Click "Run Processing" to generate the image
Magellan Radar Demo - ML-Powered Surface Analysis | by Henrik Hargitai & Viktor Somogyi for HUN-REN / ESA
Processing...
Click: local patch analysis | Double-click: enlarge image
Click "Run Processing" to generate the image
Drag to move the ROI box. Drag corners to resize.
Position: X: 0, Y: 0
Size: 512 x 450 px
Size: 128-512 pixels (min-max)
Data flow: SAR data from NASA/USGS Magellan mission is preprocessed (normalization, despeckling), then texture features are extracted using GLCM/Haralick methods. K-Means clustering groups similar texture patches into surface units. PCA projects the feature space to 2D for visualization.
This is unsupervised exploration - no geological labels are assigned. The tool proposes preliminary surface units based on texture similarity.
Loading 3D model...
Interactive 3D model of Venus surface. Use mouse to rotate, scroll to zoom.
This presentation was given at the Linux Foundation Amsterdam conference in the OpenSource AI/ML_DEV section. Viktor Somogyi presents the Venus SAR Exploratory Lab project.
The current web-based application of the Venus SAR Exploratory Lab is a lightweight, easily shareable, interactive demonstration and exploratory interface for NASA Magellan Synthetic Aperture Radar (SAR) data of Venus.
The long-term objective, however, is significantly more ambitious: the development of a supervised machine-learning model trained on annotated data, capable of more reliable and scientifically rigorous identification and analysis of planetary geological features.
At present, this complete system cannot be presented on the web in the same way, as the actual development environment involves orders of magnitude larger datasets (hundreds of gigabytes) and substantially higher computational requirements. The goal, nevertheless, is to make the results of the future, validated supervised pipeline presentable in a similarly transparent and interactive form.
Viktor Somogyi is the ML/AI engineer and lead developer of the project, while Henrik Hargitai, Ph.D. is a planetary geographer and geologist, contributing to the geological interpretation framework and scientific context.
The Venus SAR Exploratory Lab is a web-based interactive application designed to support exploratory analysis of Synthetic Aperture Radar (SAR) imagery acquired by the NASA Magellan spacecraft between 1990 and 1994.
Its purpose is to examine surface patterns on Venus using image processing and machine learning tools, in a way that is transparent, explainable, and suitable for educational use.
This application is not a geological classification system.
Its outputs are exploratory and hypothesis-generating, and all results require expert interpretation. The application does not assign geological labels (e.g., "this is definitely a lava flow") to detected patterns.
The application uses a widely adopted global Magellan mosaic published by the NASA Planetary Data System (PDS) and USGS Astrogeology:
The web application downloads the mosaic on first use and caches it locally.
SAR backscatter intensity is not an optical photograph. Pixel values represent radar signal backscatter, which may be influenced by surface roughness, slope, and viewing geometry (incidence angle). A general interpretation framework is:
SAR is not a camera: Unlike a photograph, this image wasn't made with light. SAR (Synthetic Aperture Radar) works by sending radio waves to the surface and measuring what bounces back. It's more like echolocation (how bats "see") than photography.
Why does this matter? In photos, we see color and shadows based on sunlight. In radar images, we see how much radio energy bounced back. This depends on three main things:
Geography application: Once you understand this, you can start "reading" the landscape. A bright ring might be a crater rim (rough, angled surface). A dark patch might be a smooth lava plain. Scientists use these patterns to understand Venus's geology without ever landing there.
The Venus SAR Exploratory Lab provides several processing modes. All modes operate on the same Region of Interest (ROI), allowing the user to view the same surface area through different analytical perspectives.
The normalized backscatter intensity image of the selected ROI, scaled to the 0-1 range. This serves as the reference for all other processing modes.
What you're seeing: This is a "photograph" of Venus taken not with light, but with radio waves. The Magellan spacecraft orbited Venus and sent radar signals down to the surface. When those signals bounced back, the spacecraft recorded them - that's what creates this image.
Why radar? Venus is covered by thick clouds that block visible light completely. Radar waves can pass through clouds, so this is the only way we can "see" the surface without landing on it.
How to read it: Bright areas = rough surfaces or slopes facing the spacecraft. Dark areas = smooth surfaces or areas in "radar shadow." Think of it like shining a flashlight on a textured wall - bumpy parts reflect more light back to you.
The computer science: The raw data is just numbers (pixel values). We normalize them to a 0-1 range so that 0 = darkest and 1 = brightest, making it easier for both humans and algorithms to work with the data consistently.
SAR imagery inherently contains speckle noise resulting from coherent interference. The system applies median filtering to reduce speckle, which can improve the stability of subsequent texture- and edge-based analyses, while potentially smoothing out some fine details.
The problem: Radar images have a grainy, "salt and pepper" look called speckle. This isn't real surface detail - it's noise created by the way radar waves interfere with each other. Imagine trying to hear someone talk in a room with echo - the echo isn't part of their voice, it's just interference.
The solution: We use a "median filter" - the computer looks at each pixel and its neighbors, sorts their values, and picks the middle one. This removes extreme bright or dark spots (the noise) while keeping real features.
Geography connection: Smoother images help us see actual landforms better - like distinguishing between a real volcanic feature and random radar noise. However, very small details might get smoothed away too, so there's always a trade-off.
Real-world analogy: It's like using noise-canceling headphones - they remove the unwanted background noise so you can hear the music (the real signal) more clearly.
The system computes Haralick texture metrics based on Gray-Level Co-occurrence Matrices (GLCM), using block-based analysis (e.g., 16x16 px). Extracted metrics (contrast, homogeneity, energy, correlation) are texture descriptors and do not identify geological units by themselves; however, they are useful for comparing surface patterns and supporting further exploratory analysis.
What is texture? Texture describes how "busy" or "smooth" an area looks. A field of grass has a different texture than a parking lot, even if they're the same color. On Venus, different geological regions have different textures.
How does the computer measure texture? The GLCM method asks: "If I'm looking at a pixel, what values do its neighbors usually have?" If neighbors are very different (high contrast), the area is rough/varied. If neighbors are similar (high homogeneity), the area is smooth/uniform.
The four measurements:
Geography connection: Different geological surfaces (lava flows, fractured terrain, plains) have characteristic textures. By measuring texture mathematically, we can start to distinguish between different types of terrain - though this alone can't tell us exactly what geological feature we're looking at.
Sobel and Canny operators highlight locations of strong local intensity change. This can be useful for visualizing structural transitions, but an important limitation is that not every detected edge represents a geological boundary; noise, shadowing, or processing artifacts may also produce edges.
What are edges? An edge is where brightness changes suddenly - like the border between a white wall and a dark door. In planetary images, edges might indicate cliffs, crater rims, lava flow boundaries, or fault lines.
How does edge detection work? The Sobel operator calculates how quickly brightness changes horizontally and vertically. Big changes = edges. The Canny detector refines this further, finding thin, connected edge lines.
Why two directions? Sobel X finds vertical edges (things that change left-to-right), Sobel Y finds horizontal edges (things that change top-to-bottom). Together they catch edges at any angle.
Geography connection: Linear features on Venus (fractures, ridges, flow boundaries) often appear as edges. However, radar shadows and noise can also create false edges, so scientists must interpret results carefully.
Computer science insight: Edge detection is fundamental to computer vision - it's used everywhere from self-driving cars (detecting road lanes) to medical imaging (finding tumor boundaries).
In this mode, the system samples patches (e.g., 32x32 px) from the ROI and computes feature vectors for each patch (mean, standard deviation, plus Haralick metrics), followed by K-Means clustering. The output represents unsupervised grouping of areas with similar texture, not geological unit identification. A PCA scatter plot is provided to visualize the structure of the feature space.
The big idea: Instead of a human looking at the image and saying "this area looks different from that one," we let the computer find groups automatically. This is called "unsupervised learning" - the computer learns patterns without being told what to look for.
How K-Means works: Imagine you have a pile of mixed candies and want to sort them into 5 groups by color. You'd put similar colors together. K-Means does the same thing, but instead of color, it groups image patches by their texture properties (the 6 numbers we measure for each patch).
What is PCA? Each patch has 6 measurements, which is hard to visualize (we can't draw in 6 dimensions!). PCA compresses these 6 numbers into 2 numbers while keeping the most important differences. This lets us plot the patches on a 2D scatter chart to see how they cluster.
Geography connection: Different terrain types (smooth plains, rough highlands, fractured zones) should have different textures and therefore fall into different clusters. However, one cluster doesn't mean "this is definitely lava" - it just means "these areas have similar texture properties."
Why 5 clusters? We chose 5 as a reasonable starting point. The real Venus surface might have more or fewer distinct terrain types in any given region. This is exploratory analysis, not definitive classification.
