Interactive mapping and geospatial analysis with Leafmap and Jupyter

Wu, Qiusheng

doi:10.1145/3486189.3490015

Cited by 2 publications

(1 citation statement)

References 6 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…PhenoApp utiliza Google Earth Engine mediante la librería de Python Geemap, que actúa como una API para trabajar usando los servidores y algoritmos de GEE, y añade además, la potencia del ecosistema de Python para el procesado de datos, junto con la aplicación de mapas Leafmap (Wu, 2021) que permite montar servicios de mapas dinámicos dentro del entorno de Python, fundamentalmente en entornos de desarrollo basados en el proyecto Jupyter (Kluyver, et al, 2017), tales como Jupyter Notebooks, Jupyter Labs o Google Colabs. Por tanto, PhenoApp puede ejecutarse en cualquiera de esos entornos, lo que ha favorecido su integración con otro de los servicios de software ofrecidos por eLTER: Los Laboratorios Virtuales o Datalabs, desarrollados por el UK Centre for Ecology & Hydrology (UKCEH), miembro adscrito a eLTER, que ofrece este servicio de hosting de un entorno Jupyter para los sites miembros.…”

Section: Cálculo De Métricas Con Google Earth Engine Y Librerías De P...unclassified

PhenoApp. Una aplicación basada en Google Earth Engine para el monitoreo de la fenología

García-Díaz

Dı́az-Delgado

2023

Rev. Teledetec.

View full text Add to dashboard Cite

La aplicación PhenoApp ha sido desarrollada en el marco de los proyectos eLTER Plus y SUMHAL, como una herramienta dirigida a científicos y gestores de los sitios integrados en la red eLTER, con la cual puede realizarse un seguimiento de la fenología a largo plazo de diferentes cubiertas vegetales. La aplicación proporciona un mapa dinámico, que permite la selección de cualquier sitio de la red y consultar las métricas fenológicas de cada píxel o grupo de píxeles generadas con la serie de imágenes Sentinel 2 usando las librerías de Python Ndvi2Gif y PhenoPY. La aplicación integra también los productos de fenología de MODIS (MCD12Q2.006) y de Copernicus Sentinel 2 High Resolution Vegetation Phenology Product (HR-VPP). Además, la aplicación incorpora un formulario que permite al usuario proporcionar los datos de fenología obtenidos in situ (mediante observación directa o fenocámaras), que se usarán para realizar una validación de los distintos productos obtenidos vía satélite. A modo de ejemplo, se muestra la validación efectuada en uno de los sitios de la red eLTER ubicado en el Espacio Natural de Doñana (END), usando como datos in situ los proporcionados por la red de fenocámaras instaladas en la Reserva Biológica de Doñana a partir de 2016, dentro del marco de la Infraestructura Científica y Técnica Singular de Doñana (ICTS-Doñana). Un análisis de validación preliminar pone de manifiesto la necesidad de considerar las discrepancias entre los distintos productos y métodos de acuerdo con la variabilidad fenológica inherente a cada ecosistema.

show abstract

Section: Cálculo De Métricas Con Google Earth Engine Y Librerías De P...unclassified

PhenoApp. Una aplicación basada en Google Earth Engine para el monitoreo de la fenología

García-Díaz

Dı́az-Delgado

2023

Rev. Teledetec.

View full text Add to dashboard Cite

show abstract

Geospatial Machine Learning and the Power of Python Programming

Ahmad,

Ali,

Hasan

et al. 2024

Advances in Geospatial Technologies

View full text Add to dashboard Cite

Machine learning can play a critical role in geospatial analysis, providing enhanced computing efficiency, flexibility, and scalability, improved predictive capabilities, complicated problem resolution, and information extraction from big datasets. Python has emerged as the predominant language for geospatial machine learning due to its user-friendly interface, extensive library support, and versatility. This chapter has explored a diverse ecosystem of Python libraries ranging from Geopandas, Fiona, Leafmap, Geemap, PySAL, and Shapely for geospatial data manipulation to Keras Spatial, TorchGeo, Scikit-learn, and TensorFlow for deep learning applications. Complementing this, it also explored a variety of QGIS Python plugins that enhance geospatial machine learning capabilities, including smart-map, cluster analysis, PyQGIS, ClusterPoints, AI vectorizer, mapflow, deepness, and many more, offering functionalities for digital mapping, clustering, and map segmentation.

show abstract

Interactive mapping and geospatial analysis with Leafmap and Jupyter

Cited by 2 publications

References 6 publications

PhenoApp. Una aplicación basada en Google Earth Engine para el monitoreo de la fenología

PhenoApp. Una aplicación basada en Google Earth Engine para el monitoreo de la fenología

Geospatial Machine Learning and the Power of Python Programming

Contact Info

Product

Resources

About