全球土地利用数据ESRI 10m Land Cover 2020 in GEE(Google Earth Engine)

简介: 全球土地利用数据ESRI 10m Land Cover 2020 in GEE(Google Earth Engine)

此图层显示土地利用/土地覆盖 (LULC) 的全球地图。该地图来自 ESA Sentinel-2 图像,分辨率为 10m。它综合了全年 10 个类别的 LULC 预测,以生成 2020 年的代表性快照。该地图由深度学习模型生成,该模型使用超过 50 亿个手工标记的 Sentinel-2 像素进行训练,从 20,000 多个站点中采样分布于世界所有主要生物群落。

 


数据引用:

Karra, Kontgis, et al. “Global land use/land cover with Sentinel-2 and deep learning.” IGARSS 2021-2021 IEEE International Geoscience and Remote Sensing Symposium. IEEE, 2021.

底层深度学习模型使用 6 个波段的 Sentinel-2 表面反射数据:可见蓝色、绿色、红色、近红外和两个短波红外波段。为了创建最终地图,该模型在全年的多个图像日期上运行,并将输出合成为 2020 年的最终代表性地图。

ESRI 10米分辨率的地球陆地表面地图,从2020年开始,GEE中的高分辨率、开放、准确、可比较和及时的土地覆盖地图。

在这个例子中,我们知道如何加载所需地点的ESRI土地利用数据。

// 世界边界数据
var worldcountries = ee.FeatureCollection('USDOS/LSIB_SIMPLE/2017');
var filterCountry = ee.Filter.eq('country_na', 'Italy');
var italy = worldcountries.filter(filterCountry);
// 裁剪函数
function clip(Image){
  return Image.clip(italy)
}
// 加载数据集
var esri_lulc10 = ee.ImageCollection("projects/sat-io/open-datasets/landcover/ESRI_Global-LULC_10m").map(clip)
// 定义字典和相应的颜色
var dict = {
  "names": [
    "Water",
    "Trees",
    "Grass",
    "Flooded Vegetation",
    "Crops",
    "Scrub/Shrub",
    "Built Area",
    "Bare Ground",
    "Snow/Ice",
    "Clouds"
  ],
  "colors": [
    "#1A5BAB",
    "#358221",
    "#A7D282",
    "#87D19E",
    "#FFDB5C",
    "#EECFA8",
    "#ED022A",
    "#EDE9E4",
    "#F2FAFF",
    "#C8C8C8"
  ]};
// 加载影像到地图上,这里的颜色用的就是上面定义的字典
Map.addLayer(italy, {}, 'USDOS/LSIB/2017');
Map.addLayer(esri_lulc10.mosaic(), {min:1, max:10, palette:dict['colors']}, 'ESRI LULC 10m')


10米土地分类分辨率官网数据链接:Esri Land Cover

目前的GEE数据官网数据集中暂时搜不到具体的介绍,所以你想要知道更多消息,点击上面的链接即可!

这里我给大家列出以下土地分类信息:

类定义

  1. 全年主要有水的水域;不得覆盖有零星或短暂水的区域;几乎没有稀疏植被,没有岩石露头,也没有像码头这样的建筑特征;例如:河流、池塘、湖泊、海洋、淹没的盐原。
  2. 树木 任何高大(~15 米或更高)密集植被的显着集群,通常具有封闭或密集的树冠;例如:树木繁茂的植被、热带稀树草原、种植园、沼泽或红树林中茂密的高大植被群(密集/高大的植被,有短暂的水或树冠太厚而无法检测到下面的水)。
  3. 草 被均质草覆盖的开阔区域,几乎没有或没有更高的植被;没有明显人类规划的野生谷类和草类(即没有规划的田地);示例:自然草甸和田野,树木稀少或没有覆盖,开阔的稀树草原,几乎没有树木,公园/高尔夫球场/草坪,牧场。
  4. 淹没植被 一年中大部分时间明显混水的任何类型植被区;由草/灌木/树木/裸地混合而成的季节性洪水区域;例如:淹没的红树林、新兴植被、稻田和其他大量灌溉和淹没的农业。
  5. 作物 人类种植/耕种的谷物、草和不在树高处的作物;示例:玉米、小麦、大豆、结构化土地的休耕地。
  6. 灌木/灌木 散布在露出土壤或岩石的景观上的小簇植物或单株植物的混合物;茂密的森林中充满灌木的空地,显然不比树木高;例如:中等至稀疏的灌木、灌木和草丛、稀树草原、树木或其他植物非常稀少
  7. 建筑面积 人造建筑;主要公路和铁路网络;大型均质不透水表面,包括停车场结构、办公楼和住宅;示例:房屋、密集的村庄/城镇/城市、铺砌的道路、沥青。
  8. 裸地 全年植被稀少或没有植被的岩石或土壤区域;大面积的沙子和沙漠,没有或几乎没有植被;例如:裸露的岩石或土壤、沙漠和沙丘、干盐滩/平底锅、干涸的湖床、矿山。
  9. 雪/冰 永久雪或冰的大同质区域,通常仅在山区或最高纬度地区;例如:冰川、永久积雪、雪原。
  10. 云 由于持续的云覆盖,没有土地覆盖信息。

有关准确性评估信息,请访问ESRI 发布页面

类别 土地覆盖等级 十六进制代码
1 没有数据 #FFFFFF
2 #1A5BAB
3 树木 #358221
4 #A7D282
5 淹没植被 #87D19E
6 农作物 #FFDB5C
7 磨砂/灌木 #EECFA8
8 建筑面积 #ED022A
9 裸地 #EDE9E4
10 雪/冰 #F2FAFF
11 #C8C8C8

该数据集由 Impact Observatory 为 Esri 生成。© 2021 Esri。此数据集在知识共享 BY-4.0 许可下可用,基于此数据集的任何副本或作品都需要以下署名:

数据下载页面:Esri 2020 Land Cover Downloader


相关文章
|
4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~
1904 1
如何用Google Earth Engine快速、大量下载遥感影像数据?
|
4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
191 0
|
4月前
GEE——Google dynamic world中在影像导出过程中无法完全导出较大面积影像的解决方案(投影的转换)EPSG:32630和EPSG:4326的区别
GEE——Google dynamic world中在影像导出过程中无法完全导出较大面积影像的解决方案(投影的转换)EPSG:32630和EPSG:4326的区别
89 0
|
4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~
419 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
|
4月前
|
数据可视化 数据挖掘 数据建模
R语言指数平滑法holt-winters分析谷歌Google Analytics博客用户访问时间序列数据
R语言指数平滑法holt-winters分析谷歌Google Analytics博客用户访问时间序列数据
|
4月前
|
API Go 网络架构
GEE Colab——如何从本地/Google云盘/Google Cloud Storage (GCS)上传和下载
GEE Colab——如何从本地/Google云盘/Google Cloud Storage (GCS)上传和下载
234 4
|
4月前
|
机器学习/深度学习 存储 人工智能
GEE Colab——初学者福音快速入门 Google Colab(Colaboratory)
GEE Colab——初学者福音快速入门 Google Colab(Colaboratory)
199 3
|
4月前
|
数据处理
Google Earth Engine(GEE)——sentinel-1数据处理过程中出现错误Dictionary does not contain key: bucketMeans
Google Earth Engine(GEE)——sentinel-1数据处理过程中出现错误Dictionary does not contain key: bucketMeans
78 0
|
4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
70 0
|
4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
98 0

热门文章

最新文章

下一篇
DDNS