[EARTH LAB - ĐH COLORADO] +69 BÀI HỌC SỬ DỤNG DỮ LIỆU VIỄN THÁM TRONG

(English below)
Giới thiệu về dữ liệu viễn thám
Viễn thám là khoa học nghiên cứu sự vật mà không cần chạm vào chúng. Bạn có thể sử dụng hệ thống viễn thám để nghiên cứu cách hệ thống Trái đất thay đổi theo thời gian. Ví dụ, các nhà khoa học sử dụng máy ảnh công suất lớn, không giống như máy ảnh trong điện thoại thông minh của bạn, được gắn trên máy bay và vệ tinh để ghi lại hình ảnh của trái đất khi nó thay đổi theo thời gian. Các cảm biến khác như lidar (phát hiện và phạm vi ánh sáng) được sử dụng để thu thập dữ liệu độ cao có thể được sử dụng để đo lường sự thay đổi của cây cối, rừng và thậm chí sự phát triển theo thời gian.

Cảm biến từ xa chủ động và thụ động
Có hai loại cảm biến viễn thám: cảm biến chủ động và cảm biến thụ động. Cảm biến thụ động đo năng lượng hiện có, thường là từ mặt trời. Máy ảnh trong điện thoại thông minh hoặc iPad của bạn là một ví dụ về cảm biến viễn thám thụ động. Để chụp ảnh, máy ảnh này ghi lại ánh sáng mặt trời, phản chiếu từ các vật thể. Theo hợp đồng, một cảm biến viễn thám hoạt động sẽ tạo ra nguồn năng lượng của chính nó. Lidar (đôi khi còn được gọi là quét laser chủ động) là một ví dụ về cảm biến viễn thám chủ động. Hệ thống Lidar có một tia laser trên tàu phát ra ánh sáng sau đó phản chiếu từ các vật thể, như cây cối, trên bề mặt Trái đất.
Dưới đây, bạn sẽ tìm thấy các bài học bao gồm cách tìm, tải xuống, làm việc với, trực quan hóa và phân tích dữ liệu viễn thám bao gồm Landsat, MODIS, NAIP và LiDAR bằng R hoặc Python.

+69 BÀI HỌC SỬ DỤNG DỮ LIỆU VIỄN THÁM TRONG R HOẶC PYTHON

Giới thiệu về các khóa học và hướng dẫn về Earth Analytics

Trang web này lưu trữ các tài nguyên được phát triển bởi Earth Lab tại Đại học Colorado, Boulder. Trang web này chứa các bài học hướng dẫn về khóa học và các bài đăng trên blog liên quan đến khoa học dữ liệu trái đất. Hầu hết các hướng dẫn về dữ liệu sẽ dạy cho bạn các kỹ thuật R và Python quan trọng liên quan đến phân tích dữ liệu trái đất, bao gồm dữ liệu không gian địa lý, xã hội, sinh học và hệ thống trái đất. Các bài học trong khóa học phân tích trái đất tập trung vào một loạt các chủ đề bao gồm:

Phân tích không gian địa lý
Khoa học mở, có thể tái tạo
Dữ liệu không gian-thời gian
Cấu trúc dữ liệu không đồng nhất
Viễn thám
và hơn thế nữa!

--------

[EARTH LAB - UNIVERSITY OF COLORADO] +69 LESSONS: USE REMOTE SENSING DATA IN R OR PYTHON
About Remote Sensing Data
Remote sensing is the science of studying things without touching them. You can use remote sensing systems, to study how Earth systems change over time. For example, scientists use, high powered cameras, not unlike the camera in your smartphone, mounted on airplanes and satellites to capture images of the earth as it changes over time. Other sensors such as lidar (light detection and ranging) are used to collect height data which can be used to measure how trees and forests and even development changes over time.

Active vs Passive Remote Sensing
There are two types of remote sensing sensors: active and passive sensors. Passive sensors measure existing energy, often from the sun. The camera in your smartphone or iPad is an example of a passive remote sensing sensor. To capture a picture, this camera records sunlight, reflected off objects. In contract, an active remote sensing sensor creates its own energy source. Lidar (also sometimes referred to as active laser scanning) is an example of an active remote sensing sensor. Lidar systems have a laser on board that emits light that then reflects off of objects, like trees, on the Earth’s surface.
Below you will find lessons that cover how to find, download, work with, visualize and analyze remote sensing data including Landsat, MODIS, NAIP and LiDAR in R or Python.

+69 LESSONS: USE REMOTE SENSING DATA IN R OR PYTHON

About Earth Analytics Courses and Tutorials

This site hosts resources developed by Earth Lab at University of Colorado, Boulder. This website contains tutorials course lessons and blog posts related to earth data science. Most of the data tutorials will teach you important R and Python techniques relevant to earth data analytics, including geospatial, social, biological, and earth systems data. The earth analytics course lessons focus on a suite of topics including: