1975 年至 2020 年全球居住人口估计值以 5 年为间隔,2025 年和 2030 年的人口预测值

简介: 该数据集描述了1975年至2020年全球居住人口的空间分布,以5年为间隔提供估计值,并预测2025年和2030年的人口分布。数据来自CIESIN GPWv4.11,基于普查数据分解到网格单元,结合GHSL全球建成区地表图层。分辨率为100米,支持研究和应用。项目由欧盟委员会和联合研究中心支持。

1975 年至 2020 年全球居住人口估计值以 5 年为间隔,2025 年和 2030 年的人口预测值

GHSL: Global population surfaces 1975-2030 (P2023A)
简介

该栅格数据集描述了居住人口的空间分布,以单元居民的绝对数量表示。 1975 年至 2020 年的居住人口估计值以 5 年为间隔,2025 年和 2030 年的人口预测值则来自 CIESIN GPWv4.11,这些人口预测值从普查或行政单位分解到网格单元,并参考了 GHSL 全球建成区地表图层中每一纪元建成区的分布、体积和分类。

有关全球人类居住图层主要产品的更多信息,请参见[全球人类居住图层数据包 2023 报告](https://ghsl.jrc.ec.europa.eu/documents/GHSL_Data_Package_2023.pdf?t=1683540422)。 全球人类居住图层(GHSL)项目得到了欧盟委员会、联合研究中心以及区域和城市政策总局的支持。

摘要
Dataset Availability

1975-01-01T00:00:00 - 2030-12-31T00:00:00

Dataset Provider

EC JRC

Collection Snippet

Copied

ee.ImageCollection("JRC/GHSL/P2023A/GHS_POP")

Resolution

100 meters

Bands Table
Name Description
population_count

Population count by epoch

代码
var baseChange =
[{featureType: 'all', stylers: [{saturation: -100}, {lightness: 45}]}];
Map.setOptions('baseChange', {'baseChange': baseChange});
var image1975 = ee.Image('JRC/GHSL/P2023A/GHS_POP/1975');
var image1990 = ee.Image('JRC/GHSL/P2023A/GHS_POP/1990');
var image2020 = ee.Image('JRC/GHSL/P2023A/GHS_POP/2020');
var populationCountVis = {
min: 0.0,
max: 100.0,
palette:
['000004', '320A5A', '781B6C', 'BB3654', 'EC6824', 'FBB41A', 'FCFFA4']
};
Map.setCenter(8, 48, 7);
image1975 = image1975.updateMask(image1975.gt(0));
image1990 = image1990.updateMask(image1990.gt(0));
image2020 = image2020.updateMask(image2020.gt(0));
Map.addLayer(image1975, populationCountVis, 'Population count, 1975');
Map.addLayer(image1990, populationCountVis, 'Population count, 1990');
Map.addLayer(image2020, populationCountVis, 'Population count, 2020');

引用

Dataset : Pesaresi, Martino; Politis, Panagiotis (2023): GHS-BUILT-S R2023A - GHS built-up surface grid, derived from Sentinel2 composite and Landsat, multitemporal (1975-2030). European Commission, Joint Research Centre (JRC). PID: http://data.europa.eu/89h/9f06f36f-4b11-47ec-abb0-4f8b7b1d72ea doi:10.2905/9F06F36F-4B11-47EC-ABB0-4F8B7B1D72EA

Methodology : Pesaresi, Martino, Marcello Schiavina, Panagiotis Politis, Sergio Freire, Katarzyna Krasnodebska, Johannes H. Uhl, Alessandra Carioli, et al. (2024). Advances on the Global Human Settlement Layer by Joint Assessment of Earth Observation and Population Survey Data. International Journal of Digital Earth 17(1). doi:10.1080/17538947.2024.2390454.