This mode does not perform classification. Instead, it highlights where texture properties change strongly over short spatial distances. After sliding-window feature extraction, a continuous 0-1 boundary likelihood map is generated based on feature-space distances between neighboring windows. High values indicate texture discontinuities, which may correspond to surface unit boundaries, but the output remains exploratory and interpretation-dependent.
The question we're asking: Where does the surface character change? If you're walking across a beach and suddenly the sand becomes rocky, that's a boundary. We're looking for similar transitions on Venus.
How it works: The computer slides a small window across the image. For each position, it measures the texture. Then it asks: "Is this window's texture very different from its neighbors?" If yes, we're probably at a boundary.
The heat map: The result is a probability map from 0 to 1. Bright/warm colors (close to 1) mean "texture changes a lot here" - likely a boundary. Dark/cool colors (close to 0) mean "texture is consistent" - probably the middle of a uniform region.
Geography connection: Geological unit boundaries (where lava flow meets older terrain, or where one rock type transitions to another) often show up as texture discontinuities. This can help scientists identify areas worth studying in more detail.
Important limitation: Not every texture change is a real geological boundary - some might be artifacts or gradual transitions. This tool highlights candidates for human expert review, not definitive boundaries.
Using a structure tensor approach, the system computes a local orientation field and an associated coherence/anisotropy metric (0 = isotropic, 1 = strongly directional). Visualization is performed using an HSV color scheme (hue: orientation, brightness: coherence), with an optional rose diagram. This mode is not a geological classification, but a visualization of directional fabric and confidence in the orientation estimate.
What are we looking for? Many geological features have a preferred direction - fault lines run parallel to each other, lava channels flow in one direction, ridges align along tectonic trends. This mode finds and visualizes those directions.
How it works: The "structure tensor" is a mathematical tool that looks at how brightness changes in all directions around each pixel. If changes are much stronger in one direction than others, that pixel has a clear orientation.
The color map explained:
The rose diagram: A circular histogram showing which directions are most common across the whole image. Peaks in the diagram indicate dominant structural orientations.
Geography connection: Tectonic forces create aligned features - parallel fractures, linear ridges, elongated volcanic structures. Seeing a consistent orientation across a region might indicate underlying geological processes that created aligned structures.
The "180° ambiguity": A line pointing northeast-southwest is the same line as one pointing southwest-northeast. The algorithm can't distinguish these, so orientations are reported in a range of only 180°, not 360°.
The system also includes a module that uses geometric and texture-based heuristics to mark potential candidates (e.g., circular and linear patterns, as well as patterns often discussed in Venus research).
These outputs are not validated geological identifications.
The documentation explicitly highlights potential false positives, parameter sensitivity, and the necessity of expert review.
What is this doing? This experimental feature tries to automatically find shapes that might be interesting geological features - like circles (possible craters or volcanic domes) or lines (possible fractures or ridges).
How does it work? The computer uses pattern recognition algorithms:
Why "candidates" not "discoveries"? The computer can find circles, but it can't know if a circle is a crater, a volcanic dome, or just a random pattern. Many "detections" are false positives - things that look like circles but aren't real geological features.
Geography context: Venus has unique features not found on Earth or Moon - coronae (large oval volcanic structures), arachnoids (features with radial fractures like spider legs), and tessera (highly deformed ancient terrain). This tool helps flag areas that might contain such features for human experts to examine.
The role of AI: This is "computer vision" - teaching computers to see patterns. But recognizing a pattern isn't the same as understanding what it means. That's why expert scientists must review every detection.
Users can select a region of interest on the global mosaic (default size e.g. 1024x1024 px). All processing modes operate on the selected ROI.
By clicking on a processed image, the system extracts a 128x128 px neighborhood and displays it in multiple views (raw, despeckled, edges, and - if clustering has been run - cluster assignment).
Each mode includes a step-by-step processing log with short explanations and the actual Python code snippets executed. This supports transparency, educational use, and debugging.
Why ROI selection matters: The full Venus radar map is huge - about 170 megabytes. Processing the entire planet at once would be slow and overwhelming. Instead, you pick a "Region of Interest" (ROI) - a smaller area to study in detail. Think of it like zooming in on Google Maps to see your neighborhood instead of the whole Earth.
Click to explore: When you click on the processed image, the system shows you a close-up of that exact spot with multiple analysis views. This is like having a magnifying glass that not only zooms in but also applies different filters to help you understand what you're looking at.
