This media is not supported in your browser
VIEW IN TELEGRAM
Пожар на острове Мадейра
На видео показана работа приложения, созданного для идентификации зданий в районах, пострадавших от пожаров 🔥. Приложение создано с помощью Google Earth Engine и OpenStreetMap.
В случае острова Мадейра (Португалия), в радиусе 6,5 км от центра пожара находится около 6 тысяч зданий 🏠. Если изменить методику и считать только ближайшие окрестности, то получится более 1,5 тысяч зданий.
Использован снимок спутника 🛰 Sentinel-2 за 20 августа 2024 года.
#GEE #пожары
На видео показана работа приложения, созданного для идентификации зданий в районах, пострадавших от пожаров 🔥. Приложение создано с помощью Google Earth Engine и OpenStreetMap.
В случае острова Мадейра (Португалия), в радиусе 6,5 км от центра пожара находится около 6 тысяч зданий 🏠. Если изменить методику и считать только ближайшие окрестности, то получится более 1,5 тысяч зданий.
Использован снимок спутника 🛰 Sentinel-2 за 20 августа 2024 года.
#GEE #пожары
Сенсорно-независимые данные MODIS & VIIRS LAI/FPAR (2000–2022)
Набор пространственных данных Sensor-Independent MODIS & VIIRS LAI/FPAR CDR (2000–2022) охватывает важнейшие биофизические параметры: индекс листовой поверхности (Leaf Area Index, LAI) и долю фотосинтетически активной радиации (Fraction of Photosynthetically Active Radiation, FPAR или FAPAR*), необходимые для характеристики наземных экосистем.
При подготовке данных особое внимание уделялось ограничениям, имевшимся в существующих глобальных продуктах LAI/FPAR, в том числе, проблемам пространственно-временной согласованности и точности. Методика создания набора данных описана в:
📖 Pu, J., Yan, K., Roy, S., Zhu, Z., Rautiainen, M., Knyazikhin, Y., & Myneni, R. B. (2024). Sensor-independent LAI/FPAR CDR: reconstructing a global sensor-independent climate data record of MODIS and VIIRS LAI/FPAR from 2000 to 2022. Earth System Science Data, 16(1), 15–34. https://doi.org/10.5194/essd-16-15-2024
Данные создавались как сенсорно-независимые на основе стандартных продуктов LAI/FPAR Terra MODIS, Aqua MODIS и VIIRS. Они охватывают временной интервал с 2000 по 2022 год и содержат данные LAI/FPAR в различных пространственных разрешениях: 500 м, 5 км и 0,05° с шагами по времени 8 суток и два месяца. Набор данных доступен в синусоидальной проекции, а также в WGS 1984.
Доступ к данным:
🛢 Zenodo
🌍 Google Earth Engine
📊 Схема создания данных.
*FPAR или FAPAR (Fraction of Absorbed Photosynthetically Active Radiation) — доля падающей фотосинтетически активной радиации (400–700 нм), поглощаемой растительностью.
#данные #климат #GEE
Набор пространственных данных Sensor-Independent MODIS & VIIRS LAI/FPAR CDR (2000–2022) охватывает важнейшие биофизические параметры: индекс листовой поверхности (Leaf Area Index, LAI) и долю фотосинтетически активной радиации (Fraction of Photosynthetically Active Radiation, FPAR или FAPAR*), необходимые для характеристики наземных экосистем.
При подготовке данных особое внимание уделялось ограничениям, имевшимся в существующих глобальных продуктах LAI/FPAR, в том числе, проблемам пространственно-временной согласованности и точности. Методика создания набора данных описана в:
📖 Pu, J., Yan, K., Roy, S., Zhu, Z., Rautiainen, M., Knyazikhin, Y., & Myneni, R. B. (2024). Sensor-independent LAI/FPAR CDR: reconstructing a global sensor-independent climate data record of MODIS and VIIRS LAI/FPAR from 2000 to 2022. Earth System Science Data, 16(1), 15–34. https://doi.org/10.5194/essd-16-15-2024
Данные создавались как сенсорно-независимые на основе стандартных продуктов LAI/FPAR Terra MODIS, Aqua MODIS и VIIRS. Они охватывают временной интервал с 2000 по 2022 год и содержат данные LAI/FPAR в различных пространственных разрешениях: 500 м, 5 км и 0,05° с шагами по времени 8 суток и два месяца. Набор данных доступен в синусоидальной проекции, а также в WGS 1984.
