Con una plétora de datos de teledetección por satélite disponibles, Google ha creado una infraestructura, llamada Google Earth Engine (o Earth Engine), que permite a los científicos e investigadores acceder a una gran cantidad de datos y aplicar diferentes procedimientos de procesamiento a esos datos para que puedan obtener las imágenes que necesitan.
Se trata de un problema importante para los científicos, que es la mejor manera de acceder a las crecientes cantidades de datos satelitales y de facilitar a los investigadores la búsqueda de datos pertinentes.
El servicio utiliza la computación en nube para permitir el acceso, el intercambio y la integración de diferentes formatos de datos. Esto ha supuesto la creación no sólo de una infraestructura con capacidad a escala de petabytes, sino también de APIs, utilizando JavaScript y Python, que permiten la adición y manipulación de diversos datos, como la visualización nocturna de luces urbanas en las imágenes [1].
Mapeo de series temporales con Climate Engine
Lo que ha sido muy útil para algunos investigadores es el hecho de que las APIs son extensibles para que puedan ser manipuladas para tipos más específicos de tareas.
Este es el caso de Climate Engine, que se basa en Google Earth Engine para crear una interfaz que puede mostrar la información cartográfica de series temporales añadida, como las imágenes del espectrorradiómetro de imágenes de resolución moderada (MODIS), con datos climáticos que permiten a los científicos obtener más fácilmente datos basados en el clima de superficie relevantes para la observación de la Tierra. Esto ahorra tiempo y permite a los científicos aplicar directamente tareas que antes eran competencia de los programadores [2].
Análisis de diferentes escalas temporales y espaciales con Earth Engine
Una poderosa aplicación de Earth Engine es la integración de diferentes conjuntos de datos a diferentes escalas temporales y espaciales. Por ejemplo, un proyecto de investigación se enfrentó a la dificultad de comprender el cambio de humedales utilizando datos Landsat de menor resolución. Mediante la integración de datos LiDAR (Light Detection and Ranging) junto con sus imágenes aéreas, fue posible utilizar el Google Earth Engine para delinear el cambio de humedales y la extensión de la inundación utilizando también los datos disponibles en el Earth Engine [3].
Los beneficios del Google Earth Engine incluyen la integración de diferentes conjuntos de datos a diferentes resoluciones, en este caso las imágenes Sentinel-1, Sentinel-2 y Landsat 8, a lo largo de diferentes intervalos de tiempo, de tal manera que las brechas en los datos y la mejora de la identificación de las características son posibles a través de la integración de múltiples imágenes.
Los resultados ayudaron a los investigadores a aplicar la agregación temporal de datos para llenar los principales vacíos debidos a la cobertura nubosa, que normalmente habría implicado la descarga de muchas imágenes y el procesamiento de cada una de ellas para su integración antes de llevar a cabo análisis de identificación que clasifiquen las características de la cubierta terrestre [4].
Detección de errores con Earth Engine
Earth Engine no sólo ha fomentado nuevas plataformas como Climate Engine, sino que ha permitido y fomentado avances en nuevos algoritmos para procesar y utilizar los datos de forma más eficiente. Una aplicación es la detección de errores en los datos para que no se propaguen y se usen en otras aplicaciones o imágenes a medida que se integran.
El desarrollo de métodos de puntuación, como el uso de la puntuación Z, los valores atípicos de Tukey y la C de Geary, para determinar dónde es probable que haya errores analíticos o cómo las observaciones pueden no estar relacionadas con lo que los datos están diciendo, puede ser crítico para identificar. Los desarrollos en algoritmos han incluido la detección automática de errores que informa a los investigadores sobre problemas potenciales con el uso de cualquier conjunto de imágenes de Google Earth Engine [5].
Google Earth Engine ha permitido a miles de científicos tener acceso a los datos de teledetección e integrarlos sin tener acceso a programas informáticos sofisticados o a técnicos con determinadas habilidades. Muchos de los datos se encuentran todavía en resoluciones que podrían ser demasiado bajas, donde los datos incluyen principalmente imágenes Landsat.
Sin embargo, esto podría cambiar a medida que se empiecen a integrar más datos de alta resolución en el motor. La naturaleza de las series temporales del conjunto de datos es quizás el mejor activo, ya que permite una mejor comprensión de nuestro mundo cambiante a través del análisis a largo plazo de datos que se remontan a la década de 1970. Muy probablemente, veremos más aplicaciones que son específicas para un grupo de investigadores científicos que se desarrollan a partir de Google Earth Engine, similar a Climate Engine.
Referencias
[1] For more on Google Earth Engine, see: https://developers.google.com/earth-engine/.
[2] For more on Climate Engine, see: http://climateengine.org/.
[3] For more on the effort looking at wetland change and using Google Earth Engine, see: Wu, Q., Lane, C. R., Li, X., Zhao, K., Zhou, Y., Clinton, N., et al. 2019. Integrating LiDAR data and multi-temporal aerial imagery to map wetland inundation dynamics using Google Earth Engine. Remote Sensing of Environment, 228: 1–13. https://doi.org/10.1016/j.rse.2019.04.015
[4] For more on multi-temporal satellite data integration, see: Carrasco, L., O’Neil, A., Morton, R., & Rowland, C. 2019. Evaluating Combinations of Temporally Aggregated Sentinel-1, Sentinel-2 and Landsat 8 for Land Cover Mapping with Google Earth Engine. Remote Sensing, 11(3): 288. https://doi.org/10.3390/rs11030288
[5] For more on error detection algorithms to minimize observation errors using the Google Earth Engine, see: Peter, B. G., & Messina, J. P. 2019. Errors in Time-Series Remote Sensing and an Open Access Application for Detecting and Visualizing Spatial Data Outliers Using Google Earth Engine. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 12(4): 1165–1174. https://doi.org/10.1109/JSTARS.2019.2901404
Traducido desde: GIS Lounge
