基于ALOS PALSAR 和 Landsat(光学)数据 2010 年全球红树林基线图数据集(gee和官网都可以下载)

简介: 基于ALOS PALSAR 和 Landsat(光学)数据 2010 年全球红树林基线图数据集(gee和官网都可以下载)

GMW 使用 ALOS PALSAR 和 Landsat(光学)数据生成了 2010 年全球红树林基线图,以及从 JERS-1 SAR、ALOS PALSAR 和 ALOS-2 PALSAR-2 得出的 1996 年至 2016 年六个时期的基线变化. 年度地图计划从 2018 年开始。

更新数据集:https : //www.globalmangrovewatch.org/datasets/

数据引用:

引文:

Bunting P., Rosenqvist A., Lucas R., Rebelo L-M., Hilarides L., Thomas N., Hardy A., Itoh T., Shimada M. and Finlayson C.M. (2018). The Global Mangrove Watch – a New 2010 Global Baseline of Mangrove Extent. Remote Sensing 10(10): 1669. doi: 10.3390/rs1010669.
Thomas N, Lucas R, Bunting P, Hardy A, Rosenqvist A, Simard M. (2017). Distribution and drivers of global ma

 

谷歌云计算平台数据集:(分辨率:0.8度约30m)

var gmw2007 = ee.FeatureCollection("projects/sat-io/open-datasets/GMW/GMW_2007_v2");
var gmw2008 = ee.FeatureCollection("projects/sat-io/open-datasets/GMW/GMW_2008_v2");
var gmw2009 = ee.FeatureCollection("projects/sat-io/open-datasets/GMW/GMW_2009_v2");
var gmw2010 = ee.FeatureCollection("projects/sat-io/open-datasets/GMW/GMW_2010_v2");
var gmw2015 = ee.FeatureCollection("projects/sat-io/open-datasets/GMW/GMW_2015_v2");
var gmw2016 = ee.FeatureCollection("projects/sat-io/open-datasets/GMW/GMW_2016_v2");
var gmw1996 = ee.FeatureCollection("projects/sat-io/open-datasets/GMW/GMW_1996_v2");
Map.addLayer(ee.Image().paint(gmw1996,0,3), {"palette":["228B22"]}, 'Global Mangrove Watch 1996')
Map.addLayer(ee.Image().paint(gmw2007,0,3), {"palette":["228B22"]}, 'Global Mangrove Watch 2007')
Map.addLayer(ee.Image().paint(gmw2008,0,3), {"palette":["228B22"]}, 'Global Mangrove Watch 2008')
Map.addLayer(ee.Image().paint(gmw2009,0,3), {"palette":["228B22"]}, 'Global Mangrove Watch 2009')
Map.addLayer(ee.Image().paint(gmw2010,0,3), {"palette":["228B22"]}, 'Global Mangrove Watch 2010')
Map.addLayer(ee.Image().paint(gmw2015,0,3), {"palette":["228B22"]}, 'Global Mangrove Watch 2015')
Map.addLayer(ee.Image().paint(gmw2016,0,3), {"palette":["228B22"]}, 'Global Mangrove Watch 2015')

各个图层的显示

 


相关文章
|
3月前
|
机器学习/深度学习 传感器 算法
GEE好文推荐——利用样本点迁移方法快速实现全球范围内1984年至今基于Landsat影像的土地分类
GEE好文推荐——利用样本点迁移方法快速实现全球范围内1984年至今基于Landsat影像的土地分类
78 0
|
3月前
|
canal 编解码 人工智能
Google Earth Engine(GEE)——OSM水图层 OpenStreetMap中的全球地表水数据集(90m分辨率)
Google Earth Engine(GEE)——OSM水图层 OpenStreetMap中的全球地表水数据集(90m分辨率)
36 0
|
数据可视化
GEE(Google Earth Engine)——使用 NASA NEX-DCP30 数据集创建投影的可视化(美国加利福尼亚州圣华金流域的气候)
GEE(Google Earth Engine)——使用 NASA NEX-DCP30 数据集创建投影的可视化(美国加利福尼亚州圣华金流域的气候)
214 0
GEE(Google Earth Engine)——使用 NASA NEX-DCP30 数据集创建投影的可视化(美国加利福尼亚州圣华金流域的气候)
|
3月前
|
编解码 人工智能 移动开发
GEE数据集——geeSEBAL-MODIS 南美洲大陆尺度蒸散发产品
GEE数据集——geeSEBAL-MODIS 南美洲大陆尺度蒸散发产品
36 0
|
3月前
|
传感器
GEE——使用cart机器学习方法对Landsat影像条带修复以NDVI和NDWI为例(全代码)
GEE——使用cart机器学习方法对Landsat影像条带修复以NDVI和NDWI为例(全代码)
30 0
|
3月前
|
编解码 算法
Google Earth Engine(GEE)——遍历提取多年MODIS影像所有土地分类的面积
Google Earth Engine(GEE)——遍历提取多年MODIS影像所有土地分类的面积
39 0
|
3月前
|
人工智能
Google Earth Engine(GEE)——全球1公里的云量MODIS图像数据集
Google Earth Engine(GEE)——全球1公里的云量MODIS图像数据集
38 0
Google Earth Engine(GEE)——全球1公里的云量MODIS图像数据集
|
3月前
|
传感器 编解码 人工智能
Google Earth Engine(GEE)——存档的NRT FIRMS全球VIIRS和MODIS火灾产品矢量数据
Google Earth Engine(GEE)——存档的NRT FIRMS全球VIIRS和MODIS火灾产品矢量数据
94 0
|
3月前
|
API Python
GEE python:创建逐月影像以Landsat 5TOA影像为例
GEE python:创建逐月影像以Landsat 5TOA影像为例
27 0
|
5月前
|
定位技术
高分GF与环境HJ系列国产卫星遥感影像数据图像免费批量下载方法
高分GF与环境HJ系列国产卫星遥感影像数据图像免费批量下载方法