Доступ к данным:
🛢 Zenodo
🌍 Google Earth Engine
📊 Схема создания данных.
*FPAR или FAPAR (Fraction of Absorbed Photosynthetically Active Radiation) — доля падающей фотосинтетически активной радиации (400–700 нм), поглощаемой растительностью.
#данные #климат #GEE
Глобальные карты торфяных болот
🗺 Global Peatland Map 2.0 создана на основе данных Грейфсвальдского центра болот (Greifswald Mire Centre) за 2022 год. Данные имеют пространственное разрешение 1 км.
🛢 Скачать данные (GeoTIFF)
🌍 Global Peatland Map 2.0 на Google Earth Engine
🗺 Карта Global Peatland Fractional Coverage показывает долю площади пикселя, занятую торфяными болотами (2021 год). Карта построена с помощью методов машинного обучения и имеет пространственное разрешение 5’ (≈9.26 км на экваторе).
🛢 Скачать Peat-ML Dataset (NetCDF)
🌍 Global Peatland Fractional Coverage на GEE
📖 Методика
#данные #болота #GEE
🗺 Global Peatland Map 2.0 создана на основе данных Грейфсвальдского центра болот (Greifswald Mire Centre) за 2022 год. Данные имеют пространственное разрешение 1 км.
🛢 Скачать данные (GeoTIFF)
🌍 Global Peatland Map 2.0 на Google Earth Engine
🗺 Карта Global Peatland Fractional Coverage показывает долю площади пикселя, занятую торфяными болотами (2021 год). Карта построена с помощью методов машинного обучения и имеет пространственное разрешение 5’ (≈9.26 км на экваторе).
🛢 Скачать Peat-ML Dataset (NetCDF)
🌍 Global Peatland Fractional Coverage на GEE
📖 Методика
#данные #болота #GEE
This media is not supported in your browser
VIEW IN TELEGRAM
Границы проектов углеродных компенсаций
Углеродные компенсации (сarbon offsets) являются одним из инструментов, позволяющих смягчить последствия антропогенных выбросов парниковых газов. Проекты углеродных компенсаций иногда подвергаются критике за преувеличение компенсационных показателей. Проверка эффективности проектов осложняется отсутствием общедоступных пространственных данных об их границах.
В 📖 работе описаны методы создания базы данных о границах проектов по углеродной компенсации выбросов. В базе содержится информация о местоположении 575 проектов углеродной компенсации в 55 странах. Данные были собраны с помощью скрапинга из реестров углеродных проектов (75,3% данных), а также ручной привязки и оцифровки (22,1%). Использовались данные из реестров Verra Registry, American Carbon Registry, Climate Action Reserve, Gold Standard, EcoRegistry и BioCarbon Standard. Записи в базе данных включают проекты предотвращения обезлесения, лесовосстановления и лесоразведения, а также улучшения управления лесами. Оценка качества процесса геопривязки и оцифровки показала высокую степень точности (метрика intersection over union составила 0,98 ± 0,015).
🛢 Данные Carbon Offset Project Boundaries на Zenodo.
🌍 Carbon Offset Project Boundaries на GEE
#GHG #данные #GEE
Углеродные компенсации (сarbon offsets) являются одним из инструментов, позволяющих смягчить последствия антропогенных выбросов парниковых газов. Проекты углеродных компенсаций иногда подвергаются критике за преувеличение компенсационных показателей. Проверка эффективности проектов осложняется отсутствием общедоступных пространственных данных об их границах.
В 📖 работе описаны методы создания базы данных о границах проектов по углеродной компенсации выбросов. В базе содержится информация о местоположении 575 проектов углеродной компенсации в 55 странах. Данные были собраны с помощью скрапинга из реестров углеродных проектов (75,3% данных), а также ручной привязки и оцифровки (22,1%). Использовались данные из реестров Verra Registry, American Carbon Registry, Climate Action Reserve, Gold Standard, EcoRegistry и BioCarbon Standard. Записи в базе данных включают проекты предотвращения обезлесения, лесовосстановления и лесоразведения, а также улучшения управления лесами. Оценка качества процесса геопривязки и оцифровки показала высокую степень точности (метрика intersection over union составила 0,98 ± 0,015).
