เมื่อก่อน การทำงานกับข้อมูลเชิงพื้นที่มันจะถูกแบ่งเป็นสองฝั่งหลัก ๆ ครับ คือ Earth Engine จะเก่งกาจเรื่องการประมวลผล Raster Data หรือข้อมูลแบบพิกเซล อย่างภาพถ่ายดาวเทียม แต่ในทางกลับกัน BigQuery จะเป็นแชมป์ในการจัดการ Vector Data หรือข้อมูลแบบจุด เส้น และรูปปิด (Polygon) ซึ่งข้อมูลทั้งสองประเภทนี้มักจะอยู่คนละที่ ทำให้การวิเคราะห์ที่ต้องใช้ร่วมกันค่อนข้างซับซ้อนและยุ่งยาก
แต่ตอนนี้ ! Google Cloud ได้รวมพลังของทั้งสองแพลตฟอร์มเข้าด้วยกัน ทำให้เราสามารถวิเคราะห์ข้อมูล Raster ได้โดยตรงใน BigQuery โดยใช้ภาษา SQL ที่คุ้นเคยเลยครับ ถือเป็นการเปิดประตูสู่ความเป็นไปได้ใหม่ ๆ มากมาย
BigQuery กับ Earth Engine ต่างจากเดิมยังไง ?
เมื่อก่อน:
- การวิเคราะห์ Raster Data ส่วนใหญ่ต้องทำใน Earth Engine ซึ่งอาจจะต้องใช้ภาษาเฉพาะ (Python/JavaScript API) และต้องย้ายข้อมูลไปมาระหว่างแพลตฟอร์มถ้าต้องการใช้ Vector Data จาก BigQuery
- การนำสถิติจาก Raster Data มาใช้ร่วมกับ Vector Data ใน BigQuery ทำได้ยากและไม่ค่อยมีประสิทธิภาพ
เดี๋ยวนี้ (ด้วย Earth Engine ใน BigQuery):
- วิเคราะห์ Raster Data ได้โดยตรงใน BigQuery ด้วย SQL: ไม่ต้องสลับแพลตฟอร์ม ไม่ต้องเรียนรู้ภาษาใหม่ แค่เขียน SQL ก็จัดการได้เลย
- ฟังก์ชัน ST_RegionStats(): นี่คือหัวใจสำคัญเลยครับ ฟังก์ชันนี้ทำให้เราสามารถดึงสถิติต่าง ๆ จาก Raster Data 📊 (เช่น ค่าเฉลี่ย, ค่าสูงสุด, ค่าต่ำสุด ของความเข้มข้นในภาพถ่ายดาวเทียม) ภายในขอบเขตทางภูมิศาสตร์ที่เรากำหนดใน BigQuery ได้อย่างมีประสิทธิภาพมาก ๆ
- เข้าถึง Earth Engine Dataset แบบพร้อมใช้: สามารถเข้าถึงชุดข้อมูล Earth Engine ใหม่ ๆ ที่ถูกจัดเตรียมไว้สำหรับการวิเคราะห์แล้วใน BigQuery Sharing (เมื่อก่อนคือ Analytics Hub) ทำให้เริ่มต้นทำงานได้เร็วขึ้น
BigQuery Sharing ที่มีข้อมูล Earth Engine ให้ Subscribe
ประโยชน์ของ Earth Engine Dataset บน BigQuery Sharing
- เข้าถึงการวิเคราะห์ Raster ได้กว้างขึ้น: ทำให้คนที่ถนัด SQL ก็สามารถเข้ามาวิเคราะห์ข้อมูลเชิงภูมิสารสนเทศที่ซับซ้อนได้
- ขั้นตอนการทำงานง่ายขึ้น: ไม่ต้องย้ายข้อมูลไปมา ลดความซับซ้อนในการทำงานร่วมกันระหว่างข้อมูล Raster และ Vector
- ตอบโจทย์ธุรกิจได้รวดเร็ว: ช่วยให้องค์กรสามารถแก้ปัญหาในโลกจริงได้อย่างมีประสิทธิภาพมากขึ้นด้วยข้อมูลเชิงพื้นที่ที่แม่นยำ
เปลี่ยนธุรกิจคุณให้ล้ำหน้าด้วย Google Cloud ที่จะช่วยให้คุณใช้งาน AI ได้เต็มศักยภาพ !
