Google Earth Engine(GEE)——全球河流网络及相应的水资源区数据集

简介: Google Earth Engine(GEE)——全球河流网络及相应的水资源区数据集

全球河流网络及相应的水资源区

河流网络和水资源区(WRZ)对于水资源的规划、利用、开发、保护和管理至关重要。目前,世界上的河网和水资源区大多是根据数字高程模型数据自动获得的,这些数据不够准确,尤其是在平原地区。此外,WRZ代码与河网不一致。作者提出了一系列方法,生成了分辨率较高、一致性较强的全球河网和相应的1-4级WRZ,该数据集为世界水资源的合理利用和社会可持续发展提供了重要依据和支持。您可以在这里阅读该论文全文

全球河流网(GRN)和水资源区(WRZ)的等级划分

1级河流(L1级河流)是指流入大海或湖泊的河流。

2级河流(L2级河流)是指流入L1级河流的河流,其汇流面积大于L1级河流的百分之一或1万平方公里。

第三级河流(L3级河流)是指流入L2级河流的河流,其汇合面积大于L2级河流的百分之一或1000平方公里。

4级河流(L4级河流)是指流入L3级河流的河流,其汇合面积大于L3级河流的百分之一或100平方公里。

不满足上述条件的支流被忽略了。

WRZ对应于河流水位

Paper Citation

Yan, D., Wang, K., Qin, T. et al. A data set of global river networks and corresponding water resources zones divisions.
Sci Data 6, 219 (2019). https://doi.org/10.1038/s41597-019-0243-y

Data Citation

Yan, Denghua; Wang, Kun; Qin, Tianling; Weng, Baisha; wang, Hao; Bi, Wuxia; et al. (2019): A data set of global river networks and corresponding
water resources zones divisions. figshare. Dataset. https://doi.org/10.6084/m9.figshare.8044184.v6

数据预处理

各大洲的河流网络是由作者提供的。另一方面,水资源区是以各大洲的水位为基础的子集,所以总共有24个文件。为了使这些数据可以作为大的特征集,跨越多个大洲的水位被合并为单一特征集。

Global River Network Levels
Asia Level 1,2,3,4
Africa Level 1,2,3,4
Australia Level 1,2,3,4
Europe Level 1,2,3,4
North America Level 1,2,3,4
South America Level 1,2,3,4
Water Resources Zone Levels
Asia Level 1,2,3,4
Africa Level 1,2,3,4
Australia Level 1,2,3,4
Europe Level 1,2,3,4
North America Level 1,2,3,4
South America Level 1,2,3,4
Combined Water Resources Zones Locations
Level 1 All Continents
Level 2 All Continents
Level 3 All Continents
Level 4 All Continents

代码:

var af_river = ee.FeatureCollection("projects/sat-io/open-datasets/GRN/af_river");
var as_river = ee.FeatureCollection("projects/sat-io/open-datasets/GRN/as_river");
var au_river = ee.FeatureCollection("projects/sat-io/open-datasets/GRN/au_river");
var eu_river = ee.FeatureCollection("projects/sat-io/open-datasets/GRN/eu_river");
var na_river = ee.FeatureCollection("projects/sat-io/open-datasets/GRN/na_river");
var sa_river = ee.FeatureCollection("projects/sat-io/open-datasets/GRN/sa_river");
var WRZ_L1 = ee.FeatureCollection("projects/sat-io/open-datasets/WRZ/WRZ_L1");
var WRZ_L2 = ee.FeatureCollection("projects/sat-io/open-datasets/WRZ/WRZ_L2");
var WRZ_L3 = ee.FeatureCollection("projects/sat-io/open-datasets/WRZ/WRZ_L3");
var WRZ_L4 = ee.FeatureCollection("projects/sat-io/open-datasets/WRZ/WRZ_L4");
Map.addLayer(WRZ_L1.style({fillColor: '00000000',color: '#d7191c'}),{},'Global Level 1 Water Resources Zone');
Map.addLayer(WRZ_L2.style({fillColor: '00000000',color: '#fdae61'}),{},'Global Level 2 Water Resources Zone',false)
Map.addLayer(WRZ_L3.style({fillColor: '00000000',color: '#abd9e9'}),{},'Global Level 3 Water Resources Zone',false)
Map.addLayer(WRZ_L4.style({fillColor: '00000000',color: '#2c7bb6'}),{},'Global Level 4 Water Resources Zone',false)
Map.addLayer(sa_river.style({fillColor: '00000000',color: '#002B4D'}),{},'South America River Network')

样例代码:https://code.earthengine.google.com/?scriptPath=users/sat-io/awesome-gee-catalog-examples:hydrology/GLOBAL-RIVER-NETWORKS-WATER-RESOURCE-ZONES

Data subsets

The Water Resources Zones are also available as level based extracts for each countinent. Use the prefix and the level to get to each feature collection. The format is

projects/sat-io/open-datasets/WRZ/(Level)/(Prefix)_(Level)

Here are the prefix list and some examples

Country Prefix Path
Asia as projects/sat-io/open-datasets/WRZ/L1/as_wrz1
Africa af projects/sat-io/open-datasets/WRZ/L2/af_wrz2
Australia au projects/sat-io/open-datasets/WRZ/L3/au_wrz3
Europe eu projects/sat-io/open-datasets/WRZ/L4/eu_wrz4
North America na projects/sat-io/open-datasets/WRZ/L1/na_wrz1
South America sa projects/sat-io/open-datasets/WRZ/L3/sa_wrz3

License

This work is distributed under the Creative Commons Attribution 4.0 International License

Created by: Yan, D., Wang, K., Qin, T. et al.

