2024年中国大型数据中心空间分布及环境属性数据集
数据介绍：
这是一个填补信息空白的重要数据集。由于大型数据中心的具体位置、占地等信息通常不公开，难以准确评估其巨大的能耗和环境影响。本研究通过创新的方法，首次系统性地识别和定位了全国范围内的大型数据中心。
数据集包含哪些核心内容？
数据集主要由两部分构成：
**1.**从多源 POI 记录中验证大型数据中心的地理位置；
-
数量与精度 ：包含了 1005个 经过人工核实确认的大型数据中心精确位置（经纬度坐标）。
-
环境属性：每个点位都附带了其所在城市的四项关键环境属性：
-
气候带
-
海拔
-
年平均温度
-
年降水量
-
2. 由随机森林分类模型得出的数据中心分布的空间概率面；
-
内容 ：这是一张全国范围的栅格地图，每个像素（10米分辨率）的值代表了该位置存在大型数据中心的相对可能性（概率），而非简单的"是或否"。
-
价值：这张图可以揭示那些未公开登记、但具有类似选址特征的数据中心潜在分布区域，是对已验证点位数据的重要补充。
从 Google 地球获得的数据中心屋顶的代表性卫星图像，其中为每个省剪取了一张典型图像,包含以下省。
例：安徽
数据是如何构建的？
研究采用了"POI验证 + 遥感特征 + 机器学习"的综合方法：
-
数据收集与验证：
-
初始数据：从高德地图（Amap）抓取所有标注为"数据中心"的兴趣点（POI）。
-
人工核验：研究人员逐一核对，剔除重复、误标（如小型机房、IT办公室）的记录，并借助高分辨率卫星影像确认其是否为大型工业建筑，最终得到1005个可靠的正样本。
-
-
构建遥感特征库：
-
Sentinel-2光谱波段（可见光、近红外、短波红外）。
-
光谱指数：如归一化植被指数（NDVI）、归一化建筑指数（NDBI），用于区分植被、建筑、水体。
-
纹理特征：从影像中计算对比度、熵等指标，捕捉大型工业建筑规则、均一的屋顶结构。
-
夜间灯光数据：作为人类活动和工业强度的指示器，帮助区分高能耗的数据中心与其他类似建筑。
- 围绕每个点位，从多种遥感数据源中提取了16维特征，用于描述其光谱和空间结构，包括：
-
-
机器学习建模：
-
模型：采用随机森林（Random Forest）模型。
-
训练：以1005个已验证的数据中心作为正样本，另采集2010个涵盖植被、水体、裸地、其他工业设施等的负样本进行训练。
-
策略 ：考虑到中国不同省份数据中心的外观和周边环境差异巨大，研究没有使用单一的全国模型，而是为10个主要省级行政区分别训练了独立的区域模型，以提高识别精度。
-
产出：模型最终输出的是每个像素属于数据中心的概率值，从而生成了全国范围的"空间概率表面"。
-
**数据格式：**TIF、CSV
数据容量： 85.0GB