An automatic water detection approach using Landsat 8 OLI and Google Earth Engine cloud computing to map lakes and reservoirs in New Zealand

2019 ◽  
Vol 191 (4) ◽  
Author(s):  
Uyen N. T. Nguyen ◽  
Lien T. H. Pham ◽  
Thanh Duc Dang
Keyword(s):  
Cloud Computing ◽  
New Zealand ◽  
Google Earth ◽  
Landsat 8 ◽  
Landsat 8 Oli ◽  
Water Detection ◽  
Detection Approach ◽  
Lakes And Reservoirs ◽  
Google Earth Engine

ANALISIS SURFACE URBAN HEAT ISLAND MENGGUNAKAN TEKNIK PENGINDERAAN JAUH BERBASIS CLOUD COMPUTING PADA GOOGLE EARTH ENGINE DI KOTA SAMARINDA

2021 ◽  
pp. 75
Author(s):  
Bayu Elwantyo Bagus Dewantoro ◽  
Pavita Almira Natani ◽  
Zumrotul Islamiah
Keyword(s):  
Cloud Computing ◽  
Urban Heat Island ◽  
Google Earth ◽  
Landsat 8 ◽  
Heat Island ◽  
Landsat 8 Oli ◽  
Boundary Analysis ◽  
Urban Heat ◽  
Surface Urban Heat Island ◽  
Google Earth Engine

Peningkatan intensitas pembangunan fisik dan sosial di kawasan perkotaan Samarinda sebagai indikator kemajuan suatu kawasan perkotaan secara tidak langsung berdampak terhadap stabilitas kondisi atmosfer. Fenomena urban heat island sebagai turunan dari dinamika iklim mikro perkotaan sebagai dampak dari pembangunan fisik dan sosial tersebut semakin meluas, sehingga kebutuhan akan teknik monitoring yang efektif dan efisien menjadi sangat penting. Penginderaan jauh mampu melakukan pemantauan dan deteksi titik panas dalam rangka mitigasi dan pengendalian efek urban heat island dalam cakupan wilayah yang luas dengan waktu singkat. Penelitian ini berfokus pada kajian surface urban heat island (SUHI) yang bertujuan untuk mengetahui distribusi spasial intensitas SUHI di Kota Samarinda. Metode yang digunakan pada penelitian ini berupa integrasi teknik penginderaan jauh dan cloud computing pada Google Earth Engine menggunakan band termal citra Landsat 8 OLI/TIRS serta analisis statistik citra menggunakan Buffer Boundary Analysis untuk identifikasi potensi terjadinya SUHI di Kota Samarinda. Ekstraksi suhu permukaan diperoleh dari persamaan Planck yang diintegrasikan dengan koreksi atmosfer untuk koreksi emisivitas permukaan menggunakan syntax dengan bahasa Javacript pada Google Earth Engine. Hasil pengolahan menunjukkan adanya potensi SUHI dengan intensitas tinggi dengan nilai 3,001-6,000°C pada radius 5 km dari pusat kota dan intensitas semakin turun seiring radius yang semakin jauh dari pusat kota. Secara administratif, intensitas SUHI tertinggi relatif berada pada kecamatan Samarinda Kota, Samarinda Ilir, dan Samarinda Seberang dengan rentang intensitas SUHI sebesar 1,5001-6,000°C, sementara intensitas SUHI terendah relatif berada pada kecamatan Sungai Kunjang dan Palaran dengan rentang intensitas SUHI sebesar -10,000-1,500°C.

scholarly journals Mapeamento da Vegetação Nativa do Cerrado na Região de Três Lagoas-MS com o Google Earth Engine

2019 ◽  
Vol 71 (3) ◽  
pp. 702-725
Author(s):  
Nayara Vasconcelos Estrabis ◽  
José Marcato Junior ◽  
Hemerson Pistori
Keyword(s):  
Support Vector Machine ◽  
Random Forest ◽  
Google Earth ◽  
Support Vector ◽  
Landsat 8 ◽  
Landsat 8 Oli ◽  
Google Earth Engine

