P-GIS xin giới thiệu đến các bạn series các bài giảng video trên Youtube về ứng dụng Google Earth Engine.

1. Flood Detection - Giám sát ngập lụt: https://lnkd.in/dDPQ95pe
2. Drought Mapping - Lập bản đồ hạn hán: https://lnkd.in/ddsKiA7x
3. Soil Moisture Estimation - Theo dõi độ ẩm đất: https://lnkd.in/dSqKGAsm
4. Drought Monitoring - Theo dõi hạn hán: https://lnkd.in/dif6sxKw
5. Global Canopy Height - Dữ liệu chiều cao cây: https://lnkd.in/dwBscWha
6. Crop Type Detection - Phân loại cây trồng: https://lnkd.in/dHfsZAA7
7. Crop Water Stress - Theo dõi độ ẩm thảm thực vật: https://lnkd.in/d8bjXGRd
8. Precipitation Downscaling - Tăng độ phân giải dữ liệu mưa: https://lnkd.in/d74tJTbX
9. Biomass Prediction - Dự báo sinh khối: https://lnkd.in/dmaQA9AN
10. Oil Spill Detection - Giám sát sự cố tràn dầu: https://lnkd.in/ddyM-sEn
11. Lake Area Estimation - Ước tính diện tích mặt nước (hồ): https://lnkd.in/dWnd3f3x
12. Ground Water Monitoring - Theo dõi mực nước ngầm: https://lnkd.in/dhC-jDdX
13. Water Turbidity - Theo dõi độ đục của nước: https://lnkd.in/dGfnaTsH
14. Urban Flood - Lập bản đồ ngập lụt đô thị: https://lnkd.in/dd9SVnYG
15. Urban Heat Island - Theo dõi hiệu ứng đảo nhiệt ở các vùng đô thị: https://lnkd.in/dGt_SxZW
16. Wildfire Detection - Giám sát cháy rừng: https://lnkd.in/gi9vBHAF
17. Landcover Product - Lập bản đồ lớp phủ thực vật: https://lnkd.in/dMCQR-vt
18. Coastline Change Detection - Theo dõi biến động đường bờ: https://lnkd.in/dKGyxDFZ
19. Deforestation Monitoring - Giám sát suy thoái rừng: https://lnkd.in/d-yNQjBJ
20. Methan Monitoring - Giám sát phát thải khí mê-tan: https://lnkd.in/dG5xtx2R

Bản đồ lớp phủ độ phân giải 100 m toàn cầu đầu tiên năm 2015 - được phát hành chỉ hơn một năm trước - tiếp tục truyền cảm hứng cho hàng nghìn người dùng với các ứng dụng trong nông nghiệp, đa dạng sinh học & bảo tồn thiên nhiên. 

Sông Hồng tại địa phận Thành phố Hà Nội (Việt Nam) có sự biến động dòng chảy mạnh mẽ (đoạn qua huyện Đan Phượng và Mê Linh) trong giai đoạn 1990-2000. Để theo dõi quá trình biến động này, ứng dụng Google Earth Engine truy xuất dữ liệu mặt nước hàng năm của JRC (Jean-Francois Pekel, Andrew Cottam, Noel Gorelick, Alan S. Belward, High-resolution mapping of global surface water and its long-term changes. Nature 540, 418-422 (2016). (doi:10.1038/nature20584) sẽ cho phép tạo ảnh động để diễn tả các biến đổi này.

Đoạn mã dưới đây được tham khảo từ mã nguồn của Justin Braaten sẽ minh họa cho ý tưởng trên.

 

var rect = 

    /* color: #00ffff */

    /* displayProperties: [

      {

        "type": "rectangle"

      }

    ] */

    ee.Geometry.Polygon(

        [[[105.56669468195913, 21.20241967085154],

          [105.56669468195913, 21.03203770961315],

          [105.85371250422476, 21.03203770961315],

          [105.85371250422476, 21.20241967085154]]], null, false);

          

var col = ee.ImageCollection('JRC/GSW1_1/YearlyHistory').map(function(img) {

 var year = img.date().get('year');

 var yearImg = img.gte(2).multiply(year);

 var despeckle = yearImg.connectedPixelCount(15, true).eq(15);

 return yearImg.updateMask(despeckle).selfMask().set('year', year);

});

function appendReverse(col) {

 return col.merge(col.sort('year', false));

}

var bgColor = 'FFFFFF'; // Assign white to background pixels.