🛢 Данные Carbon Offset Project Boundaries на Zenodo.
🌍 Carbon Offset Project Boundaries на GEE
#GHG #данные #GEE
Popcorn (POPulation from COaRrse census Numbers) — метод картографирования населения в регионах с дефицитом данных. Он использует для прогноза распределения населения методы машинного обучения, опирающиеся на открытые спутниковые данные Sentinel-1 и Sentinel-2, а также на небольшое количество местных переписей населения.
Метод Popcorn извлекает карты застроенных территорий и коэффициенты заполненности местных зданий, что позволяет получить дополнительные сведения о распределении незаселенных застроенных территорий, например, промышленных складов. Это делает метод интерпретируемым и практичным для городского планирования и гуманитарной деятельности.
📖 Статья, с изложением метода Popcorn.
🌍 Карты Popcorn на GEE
Дополнительную информацию о модели можно получить на странице проекта 🔗 Popcorn Population Mapping Project.
🗺 Карта плотности населения Руанды, построенная с помощью Popcorn.
#данные #GEE
Метод Popcorn извлекает карты застроенных территорий и коэффициенты заполненности местных зданий, что позволяет получить дополнительные сведения о распределении незаселенных застроенных территорий, например, промышленных складов. Это делает метод интерпретируемым и практичным для городского планирования и гуманитарной деятельности.
📖 Статья, с изложением метода Popcorn.
🌍 Карты Popcorn на GEE
Дополнительную информацию о модели можно получить на странице проекта 🔗 Popcorn Population Mapping Project.
🗺 Карта плотности населения Руанды, построенная с помощью Popcorn.
#данные #GEE
Карта типов сельскохозяйственных культур стран ЕС на 2022 год
В 📖 работе представлена карта типов сельскохозяйственных культур на территории Европейского союза (ЕС) на 2022 год с разрешением 10 метров.
Для обучения модели использованы данные наблюдения Земли и данные натурных наблюдений, полученные в рамках проекта Евростата Land Use and Coverage Area Frame Survey (LUCAS) 2022 года. Данные включали 134 684 полигона LUCAS Copernicus, спутниковые снимки Sentinel-1 и Sentinel-2, температуру поверхности земли и цифровую модель рельефа.
На основе этих данных с помощью метода машинного обучения Random Forest были разработаны два классификационных слоя: основная карта и карта заполнения пробелов для устранения пробелов, связанных с облачным покровом. Отметим, что отдельной задачей исследования являлось изучение оптимального набора входных признаков с учетом различных вариантов временного агрегирований спутниковых и климатических данных для получения карты без пространственных разрывов и с максимально возможной тематической точностью.
Объединенные карты, охватывающие 27 стран ЕС, показали общую точность 79,3% для семи основных классов растительного покрова и 70,6% — для всех 19 типов культур.
Обученная модель была использована для создания карты сельскохозяйственных культур Украины за 2022 год и показала свою устойчивость в регионах, не имеющих размеченных образцов для обучения модели.
Для создания карты использовалась платформа Google Earth Engine (GEE):
👨🏻💻 Скрипты GEE для создания карт типов сельскохозяйственных культур для 27 стран ЕС и Украины на 2022 год.
📖 Ghassemi, B., Izquierdo-Verdiguier, E., Verhegghen, A., Yordanov, M., Lemoine, G., Moreno Martínez, Á., De Marchi, D., van der Velde, M., Vuolo, F., & d’Andrimont, R. (2024). European Union crop map 2022: Earth observation’s 10-meter dive into Europe’s crop tapestry. Scientific Data, 11(1). https://doi.org/10.1038/s41597-024-03884-y
#данные #сельхоз #LULC #GEE
В 📖 работе представлена карта типов сельскохозяйственных культур на территории Европейского союза (ЕС) на 2022 год с разрешением 10 метров.
Для обучения модели использованы данные наблюдения Земли и данные натурных наблюдений, полученные в рамках проекта Евростата Land Use and Coverage Area Frame Survey (LUCAS) 2022 года. Данные включали 134 684 полигона LUCAS Copernicus, спутниковые снимки Sentinel-1 и Sentinel-2, температуру поверхности земли и цифровую модель рельефа.
