С какой-то невероятной скоростью в последнее время Google и Meta выпускают проекты в гео.
🌍 Google открыл новый датасет Satellite Embedding.
Теперь не нужно самим чистить спутниковые снимки, убирать облака, считать индексы — Google уже сделал это за вас.
Каждый пиксель Земли (10x10 м) перевели в эмбединг (числовой вектор), где уже зашита информация о ландшафте, растительности, постройках и климате.
То есть слой ценен как для анализа городских, так и сельских и природных территорий.
🔑 Ценность данных
- Слой с эмбедингами уже готов к анализу: не нужно, например, делать атмосферную коррекцию, убирать облака, фильтровать шум и тд — вы сразу получаете результаты, готовые для анализа
🛠 Как можно использовать
📌 Делать классификацию земель: где поля, где города, где лес.
📌 Кластеризовать территорию без разметки (поиск похожих участков).Пример
📌 Смотреть динамику по годам: если вектор пикселя почти не меняется — место стабильно, а если сильно сдвигается — значит произошли изменения, например вырос новый район города или вырубили участок леса.
🚀 Как получить доступ и работать со слоем
Внутри Google Earth
- Зарегистрироваться на Google Earth
- Следовать шагам из этого Tutorial.
В Python
- Установить и авторизовать Google Earth Engine API
pip install earthengine-api
ee.Authenticate()
- Загрузить коллекцию
ee.ImageCollection("GOOGLE/SATELLITE_EMBEDDING/V1/ANNUAL")
- При необходимость отфильтровать её по региону или датам (библиотека geemap)
-Конвертировать в векторный формат (библиотека geemap или rasterio)
После конвертации в таблицу с данными можно работать как обычно, используя библиотеку geopandas.
Ну и напомню, что если вы хотите научиться анализировать векторные данные и переводить из растра в вектор, то велком на мой курс ))
Подробнее на английском про Satellite Embedding тут
🌍 Google открыл новый датасет Satellite Embedding.
Теперь не нужно самим чистить спутниковые снимки, убирать облака, считать индексы — Google уже сделал это за вас.
Каждый пиксель Земли (10x10 м) перевели в эмбединг (числовой вектор), где уже зашита информация о ландшафте, растительности, постройках и климате.
То есть слой ценен как для анализа городских, так и сельских и природных территорий.
🔑 Ценность данных
- Слой с эмбедингами уже готов к анализу: не нужно, например, делать атмосферную коррекцию, убирать облака, фильтровать шум и тд — вы сразу получаете результаты, готовые для анализа
🛠 Как можно использовать
📌 Делать классификацию земель: где поля, где города, где лес.
📌 Кластеризовать территорию без разметки (поиск похожих участков).Пример
📌 Смотреть динамику по годам: если вектор пикселя почти не меняется — место стабильно, а если сильно сдвигается — значит произошли изменения, например вырос новый район города или вырубили участок леса.
🚀 Как получить доступ и работать со слоем
Внутри Google Earth
- Зарегистрироваться на Google Earth
- Следовать шагам из этого Tutorial.
В Python
- Установить и авторизовать Google Earth Engine API
pip install earthengine-api
ee.Authenticate()
- Загрузить коллекцию
ee.ImageCollection("GOOGLE/SATELLITE_EMBEDDING/V1/ANNUAL")
- При необходимость отфильтровать её по региону или датам (библиотека geemap)
-Конвертировать в векторный формат (библиотека geemap или rasterio)
После конвертации в таблицу с данными можно работать как обычно, используя библиотеку geopandas.
Ну и напомню, что если вы хотите научиться анализировать векторные данные и переводить из растра в вектор, то велком на мой курс ))
Подробнее на английском про Satellite Embedding тут