Georäumliche Analyse in der Cloud: Skalierung der Rasterdatenverarbeitung

Wenn Geodatensätze zu groß für Ihren lokalen Computer werden, wird die Analyse unterbrochen und der Arbeitsspeicher wird knapp. Durch die Umstellung Ihrer Raster-Workflows auf die Cloud erhalten Sie unbegrenzte Rechenleistung und Speicherkapazität. Dieser reine Textkurs führt Sie durch die grundlegenden Konzepte der cloudbasierten räumlichen Analyse und zeigt Ihnen, wie Sie riesige Rasterdatensätze effizient speichern, darauf zugreifen und verarbeiten können, ohne Ihr System abzustürzen. Was Sie lernen: Grundlegende Cloud-Speicherkonzepte verstehen und große georäumliche Datensätze verwalten; Anwenden von Cloud Optimized GeoTIFF (COG) -Standards zum Streamen von Daten ohne Herunterladen ganzer Dateien; Effiziente Abfrage von Metadaten mit SpatioTemporal Asset Catalogs (STAC); Konfigurieren von verteilten Computing-Workflows mit Python-Bibliotheken wie Dask und Xarray; Optimierung der Speichernutzung bei der Verarbeitung hochauflösender Bilder; Entwerfen skalierbarer Workflows, die nahtlos in der Cloud-Infrastruktur ausgeführt werden. Sie beginnen mit der Kernterminologie der Cloud und den Geodatenformaten, bevor Sie sich praktischen Strategien für die parallele Verarbeitung und die verteilte Rasteranalyse zuwenden. Dieser Kurs richtet sich an Geodaten-Analysten, GIS-Profis und Data Scientists, die neu im Cloud Computing sind und ihre Workflows über lokale Hardwaregrenzen hinaus skalieren möchten. Lesen Sie noch heute, wie Sie Ihre räumlichen Analysefunktionen in die Cloud skalieren können.