Google Earth Engine(GEE)——加拿大森林生态系统的高分辨率年度林地覆盖图(1984-2019)

简介: Google Earth Engine(GEE)——加拿大森林生态系统的高分辨率年度林地覆盖图(1984-2019)

加拿大森林生态系统的高分辨率年度林地覆盖图(1984-2019)¶

森林土地覆盖图的年度时间序列在全国范围内(整个 6.5 亿公顷森林生态系统),代表了从 1984 年到 2019 年的逐年土地覆盖特征。这些时间序列土地覆盖图是从每年的时间制作的 - 一系列 Landsat 图像合成、森林变化信息以及辅助地形和水文数据,遵循 Hermosilla 等人描述的框架。 (2022),它建立在 Hermosilla 等人介绍的方法的基础上。 (2018)。 方法创新包括 (i) 使用森林结构的空中和太空测量从现有土地覆盖产品中导出的改进训练库; (ii) 使用距离=加权方法,选择与土地覆盖分布成比例的训练样本; (iii) 使用 150x150 公里的瓷砖系统生成区域分类模型。 使用干扰信息对地图进行后处理,以确保使用隐马尔可夫模型随时间进行逻辑类转换。 隐马尔可夫模型评估各个年级的可能性,以减少同比班级分配中的可变性和可能的噪音(例如,当班级可能性相似时)。

有关所应用的数据、图像处理和时间序列变化检测方法的概述,以及有关数据独立准确性评估的信息,请参阅 Hermosilla 等人。 (2022) 第 112780 号。DOI:https://doi.org/10.1016/j.rse.2021.112780 和 Hermosilla 等人。 (2018) https://www.tandfonline.com/doi/full/10.1080/07038992.2018.1437719

该数据代表 1984-2019 年加拿大森林生态系统的年度林地覆盖率。 8 月 1 日 -30 天的图像合成窗口用于生成最佳可用像素 (BAP) 图像合成,用作土地覆盖分类的源数据。 为产生这里显示的信息结果而开发的科学和方法,跟踪和描述加拿大森林的历史,由加拿大自然资源部加拿大林务局牵头,与不列颠哥伦比亚大学合作,并得到加拿大航天局的支持, Compute Canada 的 WestGrid 的处理能力得到增强。

引用¶

论文引用

Hermosilla, T., Wulder, M.A., White, J.C., Coops, N.C., 2022. Land cover classification in an era of big and open data: Optimizing localized
implementation and training data selection to improve mapping outcomes. Remote Sensing of Environment. No. 112780.
[Hermosilla et al. 2022](https://www.sciencedirect.com/science/article/pii/S0034425721005009)

When using this data, please cite as:

Hermosilla, T., Wulder, M.A., White, J.C., Coops, N.C., 2022. Land cover classification in an era of big and open data: Optimizing localized
implementation and training data selection to improve mapping outcomes. Remote Sensing of Environment. No. 112780.
DOI: https://doi.org/10.1016/j.rse.2022.112780 [Open Access]

Class Schema

#686868 Class Code: 0 Unclassified
#3333ff Class Code: 20 Water
#ccffff Class Code: 31 Snow/Ice
#cccccc Class Code: 32 Rock/Rubble
#996633 Class Code: 33 Exposed/Barren Land
#ffccff Class Code: 40 Bryoids
#ffff00 Class Code: 50 Shrubs
#993399 Class Code: 80 Wetland
#9933cc Class Code: 81 Wetland Treed
#ccff33 Class Code: 100 Herbs
#006600 Class Code: 210 Coniferous
#00cc00 Class Code: 220 Broad Leaf
#cc9900 Class Code: 230 Mixedwood

