Điện toán đám mây là gì? Các công bố khoa học về Điện toán đám mây

Xóa bỏ những mây mù khỏi tiềm năng thực sự và những trở ngại mà khả năng tính toán này gây ra.

Đất ngập nước là một trong những hệ sinh thái quan trọng nhất, cung cấp môi trường sống lý tưởng cho một loạt lớn các loài thực vật và động vật. Lập bản đồ và mô hình hóa đất ngập nước sử dụng dữ liệu Quan Sát Trái Đất (EO) là điều thiết yếu cho quản lý tài nguyên thiên nhiên ở cả cấp độ khu vực và quốc gia. Tuy nhiên, việc lập bản đồ đất ngập nước chính xác là một thách thức, đặc biệt là trên quy mô lớn, do cảnh quan đa dạng và bị phân mảnh, cũng như sự tương đồng phổ giữa các lớp đất ngập nước khác nhau. Hiện tại, thiếu các kiểm kê đất ngập nước chính xác, nhất quán và toàn diện ở quy mô quốc gia hoặc tỉnh trên toàn cầu, với hầu hết các nghiên cứu tập trung vào việc tạo bản đồ quy mô địa phương từ dữ liệu viễn thám có giới hạn. Tận dụng sức mạnh tính toán của Google Earth Engine (GEE) và sự sẵn có của dữ liệu viễn thám có độ phân giải không gian cao được thu thập bởi Copernicus Sentinels, nghiên cứu này giới thiệu bản đồ kiểm kê đất ngập nước chi tiết đầu tiên ở cấp độ tỉnh của một trong các tỉnh giàu đất ngập nước nhất ở Canada về mặt mở rộng đất ngập nước. Cụ thể, dữ liệu tổng hợp từ nhiều năm radar khẩu độ tổng hợp (SAR) Sentinel-1 mùa hè và quang học Sentinel-2 được sử dụng để xác định sự phân bố không gian của năm lớp đất ngập nước và ba lớp không phải đất ngập nước trên Đảo Newfoundland, bao phủ diện tích xấp xỉ 106,000 km2. Các kết quả phân loại được đánh giá bằng cách sử dụng cả phân loại kiểu dựa trên điểm ảnh và thể đối tượng, sử dụng phương pháp rừng ngẫu nhiên (RF) được triển khai trên nền tảng GEE. Kết quả cho thấy sự vượt trội của phương pháp dựa trên đối tượng so với phương pháp phân loại dựa trên điểm ảnh cho lập bản đồ đất ngập nước. Mặc dù việc phân loại sử dụng dữ liệu quang học nhiều năm chính xác hơn so với SAR, nhưng việc kết hợp cả hai loại dữ liệu đã cải thiện đáng kể độ chính xác phân loại của các lớp đất ngập nước. Đặc biệt, độ chính xác tổng thể đạt 88,37% và hệ số Kappa đạt 0,85 với tổ hợp SAR/quang học nhiều năm sử dụng phân loại RF dựa trên đối tượng, trong đó tất cả các lớp đất ngập nước và không phải đất ngập nước đều được xác định chính xác với độ chính xác lần lượt trên 70% và 90%. Kết quả cho thấy sự chuyển đổi từ các sản phẩm và phương pháp tĩnh tiêu chuẩn sang việc tạo ra các bản đồ phủ sóng đất ngập nước động, theo yêu cầu, quy mô lớn thông qua các tài nguyên điện toán đám mây tiên tiến, đơn giản hóa truy cập và xử lý 'Dữ liệu Toàn Địa'. Ngoài ra, bản đồ kiểm kê ngày càng đòi hỏi của Newfoundland rất có giá trị và có thể được sử dụng bởi nhiều bên liên quan, bao gồm các chính phủ liên bang và tỉnh, các thành phố, các tổ chức phi chính phủ và các chuyên gia môi trường, chỉ đề cập đến một số ít.

