Jak sprawić, by JavaScript w silniku Google Earth działał szybciej

Optymalizacja czasu wykonywania skryptów Google Earth Engine

Google Earth Engine (GEE) to potężna platforma do analizy danych geoprzestrzennych na dużą skalę. Jednak użytkownicy często napotykają problemy z czasem wykonania, nawet jeśli ich skrypty wydają się proste. Skrypt, którego uruchomienie zajmuje kilka minut, może mieć wpływ na produktywność i opóźniać wnioski.

W tym przypadku użytkownik stworzył prosty skrypt do przetwarzania danych z Sentinel i Landsat 8. Pomimo swojej prostoty wykonanie skryptu zajmuje około 3-5 minut. Zrozumienie, dlaczego tak się dzieje i jak zoptymalizować skrypt, jest niezbędne do wydajnego przetwarzania danych.

Wydajność skryptu GEE zależy od kilku czynników, w tym od rozmiaru danych, filtrowania i złożoności obliczeniowej. Skrócenie czasu wykonania wiąże się z identyfikacją wąskich gardeł w skrypcie, takich jak niepotrzebne operacje lub duże zbiory danych, które spowalniają przetwarzanie.

W tym artykule omówione zostaną możliwe przyczyny powolnych czasów wykonywania w GEE i podane zostaną praktyczne wskazówki dotyczące optymalizacji danego skryptu. Wdrażając te strategie, użytkownicy mogą znacznie poprawić szybkość i wydajność zadań związanych z analizą danych geoprzestrzennych.

Optymalizacja skryptów GEE w celu zwiększenia wydajności

Celem dostarczonego skryptu jest wyodrębnienie i przetworzenie zdjęć satelitarnych z dwóch różnych źródeł: Sentinel i Landsat. The Silnik Google Earth (GEE) platforma umożliwia użytkownikom dostęp do ogromnych ilości danych satelitarnych i wykonywanie różnych operacji, takich jak filtrowanie, indeksowanie i wizualizacja. Jedną z kluczowych funkcji używanych w tym skrypcie jest znormalizowana różnica() funkcja, która jest wykorzystywana do obliczania ważnych wskaźników, takich jak NDVI, NDWI i NDSI. Wskaźniki te są kluczowe dla analizy roślinności, wody i pokrywy śnieżnej w określonym regionie. Skrypt rozpoczyna się od zdefiniowania punktu szczególnego i centruje na nim mapę przy użyciu podanych współrzędnych.

Skrypt stosuje wiele filtrów, takich jak filtrData() I filtrGranice(), aby zmniejszyć ilość przetwarzanych danych, skracając w ten sposób czas realizacji. Na przykład, filtrGranice() zapewnia, że ​​uwzględnione zostaną tylko obrazy przecinające obszar zainteresowania, natomiast filtrData() ogranicza obrazy do określonego zakresu dat. Jest to niezbędne do przetwarzania dużych zbiorów danych, takich jak obrazy Sentinel i Landsat, ponieważ minimalizuje obciążenie obliczeniowe. Dodatkowo, filtr dla pokrycia chmur pomaga odrzucić obrazy, które mają zbyt dużo chmur, zapewniając lepszą jakość analizy.

Jednym z ważnych aspektów skryptu jest dodaj pasma() funkcja, która dodaje obliczone wskaźniki (NDVI, NDWI, NDSI) do zobrazowań, udostępniając je do dalszej analizy. Skrypt zawiera również stałą maskę wodną wykorzystującą dane ze zbioru danych JRC Global Surface Water. Maska wodna pomaga w wykluczeniu obszarów o dużym występowaniu wody (powyżej 80%), która w przeciwnym razie mogłaby zafałszować wyniki analizy roślinności i śniegu. Odbywa się to poprzez gt() I zdemaskować() funkcje, które pozwalają skryptowi izolować obszary na podstawie wartości pikseli.

Na koniec skrypt używa metody zmniejszyć() funkcję z reduktorem percentyla, aby wygenerować obraz złożony reprezentujący 30. percentyl wybranych wartości pikseli. Ten złożony obraz jest następnie przycinany do interesującego obszaru i wizualizowany na mapie za pomocą klips() funkcjonować. Parametry wizualne są zdefiniowane zarówno dla kompozytów Sentinel, jak i Landsat, umożliwiając użytkownikowi oglądanie ich przy odpowiednich ustawieniach kolorów. Łącząc różne etapy przetwarzania obrazu, takie jak filtrowanie, maskowanie i generowanie kompozytów, skrypt ten zapewnia skuteczny sposób analizy zdjęć satelitarnych, chociaż można zastosować dalszą optymalizację w celu skrócenia czasu wykonywania.

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);

Poprawa wydajności skryptów teledetekcji

Jedną z kluczowych kwestii podczas pracy ze skryptami Google Earth Engine (GEE) jest zapewnienie wydajnej obsługi operacji. Chociaż w analizach środowiskowych powszechne jest korzystanie z dużych zbiorów danych, takich jak Sentinel i Landsat, sama ilość danych może spowolnić wykonywanie skryptu. Jedną z metod poprawy wydajności jest zapewnienie, że przetwarzane są tylko niezbędne dane. Używanie poleceń takich jak filtrGranice() I filtrData() minimalizuje rozmiar zbioru danych, co pomaga usprawnić obliczenia. Wybranie określonych zakresów dat i regionów geograficznych może znacznie skrócić czas realizacji.

Kolejnym aspektem wpływającym na wydajność skryptu GEE jest sposób przetwarzania danych. Przykładowy skrypt wykorzystuje funkcję do obliczania ważnych wskaźników, takich jak NDVI, NDWI i NDSI. Indeksy te dodawane są do zbiorów obrazów w postaci pasm, co pozwala na dokładniejszą analizę. Jednak częstym błędem jest stosowanie takich funkcji do całego zbioru danych bez uprzedniego filtrowania. Ważne jest, aby zastosować takie operacje po filtrowaniu, aby uniknąć niepotrzebnych obliczeń na nieistotnych danych.

Wizualizacja to kolejny element skryptu, który można zoptymalizować. Dodanie zbyt wielu warstw lub skomplikowanych wizualizacji może wydłużyć czas przetwarzania. Skrypt wykorzystuje predefiniowane parametry wizualne do renderowania kompozytów, ale wydajność można poprawić, wyłączając niektóre warstwy, chyba że są one wyraźnie potrzebne. Pomaga to w utrzymaniu lekkości skryptu przy jednoczesnym zachowaniu jego funkcjonalności. Używanie klips() polecenia zapewniają również renderowanie tylko niezbędnego obszaru, co zmniejsza ogólne obciążenie przetwarzaniem.