Why show the code? The Processing Log shows the actual Python code being executed. This serves several purposes:
Computer science connection: This interactive approach is called "exploratory data analysis" - instead of running one fixed analysis, you can dynamically explore different areas and apply different methods, building intuition about the data before forming hypotheses.
Key documented limitations include:
Ez az előadás a Linux Foundation amszterdami konferenciáján hangzott el az OpenSource AI/ML_DEV szekcióban. Somogyi Viktor mutatja be a Vénusz SAR Kutató Laboratórium projektet.
A Vénusz SAR Kutató Laboratórium jelenlegi webes alkalmazása egy könnyű, könnyen megosztható, interaktív bemutató és feltáró felület a NASA Magellan szintetikus apertúrájú radar (SAR) adataihoz a Vénuszról.
A hosszú távú cél azonban lényegesen ambiciózusabb: egy annotált adatokon betanított felügyelt gépi tanulási modell fejlesztése, amely megbízhatóbban és tudományosan megalapozottabban képes azonosítani és elemezni a bolygógeológiai jellemzőket.
Jelenleg ez a teljes rendszer nem mutatható be hasonló módon a weben, mivel a tényleges fejlesztési környezet nagyságrendekkel nagyobb adathalmazokat (több száz gigabájt) és lényegesen nagyobb számítási kapacitást igényel. A cél mindazonáltal az, hogy a jövőbeli, validált felügyelt feldolgozási lánc eredményei hasonlóan átlátható és interaktív formában legyenek bemutathatók.
Somogyi Viktor a projekt ML/AI mérnöke és vezető fejlesztője, míg Dr. Hargitai Henrik bolygókutató geográfus és geológus, aki a geológiai értelmezési keretrendszerhez és a tudományos kontextushoz járul hozzá.
A Vénusz SAR Kutató Laboratórium egy webalapú interaktív alkalmazás, amelyet a NASA Magellan űrszonda által 1990 és 1994 között készített szintetikus apertúrájú radar (SAR) felvételek feltáró elemzésének támogatására terveztek.
Célja a Vénusz felszíni mintázatainak vizsgálata képfeldolgozó és gépi tanulási eszközökkel, átlátható, magyarázható és oktatási célokra is alkalmas módon.
Ez az alkalmazás nem geológiai osztályozási rendszer.
Az eredmények feltáró jellegűek és hipotézis-generálók, minden eredmény szakértői értelmezést igényel. Az alkalmazás nem rendel geológiai címkéket (pl. "ez biztosan lávafolyás") az észlelt mintázatokhoz.
Az alkalmazás a NASA Planetary Data System (PDS) és az USGS Astrogeology által közzétett, széles körben használt globális Magellan mozaikot használja:
A webalkalmazás első használatkor letölti a mozaikot és helyben gyorsítótárazza.
A SAR visszaverődési intenzitás nem optikai fénykép. A pixelértékek a radarjel visszaverődését reprezentálják, amelyet a felszín érdessége, lejtése és a megfigyelési geometria (beesési szög) befolyásolhat. Általános értelmezési keretrendszer:
A SAR nem fényképezőgép: A hagyományos fényképektől eltérően ez a kép nem fénnyel készült. A SAR (szintetikus apertúrájú radar) úgy működik, hogy rádióhullámokat küld a felszínre és méri, mi verődik vissza. Inkább hasonlít a denevérek echolokációjához, mint a fényképezéshez.
Miért fontos ez? A fényképeken a színeket és árnyékokat a napfény alapján látjuk. A radarképeken azt látjuk, mennyi rádióenergia verődött vissza. Ez három fő dologtól függ:
Földrajzi alkalmazás: Ha ezt megérted, elkezdheted "olvasni" a tájat. Egy világos gyűrű lehet kráterperem (érdes, döntött felszín). Egy sötét folt lehet sima lávasíkság. A tudósok ezeket a mintázatokat használják a Vénusz geológiájának megértéséhez anélkül, hogy valaha is leszálltak volna ott.
A Vénusz SAR Kutató Laboratórium több feldolgozási módot kínál. Minden mód ugyanazon az érdeklődési régión (ROI) működik, lehetővé téve a felhasználónak, hogy ugyanazt a felszíni területet különböző elemzési perspektívákból tekintse meg.
A kiválasztott ROI normalizált visszaverődési intenzitásképe, 0-1 tartományra skálázva. Ez szolgál referenciaként minden más feldolgozási módhoz.