На основе этих данных с помощью метода машинного обучения Random Forest были разработаны два классификационных слоя: основная карта и карта заполнения пробелов для устранения пробелов, связанных с облачным покровом. Отметим, что отдельной задачей исследования являлось изучение оптимального набора входных признаков с учетом различных вариантов временного агрегирований спутниковых и климатических данных для получения карты без пространственных разрывов и с максимально возможной тематической точностью.
Объединенные карты, охватывающие 27 стран ЕС, показали общую точность 79,3% для семи основных классов растительного покрова и 70,6% — для всех 19 типов культур.
Обученная модель была использована для создания карты сельскохозяйственных культур Украины за 2022 год и показала свою устойчивость в регионах, не имеющих размеченных образцов для обучения модели.
Для создания карты использовалась платформа Google Earth Engine (GEE):
👨🏻💻 Скрипты GEE для создания карт типов сельскохозяйственных культур для 27 стран ЕС и Украины на 2022 год.
📖 Ghassemi, B., Izquierdo-Verdiguier, E., Verhegghen, A., Yordanov, M., Lemoine, G., Moreno Martínez, Á., De Marchi, D., van der Velde, M., Vuolo, F., & d’Andrimont, R. (2024). European Union crop map 2022: Earth observation’s 10-meter dive into Europe’s crop tapestry. Scientific Data, 11(1). https://doi.org/10.1038/s41597-024-03884-y
#данные #сельхоз #LULC #GEE
This media is not supported in your browser
VIEW IN TELEGRAM
QDANN — карты урожайности кукурузы, сои и озимой пшеницы на внутриполевом уровне
В 🛢 наборе данных QDANN 30m Yield Map for Corn, Soy, and Winter Wheat in the U.S представлены общедоступные 30-метровые годовые карты урожайности кукурузы, сои и озимой пшеницы для основных растениеводческих штатов США, начиная с 2008 года. В отличие от других подобных данных, эти карты показывают урожайность на каждом пикселе поля.
Набор данных основан на снимках Landsat и погодных данных Gridmet. Он проверен с помощью записей мониторов урожайности, содержащих около миллиона полевых наблюдений за год.
Карты созданы по методике Quantile Loss Domain Adversarial Neural Networks (QDANN), которая для нас может оказаться гораздо интереснее, чем готовые карты. QDANN использует информацию из наборов данных на уровне округов (county) для картографирования урожайности в более тонком пространственном разрешении, и призвана устранить ограничения, связанные с нехваткой наземных данных для обучения и оценки моделей. QDANN использует стратегию адаптации домена без обучения (unsupervised domain adaptation strategy), обучаясь на маркированных данных уровня округа и используя при этом немаркированные данные подполей, что устраняет необходимость в информации об урожайности на уровне подполей.
Данные объединены в две коллекции — для кукурузы-сои и озимой пшеницы. По сравнению с оригинальной статьей, к данным на GEE добавлены аббревиатуры штатов (свойство ‘state_abbv’) и календарные даты. Это позволяет легко фильтровать по штатам и датам коллекции:
🔹 Corn & Soybean. Слои: b1 – corn, kg/ha; b2 – soybean, kg/ha
🔹 Winter Wheat. Слои: b1 – winter wheat, kg/ha
📖 Ma, Y., Liang, S.-Z., Myers, D. B., Swatantran, A., & Lobell, D. B. (2024). Subfield-level crop yield mapping without ground truth data: A scale transfer framework. Remote Sensing of Environment, 315, 114427. https://doi.org/10.1016/j.rse.2024.114427
#данные #GEE #сельхоз #GAN
В 🛢 наборе данных QDANN 30m Yield Map for Corn, Soy, and Winter Wheat in the U.S представлены общедоступные 30-метровые годовые карты урожайности кукурузы, сои и озимой пшеницы для основных растениеводческих штатов США, начиная с 2008 года. В отличие от других подобных данных, эти карты показывают урожайность на каждом пикселе поля.
Набор данных основан на снимках Landsat и погодных данных Gridmet. Он проверен с помощью записей мониторов урожайности, содержащих около миллиона полевых наблюдений за год.
