Како да ваш Гоогле Еартх Енгине ЈаваСцрипт ради брже

Оптимизација времена извршавања скрипти Гоогле Еартх Енгине-а

Гоогле Еартх Енгине (ГЕЕ) је моћна платформа за анализу великих геопросторних података. Међутим, корисници често наилазе на проблеме са временом извршења, чак и када се њихове скрипте чине основним. Скрипта за коју је потребно неколико минута да се покрене може утицати на продуктивност и одложити увиде.

У овом случају, корисник је направио једноставну скрипту за обраду података Сентинел и Ландсат 8. Упркос својој једноставности, скрипту је потребно око 3-5 минута да се изврши. Разумевање зашто се то дешава и како оптимизовати скрипту је од суштинског значаја за ефикасну обраду података.

Перформансе ГЕЕ скрипте зависе од неколико фактора, укључујући величину података, филтрирање и сложеност рачунара. Смањење времена извршења укључује идентификовање уских грла унутар скрипте, као што су непотребне операције или велики скупови података који успоравају обраду.

Овај чланак ће истражити могуће узроке спорог времена извршавања у ГЕЕ-у и пружити практичне савете за оптимизацију дате скрипте. Применом ових стратегија, корисници могу значајно да побољшају брзину и перформансе својих задатака анализе геопросторних података.

Оптимизација ГЕЕ скрипти за побољшану ефикасност

У датој скрипти, циљ је издвојити и обрадити сателитске снимке из два различита извора: Сентинел и Ландсат. Тхе Гоогле Еартх Енгине (ГЕЕ) платформа омогућава корисницима да приступе огромним количинама сателитских података и примењују различите операције као што су филтрирање, индексирање и визуелизација. Једна од кључних карактеристика коришћених у овој скрипти је нормализована разлика() функција, која се користи за израчунавање важних индекса као што су НДВИ, НДВИ и НДСИ. Ови индекси су кључни за анализу вегетације, воде и снежног покривача у наведеном региону. Скрипта почиње дефинисањем тачке интересовања и центрира мапу на њој користећи дате координате.

Скрипта примењује више филтера, као што су филтерДате() и филтерБоундс(), да се смањи количина података који се обрађују, чиме се побољшава време извршења. на пример, филтерБоундс() осигурава да су укључене само слике које секу област интересовања, док филтерДате() ограничава слике на одређени период. Ово је неопходно за обраду великих скупова података као што су Сентинел и Ландсат слике, јер минимизира рачунарско оптерећење. Поред тога, тхе филтер за покривеност облаком помаже да се одбаце слике које имају превише облака, обезбеђујући анализу бољег квалитета.

Један важан аспект сценарија је аддБандс() функција, која додаје израчунате индексе (НДВИ, НДВИ, НДСИ) сликама, чинећи их доступним за даљу анализу. Скрипта такође укључује трајну маску за воду користећи податке из скупа података ЈРЦ Глобал Сурфаце Ватер. Водена маска помаже у искључивању подручја са великом појавом воде (већом од 80%), која би иначе могла да искриви резултате анализе вегетације и снега. Ово се ради преко гт() и демаск() функције, које омогућавају скрипти да изолује области на основу вредности пиксела.

Коначно, скрипта користи смањити() функција са редуктором перцентила да генерише композитну слику која представља 30. перцентил изабраних вредности пиксела. Ова композитна слика се затим исече на област од интереса и визуелизује на мапи помоћу цлип() функција. Визуелни параметри су дефинисани и за Сентинел и за Ландсат композите, што омогућава кориснику да их види са одговарајућим поставкама боја. Комбиновањем различитих корака обраде слике као што су филтрирање, маскирање и генерисање композита, ова скрипта пружа ефикасан начин за анализу сателитских снимака, мада би се даља оптимизација могла применити да би се смањило време извршења.

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);

Побољшање ефикасности скрипти за даљинско откривање

Једна кључна ствар при раду са скриптама Гоогле Еартх Енгине-а (ГЕЕ) је да се обезбеди да се операције ефикасно руководе. Док је употреба великих скупова података као што су Сентинел и Ландсат уобичајена у анализи животне средине, сам обим података може успорити извршавање скрипте. Један од метода за побољшање перформанси је да се осигура да се обрађују само потребни подаци. Користећи команде попут филтерБоундс() и филтерДате() минимизира величину скупа података, што помаже да се поједноставе прорачуни. Избор одређених периода и географских региона може значајно смањити време извршења.

Други аспект који утиче на перформансе ГЕЕ скрипте је начин на који се подаци обрађују. Пример скрипте користи функцију за израчунавање важних индекса као што су НДВИ, НДВИ и НДСИ. Ови индекси се додају као траке у колекције слика, што омогућава детаљнију анализу. Међутим, уобичајена грешка је примена таквих функција на цео скуп података без претходног филтрирања. Од кључне је важности да примените такве операције након филтрирања да бисте избегли непотребна израчунавања на нерелевантним подацима.

Визуелизација је још један елемент скрипте који се може оптимизовати. Додавање превише слојева или сложених визуализација може смањити време обраде. Скрипта користи унапред дефинисане визуелне параметре за приказивање композита, али перформансе се могу побољшати онемогућавањем одређених слојева осим ако нису експлицитно потребни. Ово помаже у одржавању скрипте лаганом уз одржавање њене функционалности. Коришћење цлип() команде такође осигурава да се прикаже само неопходна област, смањујући укупни терет обраде.