网址推荐
知识星球

知识星球 | 深度连接铁杆粉丝,运营高品质社群,知识变现的工具 (zsxq.com)https://wx.zsxq.com/group/48888525452428https://wx.zsxq.com/group/48888525452428

机器学习

https://www.cbedai.net/xg

干旱监测平台

慧天干旱监测与预警-首页https://www.htdrought.com/https://www.htdrought.com/

相关文章
|
人工智能 编解码 数据可视化
AI Earth ——开发者模式案例1:按区域进行Sentinel2L2A检索与下载
AI Earth ——开发者模式案例1:按区域进行Sentinel2L2A检索与下载
365 0
|
编解码
Google Earth Engine(GEE) ——全球GDP和HDI的网格化数据集(1990-2015)
Google Earth Engine(GEE) ——全球GDP和HDI的网格化数据集(1990-2015)
403 0
|
前端开发 API 定位技术
【百度地图API】如何使用suggestion--下拉列表方式的搜索建议
原文:【百度地图API】如何使用suggestion--下拉列表方式的搜索建议 摘要:   百度地图上有一个很强大的搜索建议功能,以下拉列表的方式展示出来。比如,输入“百度”,下拉列表中就会出现“北京市海淀区百度在线网络技术(北京)有限公司”。
2720 0
|
10月前
|
人工智能 安全 搜索推荐
A2A与MCP:理解它们的区别以及何时使用
随着AI深入商业工作流,多AI代理协作成为关键挑战。Google Cloud推出的**Agent2Agent (A2A)**协议,是一种开放标准,让不同平台的AI代理能高效协作。本文详解A2A如何改变AI互动方式,探讨其与API开发的关系,并对比A2A与模型上下文协议(MCP)的差异。A2A专注跨代理协作,而MCP增强单个模型的上下文理解。两者互补,适用于不同场景。文章还介绍Apipost工具如何助力A2A和MCP的API管理与集成。
1187 75
|
10月前
|
Web App开发 Linux 数据安全/隐私保护
Apple Safari 18.4 - macOS 专属浏览器 (独立安装包下载)
Apple Safari 18.4 - macOS 专属浏览器 (独立安装包下载)
524 3
Apple Safari 18.4 - macOS 专属浏览器 (独立安装包下载)
|
11月前
|
安全 搜索推荐 程序员
网站如何创建及网站创建的流程。
本文主要介绍了四种网站建设方法:无代码建站、使用建站程序、外包和使用内容管理系统。每种方法都有其特点和优缺点,需要根据具体需求和预算选择合适的方法。
3713 8
|
机器学习/深度学习 传感器 编解码
全球降水测量 全球降水测量(GPM)07 版
全球降水测量(GPM)07版是由NASA和JAXA合作的国际卫星任务,提供每三小时一次的全球雨雪观测数据。该数据集使用IMERG算法整合多颗卫星的微波和红外数据,提供高精度的降水量估算。GPM 07版涵盖2000年6月至2025年1月的数据,适用于气象预报、洪水预警等领域。数据以二进制格式提供,分辨率约为11公里,时间分辨率为半小时。NASA免费提供这些数据供公众使用。
802 22
|
消息中间件 SQL 运维
AIOps 智能运维:比专家经验更优雅的错/慢调用分析工具
本文主要介绍ARMS 错/慢 Trace 分析功能基本原理; 该功能能够覆盖哪些异常 Trace 根因; 最后会介绍一些最佳实践案例。
50316 122
|
缓存 物联网 数据库
InfluxDB vs TDengine :2025 年了,谁家用的数据库还不能高效读缓存?
在工业互联网和物联网的大数据应用场景中,实时数据的写入和查询性能至关重要。如何快速获取最新设备状态并实时处理数据,直接影响到业务的高效运转。本文将深入分析 TDengine 和 InfluxDB 在缓存机制上的差异,帮助读者更好地理解这两款主流时序数据库在性能优化方面的优劣。
1155 1
|
缓存 负载均衡 JavaScript
Node.js 服务器性能优化
【8月更文挑战第4天】 Node.js 服务器性能优化
395 1