数字地球非洲的耕地范围地图非洲2019年
这些地图显示了2019年1月至12月期间以下国家耕地的估计位置，其中耕地被定义为至少0.01公顷（单个10米×10米像素）的土地，在播种/种植日期后的12个月内至少可收获一次。还指出，"这一定义将排除非种植的牧地和多年生作物，因为卫星图像可能难以将其与自然植被区分开来。"临时耕地范围地图的分辨率为10米，使用2019年的哥白尼哨兵-2号卫星图像建立。耕地范围地图是使用来自非洲东部、西部、北部和萨赫勒地区的大量训练数据，加上随机森林机器学习模型单独建立的。对用于制作耕地范围地图的方法的详细探索，可以在Jupyter Notebooks中的DE Africa的crop-mask中找到。最容易下载数据集的地方是AWS开放数据注册处前言 – 床长人工智能教程
crop_mask：整个非洲大陆
crop_mask_eastern：坦桑尼亚、肯尼亚、乌干达、埃塞俄比亚、卢旺达和布隆迪
西部地区的庄稼地膜：尼日利亚、贝宁、多哥、加纳、科特迪瓦、利比里亚、塞拉利昂、几内亚和几内亚比绍
作物面具_北方：摩洛哥、阿尔及利亚、突尼斯、利比亚和埃及
作物面具：毛里塔尼亚、塞内加尔、冈比亚、马里、布基纳法索、尼日尔、乍得、苏丹、南苏丹、索马里和吉布提。
南部地区：南非、纳米比亚、博茨瓦纳、莱索托和埃斯旺蒂
东南地区的农作物_面具：津巴布韦、赞比亚、莫桑比克和马拉维
中部地区：安哥拉、刚果（金安哥拉、刚果民主共和国、刚果、加蓬、喀麦隆、赤道几内亚和中非共和国
作物面具_印度洋：马达加斯加、毛里求斯、留尼汪岛和科摩罗
这些产品包含三个测量值：
mask：该波段以二进制地图的形式显示裁剪的区域。值为1表示存在农作物，而值为0表示没有农作物。这个波段是基于像素的耕地范围地图，意味着该地图显示基于像素的随机森林分类的原始输出。
prob: 这个波段显示 "作物 "类的预测概率。由于该服务使用随机森林分类器，预测概率指的是投票支持随机森林分类的树木的百分比。例如，如果该模型在随机森林中有200棵决策树，其中150棵树投票支持 "作物"，预测概率为150 / 200 x 100 = 75 %。将这一带的阈值定为>50%，将产生一个与掩码相同的地图。
过滤的：这个波段以二进制地图的形式显示裁剪的区域。值为1表示存在农作物，而值为0表示没有农作物。这个波段是一个基于对象的耕地范围图，其中的掩膜波段已经用图像分割算法进行了过滤，关于所用算法的细节，请参见本文。在这个过程中，小于1公顷（100个10米×10米的像素）的区段与相邻的区段合并，从而得到一张最小分类区域为1公顷的地图。过滤后的数据集作为掩膜带的补充；小的委托错误通过基于对象的过滤被去除，分类像素中典型的 "盐和胡椒 "效应被减弱。
| Band ID | Description | Value range | Data type | NoData/Fill value |
| mask | crop extent (pixel) | 0 - 1 | uint8 | 0 |
| prob | crop probability (pixel) | 0 - 100 | uint8 | 0 |
| filtered | crop extent (object-based) | 0 - 1 | uint8 | 0 |
You can details on the method and more here
免责声明：该数据集的部分或全部描述借用了作者提供的现有描述。
为GEE进行的预处理
所有的图像都被下载并合并成一个集合。元数据标签，包括地区和版本，均来自为地区下载提供的STAC元数据JSON文件。每个地区的验证数据集被下载并合并为一个单一的特征集合。
Earth Engine snippet¶
var filtered = ee.ImageCollection("projects/sat-io/open-datasets/DEAF/CROPLAND-EXTENT/filtered") var mask = ee.ImageCollection("projects/sat-io/open-datasets/DEAF/CROPLAND-EXTENT/mask"); var prob = ee.ImageCollection("projects/sat-io/open-datasets/DEAF/CROPLAND-EXTENT/prob"); var validation = ee.FeatureCollection("projects/sat-io/open-datasets/DEAF/CROPLAND-EXTENT/validation"); /* |Band ID |Description |Value range|Data type|NoData/Fill value| |--------|--------------------------|-----------|---------|-----------------| |mask |crop extent (pixel) |0 - 1 |uint8 |0 | |prob |crop probability (pixel) |0 - 100 |uint8 |0 | |filtered|crop extent (object-based)|0 - 1 |uint8 |0 | Notes Probability prob: This band displays the prediction probabilities for the 'crop' class. As this service uses a random forest classifier, the prediction probabilities refer to the percentage of trees that voted for the random forest classification. For example, if the model had 200 decision trees in the random forest, and 150 of the trees voted ‘crop’, the prediction probability is 150 / 200 x 100 = 75 %. Thresholding this band at > 50 % will produce a map identical to mask. */ Map.setCenter(25.35, 4.19,4) //Convert to single images var mask = mask.mosaic() var filtered = filtered.mosaic() var prob = prob.mosaic() Map.addLayer(mask.updateMask(mask.gt(0)),{min:0,max:1,palette:['70a54c']},'Crop extent mask') Map.addLayer(filtered.updateMask(filtered.gt(0)),{min:0,max:1,palette:['70a54c']},'Crop extent mask- Filtered',false) Map.addLayer(prob,{min:0,max:100},'Crop extent mask Prediction Prob',false) Map.addLayer(validation,{},'Crop extent mask Validation points',false)
License¶
This dataset is made available under the CC BY Attribution 4.0 International License.
Created by: Digital Earth Africa
Curated by: Samapriya Roy
Keywords: agriculture, cog, deafrica, earth observation, food security, geospatial, satellite imagery, stac,sustainability
Last updated in GEE: 2023-03-13
