PROCESSAMENTO DE IMAGENS ORBITAIS EM NUVEM COM GOOGLE EARTH ENGINE
A tecnologia geoespacial do Google Earth Engine (GEE), representa um grande avanço para monitoramento e análises das mudanças no uso e cobertura da terra em grandes áreas geográficas a partir do processamento em nuvem gratuito com recursos de computação de alto desempenho e o acesso um catálogo de dados geoespaciais. O GEE é composto por uma vasta coleção de dados geoespaciais pré-processados, como a série completa do Landsat, imagens de Sentinel-1, Sentinel-2 e MODIS, entre outros. Além disso, disponibiliza vários algoritmos de classificação supervisionados e não supervisionados, bem como classificação via métodos de aprendizado de máquinas como: Random Forest, Classification and Regression Trees (CART), Support Vector Machines (SVM), NaiveBayes, Cascade K-Means, Cobweb, K-Means, Learning Vector Quantization (LVQ), Train, entre outros. Portanto, o GEE é uma plataforma capaz de obter resultados de Big Data, alcançando informações sobre o uso da terra em grandes extensões, as quais são muito importantes para gestão ambiental, tais como monitoramento, contabilização de áreas, análise de dinâmica de ecossistemas, produtividade e mudanças climáticas. Apesar dos recursos e processamentos serem oferecidos de forma gratuita, a plataforma possui algumas restrições como o limite de tempo de execução, ciclos de CPU disponíveis e número de solicitações por segundo, podendo expandir os clusters em uso empresarial.
PROCESSAMENTO DE IMAGENS ORBITAIS EM NUVEM COM GOOGLE EARTH ENGINE
-
DOI: 10.22533/at.ed.6452020032
-
Palavras-chave: GEE, Big Data, Sensoriamento Remoto
-
Keywords: GEE, Big Data, Remote Sensing
-
Abstract:
Google Earth Engine (GEE) geospatial technology represents a breakthrough for monitoring and analyzing land use change and coverage in large geographic areas from free cloud processing with high-performance computing capabilities and catalog access of geospatial data. GEE is comprised of a vast collection of preprocessed geospatial data, such as the full Landsat series, Sentinel-1 and Sentinel 2 images, MODIS, and other thematic databases. In addition, it provides various supervised, unsupervised classification algorithms and regression classification methods such as Random Forest, Classification and Regression Trees (CART), Support Vector Machines (SVM), NaiveBayes, Cascade K-Means, Cobweb, K-Means, Learning Vector Quantization (LVQ), Train and others. Therefore, being a platform capable of obtaining Big Data results, thus achieving information on land use over large extensions, which are very important for environmental management, such as monitoring, area accounting, ecosystem dynamics analysis, productivity. and climate change. Although features and processing are offered free of charge, the platform has some restrictions such as runtime limit, available CPU cycles, and number of requests per second.
-
Número de páginas: 14
- Carlos Roberto Sanquetta
- Ana Paula Dalla Corte
- Letícia Siqueira Walter
- Emmanoella Costa Guaraná Araujo
- André Luís Berti
- Ernandes Macedo da Cunha Neto
- Tarcila Rosa da Silva Lins
- Gabriel Mendes Santana
- Vinícius Costa Martins
- Guilherme Bronner Ternes
- Iací Dandara Santos Brasil
- Marks Melo Moura
