Sådan får du din Google Earth Engine JavaScript til at køre hurtigere

Optimering af eksekveringstiden for Google Earth Engine Scripts

Google Earth Engine (GEE) er en kraftfuld platform til at analysere store geospatiale data. Brugere støder dog ofte på problemer med udførelsestiden, selv når deres scripts ser grundlæggende ud. Et script, der tager flere minutter at køre, kan påvirke produktiviteten og forsinke indsigt.

I dette tilfælde har en bruger oprettet et simpelt script til at behandle Sentinel- og Landsat 8-data. På trods af sin enkelhed tager scriptet omkring 3-5 minutter at udføre. At forstå, hvorfor dette sker, og hvordan man optimerer scriptet er afgørende for effektiv databehandling.

Ydeevnen af ​​et GEE-script afhænger af flere faktorer, herunder datastørrelse, filtrering og beregningskompleksitet. Reduktion af eksekveringstiden involverer at identificere flaskehalse i scriptet, såsom unødvendige operationer eller store datasæt, der bremser behandlingen.

Denne artikel vil undersøge de mulige årsager til langsomme eksekveringstider i GEE og give praktiske tips til optimering af det givne script. Ved at implementere disse strategier kan brugere forbedre hastigheden og ydeevnen af ​​deres geospatiale dataanalyseopgaver markant.

Optimering af GEE-scripts for forbedret effektivitet

I det medfølgende script er målet at udtrække og behandle satellitbilleder fra to forskellige kilder: Sentinel og Landsat. De Google Earth Engine (GEE) platform giver brugerne adgang til enorme mængder af satellitdata og anvender forskellige operationer såsom filtrering, indeksering og visualisering. En af de vigtigste funktioner, der bruges i dette script, er normalizedDifference() funktion, som bruges til at beregne vigtige indekser som NDVI, NDWI og NDSI. Disse indekser er afgørende for at analysere vegetation, vand og snedække i det specificerede område. Scriptet starter med at definere et interessepunkt og centrerer kortet på det ved hjælp af de angivne koordinater.

Scriptet anvender flere filtre, som f.eks filterDate() og filterBounds(), for at reducere mængden af ​​data, der behandles, og dermed forbedre eksekveringstiden. f.eks. filterBounds() sikrer, at kun de billeder, der krydser interesseområdet, medtages, mens filterDate() begrænser billederne til et bestemt datointerval. Dette er vigtigt for at behandle store datasæt som Sentinel- og Landsat-billeder, da det minimerer beregningsbelastningen. Derudover filter for skydækning hjælper med at kassere billeder, der har for meget sky, hvilket sikrer analyser af bedre kvalitet.

Et vigtigt aspekt af scriptet er addBands() funktion, som tilføjer beregnede indekser (NDVI, NDWI, NDSI) til billederne, hvilket gør dem tilgængelige for yderligere analyse. Scriptet inkorporerer også en permanent vandmaske ved hjælp af data fra JRC Global Surface Water-datasættet. Vandmasken hjælper med at udelukke områder med høj forekomst af vand (større end 80%), som ellers kunne skævvride resultaterne af vegetations- og sneanalysen. Dette gøres gennem gt() og afmaske() funktioner, som gør det muligt for scriptet at isolere områder baseret på pixelværdier.

Endelig bruger scriptet reducere() funktion med percentilreduktionen for at generere et sammensat billede, der repræsenterer den 30. percentil af de valgte pixelværdier. Dette sammensatte billede klippes derefter til området af interesse og visualiseres på kortet ved hjælp af klip() fungere. De visuelle parametre er defineret for både Sentinel- og Landsat-kompositterne, hvilket giver brugeren mulighed for at se dem med passende farveindstillinger. Ved at kombinere forskellige billedbehandlingstrin som filtrering, maskering og kompositgenerering giver dette script en effektiv måde at analysere satellitbilleder på, selvom yderligere optimering kunne anvendes for at reducere eksekveringstiden.

var pointJSP = ee.Geometry.Point([86.465263, 20.168076]);
Map.centerObject(pointJSP, 14);
// Combine date variables for flexibility
var startDate = '2024-02-01';
var endDate = '2024-03-01';
// Function to add NDVI, NDWI, NDSI
var addIndices = function(image) {
  var ndvi = image.normalizedDifference(['NIR', 'RED']).rename('NDVI');
  var ndwi = image.normalizedDifference(['NIR', 'SWIR1']).rename('NDWI');
  var ndsi = image.normalizedDifference(['SWIR1', 'SWIR2']).rename('NDSI');
  return image.addBands(ndvi).addBands(ndwi).addBands(ndsi);
};
// Use fewer data points by filtering for cloud-free pixels only once
var sentinel = ee.ImageCollection('COPERNICUS/S2_SR')
  .filterBounds(pointJSP)
  .filterDate(startDate, endDate)
  .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 30));

var landsat8 = ee.ImageCollection('LANDSAT/LC08/C01/T1_SR')
  .filterBounds(pointJSP)
  .filterDate(startDate, endDate)
  .filter(ee.Filter.lt('CLOUD_COVER', 30));
// Apply water mask for permanent water areas
var waterMask = ee.Image('JRC/GSW1_4/GlobalSurfaceWater').select('occurrence').gt(80).unmask();
// Add indices to Landsat 8 imagery
var landsatIndices = landsat8.map(addIndices);
var composite = landsatIndices.reduce(ee.Reducer.percentile([30])).clip(pointJSP).mask(waterMask.eq(0));
Map.addLayer(composite, {bands: ['RED', 'GREEN', 'BLUE'], min: 0, max: 3000}, 'Landsat Composite');
Map.addLayer(waterMask, {min: 0, max: 1, palette: ['white', 'blue']}, 'Water Mask', false);

Forbedring af effektiviteten af ​​fjernmålingsscripts

En vigtig overvejelse, når du arbejder med Google Earth Engine (GEE) scripts, er at sikre, at operationer håndteres effektivt. Mens brugen af ​​store datasæt såsom Sentinel og Landsat er almindelig i miljøanalyser, kan den store mængde data bremse scriptudførelsen. En metode til at forbedre ydeevnen er at sikre, at kun de nødvendige data behandles. Brug af kommandoer som filterBounds() og filterDate() minimerer datasætstørrelsen, hvilket hjælper med at strømline beregninger. Valg af specifikke datointervaller og geografiske områder kan reducere eksekveringstiden betydeligt.

Et andet aspekt, der påvirker GEE-scriptets ydeevne, er, hvordan dataene behandles. Scripteksemplet bruger en funktion til at beregne vigtige indekser som NDVI, NDWI og NDSI. Disse indekser tilføjes som bånd til billedsamlingerne, hvilket giver mulighed for en mere grundig analyse. En almindelig fejl er dog at anvende sådanne funktioner på et helt datasæt uden først at filtrere. Det er afgørende at anvende sådanne operationer efter filtrering for at undgå unødvendige beregninger på irrelevante data.

Visualisering er et andet element i scriptet, der kan optimeres. Tilføjelse af for mange lag eller komplekse visualiseringer kan sænke behandlingstiden. Scriptet bruger foruddefinerede visuelle parametre til at gengive kompositterne, men ydeevnen kan forbedres ved at deaktivere visse lag, medmindre de er eksplicit nødvendige. Dette hjælper med at holde scriptet let og samtidig bibeholde dets funktionalitet. Bruger klip() kommandoer sikrer også, at kun det nødvendige område gengives, hvilket reducerer den samlede behandlingsbyrde.