Curated by: Samapriya Roy

Keywords: River networks, Water Resources, Hydrology

Last updated: 2019-09-28

相关文章
|
6月前
|
机器学习/深度学习 存储 Serverless
【动手学深度学习】深入浅出深度学习之利用神经网络识别螺旋状数据集
【动手学深度学习】深入浅出深度学习之利用神经网络识别螺旋状数据集
101 27
|
6月前
|
数据可视化 定位技术 Sentinel
如何用Google Earth Engine快速、大量下载遥感影像数据?
【2月更文挑战第9天】本文介绍在谷歌地球引擎(Google Earth Engine,GEE)中,批量下载指定时间范围、空间范围的遥感影像数据(包括Landsat、Sentinel等)的方法~
2342 1
如何用Google Earth Engine快速、大量下载遥感影像数据?
|
6月前
|
机器学习/深度学习 算法 网络架构
基于yolov2深度学习网络的人脸检测matlab仿真,图像来自UMass数据集
**YOLOv2算法在MATLAB2022a中实现人脸检测:** 展示6个检测结果图,利用Darknet-19进行特征提取,网络每个网格预测BBox,包含中心偏移、尺寸、置信度和类别概率。多任务损失函数结合定位、置信度和分类误差。程序加载预训练模型,遍历图像,对检测到的人脸以0.15阈值画出边界框并显示。
|
6月前
|
机器学习/深度学习 PyTorch 算法框架/工具
【PyTorch实战演练】AlexNet网络模型构建并使用Cifar10数据集进行批量训练(附代码)
【PyTorch实战演练】AlexNet网络模型构建并使用Cifar10数据集进行批量训练(附代码)
429 0
|
6月前
|
机器学习/深度学习 PyTorch 算法框架/工具
【PyTorch实战演练】使用Cifar10数据集训练LeNet5网络并实现图像分类(附代码)
【PyTorch实战演练】使用Cifar10数据集训练LeNet5网络并实现图像分类(附代码)
393 0
|
20天前
|
机器学习/深度学习 数据可视化 测试技术
YOLO11实战:新颖的多尺度卷积注意力(MSCA)加在网络不同位置的涨点情况 | 创新点如何在自己数据集上高效涨点,解决不涨点掉点等问题
本文探讨了创新点在自定义数据集上表现不稳定的问题,分析了不同数据集和网络位置对创新效果的影响。通过在YOLO11的不同位置引入MSCAAttention模块,展示了三种不同的改进方案及其效果。实验结果显示,改进方案在mAP50指标上分别提升了至0.788、0.792和0.775。建议多尝试不同配置,找到最适合特定数据集的解决方案。
164 0
|
2月前
|
机器学习/深度学习 数据采集 数据可视化
深度学习实践:构建并训练卷积神经网络(CNN)对CIFAR-10数据集进行分类
本文详细介绍如何使用PyTorch构建并训练卷积神经网络(CNN)对CIFAR-10数据集进行图像分类。从数据预处理、模型定义到训练过程及结果可视化,文章全面展示了深度学习项目的全流程。通过实际操作,读者可以深入了解CNN在图像分类任务中的应用,并掌握PyTorch的基本使用方法。希望本文为您的深度学习项目提供有价值的参考与启示。
|
3月前
|
机器学习/深度学习 安全 网络协议
网络安全公开数据集Maple-IDS,恶意流量检测数据集开放使用!
【8月更文挑战第29天】Maple-IDS 是东北林业大学网络安全实验室发布的网络入侵检测评估数据集,旨在提升异常基础入侵检测和预防系统的性能与可靠性。该数据集包含多种最新攻击类型,如 DDoS 和 N-day 漏洞,覆盖多种服务和网络行为,兼容 CIC-IDS 格式,便于直接使用或生成 csv 文件,适用于多种现代协议。
|
3月前
|
机器学习/深度学习 TensorFlow 算法框架/工具
【Tensorflow+Keras】keras实现条件生成对抗网络DCGAN--以Minis和fashion_mnist数据集为例
如何使用TensorFlow和Keras实现条件生成对抗网络(CGAN)并以MNIST和Fashion MNIST数据集为例进行演示。
42 3
|
5月前
|
机器学习/深度学习 自然语言处理 前端开发
深度学习-[源码+数据集]基于LSTM神经网络黄金价格预测实战
深度学习-[源码+数据集]基于LSTM神经网络黄金价格预测实战
125 0