Projekt 2 - Przetwarzanie w chmurze Google Earth Engine - tworzenie własnego kodu na podstawie istniejących case studies

Zadanie - przygotowanie danych do dalszego przetwarzania

1. Wybrać obszar analizy ROI
2. Wczytać SRTM
3. Utworzyć histogram SRTM
4. Wyciąć i wyeksportować fragment SRTM (ROI) jako TIF
5. Wczytać do QGIS
6. Wczytać kolekcję Sentinel-2 MSI: MultiSpectral Instrument, Level-2A
7. Wybrać najmniej zachmurzony obraz z początku marca do końca września 2022
8. Utworzyć histogramy z kanałów: B,G,R,NIR (4 histogramy plus histogram zbiorczy)
9. Zmodyfikować parametry wyświetlania, CSS-style color
10. Wyciąć fragment ROI
11. Wyeksportować do TIFF
12. Wczytać do QGIS
13. ------Analiza zmian NDVI w czasie dla wybranej działki-----

Pomocne informacje

Histogram - rozciąganie kontrastu >ui.Chart.image.histogram

Poprawianie jakości wizualnej

Layer-properties

Wycinanie fragmentu obrazu >ee.Image.clip

Zapis obrazu >Export.image.toDrive

Uwaga: należy przełączyć na 'Task" - prawy panel

Miscellaneous

Zmiana warstwy, sprawdzanie wartości w obrazie, dodawanie legendy

FLDAS: Famine Early Warning Systems Network (FEWS NET) Land Data Assimilation System

The FLDAS dataset (McNally et al. 2017), was designed to assist with food security assessments in data-sparse, developing country settings. It includes information on many climate-related variables including moisture content, humidity, evapotranspiration, average soil temperature, total precipitation rate, etc.

Sprawdzić jakie dane są dostępne (zakładka 'Bands')

Sprawdzić jakie dane są wyświetlane domyślnie

Zmienić na 'temperature'

Sprawdzić jakie są wartości temperatury w Polsce (Inspector)

Zmienić linie 6 i 7

Dodać legendę modyfikując kod

Uwaga: ujednolicić zmienne 'vis' i 'band_viz'

Animacja zmian w czasie Time-lapse animations

Personalizacja ustawień

.filter(ee.Filter.eq('WRS_PATH', 105))

.filter(ee.Filter.eq('WRS_ROW', 69))

dla Krakowa: PATH 188, ROW 25