Amit látsz: Ez egy "fénykép" a Vénuszról, de nem fénnyel, hanem rádióhullámokkal készült. A Magellan űrszonda a Vénusz körül keringett és radarjeleket küldött a felszínre. Amikor ezek a jelek visszaverődtek, az űrszonda rögzítette őket - ez hozza létre a képet.
Miért radar? A Vénuszt sűrű felhők borítják, amelyek teljesen blokkolják a látható fényt. A radarhullámok áthaladnak a felhőkön, így ez az egyetlen mód, ahogy "láthatjuk" a felszínt leszállás nélkül.
Hogyan olvasd: Világos területek = érdes felszínek vagy az űrszonda felé néző lejtők. Sötét területek = sima felszínek vagy "radar-árnyékban" lévő területek.
A SAR képek természetüknél fogva tartalmaznak pöttyös zajt a koherens interferencia miatt. A rendszer mediánszűrést alkalmaz a pöttyösség csökkentésére, ami javíthatja a későbbi textúra- és él-alapú elemzések stabilitását, miközben potenciálisan kisimíthat néhány finom részletet.
A probléma: A radarképeknek szemcsés, "só-és-bors" kinézete van, amit pöttyösségnek nevezünk. Ez nem valódi felszíni részlet - ez zaj, amit a radarhullámok egymással való interferenciája hoz létre.
A megoldás: "Mediánszűrőt" használunk - a számítógép minden pixelt és szomszédait nézi, sorba rendezi értékeiket, és a középsőt választja. Ez eltávolítja a szélsőségesen világos vagy sötét pontokat (a zajt), miközben megtartja a valódi jellemzőket.
A rendszer Haralick textúra-metrikákat számít Gray-Level Co-occurrence Matrices (GLCM) alapján, blokk-alapú elemzéssel (pl. 16x16 px). A kinyert metrikák (kontraszt, homogenitás, energia, korreláció) textúra-leírók, és önmagukban nem azonosítanak geológiai egységeket; azonban hasznosak a felszíni minták összehasonlításához és a további feltáró elemzés támogatásához.
Mi a textúra? A textúra azt írja le, mennyire "zsúfolt" vagy "sima" egy terület kinézete. A fűmezőnek más textúrája van, mint a parkolónak, még ha azonos színűek is. A Vénuszon a különböző geológiai régióknak különböző textúrájuk van.
A négy mérés:
A Sobel és Canny operátorok kiemelik az erős lokális intenzitásváltozás helyeit. Ez hasznos lehet a szerkezeti átmenetek vizualizálásához, de fontos korlát, hogy nem minden detektált él jelent geológiai határt; zaj, árnyékolás vagy feldolgozási műtermékek is éleket produkálhatnak.
Mik az élek? Az él ott van, ahol a fényesség hirtelen változik - mint a fehér fal és a sötét ajtó közötti határ. Bolygóképeken az élek sziklákat, kráterperemeket, lávafolyás-határokat vagy törésvonalakat jelezhetnek.
Hogyan működik az éldetektálás? A Sobel operátor kiszámítja, milyen gyorsan változik a fényesség vízszintesen és függőlegesen. Nagy változások = élek.
Ebben a módban a rendszer régiókat (pl. 32x32 px) mintavételez a ROI-ból és jellemzővektorokat számít minden régióhoz (átlag, szórás, plusz Haralick metrikák), majd K-közép klaszterezést alkalmaz. Az eredmény hasonló textúrájú területek felügyelet nélküli csoportosítását reprezentálja, nem geológiai egység-azonosítást. PCA szórásdiagram segíti a jellemzőtér struktúrájának vizualizálását.
A nagy ötlet: Ahelyett, hogy ember nézné a képet és mondaná "ez a terület másnak tűnik, mint az", hagyjuk, hogy a számítógép automatikusan találja meg a csoportokat. Ezt "felügyelet nélküli tanulásnak" hívják.
Hogyan működik a K-közép: Képzeld el, hogy van egy kupac kevert cukorka és 5 csoportba akarod válogatni szín szerint. A hasonló színeket összeraknád. A K-közép ugyanezt teszi, de szín helyett a képrégiókat textúra-tulajdonságaik alapján csoportosítja.