Карты созданы по методике Quantile Loss Domain Adversarial Neural Networks (QDANN), которая для нас может оказаться гораздо интереснее, чем готовые карты. QDANN использует информацию из наборов данных на уровне округов (county) для картографирования урожайности в более тонком пространственном разрешении, и призвана устранить ограничения, связанные с нехваткой наземных данных для обучения и оценки моделей. QDANN использует стратегию адаптации домена без обучения (unsupervised domain adaptation strategy), обучаясь на маркированных данных уровня округа и используя при этом немаркированные данные подполей, что устраняет необходимость в информации об урожайности на уровне подполей.
Данные объединены в две коллекции — для кукурузы-сои и озимой пшеницы. По сравнению с оригинальной статьей, к данным на GEE добавлены аббревиатуры штатов (свойство ‘state_abbv’) и календарные даты. Это позволяет легко фильтровать по штатам и датам коллекции:
🔹 Corn & Soybean. Слои: b1 – corn, kg/ha; b2 – soybean, kg/ha
🔹 Winter Wheat. Слои: b1 – winter wheat, kg/ha
📖 Ma, Y., Liang, S.-Z., Myers, D. B., Swatantran, A., & Lobell, D. B. (2024). Subfield-level crop yield mapping without ground truth data: A scale transfer framework. Remote Sensing of Environment, 315, 114427. https://doi.org/10.1016/j.rse.2024.114427
#данные #GEE #сельхоз #GAN
GEE-44. qualityMosaic или самый зелёный пиксель Беларуси
Самым зелёным будем считать пиксель с максимальным значением вегетационного индекса NDVI, который используется как показатель количества зелёной растительности. Необходимо найти максимальное значение NDVI в заданной области в течение календарного года, установить день года, в который оно достигается, и, наконец, построить карту.
Областью исследований стала Республика Беларусь. Выбор спутниковых данных в задаче не важен. Мы используем снимки Landsat 8.
Основная работа заключается в: 1) создании коллекции изображений
Функция
При этом
1️⃣ RGB-мозаика в естественных цветах, 2️⃣ Максимумы NDVI, 3️⃣ Дни года, когда достигается максимум NDVI.
🌍Код скрипта GEE
Мы уже рассказывали о создании мозаик здесь и здесь. Вот ещё немного полезной информации:
🔗 Создание мозаики из коллекции изображений Sentinel-2, где качество пикселя основано на оценке вероятности облаков
🔗 Пример использования qualityMosaic для PythonAPI от Q. Wu
#GEE #индексы
Самым зелёным будем считать пиксель с максимальным значением вегетационного индекса NDVI, который используется как показатель количества зелёной растительности. Необходимо найти максимальное значение NDVI в заданной области в течение календарного года, установить день года, в который оно достигается, и, наконец, построить карту.
Областью исследований стала Республика Беларусь. Выбор спутниковых данных в задаче не важен. Мы используем снимки Landsat 8.
Основная работа заключается в: 1) создании коллекции изображений
l8, 2) добавлении к снимкам коллекции слоя NDVI, а также слоя, содержащего номер дня года (doy), в который получен снимок. Самую важную работу выполняет функция qualityMosaic:var l8 = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')
.filterBounds(AOI)
.filterDate(start_date, end_date);
function addNDVI(image) {
var ndvi = image.normalizedDifference(['SR_B5', 'SR_B4']).rename('NDVI');
return image.addBands(ndvi);
}
function addDOY(image) {
var img_date = ee.Date(image.date());
var img_doy = ee.Number.parse(img_date.format('D'));
return image.addBands(ee.Image(img_doy).rename('doy').toInt());
}
var greenest = l8.map(addNDVI).map(addDOY).qualityMosaic('NDVI');Функция
ImageCollection.qualityMosaic(qualityBand) формирует из коллекции изображений мозаику (итоговое изображение), состоящую из пикселей с наивысшей оценкой качества, то есть с максимальными значениями слоя qualityBand. У нас в качестве такого слоя выступает 'NDVI', а значит мозаика будет состоять из максимальных (за год) значений NDVI в данном пикселе.При этом
qualityMosaic включает в мозаику не только значения канала qualityBand, но и значения всех остальных каналов снимка с наивысшей оценкой качества. Таким образом, в итоговое изображение попадет и канал 'doy' — день года, в который достигается максимум NDVI.1️⃣ RGB-мозаика в естественных цветах, 2️⃣ Максимумы NDVI, 3️⃣ Дни года, когда достигается максимум NDVI.