O Cerrado é um dos biomas existentes no Brasil e o segundo mais extenso da América do Sul. Possui grande importância devido a sua biodiversidade, ecossistema e principalmente por servir como um reservatório, ou “esponja”, que distribui água para os demais biomas, além de ser berço de nascentes de algumas das maiores bacias da América do Sul. No entanto, devido às atividades antrópicas praticadas (com destaque para a pecuária e silvicultura) e a redução da vegetação nativa, este bioma está ameaçado. Considerado como hotspot em biodiversidade, o Cerrado pode não existir em 2050. Com a necessidade de sua preservação, o objetivo desse trabalho consistiu em investigar o uso de algoritmos de aprendizado de máquina para realizar o mapeamento da vegetação nativa existente na região do município de Três Lagoas, utilizando a plataforma em nuvem Google Earth Engine. O processo foi realizado com uma imagem Landsat-8 OLI, datada de 10 de outubro de 2018, e com os algoritmos Random Forest (RF) e Support Vector Machine (SVM). Na validação da classificação, o RF e o SVM apresentaram índices kappa iguais a 0,94 e 0,97, respectivamente. O RF, quando comparado ao SVM, apresentou classificação mais ruidosa. Por fim, verificou-se a existência de vegetação nativa de aproximadamente 2556 km² ao adotar o RF e 2873 km² ao adotar SVM.

scholarly journals Análise multitemporal do uso e cobertura da terra do município de Conceição do Araguaia-Pará através do Google Earth Engine

2020 ◽  
Vol 18 (02) ◽  
pp. 297-318
Author(s):  
Jones Remo Barbosa Vale ◽  
Júlio Anderson Araújo Pereira ◽  
Samara Sunny dos Anjos Cereja ◽  
Larisse Fernanda Pereira de Souza
Keyword(s):  
Google Earth ◽  
Landsat 8 ◽  
Landsat 8 Oli ◽  
Landsat 5 Tm ◽  
Google Earth Engine

A Floresta Amazônica é a maior floresta tropical contígua do planeta e cobre cerca de 40% território brasileiro, vem passando por intenso processo de conversão de áreas florestais, principalmente, no arco do desmatamento que é uma área crítica com problemas ambientais como queimadas e desflorestamento. O município de Conceição do Araguaia-PA encontra-se nessa área crítica e apresenta-se como uma frente de expansão da atividade agropastoril na região. O objetivo do trabalho foi analisar temporalmente as mudanças de uso e cobertura da terra no município de Conceição do Araguaia. Para o desenvolvimento do trabalho foram utilizadas imagens do satélite Landsat-5/TM do ano de 1999 e 2009, e do satélite Landsat-8/OLI-TIRS do ano de 2019 processadas e classificadas na plataforma Google Earth Engine. A partir dos resultados obtidos constatou-se que entre os anos de 1999 e 2019 houve um desflorestamento de 22% no município em estudo, sendo que a atividade agropastoril obteve um aumentou de 14,6%. Com isto pode-se concluir que as condições edafoclimáticas favorecem o desenvolvimento da agropecuária e ela está diretamente ligada ao desflorestamento local, caracterizando-se como a principal matriz econômica do município.

scholarly journals CLASSIFICAÇÃO SUPERVISIONADA DE ÁREA IRRIGADA UTILIZANDO ÍNDICES ESPECTRAIS DE IMAGENS LANDSAT-8 COM GOOGLE EARTH ENGINE

Irriga ◽  
2020 ◽  
Vol 25 (1) ◽  
pp. 160-169
Author(s):  
Cesar De Oliveira Ferreira Silva
Keyword(s):  
Remote Sensing ◽  
Cloud Computing ◽  
Supervised Classification ◽  
Source Code ◽  
Regression Trees ◽  
Google Earth ◽  
Landsat 8 ◽  
Classification And Regression ◽  
Google Earth Engine