var riverColor = '0D0887'; // Assign blue to river pixels.

var annualCol = col.map(function(img) {

 return img.unmask(0)

 .visualize({min: 0, max: 1, palette: [bgColor, riverColor]})

 .set('year', img.get('year'));

});

var basicAnimation = appendReverse(annualCol);

var aoi = rect;

var videoArgs = {

 dimensions:

 600, // Max dimension (pixels), min dimension is proportionally scaled.

 region: aoi,

 framesPerSecond: 5

};

var bgImg = ee.Image(1).visualize({palette: bgColor});

var fadeFilter = ee.Image(1).visualize({palette: bgColor, opacity: 0.1});

var fadeFilterCol = col.map(function(img) {

 var imgVis = img.visualize({palette: riverColor});

 return imgVis.blend(fadeFilter).set('year', img.get('year'));

});

var yearSeq = ee.List.sequence(1984, 2018);

var fadeCol = ee.ImageCollection.fromImages(yearSeq.map(function(year) {

 var fadeComp =

 fadeFilterCol.filter(ee.Filter.lte('year', year)).sort('year').mosaic();

 var thisYearImg = col.filter(ee.Filter.eq('year', year)).first().visualize({

 palette: riverColor

 });

 return bgImg.blend(fadeComp).blend(thisYearImg).set('year', year);

}));

print(ui.Thumbnail(appendReverse(fadeCol), videoArgs));

Map.addLayer(rect,{},"Observed region");

Nhiệt đồ bề mặt trái đất trung bình tháng 1-2 năm 2016 tổ hợp từ dữ liệu MODIS cho thấy sự khác biệt giữa vùng cực Bắc và các khu vực khác. Nguồn: Climate Engine.

Weather data, a simple question but sometimes difficult to know where and how to get it. Ground data is mostly station-based measurements which are expensive and coarse. Some shortcomings of ground data can bet listed as follows:

• Expensive;
• Coarse;
• Difficult to get;
• Commonly not real-time for civiliant use;
• Lack of historical data (for developing countries);
• Not ready for spatial analyses.

Of course it has quite a number of advantages, and again, still remains more drawbacks. It is for sure ground data is unreplacable, however, depending only on ground data is not a good choice of ones who are dealing with spatial data analyses.

There's another complimentary source, which is data derived from earth observation satellites and mathematical models.

Since everything has been "on the cloud", the weather data of the world has become more accessible than ever. Following example in Google Earth Engine codes will show you how to visualize some sort of weather data. And of course, you can further develop your own application with "download", "clip", "raster calculation", "data aggregation", "anomalies".... functions. With this example, you can fetch:

• Precipitation
• Heat flux
• Land surface temperature
• Wind speed
• Air humidity
• Sun radiation

Add more and share codes if you're ready.

Surface Temperature - Nhiệt độ bề mặt

In the field of remote sensing/image processing, HF has been applied as a multi-dimensional key for image classification. It is really cool to use HF for a particular crop detection using time-series data. There are a number of studies using HF for crop detection or land use/land cover mapping (Wilson, 2018; Ghazaryan, 2018; Fawcett, 2017; Shew, 2017; Almeida, 2017; etc.). Most of them do not only use HF, but also apply decision tree or rule based algorithms for better outputs.

Some basic requirements for using HF in image processing include:

• a set of time-series satellite data;
• a set of samplings for the software to study;
• a set of rules to detect the object of interest;
• a set of auxilliary parameters (e.g. environmental condition, crop phenology...) to limit miss-interpretation; and finally,
• a good software/tool to implement.

This post demonstrates how to use Google Earth Engine to detect and observe Mangrove forest in southern Ca Mau province, Vietnam, using Landsat-8 time-series data.

In recent time, the question of "where to find data?" is no longer a big concern. Another bigger issue has emerged, which relates to "what sort of information that can be extracted from data?".

Storing raw data as files in hard disks or storage media is also no longer fashionable because "we don't have to do it, all of them are in the cloud now".

A few lines of codes below demonstrate how to use Google Earth Engine to find and extract information from cloud storage (by Google) and show them in the way you like. Of course, if you're good enough at Java programming, you can manipulate and analyze this data and turn it into more valuable information.... in a flash.



The codes work in a few seconds to acquire, select and display monthly average temperature, plus  accumulated rainfall across the country of Vietnam. You can modify desired time period to get more data if you wish. My codes are free.