Mi a PCA? Minden régiónak 6 mérése van, amit nehéz vizualizálni. A PCA (főkomponens-analízis) tömöríti ezt a 6 számot 2 számra, miközben megőrzi a legfontosabb különbségeket. Ez lehetővé teszi a régiók 2D pontdiagramon való ábrázolását.
Ez a mód nem végez osztályozást. Ehelyett kiemeli, ahol a textúra-tulajdonságok erősen változnak rövid térbeli távolságokon. Csúszóablakos jellemző-kivonás után folytonos 0-1 határ-valószínűségi térkép generálódik a szomszédos ablakok közötti jellemzőtér-távolságok alapján.
A kérdés, amit felteszünk: Hol változik meg a felszín jellege? Ha sétálsz a strandon és hirtelen a homok sziklássá válik, az határ. Hasonló átmeneteket keresünk a Vénuszon.
A hőtérkép: Az eredmény 0-tól 1-ig terjedő valószínűségi térkép. Világos/meleg színek (1-hez közel) azt jelentik: "a textúra sokat változik itt" - valószínűleg határ. Sötét/hideg színek (0-hoz közel) azt jelentik: "a textúra konzisztens" - valószínűleg egyenletes régió közepe.
Struktúratenzor megközelítéssel a rendszer lokális orientációs mezőt és kapcsolódó koherencia/anizotrópia metrikát számít (0 = izotróp, 1 = erősen irányított). A vizualizáció HSV színsémával történik (árnyalat: orientáció, fényesség: koherencia), opcionális rózsa diagrammal.
Mit keresünk? Sok geológiai jellemzőnek van preferált iránya - a törésvonalak párhuzamosan futnak, a lávacsatornák egy irányba folynak. Ez a mód megtalálja és vizualizálja ezeket az irányokat.
A színtérkép magyarázata:
A rózsa diagram: Körkörös hisztogram, ami megmutatja, mely irányok a leggyakoribbak a képen. A csúcsok a domináns szerkezeti orientációkat jelzik.
A rendszer tartalmaz egy modult is, amely geometriai és textúra-alapú heurisztikákat használ potenciális jelöltek megjelölésére (pl. körkörös és lineáris minták, valamint a Vénusz-kutatásban gyakran tárgyalt minták).
Ezek az eredmények nem validált geológiai azonosítások.
A dokumentáció kifejezetten kiemeli a lehetséges téves pozitívokat, a paraméter-érzékenységet és a szakértői felülvizsgálat szükségességét.
Mit csinál ez? Ez a kísérleti funkció megpróbál automatikusan olyan formákat találni, amelyek érdekes geológiai jellemzők lehetnek - mint körök (lehetséges kráterek vagy vulkáni dómok) vagy vonalak (lehetséges törések vagy gerincek).
Miért "jelöltek" és nem "felfedezések"? A számítógép köröket talál, de nem tudhatja, hogy egy kör kráter, vulkáni dóm vagy csak véletlenszerű minta. Sok "detektálás" téves pozitív - olyan dolgok, amik körnek tűnnek, de nem valódi geológiai jellemzők.
A felhasználók kiválaszthatnak egy érdeklődési régiót a globális mozaikon (alapértelmezett méret pl. 1024x1024 px). Minden feldolgozási mód a kiválasztott ROI-n működik.
A feldolgozott képre kattintva a rendszer kinyeri a 128x128 px-es környezetet és több nézetben jeleníti meg (nyers, zajszűrt, élek, és - ha klaszterezés futott - klaszter-hozzárendelés).
Minden mód tartalmaz lépésről-lépésre feldolgozási naplót rövid magyarázatokkal és a ténylegesen végrehajtott Python kódrészletekkel. Ez támogatja az átláthatóságot, az oktatási felhasználást és a hibakeresést.
Miért fontos a ROI kiválasztás: A teljes Vénusz radartérkép hatalmas - kb. 170 megabájt. Az egész bolygó egyszerre feldolgozása lassú és túlterhelő lenne. Ehelyett kiválasztasz egy "érdeklődési régiót" (ROI) - egy kisebb területet a részletes tanulmányozáshoz.
Kattints a felfedezéshez: Amikor rákattintasz a feldolgozott képre, a rendszer megmutatja az adott pont közeli felvételét több elemzési nézetben.
Miért mutatjuk a kódot? A Feldolgozási napló mutatja a ténylegesen végrehajtott Python kódot. Ez többféle célt szolgál: átláthatóság, oktatás és reprodukálhatóság.
Főbb dokumentált korlátozások: