درباره موتور Google Earth
با مجموعه‌ها، منظم بمانید
ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.
Google Earth Engine یک محصول Google Cloud برای تجزیه و تحلیل جغرافیایی در مقیاس است. این یک کاتالوگ چند پتابایتی از تصاویر ماهواره ای و مجموعه داده های مکانی را با محاسبات در مقیاس سیاره ای ترکیب می کند تا تحقیقات و برنامه های زیست محیطی را تسریع بخشد.
ویژگی های کلیدی
تجزیه و تحلیل جغرافیایی، ساده و مقیاس پذیر
Earth Engine یک کاتالوگ داده های جغرافیایی گسترده را با محاسبات توزیع شده ادغام می کند که از طریق کتابخانه های مشتری قابل دسترسی است. کاربران می‌توانند به طیف گسترده‌ای از داده‌های ماهواره‌ای و محیطی دسترسی داشته باشند و همچنین مجموعه داده‌های خود را ترکیب کنند . این پلتفرم با مدیریت خودکار داده‌ها، مقیاس‌بندی و ترکیب بر اساس پارامترهای مشخص‌شده توسط کاربر، تجزیه و تحلیل جغرافیایی را ساده می‌کند. توابع تحلیلی آن بدون نیاز به مراحل آماده سازی صریح داده یا تکه تکه شدن به طور موثر در مقیاس های مختلف عمل می کند. با مدیریت پردازش داده‌های پیچیده و مقیاس‌بندی محاسباتی در داخل، Earth Engine کاربران را قادر می‌سازد تا به جای تنظیمات فنی، بر تجزیه و تحلیل تمرکز کنند.
محیط های پردازش
Earth Engine از دو حالت تحلیل پشتیبانی می کند:
- حالت تعاملی : برای کاوش سریع داده در زمان واقعی و تجسم مقادیر کمی از داده ها.
- حالت دسته ای : برای کارهای محاسباتی در مقیاس بزرگ در مقادیر زیاد داده.
محیط های توسعه
توسعه دهندگان می توانند بین دو محیط توسعه اصلی یکی را انتخاب کنند:
- کتابخانه مشتری پایتون : یک رابط انعطاف‌پذیر با Earth Engine برای ادغام با اکوسیستم گسترده‌تر پایتون، تسهیل گردش‌های کاری پیشرفته و تجزیه و تحلیل تعاملی در نوت‌بوک‌های Jupyter.
- ویرایشگر کد جاوا اسکریپت : یک محیط توسعه مبتنی بر وب اختصاصی برای نمونه سازی سریع، کاوش و ایجاد اپلیکیشن Earth Engine.
تجسم و نتایج
Earth Engine از تجزیه و تحلیل جغرافیایی از نمونه سازی اولیه تا صادرات نهایی داده پشتیبانی می کند. کاشی کاری و سیستم محاسباتی کارآمد آن، ادغام شده با ویجت های نقشه تعاملی، قابلیت تجسم و بازرسی سریع را در محیط های ویرایشگر کد و پایتون فراهم می کند. این امکان کاوش و تکرار فوری داده ها را فراهم می کند. وقتی آماده شد، کاربران می‌توانند نتایج شطرنجی و برداری را به Google Cloud Storage، BigQuery یا Google Drive صادر کنند ، همچنین داده‌ها را به صورت محلی در قالب‌های سازگار با پانداها، NumPy و Xarray دانلود کنند. علاوه بر این، Earth Engine از ایجاد برنامه‌های کاربردی وب تعاملی پشتیبانی می‌کند و کاربران را قادر می‌سازد تا بینش‌های جغرافیایی خود را با مخاطبان وسیعی به اشتراک بگذارند.
یادگیری ماشینی
ابزارهای یادگیری ماشین برای رگرسیون، طبقه‌بندی، تقسیم‌بندی تصویر و ارزیابی دقت در Earth Engine تعبیه شده‌اند. پس از آموزش، مدل ها را می توان ذخیره و به طور مکرر اعمال کرد. گردش کار کلاسیک ML در سیستم یکپارچه Earth Engine ساده شده است. برای گزینه‌های پیشرفته‌تر یا مدل‌های آموزش‌دیده خارجی، ادغام با Vertex AI فراهم شده است که به مدل‌ها اجازه می‌دهد به داده‌های Earth Engine آورده شوند یا ساخت مدل‌های یادگیری عمیق و تحلیل‌های مبتنی بر شبکه‌های عصبی را امکان‌پذیر می‌سازد.
دسترسی و مدیریت
Earth Engine برای استفاده تجاری و غیرتجاری در دسترس است. استفاده غیرتجاری رایگان ارائه می شود، در حالی که استفاده تجاری مشمول هزینه اشتراک و محاسبه هزینه است. تمام محاسبات و داده‌های خصوصی با پروژه‌های Google Cloud مرتبط هستند و به کاربران امکان کنترل دسترسی، مدیریت منابع و نظارت بر استفاده از طریق Google Cloud Console را می‌دهند. این ادغام امکان مدیریت متمرکز پروژه، اطلاعات دقیق صورت‌حساب، و استفاده از ویژگی‌های امنیتی قوی و سازگاری Google Cloud را فراهم می‌کند. کاربران می توانند از مزایای مدیریت هویت و دسترسی (IAM) برای کنترل مجوزها استفاده کنند و می توانند فعالیت ها را ثبت کنند و مصرف منابع را با Cloud Monitoring و Cloud Logging نظارت کنند .
