本书分为三个部分。首先从宏观角度开始，涵盖了大数据分析架构。该部分首先从多种视角出发讨论地理空间方面的地球大数据。接着讨论了规模化数据带来的数据管理挑战，特别是在使数据可用于分析的背景下。这是通过一个讨论分析数据本身扩展的挑战的章节来描述的。后续章节涵盖了大型计划或项目，如 NASA 的地球交换项目，它在超级计算环境中实现了大规模数据分析，以及NOAA大数据项目，它通过几个云提供商使数据集可供最终用户使用。第一部分还包括关于架构和完全实现的系统的章节，如Data Cube、NEXUS和Apache Science Data Analytics Platform，以及一个探索和分析原位数据的基于NoSQL的平台。 本书的第二部分是地球大数据的分析方法，讨论了一些从大数据中提取信息和/或派生见解的特定技术，强调了地球观测的独特方面。第二部分以两章关于使用地理空间统计学进行分析的内容开头，接着是一章将机器学习与地球物理约束相结合的内容，最后一章是对时空分析的不同分析方法的基准测试。 本书的第三部分是地球大数据的应用，描述了一些特定的大数据分析技术和平台应用实例：天气和气候模型分析、大气河流模式、南极地表温度极值、卫星海洋学数据的原位匹配以及船只追踪。这显然只是现有应用中的一小部分示例；然而，这些示例展示了一些如何在地球科学中找到多样化应用的不同方法。

1 大数据分析简介
1.1 概述
1.1.1 空间大数据的差异性
1.2 定义
1.3 示例问题
1.3.1 农业
1.3.2 商业
1.3.3 互联汽车
1.3.4 环境
1.3.5 金融服务
1.3.6 政府机构
1.3.7 医疗保健
1.3.8 市场营销
1.3.9 采矿
1.3.10 石油
1.3.11 零售
1.3.12 电信
1.3.13 交通运输
1.3.14 公用事业
1.4 大数据分析概念
1.4.1 数据总结
1.4.2 识别位置
1.4.3 模式分析
1.4.4 聚类分析
1.4.5 邻近性分析
1.4.6 预测建模
1.5 技术与工具
1.5.1 可用工具
1.6 挑战
1.7 小结
第一部分 大数据分析架构
2 大数据分析架构简介
3 通过云计算扩展大型地球科学数据系统
3.1 引言
3.2 科学数据系统（SDSes）的关键概念
3.3 数据处理、数据量和处理速率的增加
3.3.1 历史案例
3.3.2 本地部署SDS的例子
3.3.3 超出本地部署容量
3.4 SDSes的云概念
3.4.1 IaaS（基础设施即服务）
3.4.2 PaaS（平台即服务）
3.4.3 SaaS（软件即服务）
3.4.4 XaaS（一切即服务）
3.5 基于云的SDS的架构组件
3.5.1 算法开发环境
3.5.2 处理算法目录
3.5.3 资源管理
3.5.4 处理编排/工作流管理
3.5.5 计算服务
3.5.6 数据目录
3.5.7 数据存储服务
3.5.8 实现日志、指标、事件和分析功能的常用服务
3.5.9 集成科学数据处理、算法开发、软件目录和分析
3.6 多云和混合SDS的考虑因素
……
第二部分 地球大数据的分析方法
第三部分 地球大数据的应用
索引
致谢