全球地表水数据集JRC Global Surface Water Mapping Layers, v1.2数据

简介: 全球地表水数据集JRC Global Surface Water Mapping Layers, v1.2数据

简介:

全球地表水覆盖(Global Surface Water)是利用1984至2019年获取的landsat5、landsat7和landsat8的卫星影像,生成分辨率为30米的一套全球地表水覆盖的地图集。用户可以在全球尺度上按地区回溯某个时间上地表水分的变化情况。该数据集包含

  • change为全球地表水体变化程度,它提供了1984-1999年和2000-2019年间地表水发生增加、减少或保持不变的信息。
  • occurrence为全球是水体的可能性,记录了1984-2019年每一个像素是水的可能性
  • recurrence为全球地表水年发生率,它提供了1984-2019年有关水面年际变化的信息。
  • extent为全球地表水掩膜,它显示了1984-2019年内检测到水的所有位置。
  • transitions记录了全球水体状态转变,它提供了1984-2019年地表水季节性变化信息,并显示非水、季节性水和永久性水三类之间的变化。
  • seasonality为全球地表水季节性变化状态,它提供了有关2019年水面内的变化信息以及永久性和季节性水的位置和存在水的月份。前言 – 人工智能教程

全球地表水指的是所有位于地球表面上的水体,包括河流、湖泊、水库、沼泽、冰川、海洋、海湾和海峡等。地表水是供人类和其他生物生存和发展所必需的重要资源。全球地表水的储量和分布受各种自然因素和人类活动的影响,如气候、地形、土壤、降水、蒸发、渗漏和污染等。为了更好地管理和保护全球地表水资源,需要进行科学的水资源评估和全球性的水资源管理合作。

数据集ID:

GSW1_2/GlobalSurfaceWater

时间范围: 2019年-2019年

范围: 全球

来源: EC JRC/Google

复制代码段:

var images = pie.ImageCollection("GSW1_2/GlobalSurfaceWater")

名称 单位 最小值 最大值 描述信息
occurrence % 0 100 水体的可能性
change % 0 254 水体变化程度
  • 0表示100%减少
  • 100表示无变化
  • 200表示100%增加
  • 253表示不是水体
  • 254表示无法计算
seasonality 0 12 水体存在的月份数
recurrence % 0 100 每年返水的频率
transitions 0 10 水体状态转变
  • 0:非水体
  • 1:永久水体
  • 2:新增的永久水体
  • 3:减少的永久水体
  • 4:季节性水体
  • 5:新增的季节性水体
  • 6:减少的季节性水体
  • 7:季节性水体变为永久水体
  • 8:永久水体变为季节性水体
  • 9:临时的永久水体
  • 10:临时的季节性水体
extent 0 1 水体掩码,0非水体,1表示水体

 

 

代码:

/**
 * @File    :   GlobalSurfaceWater
 * @Time    :   2020/7/21
 * @Author  :   piesat
 * @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JRC Global Surface Water Mapping Layers, v1.2数据集
 */
//定位地图中心
Map.setCenter(102.513, 35.384, 4);
//加载JRC Global Surface Water Mapping Layers, v1.2数据集
var col = pie.ImageCollection('GSW1_2/GlobalSurfaceWater');
print(col.size());
//加载数据集镶嵌后的影像
var img = col.select("occurrence").mosaic();
print(img);
//设置预览参数
var visParams = {
    min: 0,
    max: 100,
    palette: ['ffffff', 'ffbbbb', '0000ff']
};
//加载显示影像
Map.addLayer(img, visParams, "img");

相关文章
|
2月前
|
缓存 监控 安全
知识图谱与大模型:谁将引领未来发展?
本文对比了知识图谱与大模型的技术优劣。知识图谱逻辑清晰、可解释性强但构建繁琐;大模型灵活高效却存在黑盒与幻觉风险。实际工作中,二者并非对立,推荐采用RAG等融合架构,用图谱提供可靠支撑,用大模型快速生成,以兼顾系统可靠性与迭代效率。
|
机器学习/深度学习 人工智能 计算机视觉
NeurIPS 2024:无需训练,一个框架搞定开放式目标检测、实例分割
在NeurIPS 2024会议上,论文提出了一种名为VL-SAM的框架,旨在解决开放式目标检测和实例分割任务。该框架结合了视觉语言模型(VLM)和Segment-Anything模型(SAM),利用注意力图作为提示,在无需额外训练的情况下实现未知物体的检测与分割。实验结果显示,VL-SAM在长尾实例分割数据集(LVIS)和角落情况目标检测数据集(CODA)上均表现出色,展示了其在现实世界应用中的潜力。然而,注意力图质量和计算复杂性仍是潜在挑战。
533 19
|
存储 编解码 Python
Python GDAL基于经、纬度提取大量遥感影像中相同位置处像元的数值
【2月更文挑战第8天】本文介绍基于Python语言中的gdal模块,对2景不同的遥感影像加以对应位置像素值匹配的方法——即基于一景遥感影像的每一个像元,提取另一景遥感影像中,与之空间位置相同的像元的像素值的方法~
504 1
Python GDAL基于经、纬度提取大量遥感影像中相同位置处像元的数值
|
图形学
IBM SPSS Amos下载与安装
IBM SPSS Amos下载与安装
1812 1
|
Serverless 定位技术 Windows
ArcGIS中ArcMap快速自动计算单一波段或多波段栅格遥感影像NDVI的方法
ArcGIS中ArcMap快速自动计算单一波段或多波段栅格遥感影像NDVI的方法
870 1
|
存储 传感器 编解码
CVPR 2023 最全分割类论文整理:图像/全景/语义/实例分割等【附PDF+代码】
CVPR 2023 最全分割类论文整理:图像/全景/语义/实例分割等【附PDF+代码】
2061 1
|
存储 编解码 人工智能
GEE数据集——哨兵2号Sentinel-2 云概率数据集
GEE数据集——哨兵2号Sentinel-2 云概率数据集
900 2
|
分布式计算 Hadoop
HDFS教程(02)- HDFS命令汇总
HDFS教程(02)- HDFS命令汇总
866 0
|
前端开发
前端(十二)——深入理解和使用 async和await
前端(十二)——深入理解和使用 async和await
407 1
|
编解码 Java BI
高精度10m/30米NPP净初级生产力分布数据
高精度10m/30米NPP净初级生产力分布数据
高精度10m/30米NPP净初级生产力分布数据