Python 用于地理空间数据分析

第 4 章. 云中的地理空间分析：谷歌地球引擎和其他工具

本作品已使用人工智能进行翻译。欢迎您提供反馈和意见：[e-mail]

如何访问地理空间数据？虽然拥有企业账户的数据专业人士可能不会考虑个人计算和依赖开源数据的局限性，但我们其他人经常在有限的范围内工作。云中的地理空间分析缩小了这一鸿沟，因为这意味着我们不再需要在本地存储大量数据。在此之前，公众从未在如此大的全球范围内获得过地理空间数据的开放源代码。本章将告诉你在哪里可以找到用于探索和学习的数据。

几十年来，美国和世界各地的太空项目一直在收集来自卫星和传感器的数据，但直到最近，我们才有能力实时操作这些数据进行分析。 美国地质调查局拥有EarthExplorer（大地遥感卫星），哥白尼开放存取枢纽提供来自欧洲航天局（ESA）哨兵卫星的数据。大地遥感卫星的高分辨率卫星图像使我们能够评估和测量环境变化，了解气候科学和农业实践的影响，以及应对跨时空的自然灾害，这只是其中的几个例子。免费卫星图像的出现使世界各地经济困难地区的决策者能够深入了解情况，并集中精力解决问题。

空间分析包括应用于位置数据的方法和工具，其结果因分析对象的位置或框架而异。 空间分析本质上是 "特定位置 "分析。这可以简单到定位最近的地铁站或询问社区内有多少绿地或公园，也可以复杂到揭示交通可达性或健康结果的模式。空间算法是一种解决问题的方法，通过列出和执行与地理属性相结合的顺序指令，用于分析、建模和预测。

GIS 解决的是依赖经纬度和投影等位置信息的空间问题。空间信息可以回答 "在哪里 "的问题：某件事发生在地球表面的什么地方？

举个例子，想象一下您从曼哈顿第 41 街和麦迪逊大道交叉口的酒店出来。你在地图应用程序中搜索哪里可以买到大衣，因为天气比你预想的要冷得多。瞬间，服装店的位置出现在你的屏幕上。

或者在营销方面，假设你在一家户外用品公司工作，为眼光挑剔的顾客生产顶级外衣。您可以利用地理空间信息来回答以下问题：你的潜在客户在哪里居住、访问或旅行？在附近建立一个潜在的零售点是否是一个有利可图的营销决策？潜在顾客会走多远？您所考虑的每个地点的平均收入是多少？这些问题存在于零售和商业环境、军事、气候科学和医疗保健等领域。

属性是空间参考数据的另一个 重要组成部分。空间属性是在空间中的边界；这些属性可能包括社区边界或基础设施，如道路或地铁站，通常用多边形表示。空间参考数据也可以具有非空间属性，例如某个地点居民的收入，并能为位置情报提供背景信息。

GIS 中的I越来越多地存储在 Cloud 中。如今，您的笔记本电脑可以访问云端地理空间分析处理服务提供的 PB 级信息。本章将探讨其中一项服务：谷歌地球引擎（GEE）。

2007 年，微软公司的计算机科学家吉姆-格雷（Jim Gray）说过这样一句话："对于数据分析来说，一种可能性是把数据移到你的面前，但另一种可能性是把你的查询移到数据上："对于数据分析来说，一种可能性是把数据移到你那里，但另一种可能性是把你的查询移到数据那里。你既可以移动问题，也可以移动数据。通常情况下，移动问题比移动数据更有效"。这就是在 Cloud 中进行地理空间分析的基本原则。

在本章中，您将使用 GEE 执行与空间环境中的地理属性相关的各种任务。我们还将快速了解另一个与 Python 集成的工具：Leafmap。在本章结束时，您将对这些界面有足够的熟悉程度，可以跟进后面章节的学习，并最终启动自己的独立项目。

谷歌地球引擎设置

但首先，你需要创建工作环境。 本章的 Jupyter ...