CLASSIFICAÇÃO SUPERVISIONADA DE ÁREA IRRIGADA UTILIZANDO ÍNDICES ESPECTRAIS DE IMAGENS LANDSAT-8 COM GOOGLE EARTH ENGINE   CÉSAR DE OLIVEIRA FERREIRA SILVA1   1 Departamento de Engenharia Rural, Faculdade de Ciências Agronômicas, Universidade Estadual Paulista (UNESP) Campus de Botucatu. Avenida Universitária, n° 3780, Altos do Paraíso, CEP: 18610-034, Botucatu – SP, Brasil, e-mail: [email protected].     1 RESUMO   Identificar áreas de irrigação usando imagens de satélite é um desafio que encontra em soluções de computação em nuvem um grande potencial, como na ferramenta Google Earth Engine (GEE), que facilita o processo de busca, filtragem e manipulação de grandes volumes de dados de sensoriamento remoto sem a necessidade de softwares pagos ou de download de imagens. O presente trabalho apresenta uma implementação de classificação supervisionada de áreas irrigadas e não-irrigadas na região de Sorriso e Lucas do Rio Verde/MT com o algoritmo Classification and Regression Trees (CART) em ambiente GEE utilizando as bandas 2-7 do satélite Landsat-8 e os índices NDVI, NDWI e SAVI. A acurácia da classificação supervisionada foi de 99,4% ao utilizar os índices NDWI, NDVI e SAVI e de 98,7% sem utilizar esses índices, todas consideradas excelentes. O tempo de processamento médio, refeito 10 vezes, foi de 52 segundos, considerando todo o código-fonte desenvolvido desde a filtragem das imagens até a conclusão da classificação. O código-fonte desenvolvido é apresentado em anexo de modo a difundir e incentivar o uso do GEE para estudos de inteligência espacial em irrigação e drenagem por sua usabilidade e fácil manipulação.   Keywords: computação em nuvem, sensoriamento remoto, hidrologia, modelagem.     SILVA, C. O .F SUPERVISED CLASSIFICATION OF IRRIGATED AREA USING SPECTRAL INDEXES FROM LANDSAT-8 IMAGES WITH GOOGLE EARTH ENGINE     2 ABSTRACT   Identifying irrigation areas using satellite images is a challenge that finds great potential in cloud computing solutions as the Google Earth Engine (GEE) tool, which facilitates the process of searching, filtering and manipulating large volumes of remote sensing data without the need for paid software or image downloading. The present work presents an implementation of the supervised classification of irrigated and rain-fed areas in the region of Sorriso and Lucas do Rio Verde/MT with the Classification and Regression Trees (CART) algorithm in GEE environment using bands 2-7 of the Landsat- 8 and the NDVI, NDWI and SAVI indices. The accuracy of the supervised classification was 99.4% when using NDWI, NDVI and SAVI indices and 98.7% without using these indices, which were considered excellent. The average processing time, redone 10 times, was 52 seconds, considering all the source code developed from the filtering of the images to the conclusion of the classification. The developed source code is available in the appendix in order to disseminate and encourage the use of GEE for studies of spatial intelligence in irrigation and drainage due to its usability and easy manipulation.   Keywords: cloud computing, remote sensing, hydrology, modeling.

scholarly journals Дешифрування видового складу лісових насаджень за даними сезонних мозаїк супутникових знімків Landsat і вибіркової інвентаризації лісів

2019 ◽  
pp. 135-143
Author(s):  
Viktor Myroniuk
Keyword(s):  
Google Earth ◽  
Landsat 8 ◽  
Landsat 8 Oli ◽  
Google Earth Engine

