GHS Built-up Surface Grid简介与Notebook示例
GHS Built-up Surface Grid数据集由Sentinel-2和Landsat数据处理生成，时序包括1975-2030年，在1975年至2020年为估计值并以5年为间隔，2025年和2030年由3种方式（LIN、PLY、MED）进行趋势推演而来的预测值。前言 – 人工智能教程数据集描述了建筑面积的分布，单位为平方米。数据记录了总建成面积和分配给主要非住宅（NRES）用途的建筑面积。具体信息可查阅Global Human Settlement - BUILT-S_GLOBE_R2022A - European Commission
GHS-BUILT-S - R2022A
GHS-BUILT-S R2022A - 全球统一制度建成地表网格，由 Sentinel2 综合数据和 Landsat 多时数据得出（1975-2030 年）
目前不建议使用 GHSL 数据包 2022（GHS P2022）中的产品。
尽管使用独立参考数据进行的测试表明，GHSL R2022A 在 2018 年和 2020 年两个年代的准确性与其他数据源相匹配或优于其他数据源，并且与上一版本 GHSL R2019 中包含的所有其他单一年代（1975 年、1990 年、2000 年和 2015 年）相匹配或优于其他数据源，但时间序列的准确性及其变化率较低，尤其是在农村地区。根据联合研究中心的内部测试，2000 年后，异常值预计会对建筑面积和建筑体积的预测变化率产生正偏差。这种正偏差在 GHS-SMOD R2022A 设定的农村地区尤为明显。与 R2022A 相比，先前的 GHSL R2019 在农村地区存在较大的遗漏误差，因此低估了农村地区的变化率。
因此，目前不建议使用 GHSL 数据包 2022（GHS P2022）来支持多时空研究和指标，包括建成区表面、建成区体积和人口，尤其是在按 GHS-SMOD 网格类别分层的情况下。依赖 2018 和 2020 年数据的应用不受影响。
这些产品基于新开发的多时空模型，已在全球范围内进行处理，可作为 GHSL R2023A 版本的一部分提供。请浏览更新版的 GHSL 数据集列表以获取新数据。
影像集合代码：
import aie aie.Authenticate() aie.Initialize() # 指定需要检索的区域 feature_collection = aie.FeatureCollection('China_Province') \ .filter(aie.Filter.eq('province', '浙江省')) geometry = feature_collection.geometry() dataset = aie.ImageCollection('GHS_BUILT_S_GLOBE_R2022A') \ .filterBounds(geometry) \ .limit(10); map = aie.Map( center=dataset.getCenter(), height=800, zoom=4 ) vis_params = { 'bands': ['area'], 'min': 0, 'max': 10000, "palette":["#1A1384","#BB5079","#F1F375"] } map.addLayer( dataset, vis_params, 'GHS Built-up Surface Grid', bounds=dataset.getBounds() ) map
单景影像代码：
import aie aie.Authenticate() aie.Initialize() img = aie.Image('GHS_BUILT_S_E1975_GLOBE_R2022A_54009_100_V1_0_R10_C1') map = aie.Map( center=img.getCenter(), height=800, zoom=4 ) vis_params = { 'bands': ['area'], 'min': 0, 'max': 10000, "palette":["#1A1384","#BB5079","#F1F375"] } map.addLayer( img, vis_params, 'GHS Built-up Surface Grid', bounds=img.getBounds() ) map
