全球10米土地覆盖产品(ESA)数据集2020和2021年

简介: 全球10米土地覆盖产品(ESA)数据集2020和2021年

简介

全球10米土地覆盖产品(ESA)来源于欧空局,是基于哨兵一号、哨兵二号数据制作的2020年的10m分辨率的全球土地覆盖数据。土地利用数据一共分为11类,分别是:林地、灌木、草地、耕地、建筑、裸地/稀疏植被区、雪和冰、开阔水域、草本湿地、红树林、苔藓。经验证,数据精度达到74.4%。前言 – 人工智能教程

欧洲空间局的全球10米土地覆盖产品(ESA's Global Land Cover)是一种高分辨率土地覆盖数据集,采用多源遥感数据和机器学习算法生成。这个数据集提供了全球每个地方在特定时间的土地覆盖类型信息,包括树林、草地、农田、城市、水域等。这个数据集对于环境监测、自然资源管理、气候变化研究等方面十分有用。前言 – 人工智能教程

全球10米土地覆盖数据在以下方面具有重要作用:

1. 环境监测:该数据集可用于监测土地利用变化、森林覆盖率变化和自然保护区的扩张,以帮助开展环境监测和保护工作。

2. 自然资源管理:该数据集可用于协助管理自然资源,如农业、林业、水资源等。这有助于制定农业政策、合理管理林区、划定保护区域以及管理水资源。

3. 气候变化研究:土地覆盖与气候变化是密切相关的。该数据集可用于检测气候变化、制定减缓策略和适应措施,并评估这些措施的效果。

4. 城市规划:由于全球城市化进程加速,对城市规划的需求也增加了。该数据集可用于城市规划和土地利用规划,以制定高效城市化和公平城市化的政策。

5. 地球科学:全球10米土地覆盖数据对于地球科学研究也具有重要意义,如土地地貌、岩性、土地退化、地震地质等方面的研究。

数据集ID:

ESA/WORLD_COVER_2020

时间范围: 2020年-2020年

范围: 全球

来源: ESA WorldCover project 2020

复制代码段:

var images = pie.ImageCollection("ESA/WORLD_COVER_2020")

波段

名称 类型 无效值 空间分辨率(m) 描述信息
B1 Byte 0 10m 全球10米土地覆盖产品(ESA),类别信息见下表
类别 代码
Tree Cover 10
Shrubland 20
Grassland 30
Cropland 40
Built-up 50
Bare/sparse vegetation 60
Snow and ice 70
Permanent water bodies 80
Herbaceous wetland 90
Mangroves 95
Moss and lichen 100

代码:

/**
 * @File    :   全球10米土地覆盖产品(ESA)
 * @Time    :   2021/11/26
 * @Author  :   pieadmin
 * @Version :   1.0
 * @Contact :   400-890-0662
 * @License :   (C)Copyright 航天宏图信息技术股份有限公司
 * @Desc    :   加载全球10米土地覆盖产品(ESA)数据集
 */
//加载显示北京市矢量边界数据
var bj = pie.FeatureCollection("NGCC/CHINA_CITY_BOUNDARY")
            .filter(pie.Filter.eq("name", "北京市"))
            .first()
            .geometry();
Map.centerObject(bj, 9);
Map.addLayer(bj, {color: "ff0000ff", fillColor: "00000000", width: 1}, "北京市");
//加载显示全球10米土地覆盖产品(ESA)数据集并筛选耕地
var img = pie.ImageCollection('ESA/WORLD_COVER_2020')
var img = pie.ImageCollection('ESA/WORLD_COVER_2021')
             .select("B1")
             .filterBounds(bj)
             .mean()
             .clip(bj)
             .eq(40);
var visParam = {
    min: 0,
    max: 1,
    palette: ['000000','9acd32']
};
//加载显示耕地
Map.addLayer(img.updateMask(img.eq(1)),visParam, "crop")

文章引用:

Zanaga,D.,Van De Kerchove,R.,De Keersmaecker,W.,Souverijns,N.,Brockmann,C.,Quast,R.,Wevers,J.,Grosu,A.,Paccini,A.,Vergnaud,S.,Cartus,O.,Santoro,M.,Fritz,S.Georgieva,I.,Lesiv,M.,Carter,S.,Herold,M.,Li,Linlin,Tsendbazar,N.E.,Ramoino,F.,Arino,O.,2021.ESA WorldCover 10 m 2020 v100.https://doi.org/10.5281/zenodo.5571936

相关文章
|
3月前
|
存储 编解码 人工智能
中科星图——2020年全球30米地表覆盖精细分类产品V1.0(29个地表覆盖类型)
中科星图——2020年全球30米地表覆盖精细分类产品V1.0(29个地表覆盖类型)
101 5
|
3月前
|
编解码 人工智能
全球二氧化碳排放数据1deg产品(ODIAC)数据
全球二氧化碳排放数据1deg产品(ODIAC)数据
139 0
|
3月前
|
机器学习/深度学习 编解码 人工智能
1951 年以来的美国ACIS 气候地图数据集(5 公里空间分辨率)
1951 年以来的美国ACIS 气候地图数据集(5 公里空间分辨率)
56 2
|
3月前
|
编解码 人工智能 定位技术
基于多源数据融合方法的中国1公里土地覆盖图(2000)
基于多源数据融合方法的中国1公里土地覆盖图(2000)
47 0
《城市绿色出行指数白皮书》——附录C :碳排放因子计算
《城市绿色出行指数白皮书》——附录C :碳排放因子计算
1370 0
|
定位技术
《城市绿色出行指数白皮书》——附录G :城市交通碳足迹量化方法
《城市绿色出行指数白皮书》——附录G :城市交通碳足迹量化方法
206 0
《城市绿色出行指数白皮书》——附录G :城市交通碳足迹量化方法
|
存储 编解码 监控
《城市绿色出行指数白皮书》——附录B :碳排放计算模型
《城市绿色出行指数白皮书》——附录B :碳排放计算模型
1724 0
《城市绿色出行指数白皮书》——5. 城市绿色出行评价——5.2 城市交通碳足迹评估体系——5.2.2 基于路网流量数据的区域碳足迹量化方法
《城市绿色出行指数白皮书》——5. 城市绿色出行评价——5.2 城市交通碳足迹评估体系——5.2.2 基于路网流量数据的区域碳足迹量化方法
《城市绿色出行指数白皮书》——5. 城市绿色出行评价——5.2 城市交通碳足迹评估体系——5.2.1 基于个人出行数据的区域碳足迹量化方法
《城市绿色出行指数白皮书》——5. 城市绿色出行评价——5.2 城市交通碳足迹评估体系——5.2.1 基于个人出行数据的区域碳足迹量化方法
112 0
《城市绿色出行指数白皮书》——附录D :碳排放因子修正
《城市绿色出行指数白皮书》——附录D :碳排放因子修正
156 0