GEDI — Global Ecosystem Dynamics Investigation (инструмент глобального исследования экосистем). Это лазерный cканер типа LIDAR, который размещен на борту МКС и используется для сбора данных о высоте и плотности растительности. Сканирование производится с помощью коротких импульсов, формирующих полосу шириной 25 метров вдоль наземной проекции орбиты МКС. Данные лазерного сканирования позволяют измерить высоту поверхности земли, высоту растительности, плотностт растительности и другие параметры.
Один из продуктов на базе сенсора GEDI — оценка биомассы растительности по данным лазерного сканирования. Его визуализация на карте выглядит следующим образом:
В каждой точке есть атрибут AGBD (Above Ground Biomass Density) содержащий оценку биомассы растительности. Можно эти данные интерполировать с достаточно большим шагом ячейки. В базе данных проекта GEDI есть такие растры. Но у них достаточно низкое разрешение, размер пикселя порядка 1×1 км. В этом упражнении мы попробуем воспользоваться алгоритмом машинного обучения, который называется Random Forest Regression (регрессионный анализм методом «случайных решающих деревьев»). Это алгоритм позволит нам получить гораздо более детальную картину распределения биомассы растительности c разрешением 30 метров. В качестве территории выбраны окрестности города Аламаты. Для предсказания биомассы будем использовать данные сцены Landsat 8, вегетационные индексы, ЦМР и разные дополнительные аналитические поверхности.
Цель упражнения — освоение инструментов машинного обучения ArcGIS.
Системные требования: ArcGIS Pro 3.3 с модулем Image Analyst. В ArcGIS Pro 3.4 не тестировали, но должно работать.
Ссылки для скачивания:
Руководство для выполнения упражнения в формате PDF
Данные для выполнения упражнения (1.56 Гб)
Для тех, кто хочет попробовать использовать данные GEDI для своих задач, есть статья в блоге Esri: Как импортировать исходные данные GEDI в ArcGIS.
Вариант этого упражнения c примером на территорию США. В этом варианте также есть инструкция по добавлению данных GEDI в ArcGIS.