Дешифрування видового складу лісових насаджень за супутниковими знімками має важливе значення для оцінювання стану та динаміки лісових ресурсів. Для цього в роботі використано часові ряди знімків Landsat 8 OLI, а як джерело опорної інформації – дані регіональної інвентаризації лісів Сумської області 2013 р., отримані на 333 кругових пробних ділянках. Супутникові знімки відібрано для часового періоду 2014-2016 рр. та скомпоновано в безхмарні мозаїки для трьох сезонів: квітень - жовтень, літо, осінь. Для дешифрування поширення деревостанів різного видового складу, а також деревних видів, які домінують у складі насаджень, на основі методу k найближчих сусідів (k-NN) спрогнозовано значення сум площ перерізів восьми найбільш представлених у лісовому фонді області видів. У дослідженні використано алгоритм k-NN методу, адаптований до платформи хмарних обчислень Google Earth Engine. Як міру пошуку найближчих сусідів застосовано Евклідову відстань у просторі спектральних показників супутникових знімків Landsat і допоміжної неспектральної інформації. За результатами досліджень отримано неперервні попіксельні оцінки сум площ перерізів деревостанів сосни, дуба, клена, липи, берези, ясена, осики та вільхи. На основі отриманих карт встановлено поширення основних лісотвірних деревних видів Сумської області, а за оцінками сум площ перерізів створено карту деревних видів, які домінують у насадженнях. На основі порівняння розподілу площі деревостанів за деревними видами, що домінують у насадженнях, встановлено узгодженість у відсотковому співвідношенні оцінок із офіційними даними обліку лісів області. На основі виконаних досліджень визначено актуальним запровадження в інвентаризацію лісів України методів дистанційного зондування Землі.

scholarly journals Uso e ocupação do solo do município de novo progresso no Estado do Pará-Brasil

2021 ◽  
Vol 10 (1) ◽  
pp. e51210112060
Author(s):  
Raimara Reis do Rosário ◽  
Mateus Trindade Barbosa ◽  
Francimary da Silva Carneiro ◽  
Merilene do Socorro Silva Costa
Keyword(s):  
Vegetation Index ◽  
Normalized Difference Vegetation Index ◽  
De Novo ◽  
Google Earth ◽  
Landsat 8 ◽  
Landsat 8 Oli ◽  
Google Earth Engine ◽  
Para Determinar

O objetivo foi analisar o processo de uso e ocupação do solo do município de Novo Progresso no Estado do Pará, interligando-o com as atividades de maior importância econômica desenvolvidas nesta região. Utilizou-se o shapefile de limite do município de Novo Progresso na plataforma online Google Earth Engine (GEE), que disponibilizou um mosaico de imagens orbitais, do satélite Landsat-8/OLI-TIRS, referentes ao ano de 2019. O processo de classificação foi feito a partir do Code Editor do GEE, utilizando um Índice espectral de vegetação para auxiliar a classificação (Normalized Difference Vegetation Index – NDVI). Foi utilizado o Software QGis 3.10.6 para elaborar os mapas de localização do município e o de classificação de uso e cobertura do solo. Os dados foram tabulados em planilhas para determinar as taxas de crescimento do período analisado. Para realizar a avaliação da confiabilidade da classificação foi utilizado o método de Exatidão Global e o Índice Kappa. Foi possível identificar que no ano de 2019, houve a incidência de 3.064.396,65 ha (80,3%) de floresta densa, uma área de 496.104,07 ha (13,0%) com solo exposto, 248.052,03 ha (6,5%) de floresta secundária, e apenas 7.632,37 ha (0,2%) com predominância de hidrografia, totalizando uma área de 3.816.185,13 ha.  As áreas que encontram-se com o solo exposto não estão diretamente relacionadas com o crescimento populacional, mas sim a forma como é estabelecido o uso do solo, com base nas principais atividades desenvolvidas na região considerando que a lógica produtiva ocorre de forma desordenada, não respeitando os critérios de desenvolvimento sustentável.

scholarly journals Mapping and Assessing the Dynamics of Shifting Agricultural Landscapes Using Google Earth Engine Cloud Computing, a Case Study in Mozambique

2020 ◽  
Vol 12 (8) ◽  
pp. 1279 ◽  
Author(s):  
Sosdito Mananze ◽  
Isabel Pôças ◽  
Mário Cunha
Keyword(s):  
Cloud Computing ◽  
Land Cover ◽  
Google Earth ◽  
Agricultural Landscapes ◽  
Landsat 8 ◽  
Textural Features ◽  
Observation Data ◽  
Ground Truth Data ◽  
Spectral Bands ◽  
Google Earth Engine

