О возможностях интеграции облачных инфраструктур пространственных данных и универсальных настольных географических информационных систем на примере Google Earth Engine и QGIS

DOI: 10.35595/2414-9179-2020-1-26-421-433

Посмотреть или загрузить статью (Rus)

Об авторах

Е.А. Паниди

Санкт-Петербургский государственный университет, Институт наук о Земле, Кафедра картографии и геоинформатики,
10-я линия Васильевского острова, д. 31–33, 199178, Санкт-Петербург, Россия;
E-mail: panidi@ya.rue.panidi@spbu.ru

И.С. Рыкин

Санкт-Петербургский государственный университет, Институт наук о Земле, Кафедра картографии и геоинформатики,
10-я линия Васильевского острова, д. 31–33, 199178, Санкт-Петербург, Россия;
E-mail: ivan.rykin94@gmail.comst059068@student.spbu.ru

Аннотация

В статье кратко описаны содержание и результаты экспериментов, проведённых с целью проверки возможности и эффективности интеграции и совместного использования публичной облачной геопространственной платформы Google Earth Engine и настольной геоинформационной системы QGIS. Эксперименты были направлены на тестирование возможностей выгрузки и визуализации данных Google Earth Engine с использованием графического пользовательского интерфейса QGIS вместо стандартного способа, предполагающего визуализацию в веб-браузере. Цель экспериментов заключалась в формализации принципов построения специализированного модуля QGIS, проектируемого авторами. Модуль задуман как инструмент для картографирования и анализа временных рядов вегетационных индексов в целях оценки параметров вегетационных сезонов (в частности дат смены, продолжительности и др.) с временным разрешением в 1 сутки.

Контекст проекта составлен продолжительным исследованием авторов, посвящённым изучению взаимосвязей в динамике и изменении климатических параметров и параметров растительного покрова. В раннее выполненных исследованиях авторы выявили, что анализ количественных параметров климата в северных регионах необходимо проводить отдельно для весеннего, летнего и осеннего вегетационных сезонов, т.к. они характеризуются значительными различиями в условиях вегетации растений. Однако из-за разреженности наземной гидрометеорологической сети в северных регионах России (которые являются территорией исследования) вопрос детальной оценки пространственного распределения и дифференциации дат смены и других параметров сезонов становится практически неразрешимым. Картографирование и анализ вегетационных индексов могут быть применены при решении этой задачи, но в случае 1-суточного временного разрешения исходных спутниковых снимков, используемых для расчёта вегетационных индексов, в связи с огромным объёмом обрабатываемых данных необходимо привлечение технологий облачных вычислений. В данном контексте авторы затрагивают вопрос интеграции вычислительных возможностей облачной платформы с разнообразием инструментов анализа настольных ГИС.

