Slik får du JavaScript til å kjøre Google Earth Engine raskere

Optimalisering av utførelsestiden for Google Earth Engine-skript

Google Earth Engine (GEE) er en kraftig plattform for å analysere storskala geospatiale data. Imidlertid støter brukere ofte på problemer med utførelsestiden, selv når skriptene deres virker grunnleggende. Et skript som tar flere minutter å kjøre kan påvirke produktiviteten og forsinke innsikt.

I dette tilfellet har en bruker laget et enkelt skript for å behandle Sentinel- og Landsat 8-data. Til tross for sin enkelhet tar skriptet omtrent 3-5 minutter å utføre. Å forstå hvorfor dette skjer og hvordan man kan optimalisere skriptet er avgjørende for effektiv databehandling.

Ytelsen til et GEE-skript avhenger av flere faktorer, inkludert datastørrelse, filtrering og beregningskompleksitet. Å redusere utførelsestiden innebærer å identifisere flaskehalser i skriptet, for eksempel unødvendige operasjoner eller store datasett som bremser behandlingen.

Denne artikkelen vil utforske de mulige årsakene til langsomme utførelsestider i GEE og gi praktiske tips for å optimalisere det gitte skriptet. Ved å implementere disse strategiene kan brukere forbedre hastigheten og ytelsen til sine geospatiale dataanalyseoppgaver betydelig.

Optimalisering av GEE-skript for forbedret effektivitet

I det medfølgende skriptet er målet å trekke ut og behandle satellittbilder fra to forskjellige kilder: Sentinel og Landsat. De Google Earth Engine (GEE) plattformen lar brukere få tilgang til store mengder satellittdata og bruke ulike operasjoner som filtrering, indeksering og visualisering. En av nøkkelfunksjonene som brukes i dette skriptet er normalisert forskjell() funksjon, som brukes til å beregne viktige indekser som NDVI, NDWI og NDSI. Disse indeksene er avgjørende for å analysere vegetasjon, vann og snødekke i den angitte regionen. Skriptet starter med å definere et interessepunkt og sentrerer kartet på det ved å bruke koordinatene som er oppgitt.

Skriptet bruker flere filtre, som f.eks filterDate() og filterBounds(), for å redusere mengden data som behandles, og dermed forbedre utførelsestiden. For eksempel filterBounds() sikrer at kun bildene som krysser interesseområdet er inkludert, mens filterDate() begrenser bildene til en bestemt datoperiode. Dette er viktig for å behandle store datasett som Sentinel- og Landsat-bilder, siden det minimerer beregningsbelastningen. I tillegg har filter for skydekning bidrar til å forkaste bilder som har for mye sky, og sikrer analyser av bedre kvalitet.

Et viktig aspekt ved manuset er addBands() funksjon, som legger til beregnede indekser (NDVI, NDWI, NDSI) til bildene, noe som gjør dem tilgjengelige for videre analyse. Skriptet inneholder også en permanent vannmaske ved hjelp av data fra JRC Global Surface Water datasett. Vannmasken hjelper til med å utelukke områder med høy forekomst av vann (større enn 80 %), som ellers kan skjeve resultatene av vegetasjons- og snøanalysen. Dette gjøres gjennom gt() og avmaske() funksjoner, som lar skriptet isolere områder basert på pikselverdier.

Til slutt bruker skriptet redusere() funksjon med persentilreduksjonen for å generere et sammensatt bilde som representerer den 30. persentilen av de valgte pikselverdiene. Dette sammensatte bildet blir deretter klippet til området av interesse og visualisert på kartet ved hjelp av klipp() funksjon. De visuelle parameterne er definert for både Sentinel- og Landsat-komposittene, slik at brukeren kan se dem med passende fargeinnstillinger. Ved å kombinere ulike bildebehandlingstrinn som filtrering, maskering og komposittgenerering, gir dette skriptet en effektiv måte å analysere satellittbilder på, selv om ytterligere optimalisering kan brukes for å redusere utførelsestiden.

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 av effektiviteten til fjernmålingsskript

En viktig faktor når du arbeider med Google Earth Engine-skript (GEE) er å sikre at operasjoner håndteres effektivt. Mens bruk av store datasett som Sentinel og Landsat er vanlig i miljøanalyser, kan det store datavolumet redusere kjøringen av skript. En metode for å forbedre ytelsen er å sikre at kun de nødvendige dataene blir behandlet. Bruke kommandoer som filterBounds() og filterDate() minimerer datasettstørrelsen, noe som bidrar til å strømlinjeforme beregninger. Valg av spesifikke datoperioder og geografiske områder kan redusere utførelsestiden betraktelig.

Et annet aspekt som påvirker GEE-skriptytelsen er hvordan dataene behandles. Skripteksemplet bruker en funksjon for å beregne viktige indekser som NDVI, NDWI og NDSI. Disse indeksene legges til som bånd til bildesamlingene, noe som gir mulighet for en mer grundig analyse. En vanlig feil er imidlertid å bruke slike funksjoner på et helt datasett uten å filtrere først. Det er avgjørende å bruke slike operasjoner etter filtrering for å unngå unødvendige beregninger på irrelevante data.

Visualisering er et annet element i skriptet som kan optimaliseres. Å legge til for mange lag eller komplekse visualiseringer kan føre til at behandlingstiden går ned. Skriptet bruker forhåndsdefinerte visuelle parametere for å gjengi komposittene, men ytelsen kan forbedres ved å deaktivere visse lag med mindre de er eksplisitt nødvendige. Dette hjelper til med å holde skriptet lett og samtidig opprettholde funksjonaliteten. Bruker klipp() kommandoer sikrer også at bare det nødvendige området blir gjengitt, noe som reduserer den totale behandlingsbyrden.