Land cover maps obtained at high spatial and temporal resolutions are necessary to support monitoring and management applications in areas with many smallholder and low-input agricultural systems, as those characteristic in Mozambique. Various regional and global land cover products based on Earth Observation data have been developed and made publicly available but their application in regions characterized by a large variety of agro-systems with a dynamic nature is limited by several constraints. Challenges in the classification of spatially heterogeneous landscapes, as in Mozambique, include the definition of the adequate spatial resolution and data input combinations for accurately mapping land cover. Therefore, several combinations of variables were tested for their suitability as input for random forest ensemble classifier aimed at mapping the spatial dynamics of smallholder agricultural landscape in Vilankulo district in Mozambique. The variables comprised spectral bands from Landsat 7 ETM+ and Landsat 8 OLI/TIRS, vegetation indices and textural features and the classification was performed within the Google Earth Engine cloud computing for the years 2012, 2015, and 2018. The study of three different years aimed at evaluating the temporal dynamics of the landscape, typically characterized by high shifting nature. For the three years, the best performing variables included three selected spectral bands and textural features extracted using a window size of 25. The classification overall accuracy was 0.94 for the year 2012, 0.98 for 2015, and 0.89 for 2018, suggesting that the produced maps are reliable. In addition, the areal statistics of the class classified as agriculture were very similar to the ground truth data as reported by the Serviços Distritais de Actividades Económicas (SDAE), with an average percentage deviation below 10%. When comparing the three years studied, the natural vegetation classes are the predominant covers while the agriculture is the most important cause of land cover changes.

scholarly journals Mapping the Natural Distribution of Bamboo and Related Carbon Stocks in the Tropics Using Google Earth Engine, Phenological Behavior, Landsat 8, and Sentinel-2

2020 ◽  
Vol 12 (18) ◽  
pp. 3109 ◽  
Author(s):  
Manjunatha Venkatappa ◽  
Sutee Anantsuksomsri ◽  
Jose Alan Castillo ◽  
Benjamin Smith ◽  
Nophea Sasaki
Keyword(s):  
Vegetation Index ◽  
Google Earth ◽  
Carbon Stocks ◽  
Landsat 8 ◽  
Threshold Values ◽  
Landsat 8 Oli ◽  
Natural Distribution ◽  
Siem Reap ◽  
Google Earth Engine ◽  
Sentinel 2

Although vegetation phenology thresholds have been developed for a wide range of mapping applications, their use for assessing the distribution of natural bamboo and the related carbon stocks is still limited, especially in Southeast Asia. Here, we used Google Earth Engine (GEE) to collect time-series of Landsat 8 Operational Land Imager (OLI) and Sentinel-2 images and employed a phenology-based threshold classification method (PBTC) to map the natural bamboo distribution and estimate carbon stocks in Siem Reap Province, Cambodia. We processed 337 collections of Landsat 8 OLI for phenological assessment and generated 121 phenological profiles of the average vegetation index for three vegetation land cover categories from 2015 to 2018. After determining the minimum and maximum threshold values for bamboo during the leaf-shedding phenology stage, the PBTC method was applied to produce a seasonal composite enhanced vegetation index (EVI) for Landsat collections and assess the bamboo distributions in 2015 and 2018. Bamboo distributions in 2019 were then mapped by applying the EVI phenological threshold values for 10 m resolution Sentinel-2 satellite imagery by accessing 442 tiles. The overall Landsat 8 OLI bamboo maps for 2015 and 2018 had user’s accuracies (UAs) of 86.6% and 87.9% and producer’s accuracies (PAs) of 95.7% and 97.8%, respectively, and a UA of 86.5% and PA of 91.7% were obtained from Sentinel-2 imagery for 2019. Accordingly, carbon stocks of natural bamboo by district in Siem Reap at the province level were estimated. Emission reductions from the protection of natural bamboo can be used to offset 6% of the carbon emissions from tourists who visit this tourism-destination province. It is concluded that a combination of GEE and PBTC and the increasing availability of remote sensing data make it possible to map the natural distribution of bamboo and carbon stocks.

Sign in / Sign up

Export Citation Format

Share Document