🌍Код скрипта GEE
Мы уже рассказывали о создании мозаик здесь и здесь. Вот ещё немного полезной информации:
🔗 Создание мозаики из коллекции изображений Sentinel-2, где качество пикселя основано на оценке вероятности облаков
🔗 Пример использования qualityMosaic для PythonAPI от Q. Wu
#GEE #индексы
GEE-45. Комбинация редьюсеров
В продолжение темы "самого зелёного пикселя". Сравним распределение пикселей с максимальным NDVI для двух спутниковых сенсоров с существенно различающимся пространственным разрешением — MODIS (500 метров) и Landsat 8 OLI (30 метров).
Для каждого сенсора построим годовую мозаику, состоящую из пикселей с максимальным NDVI.
Построим гистограмму и вычислим статистики полученных значений вегетационного индекса (
🌍 Код скрипта GEE
Подробнее о комбинации редьюсеров можно посмотреть в статье Image Statistics with Google Earth Engine: A Step-by-Step Guide.
Про анализ возможности использования данных различного пространственного разрешения для мониторинга сельскохозяйственных полей можно прочитать в 📖статье. Рассматривались данные приборов MODIS, КМСС и MSI с пространственным разрешением 250, 60 и 10 м/пиксель соответственно.
#GEE
В продолжение темы "самого зелёного пикселя". Сравним распределение пикселей с максимальным NDVI для двух спутниковых сенсоров с существенно различающимся пространственным разрешением — MODIS (500 метров) и Landsat 8 OLI (30 метров).
Для каждого сенсора построим годовую мозаику, состоящую из пикселей с максимальным NDVI.
Построим гистограмму и вычислим статистики полученных значений вегетационного индекса (
ndviMCD). Вот пример для MODIS, для L8 все будет аналогично:var chartMCD =
ui.Chart.image.histogram({image: ndviMCD, region: AOI, scale: 500, maxPixels: 1e13})
.setSeriesNames(['NDVI'])
.setOptions({
title: 'MODIS NDVI Histogram',
hAxis: {
title: 'NDVI',
titleTextStyle: {italic: false, bold: true},
},
vAxis:
{title: 'Count', titleTextStyle: {italic: false, bold: true}},
colors: ['cf513e']
});
print(chartMCD);
var ndviStatsMCD = ndviMCD.reduceRegion({
reducer: ee.Reducer.mean()
.combine(ee.Reducer.median(), null, true)
.combine(ee.Reducer.mode(), null, true)
.combine(ee.Reducer.stdDev(), null, true)
.combine(ee.Reducer.percentile([25, 75]), null, true),
geometry: AOI,
scale: 500,
maxPixels: 1e13
});
print('MODIS',ndviStatsMCD);
ndviStatsMCD возвращает среднее, медиану, моду, стандартное отклонение, а также 25-й и 75-й перцентили значений вегетационного индекса. Результаты показаны на рисунках.🌍 Код скрипта GEE
Подробнее о комбинации редьюсеров можно посмотреть в статье Image Statistics with Google Earth Engine: A Step-by-Step Guide.
Про анализ возможности использования данных различного пространственного разрешения для мониторинга сельскохозяйственных полей можно прочитать в 📖статье. Рассматривались данные приборов MODIS, КМСС и MSI с пространственным разрешением 250, 60 и 10 м/пиксель соответственно.
#GEE
This media is not supported in your browser
VIEW IN TELEGRAM
Данные Global Land Cover Estimation (GLanCE) v1
Global Land Cover Estimation (GLanCE) — ежегодные глобальные данные о растительном покрове и его изменениях с 2001 по 2019 год, полученные с помощью снимков Landsat с пространственным разрешением 30 метров. Данные охватывают весь земной шар, кроме Антарктиды и включает 10 наборов научных данных (Science Data Sets, SDS). Для определения почвенно-растительного покрова и его изменений используется алгоритм Continuous Change Detection and Classification (CCDC).