Bản đồ sử dụng đất đai và lớp phủ đất (LULC) chính xác và thời gian thực rất quan trọng để cung cấp thông tin chính xác cho việc giám sát động, quy hoạch và quản lý Trái Đất. Với sự ra đời của các nền tảng điện toán đám mây, các kỹ thuật trích xuất đặc tính theo chuỗi thời gian và các bộ phân loại học máy, đang xuất hiện những cơ hội mới trong việc lập bản đồ LULC chính xác và quy mô lớn hơn. Trong nghiên cứu này, chúng tôi nhằm tìm hiểu cách hai phương pháp ghép hỗn hợp và các chỉ số quang phổ–thời gian được trích xuất từ chuỗi thời gian vệ tinh có thể ảnh hưởng đến khả năng của một bộ phân loại học máy trong việc tạo ra bản đồ LULC chính xác. Chúng tôi đã sử dụng nền tảng điện toán đám mây Google Earth Engine (GEE) để tạo ra chuỗi thời gian Sentinel-2 (S-2) và Landsat-8 (L-8) không có mây trên tỉnh Tehran (Iran) tính đến năm 2020. Hai phương pháp ghép hỗn hợp, cụ thể là hỗn hợp theo mùa và chỉ số phần trăm, đã được sử dụng để định nghĩa bốn tập dữ liệu dựa trên chuỗi thời gian vệ tinh, chỉ số thảm thực vật và các lớp địa hình. Bộ phân loại rừng ngẫu nhiên đã được sử dụng trong phân loại LULC và để xác định các biến quan trọng nhất. Kết quả đánh giá độ chính xác cho thấy rằng S-2 vượt trội hơn so với các chỉ số quang phổ–thời gian của L-8 ở cấp độ tổng thể và cấp lớp. Hơn nữa, sự so sánh giữa các phương pháp ghép hỗn hợp chỉ ra rằng hỗn hợp theo mùa vượt trội hơn chỉ số phần trăm trong cả chuỗi thời gian S-2 và L-8. Ở cấp lớp, hiệu suất cải thiện của hỗn hợp theo mùa liên quan đến khả năng của chúng cung cấp thông tin tốt hơn về sự biến đổi thời kỳ sinh thái của các lớp LULC khác nhau. Cuối cùng, chúng tôi kết luận rằng phương pháp luận này có thể tạo ra bản đồ LULC dựa trên GEE đám mây điện toán một cách chính xác và nhanh chóng và có thể được sử dụng trong lập bản đồ LULC quy mô lớn.

Khi các yếu tố tác động đến sự phát triển của nền kinh tế thị trường toàn cầu ngày càng trở nên không chắc chắn, nền kinh tế và hàng hóa sẽ trở nên dao động nhiều hơn trong quá trình vận hành kinh tế. Với khả năng ánh xạ phi tuyến tính mạnh mẽ, mạng nơ-ron nhân tạo đã được ứng dụng trong nhiều lĩnh vực, phân tích chuỗi thời gian và dự đoán xu hướng. Điện toán đám mây có thể tương tác nhanh chóng với nhà cung cấp dịch vụ với chi phí quản lý tối thiểu. Bài báo này đề xuất một mô hình dự đoán kinh tế và phân bổ tài nguyên tối ưu dựa trên điện toán đám mây và mạng nơ-ron BP. Mục tiêu chính là phân chia một nhiệm vụ dự đoán phức tạp thành nhiều nhiệm vụ con, giảm hiệu quả khối lượng công việc của một máy tính đơn lẻ và nâng cao hiệu suất hoạt động. Kết quả mô phỏng cho thấy phương pháp đề xuất không phụ thuộc vào thông tin gradient và có khả năng tính toán tối ưu mạnh mẽ. Đồng thời, nó có thể phân tích và dự đoán quản lý kinh tế, nhằm cung cấp hỗ trợ quyết định mạnh mẽ cho các nhà ra quyết định.