(English below)

Tại Hội nghị chuyên đề về phân tích ảo ENVI lần thứ 6 được tổ chức hàng năm tại Boulder, Colorado, Mỹ: “Tầm nhìn không gian địa lý cho thập kỷ tiếp theo”, hai chủ đề chính được đề cập là biến đổi đất đai và khoa học dữ liệu viễn thám. Cách con người phản ứng với sự thay đổi công nghệ về mặt văn hóa sẽ định hình kết quả của những đổi mới của chúng ta, bởi vì có sự khác biệt lớn giữa tham vọng cao cả và kết quả thực tế

Chủ đề “Biên giới của Khoa học Cơ hội Đất đai”

Các nhà khoa học tin rằng khoa học biến đổi đất đai có tiềm năng phát triển cộng đồng chéo trên quy mô toàn cầu. Các chủ đề về thay đổi đất đai bao gồm:

• Giám sát - phát hiện những gì, khi nào, ở đâu và mức độ thay đổi xảy ra
• Mục đích - định lượng quỹ đạo thời gian của sự tích lũy thay đổi
• Phân tích - hiểu tại sao thay đổi xảy ra và hậu quả của nó
• Mục đích: hiểu nhân quả và tác động của sự thay đổi và sự không chắc chắn của nó
• Dự đoán - điều gì, khi nào, ở đâu, bao nhiêu và tại sao thay đổi có thể xảy ra
• Mục đích: Thông báo các quyết định hành động

Dữ liệu là dầu mới

Cụm từ này mô tả cách ngành công nghiệp chuyển từ ông trùm dầu mỏ sang ông trùm dữ liệu. Điều này mang lại sự hồi sinh cho khoa học dữ liệu.

Làm thế nào để cụm từ này áp dụng cho khoa học dữ liệu?

Dữ liệu phải được tinh chỉnh để khoa học dữ liệu khai thác giá trị của nó. Việc sàng lọc dữ liệu bao gồm:

Điều hòa dữ liệu
Hiệu chỉnh hài hòa (theo không gian và thời gian)
Dữ liệu biểu diễn
Dữ liệu sẵn sàng phân tích
Sau khi được cung cấp nhiên liệu, chúng ta có thể theo đuổi:

Phân tích theo hướng dữ liệu
Suy luận- biến dữ liệu thành kiến ​​thức
Tổng hợp
Sự dự đoán
Khi dữ liệu Landsat được cung cấp miễn phí sau năm 2008, lượt tải xuống dữ liệu này đã tăng vọt. Các mô hình kinh doanh đã thay đổi. Có 2,2 tỷ đô la lợi ích kinh tế toàn cầu hàng năm vào năm 2011 và nó đã tăng lên 3,5 tỷ đô la lợi ích kinh tế toàn cầu hàng năm vào năm 2017 (phương pháp định giá dự phòng).

Landsat trước hết là một sứ mệnh khảo sát toàn cầu. Landsat 8 làm mới toàn bộ bề mặt đất của hành tinh là một chu kỳ 16 ngày, thu thập khoảng 1 TB ngày bằng cách sử dụng "chế độ goldilocks" có độ phân giải vừa phải (không gian / quang phổ / thời gian). Dữ liệu Landsat “đã sẵn sàng phân tích” với sự hiệu chỉnh khí quyển nhất quán. Mục tiêu của Landsat luôn là cân bằng giữa số lượng và chất lượng dữ liệu thu thập được, nơi bạn thường phải hy sinh cái này để tăng cái kia.

ARD (phát hiện sẵn sàng phân tích) giải tỏa một số người dùng khỏi gánh nặng xử lý. Một cách khác để chuẩn bị dữ liệu phân tích là chia nhỏ dữ liệu. Dữ liệu được cung cấp trên một lưới xác định trước bao gồm một hình dạng cố định. ARD cũng có nghĩa là cung cấp cho người dùng siêu dữ liệu và hiệu ứng của các đám mây được hiển thị để họ có thể tập trung vào vị trí của dữ liệu.