Ключ. слова

Google Earth Engine, QGIS, обработка данных дистанционного зондирования

Список литературы

  1. Медведева М.А., Барталёв С.А., Лупян Е.А., Матвеев А.М., Толпин В.А., Пойда А.А. Возможности оценки момента наступления вегетационного сезона на основе спутниковых и метеорологических данных. Современные проблемы дистанционного зондирования Земли из космоса, 2008. Вып. 5. Т. 2. С. 313–321.
  2. Миклашевич Т.С., Барталёв С.А. Метод определения фенологических характеристик растительного покрова на основе временных рядов спутниковых данных. Современные проблемы дистанционного зондирования Земли из космоса, 2016. Т. 13. № 1. С. 9–24. DOI: 10.21046/2070-7401-2016-13-1-9-24.
  3. Семенова I.Г. Синоптичні та кліматичні умови формування посушливих явищ в Україні. Дис. … докт. геогр. наук. Одеса: Одеський державний екологiчний унiверситет, 2015. 296 с. (на украинском языке).
  4. Agapiou A. Remote sensing heritage in a petabyte-scale: satellite data and heritage Earth Engine© applications. International Journal of Digital Earth, 2017. V. 10. Iss. 1. Р. 85–102. DOI: 10.1080/17538947.2016.1250829.
  5. Delbart N.J-P., Kergoats L., Le Toan T., Lhermitte J., Picard G. Determination of phenological dates in boreal regions using Normalized Difference Water Index. Remote Sensing of Environment, 2005. V. 97. Iss. 1. Р. 26–38. DOI: 10.1016/j.rse.2005.03.011.
  6. Gao B.C. NDWI — a normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environment, 1996. V. 58. Iss. 3. Р. 257–266.
  7. Goetz S.J., Mack M.C., Gurney K.P., Randerson J.T., Houghton R.A. Ecosystem responses to recent climate change and fire disturbance at northern high latitudes: observations and model results contrasting northern Eurasia and North America. Environmental Research Letters, 2007. V. 2. No 4. Article ID: 045031. 9 p. DOI: 10.1088/1748-9326/2/4/045031.
  8. Gorelick N., Hancher M., Dixon M., Ilyushchenko S., Thau D., Moore R. Google Earth Engine: planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 2017. V. 202. P. 18–27. DOI: 10.1016/j.rse.2017.06.031.
  9. Jia G.J., Epstein H.E., Walker D.A. Vegetation greening in the Canadian Arctic related to decadal warming. Journal of Environmental Monitoring, 2009. No 11. P. 2231–2238.
  10. Panidi E. Fog Computing perspectives in connection with the current geospatial standards. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2017. V. XLII-3/W2. P. 171–174. DOI: 10.5194/isprs-archives-XLII-3-W2-171-2017.
  11. Panidi E., Tsepelev V. NDWI-based technique for detection of change dates of the growing seasons in Russian Subarctic. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2017. V. XLII-3/W2. P. 179–182. DOI: 10.5194/isprs-archives-XLII-3-W2-179-2017.
  12. Rykin I., Shagnieva A., Panidi E., Tsepelev V. Highly discrete mapping of the growing season time frames and time dynamics. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2019. V. XLII-3/W8. P. 357–361. DOI: 10.5194/isprs-archives-XLII-3-W8-357-2019.
  13. Sekhon N.S., Hassan Q.K., Sleep R.W. A remote sensing-based system to predict early spring phenology over boreal forest. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2010. V. XXXVIII (1). 5 p.
  14. Stow D.A., Hopea A., McGuireb D., Verbylac D., Gamond J., Huemmriche F., Houstond S., Racinef C., Sturmg M., Tapeh K., Hinzman L., Yoshikawai K., Tweediej C., Noylek B., Silapaswanl C., Douglasm D., Grifthn B., Jiao G., Epsteino H., Walkerp D., Daeschnera S., Petersena A., Zhouq L., Myneni R. Remote sensing of vegetation and land-cover change in Arctic tundra ecosystems. Remote Sensing of Environment, 2004. No 89. P. 281–308.
  15. Tsepelev V., Panidi E., Torlopova N., Bobkov A. Study of climate change at the north of European Russia using land cover data. International Multidisciplinary Scientific Geo Conference Surveying Geology and Mining Ecology Management, SGEM, 2015. V. 2. Iss. 3. P. 529–536. DOI: 10.5593/SGEM2015/B32/S14.071.
  16. Vermote E. MOD09A1 MODIS/Terra Surface Reflectance 8-Day L3 Global 500 m SIN Grid V006. 2015. DOI: 10.5067/MODIS/MOD09A1.006.
  17. Vermote E., Wolfe R. MOD09GA MODIS/Terra Surface Reflectance Daily L2G Global 1 km and 500 m SIN Grid V006 (Data set). 2015. DOI: 10.5067/MODIS/MOD09GA.006.
  18. Vos K., Splinter K.D., Harley M.D., Simmons J.A., Turner I.L. Coast Sat: a Google Earth Engine-enabled Python toolkit to extract shorelines from publicly available satellite imagery. Environmental Modelling and Software, 2019. V. 122. Article No 104528. DOI: 10.1016/j.envsoft.2019.104528.
  19. Warren M.S., Brumby S.P., Skillman S.W., Kelton T., Wohlberg B., Mathis M., Chartrand R., Keisler R., Johnson M. Seeing the Earth in the Cloud: processing one petabyte of satellite imagery in one day. IEEE Applied Imagery Pattern Recognition Workshop, 2015 (AIPR 2015). Article No 7444536. DOI: 10.1109/AIPR.2015.7444536.
  20. Yalew S.G., van Griensven A., van der Zaag P. AgriSuit: a web-based GIS-MCDA framework for agricultural land suitability assessment. Computers and Electronics in Agriculture, 2016. V. 128. P. 1–8. DOI: 10.1016/j.compag.2016.08.008.

Для цитирования: Паниди Е.А., Рыкин И.С. О возможностях интеграции облачных инфраструктур пространственных данных и универсальных настольных географических информационных систем на примере Google Earth Engine и QGIS. ИнтерКарто. ИнтерГИС. Геоинформационное обеспечение устойчивого развития территорий: Материалы Междунар. конф. M: Издательство Московского университета, 2020. Т. 26. Ч. 1. С. 421–433 DOI: 10.35595/2414-9179-2020-1-26-421-433

For citation: Panidi E.A., Rykin I.S. Toward the capabilities of integration of the cloud-based spatial data infrastructures and universal desktop geographic information systems, case study of Google Earth Engine and QGIS. InterCarto. InterGIS. GI support of sustainable development of territories: Proceedings of the International conference. Moscow: Moscow University Press, 2020. V. 26. Part 1. P. 421–433. DOI: 10.35595/2414-9179-2020-1-26-421-433 (in Russian)