Formation Google Earth Engine

Leçon 1 • Concepts Géospatiaux Fondamentaux pour GEE

Examine les systèmes de coordonnées, les projections et les modèles raster vs. vectoriels tels qu'appliqués dans GEE. Fournit le vocabulaire spatial nécessaire pour tous les chapitres suivants.

Leçon 2 • Exploration de l'Interface de l'Éditeur de Code

Parcourt 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 basée sur le cloud et le contraste avec les 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'utilisés dans les scripts GEE. Relie les règles de syntaxe directement aux modèles d'API GEE que les étudiants rencontreront.

Leçon 2 • Tableaux, Objets et Dictionnaires

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

Leçon 3 • Débogage et Organisation du Code

Introduit les instructions print, les messages d'erreur et la structure modulaire des scripts. Les étudiants apprennent à isoler rapidement les bugs, 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 satellite et inspectent leurs propriétés par programmation.

Leçon 2 • Filtrage des Collections d'Images

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

Leçon 3 • Ensembles de Données Satellitaires Clés dans GEE

Passe en revue 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 Style d'Image

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 des Indices Spectraux

Dérive NDVI, NDWI, NDBI et EVI à partir de bandes brutes en utilisant le calcul de bandes. Les indices spectraux sont la sortie analytique la plus courante dans les workflows de télédétection.

Leçon 3 • Opérations Arithmétiques et Logiques

Couvre l'addition, la soustraction, la multiplication, la division et les opérations bit à bit sur les bandes d'image. 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 standardisation des noms de bandes entre capteurs. Un nommage cohérent évite les erreurs dans les workflows multi-capteurs.

Leçon 1 • Importation et Exportation de Données Vectorielles

Télécharge des shapefiles et GeoJSON comme actifs GEE et exporte les résultats vers Drive ou Cloud Storage. Les compétences d'échange de données connectent GEE aux workflows SIG externes.

Leçon 2 • Types de Géométries et Construction

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

Leçon 3 • Création et Gestion des 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 utilisant des 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 en utilisant 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 le compositage, les statistiques zonales et le résumé des séries temporelles.

Leçon 1 • Analyse de Tendance avec Régression Linéaire

Ajuste des tendances linéaires pixel par pixel à des empilements de séries temporelles en utilisant le réducteur linearFit() de GEE. Les cartes de tendance révèlent des schémas 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 en utilisant map() et reduce(). Les empilements sont la base pour toutes les analyses de tendance temporelle et de changement.

Leçon 3 • Algorithmes Avancés de Détection de Changements

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

Leçon 4 • Représentation Graphique des Données de Séries Temporelles

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

Leçon 1 • Workflow de Classification Supervisée

Décrit le pipeline complet, de la collecte des données d'entraînement à la sortie de la carte classifiée. La compréhension du workflow complet évite les erreurs courantes à chaque étape ultérieure.

Leçon 2 • Entraînement et Application des Classificateurs

Entraîne les classificateurs Random Forest, SVM et CART et les applique aux images complètes. Les étudiants comparent les sorties des classificateurs et sélectionnent le meilleur performant pour leur ensemble de données.

Leçon 3 • Classification Non Supervisée avec K-Means

Applique le clustering 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 étiquetée. La qualité des données d'entraînement est le déterminant le plus important de la précision du classificateur.