جز در مواردی که غیر از این ذکر شده باشد،محتوای این صفحه تحت مجوز Creative Commons Attribution 4.0 License است. نمونه کدها نیز دارای مجوز Apache 2.0 License است. برای اطلاع از جزئیات، به خطمشیهای سایت Google Developers مراجعه کنید. جاوا علامت تجاری ثبتشده Oracle و/یا شرکتهای وابسته به آن است.
تاریخ آخرین بهروزرسانی 2025-02-18 بهوقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین بهروزرسانی 2025-02-18 بهوقت ساعت هماهنگ جهانی."],[[["\u003cp\u003eGoogle Earth Engine is a cloud-based platform that provides petabytes of satellite imagery and geospatial datasets for environmental analysis.\u003c/p\u003e\n"],["\u003cp\u003eIt offers tools for geospatial analysis, including interactive and batch processing modes, as well as Python and JavaScript development environments.\u003c/p\u003e\n"],["\u003cp\u003eUsers can visualize and export results to various formats and platforms, including Google Cloud Storage, BigQuery, and Google Drive.\u003c/p\u003e\n"],["\u003cp\u003eEarth Engine incorporates machine learning capabilities for tasks like regression, classification, and image segmentation, and integrates with Vertex AI for advanced modeling.\u003c/p\u003e\n"],["\u003cp\u003eAccess is available for both commercial and non-commercial use, with options for managing projects, resources, and permissions through Google Cloud.\u003c/p\u003e\n"]]],["Google Earth Engine enables scalable geospatial analysis by combining a vast data catalog with planetary-scale computation. Users can access, process, and analyze satellite and environmental data using Python or JavaScript. It supports both interactive and batch processing for tasks. Results can be visualized, exported to various platforms (Google Cloud Storage, BigQuery, etc.), or integrated into interactive web applications. Machine learning tools are included, and Vertex AI integration is available for advanced models. Access is managed via Google Cloud projects with commercial and non-commercial options.\n"],null,["# About Google Earth Engine\n\nGoogle Earth Engine is a [Google Cloud product](https://cloud.google.com/earth-engine) for geospatial\nanalysis at scale. It combines a multi-petabyte catalog of satellite imagery and\ngeospatial datasets with planetary-scale computation to accelerate environmental\nresearch and applications.\n\nKey Features\n------------\n\n### Geospatial analysis, simplified and scalable\n\nEarth Engine integrates an extensive geospatial [data\ncatalog](/earth-engine/datasets) with distributed computing, accessible through\nclient libraries. Users can access a wide range of satellite and environmental\ndata, as well as [incorporate their own datasets](/earth-engine/guides/image_upload). The platform\nsimplifies geospatial analysis by automatically handling data projection,\nscaling, and compositing based on user-specified parameters. Its [analytical\nfunctions](/earth-engine/guides/objects_methods_overview) operate efficiently across different scales without\nrequiring explicit data preparation steps or chunking. By managing complex data\nprocessing and computational scaling internally, Earth Engine enables users to\nfocus on analysis rather than technical setup.\n\n### Processing environments\n\nEarth Engine supports [two modes of analysis](/earth-engine/guides/processing_environments):\n\n- **Interactive mode**: For rapid real-time data exploration and visualization of small amounts of data.\n- **Batch mode**: For large-scale computationally intensive tasks on large amounts of data.\n\n### Development environments\n\nDevelopers can choose between two primary development environments:\n\n- **Python client library**: A flexible interface to Earth Engine for integration with the broader Python ecosystem, facilitating advanced workflows, and interactive analysis in Jupyter notebooks.\n- **JavaScript Code Editor**: A dedicated web-based development environment for rapid prototyping, exploration, and Earth Engine App creation.\n\n### Visualization and results\n\nEarth Engine supports geospatial analysis from initial prototyping to final data\nexport. Its efficient tiling and computation system, integrated with interactive\nmap widgets, provides rapid visualization and inspection capabilities in both\nthe Code Editor and Python environments. This allows for immediate data\nexploration and iteration. When ready, users can [export](/earth-engine/guides/exporting) raster\nand vector results to Google Cloud Storage, BigQuery, or Google Drive, as well\nas download data locally in formats compatible with pandas, NumPy, and Xarray.\nAdditionally, Earth Engine supports the creation of [interactive web\napplications](/earth-engine/guides/apps), enabling users to share their geospatial insights with\na wide audience.\n\n### Machine learning\n\n[Machine learning tools](/earth-engine/guides/machine-learning) for regression, classification, image\nsegmentation, and accuracy assessment are built into Earth Engine. Once trained,\nmodels can be saved and applied repeatedly. Classical ML workflows are\nstreamlined within Earth Engine's integrated system. For more advanced options\nor externally trained models, integration with [Vertex AI](https://cloud.google.com/vertex-ai/docs/start/introduction-unified-platform) is\nprovided, allowing models to be brought to Earth Engine's data or enabling the\nconstruction of deep learning models and neural network-based analyses.\n\nAccess and management\n---------------------\n\nEarth Engine is available for both [commercial](https://earthengine.google.com/commercial/) and\n[noncommercial](https://earthengine.google.com/noncommercial/) use. Noncommercial use is offered free of\ncharge, while commercial use is subject to a [subscription fee and compute\ncharges](https://cloud.google.com/earth-engine/pricing). All computation and private data are associated with Google\nCloud projects, providing users with control over access, resource management,\nand usage monitoring through the Google Cloud Console. This integration allows\nfor centralized project management, detailed billing information, and the\napplication of Google Cloud's robust security and compliance features. Users can\ntake advantage of Identity and Access Management (IAM) to [control\npermissions](/earth-engine/cloud/access-control) and can [log activities](/earth-engine/guides/audit_logging) and [monitor\nresource usage](/earth-engine/guides/monitoring_usage) with Cloud Monitoring and Cloud Logging."]]
