Google Earth Engine——Murray全球潮间带变化数据集在潮滩分类,用于开发陆地卫星协变量层的陆地卫星图像的数量

简介: Google Earth Engine——Murray全球潮间带变化数据集在潮滩分类,用于开发陆地卫星协变量层的陆地卫星图像的数量

The Murray Global Intertidal Change Dataset contains global maps of tidal flat ecosystems produced via a supervised classification of 707,528 Landsat Archive images. Each pixel was classified into tidal flat, permanent water or other with reference to a globally distributed set of training data.

The classification was implemented along the entire global coastline between 60° North and 60° South from 1 January 1984 to 31 December 2016. The image collection consists consists of a time-series of 11 global maps of tidal flats at 30m pixel resolution for set time-periods (1984−1986; 1987−1989; 1990−1992; 1993−1995; 1996−1998; 1999−2001; 2002−2004; 2005−2007; 2008−2010; 2011−2013; 2014−2016)

The number of Landsat images used to develop the Landsat covariate layers in each time step of the tidal flat classification. Each image in the image collection refers to a single time step.


Murray全球潮间带变化数据集包含了通过对707,528张Landsat Archive图像进行监督分类而产生的全球潮间带生态系统地图。参照全球分布的训练数据集,每个像素都被划分为潮滩、永久水域或其他。

1984年1月1日至2016年12月31日,分类工作沿着北纬60°和南纬60°之间的整个全球海岸线进行。图像收集包括11张全球潮汐滩涂地图的时间序列,分辨率为30米,时间段为1984-1986;1987-1989;1990-1992;1993-1995;1996-1998;1999-2001;2002-2004;2005-2007;2008-2010;2011-2013;2014-2016)

在潮滩分类的每个时间步骤中,用于开发陆地卫星协变量层的陆地卫星图像的数量。图像集合中的每张图像指的是一个时间步骤。

Dataset Availability

1984-01-01T00:00:00 - 2017-01-01T00:00:00

Dataset Provider

Murray/UQ/Google/USGS/NASA

Collection Snippet

ee.ImageCollection("UQ/murray/Intertidal/v1_1/qa_pixel_count")

Resolution

30 meters

Bands Table

Name Description Min Max Units
pixel_count Input image count. 0 400 count

 

引用:

Murray, N.J., Phinn, S.R., DeWitt, M., Ferrari, R., Johnston, R., Lyons, M.B., Clinton, N., Thau, D. & Fuller, R.A. (2019) The global distribution and trajectory of tidal flats. Nature, 565, 222-225.

代码:

var dataset = ee.ImageCollection('UQ/murray/Intertidal/v1_1/qa_pixel_count');
var visualization = {
  bands: ['pixel_count'],
  min: 0.0,
  max: 300.0,
  palette: ['000000', 'FFFFFF']
};
Map.setCenter(126.6339, 37.4394, 10);
Map.addLayer(dataset, visualization, 'QA Pixel Count');


相关文章
|
6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~
2341 1
如何用Google Earth Engine快速、大量下载遥感影像数据?
|
6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
217 0
|
5月前
|
机器学习/深度学习 人工智能 TensorFlow
TensorFlow 是一个由 Google 开发的开源深度学习框架
TensorFlow 是一个由 Google 开发的开源深度学习框架
68 3
|
4月前
|
存储 数据库 Android开发
🔥Android Jetpack全解析!拥抱Google官方库,让你的开发之旅更加顺畅无阻!🚀
【7月更文挑战第28天】在Android开发中追求高效稳定的路径?Android Jetpack作为Google官方库集合,是你的理想选择。它包含多个独立又协同工作的库,覆盖UI到安全性等多个领域,旨在减少样板代码,提高开发效率与应用质量。Jetpack核心组件如LiveData、ViewModel、Room等简化了数据绑定、状态保存及数据库操作。引入Jetpack只需在`build.gradle`中添加依赖。例如,使用Room进行数据库操作变得异常简单,从定义实体到实现CRUD操作,一切尽在掌握之中。拥抱Jetpack,提升开发效率,构建高质量应用!
65 4
|
4月前
|
人工智能 自然语言处理 数据挖掘
详解:Google AI Gemini中文版本(基于API 开发实现对话)
谷歌旗下的人工智能应用Gemini,自问世以来凭借其强大的计算能力和高效的处理性能,迅速成为全球用户的宠儿。作为一款由世界顶尖科技公司开发的产品,Gemini不仅在语言处理、图像识别、数据分析等领域表现出色,还在多种复杂任务中展现了其卓越的智能决策能力。然而,由于网络限制等问题,国内用户往往无法直接访问和使用Gemini的网站,这也导致了许多技术爱好者和专业人士未能亲身体验这一先进技术所带来的便利和强大功能。
|
6月前
|
JSON Android开发 数据格式
Android框架-Google官方Gson解析,android开发实验报告总结
Android框架-Google官方Gson解析,android开发实验报告总结
|
6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
84 0
|
6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
126 0
|
6月前
|
编解码
Open Google Earth Engine(OEEL)——matrixUnit(...)中产生常量影像
Open Google Earth Engine(OEEL)——matrixUnit(...)中产生常量影像
74 0
|
6月前
Google Earth Engine(GEE)——导出指定区域的河流和流域范围
Google Earth Engine(GEE)——导出指定区域的河流和流域范围
252 0