橙蜂智能公司致力于提供先进的人工智能和物联网解决方案，帮助企业优化运营并实现技术潜能。公司主要服务包括AI数字人、AI翻译、领域知识库、大模型服务等。其核心价值观为创新、客户至上、质量、合作和可持续发展。

橙蜂智农的智慧农业产品涵盖了多方面的功能，如智能化推荐、数据分析、远程监控和决策支持系统。用户可以通过应用获得个性化的作物种植建议、实时的生长状态监控以及精确的灌溉和施肥指导，提升农业生产效率。

     上一篇文章介绍通过EarthPy包获取卫星遥感数据，然后对数据进行分析和可视化的展示。整个 操作过程需要您具备一定的编程技能，这篇文章推荐阿里达摩院的一站式的遥感数据分析服务平台---AIEarth地球科学云平台，不仅提供了集成的SDK，可把遥感数据能力嵌入自有系统，而且还提供可视化的操作平台，便于更直观的使用遥感数据的分析能力。但在使用验证的过程中，发现平台的说明文档还是不够详细，很多使用方式需要自行摸索验证。但总体瑕不掩瑜，感谢阿里提供的强大的、免费的服务能力。下边通过可视化操作方式，来介绍下AIEarth的能力，因场景所限，可能介绍的不是特别完整，欢迎大家补充。

AIEarth介绍

AI Earth平台利用先进的算法和阿里云的计算资源，为用户提供多源对地观测数据的云计算分析服务。它旨在通过数据感知地球，助力科学研究和决策。

核心功能

1. 零代码探索地球：用户无需编写代码即可获取公开数据，上传和管理数据，进行数据处理分析，以及训练遥感AI模型。
2. 写代码探索地球：为开发者提供开发者模式，支持使用Notebook进行编程，提供丰富的API供调用，以及提供案例参考。

服务特点

1. 技术积累：平台背后有达摩院-视觉技术实验室在深度学习、计算机视觉和地理空间分析等领域的技术积累。
2. 算力支持：依托阿里云的高性能计算资源，能够处理大规模的遥感数据分析任务。
3. 易用性：提供零代码和开发者模式两种操作方式，满足不同用户的需求。
4. 多源数据支持：能够处理和分析多源对地观测数据，提供全面的数据分析服务。
5. AI模型训练：支持用户进行遥感AI模型的训练，提高数据处理的智能化水平。

作物长势分析操作流程

1.获取遥感数据

AIEarth平台提供LandSat卫星和Sentinal卫星的遥感数据，前边文章也和大家介绍过，Sentinel-2卫星的遥感数据具有更高精度和频次，所以获取Sentinel-2卫星数据，后续利用该数据进行作物长势分析。

确定数据的卫星来源之后，通过全选区域的方式，勾选我们要进行作物长势分析的地块。通过勾选地图的多个点可以很方便的圈选一个多边形的地块，然后确定遥感数据的采集时间范围，点击“检索”则会筛选符合要求的遥感数据。

友情提示：Sentinel提供不同的类型的遥感数据，L2A数据类型表示经过大气校正的表面反射率数据，已经进行了大气校正，可以直接用于分析。该数据主要用于陆地观测，尤其在农业、森林监测、土地利用、灾害评估等领域。其他类型的数据用途不同，可根据需求场景自行选择。

这个时间范围内，检索到四个时间点的遥感数据，而且刚圈选的地块即使有100亩，现在也变成地图上的一个点，所以需要对遥感数据进行裁剪，保存我们需要的数据，然后在进行重点分析。

2.图像裁剪

圈选待裁剪的数据，选择对应的波段排序，然后执行裁剪操作。因为调整影像的展示波段，导致图像的背景色变成了红色。

3.作物长势分析

选择裁剪的数据集，然后使用公开的数据集指数计算方法，可以非常轻松的计算该地块区域的植被指数，并以可视化的方式展示到地图上。这里为方便大家观看，把地块进行放大导致图像有些模糊。

大家也可以使用开发者模式，对地块的作物长势进行分析，示例代码如下：

因为Landsat卫星和Sentinel卫星遥感数据波段名称不同，在使用编码分析时，请注意区分这两种卫星的数据名称。

import aie
aie.Authenticate()
aie.Initialize()

img = aie.Image('user/66b363c9c118337ec1378dc5516')


# 归一化植被指数
def getNDVI(image):
    ndvi = image.normalizedDifference(['B8', 'B4']).rename(['NDVI'])
    return ndvi

ndvi = getNDVI(img)

ndvi_vis = {
    'min': -0.2,
    'max': 0.8,
    'palette': [
        '#D7191C', '#FDAE61', '#FFFFBF', '#2B83BA', '#ABDDA4'
    ]
}

map = aie.Map(
    center=ndvi.getCenter(),
    height=800,
    zoom=5
)

map.addLayer(
    ndvi,
    ndvi_vis,
    'NDVI',
    bounds=ndvi.getBounds()
)

map