Autoplay
Autocomplete
Previous Lesson
Complete and Continue
Python & Google Earth Engine in Colab for Geospatial Science
Module 1: เริ่มต้นสู่ GEE: สิ่งที่ควรรู้ก่อนเริ่มใช้งาน Python API
แนะนำ Google Earth Engine (10:17)
วิธีการสมัคร Google Earth Engine Account (updated 2024) (3:43)
มีข้อมูลอะไรใน Earth Engine Data Catalog (3:01)
วิธีการอ่านข้อมูล Meta Data (5:19)
ความรู้เบื้องต้นเกี่ยวกับการสำรวจจากระยะไกล (18:31)
ทำความรู้จักและเริ่มใช้งาน Google Colab (1:54)
Module 2: พื้นฐาน Python สำหรับการวิเคราะห์เชิงพื้นที่
Module 2: Basic Python for Geospatial Analysis
Module 3: แปลงข้อมูลภูมิศาสตร์สู่แผนที่ด้วย Python Visualization
แสดงผลข้อมูลจาก Earth Engine ผ่าน Folium (5:24)
เริ่มต้นกับ geemap: การติดตั้งและสร้างแผนที่พื้นฐาน (4:53)
การใช้งานข้อมูลหลากประเภทใน Earth Engine Python API (10:56)
การเพิ่มสัญลักษณ์ แถบสี และคำอธิบาย (4:47)
การเปรียบเทียบภาพด้วย Split-panel และการแสดงผลอนุกรมเวลา (6:32)
การรวมและตัดภาพด้วยเทคนิค Mosaic และ Clip ใน geemap (5:28)
Python Code สำหรับ Module 3
Module 4: การใช้ Python Package GEEMAP เพื่อการประมวลผลข้อมูลเชิงพื้นที่
การเพิ่มความละเอียดภาพด้วยเทคนิค Pan-sharpening (5:48)
การใช้ Vegetation Index เพื่อวิเคราะห์พืชพรรณ (10:09)
การวิเคราะห์ภาพเชิงพื้นที่ด้วย Band Math (4:31)
การใช้ Zonal Statistics เพื่อวิเคราะห์ข้อมูลเชิงพื้นที่ (5:22)
การส่งออกข้อมูลภาพใน Earth Engine ด้วย Python (2:52)
Python Code สำหรับ Module 4
Module 5: จากทฤษฎีสู่การปฏิบัติใน Python: Use-cases บน Earth Engine
การสร้างภาพปราศจากเมฆจากข้อมูล Sentinel-2 และ Landsat-9 ใน Python (7:49)
การวิเคราะห์แสงกลางคืนด้วยเทคนิค Regression บน Earth Engine (5:33)
การใช้ Python และ Earth Engine เพื่อวิเคราะห์อุณหภูมิพื้นผิวดิน (7:03)
การติดตามปริมาณน้ำฝนรายเดือนด้วย geemap ใน Python (5:53)
การประเมิน LULC โดยใช้ข้อมูลจาก ESRI และ ESA บน Earth Engine (4:31)
การวิเคราะห์ความหนาแน่นของเมืองด้วย Python และ Earth Engine (4:55)
การวิเคราะห์ Water Recurrence ด้วย Python (3:55)
การประเมินความชื้นดินจาก SMAP ผ่าน Python และ geemap (5:25)
การใช้ Synthetic Aperture Radar (SAR) สำหรับการวิเคราะห์หลายช่วงเวลา (4:22)
การใช้ข้อมูล Google Open Buildings เพื่อการวิเคราะห์เชิงพื้นที่ใน Python (5:14)
Python Code สำหรับ Module 5
Module 6: การเรียนรู้ของเครื่องด้วย Python: จากพื้นฐานสู่การใช้งาน
Introduction to Machine Learning (4:42)
การเตรียมชุดข้อมูลสำหรับการ ทำ Training Dataset (8:10)
Supervised Learning และการการทำ Accuracy Assessment (7:29)
การปรับจูนไฮเปอร์พารามิเตอร์: กรณีศึกษา SVM (5:57)
การสุ่มแบบแบ่งชั้นจากข้อมูล Sentinel-2 ด้วย ESA WorldCover (5:54)
Unsupervised Learning (4:02)
Python Code สำหรับ Module 6
Shapefile ขอบเขต Bangkok Metropolitan Region (BMR)
การใช้ข้อมูล Google Open Buildings เพื่อการวิเคราะห์เชิงพื้นที่ใน Python
Complete and Continue