Sentinel Hub – 用于分析就绪卫星数据的云 API

Sentinel Hub (https://www.sentinel-hub.com/) 是一个应用于卫星图像的云 API。 它利用 API 来增强对 Sentinel、Landsat 和其他商业卫星项目等任务的卫星数据访问。 Sentinel Hub 用户利用其 API 来处理他们感兴趣的数据， 并以最能提供他们所需信息的格式访问这些数据。 这有助于减轻处理大量不断变化的卫星数据所需的时间和精力方面的操作负担。

Sentinel Hub 使用户能够获取分析就绪数据 (ARD)。 这意味着数据的形式可以为特定的工作流程流程做好准备， 并且不需要额外的清理。 Sentinel Hub 估计，就数据处理而言， 它们提供的功能涵盖了大约 80% 的用户可能想要做的事情， 其中包括正射校正、数据转换、重新缩放、重新投影以及应用一些机器学习模型。 使用简单的 API 请求， 用户可以立即访问与 Sentinel Hub 合作的相关卫星任务的完整和全球档案。

了解 Sentinel Hub 的构建方式

最终转变为 Sentinel Hub 的想法源于之前项目中的运营困难。 这引发了人们认识到， 已经可用于处理卫星数据的技术并不太适合处理卫星收集的不断扩展、不断更新的大量数据。 开发了一个原型并随后进行了迭代， 以演变成现在的 Sentinel Hub。 对于那些可能想要构建但不确定应该如何开始的人来说， 这段成长之旅是一种鼓舞。 不要执着于必须立即从大处着手的想法。 从有信心的地方开始， 一旦弄清楚什么是有效的， 就继续构建。

Sentinel Hub 的工作原理

Sentinel Hub “即时”工作。 它不存储可以现成订购的预处理数据。 相反，处理是根据用户的请求即时进行的。 选择这种方法是因为很难准确预测用户在地理、时间和光谱方面的需求。 这也是 Sentinel Hub 不缓存处理结果的原因之一（隐私政策除外）。 考虑到这些方面， 存储可能永远不需要的 PB 级数据的风险很高。 相反，Sentinel Hub 致力于尽可能优化其处理步骤以提高速度。 目前，处理最常见的请求（如上）只需要几秒钟。 这通常足够快， 用户可以以交互方式将这些 API 直接集成到应用程序中， 甚至不必存储数据。

保持操作“即时”还允许 Sentinel Hub 通过简单地部署新版本来向用户公开其新功能和改进。 如果数据经过预处理， 就会有一个固定的数据集， 需要对其进行处理以引入新的改进。 这可能是昂贵、耗时且不方便的。

Sentinel Hub 有何不同？

Sentinel Hub 功能的描述可能会让人认为它与 Google Earth Engine 或 Microsoft 的 Planetary Computer 相同。 理想情况下，它实际上介于两者之间。 请参阅以下部分以了解它们的比较方式。

Sentinel Hub 与 Google 地球引擎

Google Earth Engine 被设计为一个搜索平台， 人们可以在其中进行分析， 并利用其结果。 它的主要设计目的不是为其他应用程序提供动力。 尽管有与此相关的解决方法， 但 Google Earth Engine 主要是为人们设计的， 以处理其分析结果。

另一方面，Sentinel Hub 旨在为其他应用程序提供动力。 它提供了一组 API， 用户可以轻松地将其集成到他们的程序和工作流中。 它消除了对用户可以做什么以及在哪里可以做的限制。 在 Sentinel Hub 之上构建工作流， 几乎可以处理任何事情， 因其可以微调希望从 Sentinel Hub API 获得的内容。

Sentinel Hub 与微软的行星计算机

微软的 Planetary Computer (https://mapscaping.com/podcast/the-planetary-computer/) 可以被视为一个平台， 主要用于以云原生方式提供地理空间数据。 它没有抽象卫星数据的复杂性， 这使得它很难执行像拼接场景这样的任务。 微软的 Planetary Computer 提供 API 来访问在 Azure 虚拟机上运行用户工作流的卫星数据元数据。 这本身对于可能希望在不同云上运行它的用户来说是非常有限的。 另一方面，Sentinel Hub 允许用户更加灵活， 因其可以在自己的环境中使用该程序。

拥有自己的基础架构和不想在环境之外使用专有数据的企业， 可以随时随地将 Sentinel Hub 作为其程序中的数据流。

谁是 Sentinel Hub 的用户？

绝大多数 Sentinel Hub 用户是应用程序开发人员和数据科学家。 应用程序开发人员大多是在农业部门工作的人员。 其中一个原因是 Sentinel-2 提供了一个强大的数据集合， 其分辨率对农业和植被监测最有用。 通常，许多精准农业应用程序都由 Sentinel Hub 提供支持。