Earth Engine Snippet

var ca_lc = ee.ImageCollection("projects/sat-io/open-datasets/CA_FOREST_LC_VLCE2");
var ca_lc_last = ee.Image(ca_lc.sort('system:time_start',false).first());
var from = [0, 20, 31, 32, 33, 40, 50, 80, 81, 100, 210, 220, 230];
var to =   [0, 1,  2,  3,  4,  5,  6,  7,  8,  9,   10,  11,  12 ];
ca_lc_last = ca_lc_last.remap(from, to);
print("Reclassed values:");
print({"from": from, "to": to});
// Define a dictionary which will be used to make legend and visualize image on map
var dict = {
  "names": [
  "Unclassified",
  "Water",
  "Snow/Ice",
  "Rock/Rubble",
  "Exposed/Barren land",
  "Bryoids",
  "Shrubs",
  "Wetland",
  "Wetland-treed",
  "Herbs",
  "Coniferous",
  "Broadleaf",
  "Mixedwood"
  ],
  "colors": [
    "#686868",
    "#3333ff",
    "#ccffff",
    "#cccccc",
    "#996633",
    "#ffccff",
    "#ffff00",
    "#993399",
    "#9933cc",
    "#ccff33",
    "#006600",
    "#00cc00",
    "#cc9900"
  ]};
// Create a panel to hold the legend widget
var legend = ui.Panel({
  style: {
    position: 'bottom-left',
    padding: '8px 15px'
  }
});
// Function to generate the legend
function addCategoricalLegend(panel, dict, title) {
  // Create and add the legend title.
  var legendTitle = ui.Label({
    value: title,
    style: {
      fontWeight: 'bold',
      fontSize: '18px',
      margin: '0 0 4px 0',
      padding: '0'
    }
  });
  panel.add(legendTitle);
  var loading = ui.Label('Loading legend...', {margin: '2px 0 4px 0'});
  panel.add(loading);
  // Creates and styles 1 row of the legend.
  var makeRow = function(color, name) {
    // Create the label that is actually the colored box.
    var colorBox = ui.Label({
      style: {
        backgroundColor: color,
        // Use padding to give the box height and width.
        padding: '8px',
        margin: '0 0 4px 0'
      }
    });
    // Create the label filled with the description text.
    var description = ui.Label({
      value: name,
      style: {margin: '0 0 4px 6px'}
    });
    return ui.Panel({
      widgets: [colorBox, description],
      layout: ui.Panel.Layout.Flow('horizontal')
    });
  };
  // Get the list of palette colors and class names from the image.
  var palette = dict['colors'];
  var names = dict['names'];
  loading.style().set('shown', false);
  for (var i = 0; i < names.length; i++) {
    panel.add(makeRow(palette[i], names[i]));
  }
  Map.add(panel);
}
/*
  // Display map and legend ///
*/
// Add the legend to the map
addCategoricalLegend(legend, dict, 'CA Annual forest LC map 2019');
Map.setCenter(-97.61655457157725,55.6280720462063,4)
// Add image to the map
Map.addLayer(ca_lc_last.mask(ca_lc_last.neq(0)), {min:0, max:12, palette:dict['colors']}, 'CA Annual forest LC map 2019')

Sample code: https://code.earthengine.google.com/?scriptPath=users/sat-io/awesome-gee-catalog-examples:agriculture-vegetation-forestry/CA-FORESTED-ECOSYSTEM-LC

License

This work is licensed under and freely available to the public Open Government Licence - Canada (Open Government Licence - Canada | Open Government, Government of Canada).

Created by: Hermosilla et al. 2022

Curated in GEE by : Samapriya Roy

keywords: Land cover; Classification; Machine learning; Land cover change; Landsat; Lidar; ICESat-2

Last updated on GEE: 2021-11-14

 

相关文章
|
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~
2474 1
如何用Google Earth Engine快速、大量下载遥感影像数据?
|
6月前
|
存储 编解码 数据可视化
Google Earth Engine获取随机抽样点并均匀分布在栅格的不同数值区中
【2月更文挑战第14天】本文介绍在谷歌地球引擎(Google Earth Engine,GEE)中,按照给定的地表分类数据,对每一种不同的地物类型,分别加以全球范围内随机抽样点自动批量选取的方法~
565 1
Google Earth Engine获取随机抽样点并均匀分布在栅格的不同数值区中
|
6月前
|
编解码 人工智能 算法
Google Earth Engine——促进森林温室气体报告的全球时间序列数据集
Google Earth Engine——促进森林温室气体报告的全球时间序列数据集
88 0
|
6月前
|
编解码 人工智能 数据库
Google Earth Engine(GEE)——全球道路盘查项目全球道路数据库
Google Earth Engine(GEE)——全球道路盘查项目全球道路数据库
143 0
|
6月前
|
编解码
Open Google Earth Engine(OEEL)——matrixUnit(...)中产生常量影像
Open Google Earth Engine(OEEL)——matrixUnit(...)中产生常量影像
76 0
|
6月前
Google Earth Engine(GEE)——导出指定区域的河流和流域范围
Google Earth Engine(GEE)——导出指定区域的河流和流域范围
261 0
|
6月前
|
传感器 编解码 数据处理
Open Google Earth Engine(OEEL)——哨兵1号数据的黑边去除功能附链接和代码
Open Google Earth Engine(OEEL)——哨兵1号数据的黑边去除功能附链接和代码
127 0
|
6月前
Google Earth Engine(GEE)——当加载图表的时候出现错误No features contain non-null values of “system:time_start“.
Google Earth Engine(GEE)——当加载图表的时候出现错误No features contain non-null values of “system:time_start“.
124 0
|
6月前
|
编解码 定位技术
Google Earth Engine(GEE)——导出后的影像像素不同于原始Landsat影像的分辨率(投影差异)
Google Earth Engine(GEE)——导出后的影像像素不同于原始Landsat影像的分辨率(投影差异)
161 0
|
6月前
|
机器学习/深度学习 算法 数据可视化
基于Google Earth Engine云平台构建的多源遥感数据森林地上生物量AGB估算模型含生物量模型应用APP
基于Google Earth Engine云平台构建的多源遥感数据森林地上生物量AGB估算模型含生物量模型应用APP
222 0

热门文章

最新文章