2017-2023年 ESRI 10m 年度土地覆被图、数据集

ESRI 10m 年度土地覆被图(2017-2023)

土地利用和土地覆被 (LULC) 年度全球地图时间序列已更新至 v3 版,包含 2017-2023 年全球 10 米土地覆被。这些地图来自欧空局哨兵-2 10 米分辨率图像。每张地图都是全年 9 个等级的 LULC 预测值的合成,以便生成每年的代表性快照。该数据集由 Impact Observatory 生成,他们使用了数十亿人类标记的像素(由国家地理学会策划)来训练土地分类的深度学习模型。全球地图是将该模型应用于行星计算机上的哨兵-2 年度场景集合而生成的。经评估,每张地图的平均准确率超过 75%。这些数据集由 Impact 天文台制作,并由 Esri 授权从Impact 天文台获取

该地图使用了 10 类模型的更新模型,并将 Grass(原第 3 类)和 Scrub(原第 6 类)合并为一个牧场类(第 11 类)。最初的 Esri 2020 土地覆被图集使用了 10 个类别(草地和灌丛分开)和旧版本的底层深度学习模型。Esri 2020 土地覆被地图也是由 Impact Observatory 制作的,您可以在此处的 GEE 中找到它。该地图仍可在现有应用程序中使用。一旦 2020 年的更新版本在本集合中可用,新应用程序应使用该版本,尤其是在使用该时间序列的多年数据时,以确保分类的一致性。

您可以从这里的第一版开始了解更多信息 康吉斯(Kontgis, C.)(2021 年 6 月 24 日)。以前所未有的细节描绘世界

https://caitlin-kontgis.medium.com/mapping-the-world-in-unprecedented-detail-7c0513205b90

类别定义

水域 全年主要有水的区域;可能不包括零星或短暂有水的区域;几乎没有稀疏植被,没有岩石露头,也没有码头等建筑物;例如:河流、池塘、湖泊、海洋、淹没的盐碱地。

树木 任何高大(约 15 英尺或更高)茂密植被的明显集群,通常具有封闭或茂密的树冠;例如:林木植被、热带草原、种植园、沼泽或红树林内的茂密高大植被集群(茂密/高大植被下有短暂的水域或树冠太厚,无法探测到下面的水域)。

水淹植被 全年大部分时间明显混有水的任何类型的植被区;季节性水淹区,由草/灌木/树/荒地混合而成;例如:水淹红树林、出水植被、稻田和其他大量灌溉和淹没的农业区。

农作物 人类种植/耕种的谷物、草类和非树木高度的农作物;例如:玉米、小麦、大豆、休耕地。

建筑区 人类建造的建筑物;主要的公路和铁路网络;大型均质不透水表面,包括停车场结构、办公楼和住宅;例如:房屋、密集的村庄/城镇/城市、铺设的道路、沥青。

裸地 全年植被稀少甚至没有植被的岩石或土壤区域;没有或几乎没有植被的大面积沙地和沙漠;例如:裸露的岩石或土壤、沙漠和沙丘、干涸的盐滩/平原、干涸的湖床、矿井。

冰雪 大片均质的永久性冰雪区域,通常只出现在山区或纬度最高的地区;例如:冰川、永久性积雪、雪原。

云层 由于持续云层覆盖,没有土地覆盖信息。

牧场(Rangeland) 同质草丛覆盖的开阔地,几乎没有较高的植被;野生谷物和草丛,没有明显的人为种植(即,不 是有规划的田地);例如:稀疏甚至没有树木覆盖的天然草地和田地、稀疏甚至没有树木 的开阔稀树草原、公园/高尔夫球场/草坪、牧场。散布在裸露土壤或岩石上的小群植物或单株植物的混合体;茂密森林中灌木丛生的空地,其高度明显不超过树木;例如:灌木丛、灌木和草丛覆盖适中至稀疏,草、树木或其他植物非常稀疏的稀树草原。

有关精度评估信息,请访问 ESRI 发布页面"

https://www.arcgis.com/home/item.html?id=cfcb7609de5f478eb7666240902d4d3d"

Class Value Remapped Value Land Cover Class Hex Code
1 1 Water #1A5BAB
2 2 Trees #358221
4 3 Flooded Vegetation #87D19E
5 4 Crops #FFDB5C
7 5 Built Area #ED022A
8 6 Bare Ground #EDE9E4
9 7 Snow/Ice #F2FAFF
10 8 Clouds #C8C8C8
11 9 Rangeland #C6AD8D
Earth Engine Snippet
javascript 复制代码
var esri_lulc_ts= ee.ImageCollection("projects/sat-io/open-datasets/landcover/ESRI_Global-LULC_10m_TS");

代码链接:

https://code.earthengine.google.com/?scriptPath=users/sat-io/awesome-gee-catalog-examples:global-landuse-landcover/ESRI-10M-LANDCOVER

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.

许可

This dataset was produced by Impact Observatory for Esri. © 2021 Esri. This dataset is available under a Creative Commons BY-4.0 license and any copy of or work based on this dataset requires the following attribution:

Changelog
  • 2024-06-07 Added LULC 2023 to collection

  • Example path was changed

  • 2023-04-10 Added LULC 2022 to collection

Curated in GEE by: Samapriya Roy

Keywords: : landcover, landuse, lulc, 10m, global, world, sentinel, sentinel 2, impact observatory

Last updated: 2024-06-07

网址推荐

0代码在线构建地图应用

https://invite.mapmost.com/#/login?source_inviter=nClSZANO

机器学习

https://www.cbedai.net/xg

相关推荐
命里有定数8 小时前
Ubuntu问题 - 显示ubuntu服务器上可用磁盘空间 一条命令df -h
服务器·ubuntu·数据集
曼城周杰伦15 小时前
表格不同类型的数据如何向量化?
人工智能·机器学习·分类·数据挖掘·sklearn·word2vec
菜鸟小码农的博客16 小时前
昇思MindSpore第四课---GPT实现情感分类
gpt·分类·数据挖掘
CopyLower20 小时前
AI 赋能电商的未来:购物推荐、会员分类与智能定价的创新实践
人工智能·分类·数据挖掘
安静的_显眼包O_o20 小时前
get_dumines() 函数,用于将分类变量转换为哑变量
人工智能·分类·数据挖掘
文柏AI共享1 天前
机器学习-朴素贝叶斯
人工智能·机器学习·自然语言处理·分类
数据猎手小k1 天前
PCBS:由麻省理工学院和Google联合创建,揭示1.2M短文本间的相似性的大规模图聚类数据集。
机器学习·支持向量机·数据集·聚类·机器学习数据集·ai大模型应用
weixin_贾2 天前
【学习教程】如何利用有限数据发表更多SCI论文?利用ArcGIS探究环境和生态因子对水体、土壤和大气污染物
arcgis·景观格局·土地利用·矢量数据·栅格数据·景观生态学·空间统计分析
zhojiew2 天前
sagemaker中使用pytorch框架的DLC训练和部署cifar图像分类任务
人工智能·pytorch·分类
江海寄2 天前
[论文阅读] 异常检测 Deep Learning for Anomaly Detection: A Review (四)三种分类方法对比
论文阅读·人工智能·深度学习·机器学习·计算机视觉·分类