数据科学家对 Sentinel Hub 的使用倾向于农业， 主要用于监测活动和气候变化分析。 数据科学家是 Sentinel Hub 的最大消费者， 他们利用机器学习执行大规模操作。 尽管只占 Sentinel Hub 付费用户的 5%， 但数据科学家消耗了大约 80% 的数据量。 除了农业部门， Sentinel Hub 还服务于能源、国防、环境和采矿部门。

与 Sentinel Hub 合作

卫星公司可以通过其“自带数据”服务与 Sentinel Hub 合作。 该服务允许卫星公司以 Sentinel Hub 支持的任何云原生格式（即 GeoTIFF、XAR）， 以及基本上任何类型的栅格数据将其数据插入 Sentinel Hub。 Sentinel Hub 不会复制此数据， 而只是将元数据存储在其数据库中以便更快地访问， 就像目录一样。 用户可以利用 Sentinel Hub 提供的同一组功能来有效地分发数据。 卫星提供商负责向用户收取使用其数据的费用， 因为 Sentinel Hub 目前不支持此功能。

Sentinel Hub 的 EO 浏览器

EO 浏览器是在浏览器中运行的 Google 地图类型的应用程序。 它提供对 Sentinel Hub 支持的卫星任务的访问， 并且免费用于非商业用途。 在 EO 浏览器中， 可以检查世界任何地方的最新数据并以交互方式可视化（即放大和缩小、查看不同的波段组合、进行时间流逝、在卫星之间切换）等等。 无需帐户即可在浏览器中使用这些功能。 EO 浏览器展示了 Sentinel Hub 的 API 在集成到工作流中时可以做什么。 它完美地展示了如何使用卫星数据。 如果想熟悉或了解更多有关卫星数据的信息， EO 浏览器是一个有用的资源。

地球观测 (EO) 行业概述

多年来，随着专家们探索更多使用卫星数据可以提高效率和洞察力的应用， 卫星图像的用处不断增加， 同时随着信息技术和数据采集技术的发展， 地球观测行业迎来了新的机遇，但也面临一些挫折。 近年来，卫星图像的空间分辨率有所提高， 并为使用卫星数据带来了新的机会。 一些卫星任务，如 Sentinel-2， 通过提供非常有用、高质量、免费的数据集发起了一场革命， 这些数据集可用作许多地理空间工作流程的基础。 由于机器学习对 EO 行业的贡献， 它也值得一提。 它彻底改变了与通常大量卫星数据的交互， 并对其进行处理。 在为高度动态的卫星数据开发机器学习程序以及消费者渴望的更多利基用途方面， 还有很多工作要做。

卫星数据性质的复杂性， 以及地理空间应用的独特性， 给使用机器学习充分把握 EO 行业出现的机遇带来了困难。 这种独特性阻碍了现成的机器学习算法的发展。 机器学习程序可以作为服务提供的应用程序非常有限（即船舶或建筑物检测）。 在大多数其他情况下，仍然需要根据特定的工作流程或利基调整程序。 为了促进地理空间应用程序中机器学习的发展， Sentinel Hub 开源了所有内部开发的机器学习程序， 并将其托管在 GitHub 上， 允许其他人改进这些程序， 并将它们用作自己的机器学习项目的起点。

决定如何在数据捕获期间平衡时间和空间分辨率， 也是任务是否会产生足够价值的决定性因素。 例如，建筑行业的应用可能需要高空间分辨率（即 1 米）和高时间分辨率（即 1 天）来监控施工进度。 对于一天之内不会发生重大变化的植被监测等应用， 使用这些精确的分辨率将是多余的。 产生的价值很可能不足以补偿处理过程中使用的成本。 另一个挑战是卫星数据只能定期生成。 用户不太可能在他们感兴趣的特定时间在他们感兴趣的区域找到他们想要的东西。 卫星只能为未来分配任务， 而不是为过去分配任务。

推进地球观测行业

分享知识一直是推动任何行业更上一层楼的新发展的支柱之一。 在地理空间领域， 越来越多的公司正在培育分享知识的文化。 Sentinel Hub 已经通过分享他们所做的很多事情（即公开分享他们的机器学习程序， 可以很容易地选择将其设为专有）在这方面取得了长足的进步。 Sentinel Hub 解释说， 之所以这样做， 是因为他们认为地球观测领域正处于一个阶段， 在这个阶段，促进其发展比提高一个人在其中的地位更为重要。

在可预见的未来， 地球观测行业有望实现增长。 随着在我们生活的几乎所有元素中引入监测方法， 卫星数据将是必需的，它是丰富、客观和有用的主要来源。 该行业将会继续不断的发展， 这些数据将以一种更容易提取信息并以智能方式处理的形式需要。 Sentinel Hub 承认他们在这个行业中只做了很小的一部分。 它需要地理空间社区的努力来发展所有微小的部分并实现整个行业的增长。