Cách truyền thống để gắn cờ thay đổi là so sánh các quan sát giữa hai ngày và so sánh các giá trị phản xạ của chúng và đặt một số ngưỡng tùy ý. Lưu ý rằng, nếu chúng ta không có các cảnh trên không để tham khảo, chúng ta bị hạn chế về những gì quan sát của hai pixel theo thời gian. Tuy nhiên, nếu chúng ta xem xét tất cả các quan sát Landsat kể từ năm 1984 và mô hình hóa các mẫu với hàm hồi quy hài hòa để nắm bắt các thay đổi theo mùa thì chúng ta có thể xác định các thay đổi về biên độ và nếu chúng ta gắn nhãn và đào tạo một thuật toán học máy, chúng ta có cơ sở để mô tả đặc điểm của sự thay đổi theo mùa và mỗi loại lớp.

Một triết lý cơ bản của LCMAP (Giám sát, Đánh giá và Dự báo Thay đổi Đất đai) là ngoài việc phát hiện và theo dõi sự thay đổi đất đai theo thời gian, các động lực của sự thay đổi cũng cần được giải thích và hiểu để phát triển các mô hình mạnh mẽ có thể đưa ra các dự báo kịp thời của sự thay đổi đất đai cho những người ra quyết định.

Một khi chúng ta có thể hiểu được nhân quả bằng cách theo dõi quá khứ, chúng ta đang ở một nơi tốt hơn để đưa ra dự đoán dài hạn về tương lai

-----------------

Land change and RS Data science in “Geospatial Vision for the Next Decade”

On the 6th ENVI Virtual Analytics Symposium: “Geospatial Vision for the Next Decade” annually organized in Boulder, Colorado, US, the two keynote Themes spoken are Land change and RS Data science. How the human respond to technological change culturally will shape the outcome of our innovations, because there is a big difference between lofty ambitions and actual outcomes.

Frontiers of Land Chance Science

The scientists believe that land change science has the potential for cross community development on a global scale. Themes of land change include:

• Monitor – detect what, when, where and how much change occurs
• Purpose – quantify the time trajectory of change accumulation
• Analyze – understand why change occurred, and its consequences
• Purpose: understand causation and impacts of change and its uncertainty
• Predict – what, when, where, how much, and why change may occur
• Purpose: Inform decisions to act

 Data is the new oil

This phrase describes how industry has shifted from oil barons to data barons. This gives resurgence to data science.

 

How does this phrase apply to data science?

Data must be refined for data science to harness its value. Data refinement includes:

Data conditioning
Calibration harmonization (over space & time)
Performant data
Analysis ready data
Once fueled, we can pursue:

Data driven analytics
Inference- turning data into knowledge
Synthesis
Prediction
When Landsat data became freely available after 2008, downloads of it soared. Business models changed. There was $2.2B in annual global economic benefit by 2011 and it grew to $3.5B in annual global economic benefit by 2017 (contingent valuation method).

Landsat is first and foremost a global survey mission. The Landsat 8 total refresh for the entire planet’s land surface is a 16 day cycle, collecting about 1 TB day using the “goldilocks regime” of moderate resolution (spatial/spectral/temporal). Landsat data is “analysis ready” with consistent atmospheric correction. The goal of Landsat has always been to balance quantity and quality of data collected where you generally have to sacrifice one to increase the other.

ARD (analysis ready detection) relieves some users from the processing burden. Another way to make analysis data ready is by chunking it up. The data is provided on a predetermined grid which includes a fixed geometry. ARD also means providing users with metadata and effects of clouds shown so they can focus on where the data is.

The traditional way to flag change was to compare observations between two dates and compare their reflectance values and set some arbitrary threshold. If we didn’t have aerial scenes to reference, we are somewhat limited about what we can say of observations of two pixels over time. However, if we look at all Landsat observations since 1984, and model the patterns with harmonic regression function to capture seasonal changes then we can determine amplitude changes and if we label and train a machine learning algorithm, we have the basis for characterizing change both seasonally and per class type.

A fundamental philosophy of LCMAP (Land Change Monitoring, Assessment, and Projection) is that in addition to detecting and monitoring land change over time, the drivers of change also need to be interpreted and understood in order to develop robust models that can provide timely projections of land change for decision makers.

Once we can understand causation by monitoring the past, we are in a better place to make a long term projection of the future.