinant plusieurs bandes spectrales.

Leçon 4 • Sélection et renommage de bandes

Enseigne la sélection de bandes spécifiques et la normalisation des noms de bandes entre les capteurs. Des noms cohérents préviennent les erreurs dans les flux de travail multi-capteurs.

Leçon 1 • Importation et exportation de données vectorielles

Téléverse des fichiers de formes et GeoJSON en tant qu'actifs GEE et exporte les résultats vers Drive ou Cloud Storage. Les compétences en échange de données relient GEE aux flux de travail SIG externes.

Leçon 2 • Types de géométrie et construction

Construit des points, des lignes, des polygones et des multi-géométries à l'aide des constructeurs de géométrie de GEE. La création de géométries est le point d'entrée pour toutes les analyses basées sur une région.

Leçon 3 • Création et gestion d'entités

Enveloppe les géométries avec des propriétés d'attributs pour former des objets ee.Feature. Les entités font le pont entre la géométrie vectorielle et les données tabulaires pour les requêtes spatiales.

Leçon 1 • Réductions groupées et conditionnelles

Effectue des réductions groupées par classe et des statistiques conditionnelles à l'aide de masques. Ces techniques permettent des résumés par classe essentiels pour l'analyse de l'occupation du sol.

Leçon 2 • Réducteurs de voisinage et de noyau

Applique des statistiques focales et des noyaux de convolution pour le lissage spatial et la détection de contours. Les opérations de voisinage améliorent la qualité de l'image et soutiennent l'analyse de texture.

Leçon 3 • Réduction spatiale et statistiques régionales

Calcule des statistiques par région à l'aide de reduceRegion() et reduceRegions(). Ces méthodes extraient des résumés quantitatifs pour tout ensemble de polygones ou de points.

Leçon 4 • Compréhension des réducteurs dans GEE

Explique le concept de réducteur comme une fonction qui agrège les valeurs des pixels à travers les dimensions. Les réducteurs sous-tendent la composition, les statistiques zonales et la synthèse de séries temporelles.

Leçon 1 • Analyse de tendance par régression linéaire

Ajuste des tendances linéaires pixel par pixel sur des empilements de séries temporelles à l'aide du réducteur linearFit() de GEE. Les cartes de tendance révèlent des patrons de verdissement, de brunissement ou d'urbanisation à long terme.

Leçon 2 • Construction d'empilements d'images de séries temporelles

Construit des empilements d'images annuels et mensuels à partir de collections filtrées à l'aide de map() et de reduce(). Les empilements sont la base de toutes les analyses de tendance temporelle et de changement.

Leçon 3 • Algorithmes avancés de détection de changement

Applique les concepts de LandTrendr et CCDC pour la surveillance continue des changements dans GEE. Ces algorithmes détectent les perturbations brusques et les transitions graduelles de l'occupation du sol.

Leçon 4 • Création de graphiques de données de séries temporelles

Utilise l'API ui.Chart pour tracer les séries temporelles de pixels et de régions de manière interactive. Les graphiques révèlent des patrons saisonniers et des anomalies que les cartes seules ne peuvent pas montrer.

Leçon 1 • Flux de travail de classification supervisée

Décrit le pipeline complet, de la collecte des données d'entraînement à la sortie de la carte classifiée. La compréhension de l'ensemble du flux de travail prévient les erreurs courantes à chaque étape subséquente.

Leçon 2 • Entraînement et application de classificateurs

Entraîne les classificateurs Random Forest, SVM et CART et les applique à des images entières. Les étudiants comparent les résultats des classificateurs et sélectionnent celui ayant le meilleur rendement pour leur ensemble de données.

Leçon 3 • Classification non supervisée avec K-Means

Applique le regroupement k-means pour découvrir des groupes spectraux sans données d'entraînement étiquetées. Les méthodes non supervisées sont utiles pour l'analyse exploratoire et l'orientation des données d'entraînement.

Leçon 4 • Collecte et gestion des données d'entraînement

Crée des polygones d'entraînement dans l'éditeur de code et les fusionne en une collection d'entités étiquetées. Des données d'entraînement de qualité sont le plus grand déterminant unique de la précision du classificateur.