So beschleunigen Sie die Ausführung Ihres Google Earth Engine-JavaScripts

Optimierung der Ausführungszeit von Google Earth Engine-Skripts

Google Earth Engine (GEE) ist eine leistungsstarke Plattform zur Analyse umfangreicher Geodaten. Allerdings stoßen Benutzer oft auf Probleme mit der Ausführungszeit, selbst wenn ihre Skripte einfach erscheinen. Ein Skript, dessen Ausführung mehrere Minuten dauert, kann die Produktivität beeinträchtigen und Erkenntnisse verzögern.

In diesem Fall hat ein Benutzer ein einfaches Skript zur Verarbeitung von Sentinel- und Landsat 8-Daten erstellt. Trotz seiner Einfachheit dauert die Ausführung des Skripts etwa 3-5 Minuten. Für eine effiziente Datenverarbeitung ist es wichtig zu verstehen, warum dies geschieht und wie das Skript optimiert werden kann.

Die Leistung eines GEE-Skripts hängt von mehreren Faktoren ab, darunter Datengröße, Filterung und Rechenkomplexität. Um die Ausführungszeit zu verkürzen, müssen Engpässe innerhalb des Skripts identifiziert werden, z. B. unnötige Vorgänge oder große Datensätze, die die Verarbeitung verlangsamen.

In diesem Artikel werden die möglichen Ursachen für langsame Ausführungszeiten in GEE untersucht und praktische Tipps zur Optimierung des jeweiligen Skripts gegeben. Durch die Implementierung dieser Strategien können Benutzer die Geschwindigkeit und Leistung ihrer Geodatenanalyseaufgaben erheblich verbessern.

Optimierung von GEE-Skripten für mehr Effizienz

Das Ziel des bereitgestellten Skripts besteht darin, Satellitenbilder aus zwei verschiedenen Quellen zu extrahieren und zu verarbeiten: Sentinel und Landsat. Der Google Earth Engine (GEE) Die Plattform ermöglicht Benutzern den Zugriff auf große Mengen an Satellitendaten und die Anwendung verschiedener Vorgänge wie Filterung, Indizierung und Visualisierung. Eine der wichtigsten Funktionen, die in diesem Skript verwendet werden, ist die normalisierteDifferenz() Funktion, die zur Berechnung wichtiger Indizes wie NDVI, NDWI und NDSI verwendet wird. Diese Indizes sind für die Analyse von Vegetation, Wasser und Schneedecke in der angegebenen Region von entscheidender Bedeutung. Das Skript definiert zunächst einen Punkt von Interesse und zentriert die Karte anhand der bereitgestellten Koordinaten darauf.

Das Skript wendet mehrere Filter an, z filterDate() Und filterBounds(), um die Menge der verarbeiteten Daten zu reduzieren und so die Ausführungszeit zu verbessern. Zum Beispiel, filterBounds() stellt sicher, dass nur die Bilder einbezogen werden, die den Interessenbereich schneiden filterDate() Begrenzt die Bilder auf einen bestimmten Datumsbereich. Dies ist für die Verarbeitung großer Datensätze wie Sentinel- und Landsat-Bilder von entscheidender Bedeutung, da es den Rechenaufwand minimiert. Darüber hinaus ist die Filter für die Wolkenabdeckung hilft, Bilder mit zu vielen Wolken zu verwerfen und sorgt so für eine bessere Analysequalität.

Ein wichtiger Aspekt des Drehbuchs ist der addBands() Funktion, die berechnete Indizes (NDVI, NDWI, NDSI) zu den Bildern hinzufügt und sie für die weitere Analyse zugänglich macht. Das Skript beinhaltet auch eine permanente Wassermaske, die Daten aus dem JRC Global Surface Water-Datensatz verwendet. Die Wassermaske hilft dabei, Gebiete mit einem hohen Wasservorkommen (mehr als 80 %) auszuschließen, was andernfalls die Ergebnisse der Vegetations- und Schneeanalyse verfälschen könnte. Dies geschieht durch die gt() Und entlarven() Funktionen, die es dem Skript ermöglichen, Bereiche basierend auf Pixelwerten zu isolieren.

Schließlich verwendet das Skript das reduzieren() Funktion mit dem Perzentilreduzierer, um ein zusammengesetztes Bild zu erzeugen, das das 30. Perzentil der ausgewählten Pixelwerte darstellt. Dieses zusammengesetzte Bild wird dann auf den interessierenden Bereich zugeschnitten und mithilfe von auf der Karte visualisiert Clip() Funktion. Die visuellen Parameter sind sowohl für die Sentinel- als auch für die Landsat-Komposite definiert, sodass der Benutzer sie mit geeigneten Farbeinstellungen betrachten kann. Durch die Kombination verschiedener Bildverarbeitungsschritte wie Filterung, Maskierung und zusammengesetzte Generierung bietet dieses Skript eine effiziente Möglichkeit zur Analyse von Satellitenbildern, obwohl eine weitere Optimierung angewendet werden könnte, um die Ausführungszeiten zu verkürzen.

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);

Verbesserung der Effizienz von Fernerkundungsskripten

Ein wichtiger Gesichtspunkt bei der Arbeit mit Google Earth Engine (GEE)-Skripten besteht darin, sicherzustellen, dass Vorgänge effizient abgewickelt werden. Während die Verwendung großer Datensätze wie Sentinel und Landsat in der Umweltanalyse üblich ist, kann die schiere Datenmenge die Skriptausführung verlangsamen. Eine Methode zur Leistungsverbesserung besteht darin, sicherzustellen, dass nur die erforderlichen Daten verarbeitet werden. Mit Befehlen wie filterBounds() Und filterDate() Minimiert die Datensatzgröße, was zur Rationalisierung der Berechnungen beiträgt. Durch die Auswahl bestimmter Datumsbereiche und geografischer Regionen kann die Ausführungszeit erheblich verkürzt werden.

Ein weiterer Aspekt, der sich auf die Leistung des GEE-Skripts auswirkt, ist die Art und Weise, wie die Daten verarbeitet werden. Das Skriptbeispiel verwendet eine Funktion zur Berechnung wichtiger Indizes wie NDVI, NDWI und NDSI. Diese Indizes werden als Bänder zu den Bildsammlungen hinzugefügt, was eine gründlichere Analyse ermöglicht. Ein häufiger Fehler besteht jedoch darin, solche Funktionen auf einen gesamten Datensatz anzuwenden, ohne ihn vorher zu filtern. Es ist wichtig, solche Operationen nach dem Filtern anzuwenden, um unnötige Berechnungen für irrelevante Daten zu vermeiden.

Die Visualisierung ist ein weiteres Element des Skripts, das optimiert werden kann. Das Hinzufügen zu vieler Ebenen oder komplexer Visualisierungen kann die Verarbeitungszeit verkürzen. Das Skript verwendet vordefinierte visuelle Parameter zum Rendern der Kompositionen. Die Leistung kann jedoch verbessert werden, indem bestimmte Ebenen deaktiviert werden, sofern sie nicht ausdrücklich benötigt werden. Dies trägt dazu bei, das Skript kompakt zu halten und gleichzeitig seine Funktionalität beizubehalten. Benutzen Clip() Befehle stellen außerdem sicher, dass nur der erforderliche Bereich gerendert wird, wodurch die Gesamtverarbeitungslast verringert wird.