ทีมผู้เชี่ยวชาญของเราพร้อมให้คำปรึกษาและออกแบบโซลูชันที่ตอบโจทย์ที่สุดสำหรับองค์กรของคุณ
ทำเพื่อใคร ? ฟีเจอร์นี้ถูกสร้างมาเพื่อ ผู้ใช้งาน SQL โดยเฉพาะครับ ไม่ว่าจะเป็น Data Analyst, Data Scientist, หรือ GIS Engineer ที่ต้องการนำข้อมูลเชิงภูมิสารสนเทศมาใช้ในการวิเคราะห์และตัดสินใจทางธุรกิจ
ดังนั้นเราจึงสามารถนำผลลัพธ์จาก SQL ไปแสดงผลต่อได้บน Visualized Tools หรือ BI เช่น Looker Studio, Connected Sheets, BigQuery Geo Viz เป็นต้น
ตัวอย่างการใช้ Connected Sheets ในการแสดงข้อมูล
ตัวอย่างการใช้ BigQuery Geo Viz ในการแสดงข้อมูล
ตัวอย่าง Use Case
- การประเมินความเสี่ยงด้านสภาพภูมิอากาศและกายภาพ: เช่น การทำแผนที่พื้นที่เสี่ยงน้ำท่วม 🌊 หรือประเมินความเสี่ยงไฟป่า 🌳🔥
- การจัดหาที่มาอย่างยั่งยืนและการเกษตร: เช่น การตรวจสอบการตัดไม้ทำลายป่า หรือการติดตามสุขภาพพืชผลทางการเกษตร
- การติดตามการปล่อยก๊าซมีเทน: วิเคราะห์แหล่งกำเนิดและการแพร่กระจายของก๊าซมีเทน
สรุป
เป็นยังไงบ้างครับกับเรื่องราวของ Earth Engine ใน BigQuery ? ผมหวังว่าทุกท่านคงจะเห็นภาพถึงพลังและความสามารถใหม่ ๆ ที่ Google Cloud ได้มอบให้ ซึ่งช่วยทลายกำแพงระหว่างการวิเคราะห์ข้อมูล Raster และ Vector ในอดีต
จากที่เคยแยกส่วนกันและต้องอาศัยผู้เชี่ยวชาญเฉพาะทาง วันนี้ด้วยการรวมพลังของ Earth Engine และ BigQuery ทำให้เราสามารถนำข้อมูลภาพถ่ายดาวเทียมและข้อมูลภูมิสารสนเทศที่ซับซ้อนมาวิเคราะห์ได้โดยตรงด้วยภาษา SQL ที่คุ้นเคยผ่านฟังก์ชันทรงพลังอย่าง ST_RegionStats()
นี่ไม่ใช่แค่การอัปเดตฟีเจอร์ใหม่ ๆ นะครับ แต่มันคือการปลดล็อกศักยภาพใหม่ ๆ ให้กับนักวิเคราะห์ข้อมูลทุกคน ให้สามารถเข้าถึงข้อมูลเชิงพื้นที่มหาศาล และนำไปประยุกต์ใช้ในการแก้ไขปัญหาในโลกแห่งความเป็นจริงได้อย่างมีประสิทธิภาพและรวดเร็ว ไม่ว่าจะเป็นการประเมินความเสี่ยงไฟป่า การติดตามผลกระทบจากการเปลี่ยนแปลงสภาพภูมิอากาศ หรือการสนับสนุนการพัฒนาที่ยั่งยืน
ผมเชื่อว่า AI และ Data Analytics คืออนาคต และการผสานรวมกันของเครื่องมือที่ทรงพลังเช่นนี้ จะเป็นกุญแจสำคัญที่ช่วยให้ธุรกิจและองค์กรต่าง ๆ ตัดสินใจได้อย่างชาญฉลาดและขับเคลื่อนนวัตกรรมไปข้างหน้าครับ
หน้าแรก 
โซลูชั่น 
โทร 
ติดต่อเรา