SDS GLanCE разделены на три категории:
1️⃣ Почвенно-растительный покров и его изменения. Четыре набора данных содержат (1) класс почвенно-растительного покрова, (2) оценку качества классификации почвенно-растительного покрова, (3) предыдущий почвенно-растительный покров для тех мест, где произошли изменения и (4) приблизительный день года, когда произошли изменения (DOY).
2️⃣ Динамика озеленения (Greenness Dynamics). Четыре набора данных характеризуют годовую “озелененность” (greenness) с помощью Enhanced Vegetation Index (EVI2), включая (1) медиану, (2) амплитуду, (3) скорость изменения (если присутствует) и (4) величину изменения медианы EVI2 для тех пикселей, где произошли изменения.
3️⃣ Тип листьев и фенология. Два набора данных определяют тип листьев и фенологию для пикселей, покрытых деревьями.
🌍 GLanCE на GEE
Руководство пользователя с подробной информацией о каждом слое данных: 🔗 ссылка.
❗️В первой версии GLanCE есть 7 из 10 обещанных SDS. Оценка качества классификации почвенно-растительного покрова, а также данные о типах листьях и фенологии будут добавлены в следующих версиях. Кроме того, текущий набор данных включает данные по Северной и Южной Америке, Европе и Океании, а Африка и Азия будут добавлены в начале 2025 года.
Описание методики создания данных:
📖 Friedl M.A. et al. 2022. Medium Spatial Resolution Mapping of Global Land Cover and Land Cover Change Across Multiple Decades From Landsat. Frontiers in Remote Sensing 3. https://doi.org/10.3389/frsen.2022.894571
#данные #GEE #LULC
Global Land Cover Estimation (GLanCE) — ежегодные глобальные данные о растительном покрове и его изменениях с 2001 по 2019 год, полученные с помощью снимков Landsat с пространственным разрешением 30 метров. Данные охватывают весь земной шар, кроме Антарктиды и включает 10 наборов научных данных (Science Data Sets, SDS). Для определения почвенно-растительного покрова и его изменений используется алгоритм Continuous Change Detection and Classification (CCDC).
SDS GLanCE разделены на три категории:
1️⃣ Почвенно-растительный покров и его изменения. Четыре набора данных содержат (1) класс почвенно-растительного покрова, (2) оценку качества классификации почвенно-растительного покрова, (3) предыдущий почвенно-растительный покров для тех мест, где произошли изменения и (4) приблизительный день года, когда произошли изменения (DOY).
2️⃣ Динамика озеленения (Greenness Dynamics). Четыре набора данных характеризуют годовую “озелененность” (greenness) с помощью Enhanced Vegetation Index (EVI2), включая (1) медиану, (2) амплитуду, (3) скорость изменения (если присутствует) и (4) величину изменения медианы EVI2 для тех пикселей, где произошли изменения.
3️⃣ Тип листьев и фенология. Два набора данных определяют тип листьев и фенологию для пикселей, покрытых деревьями.
🌍 GLanCE на GEE
Руководство пользователя с подробной информацией о каждом слое данных: 🔗 ссылка.
❗️В первой версии GLanCE есть 7 из 10 обещанных SDS. Оценка качества классификации почвенно-растительного покрова, а также данные о типах листьях и фенологии будут добавлены в следующих версиях. Кроме того, текущий набор данных включает данные по Северной и Южной Америке, Европе и Океании, а Африка и Азия будут добавлены в начале 2025 года.
Описание методики создания данных:
📖 Friedl M.A. et al. 2022. Medium Spatial Resolution Mapping of Global Land Cover and Land Cover Change Across Multiple Decades From Landsat. Frontiers in Remote Sensing 3. https://doi.org/10.3389/frsen.2022.894571
#данные #GEE #LULC
На Камчатке продолжается извержение вулкана Шивелуч
Пароксизмальное извержение вулкана произошло 7 ноября 2024 года в 9:00–9:30 всемирного времени. Максимальная высота пепловых выбросов составила около 15 км над уровнем моря.
Роскосмос показал замечательные снимки, сделанные 7 ноября спутниками “Арктика-М” и “Метеор-М”.
📸 На снимке, сделанном 7 ноября прибором OLCI спутника Sentinel-3 (естественные цвета), облако пепла относит к востоку.
🖥 Код примера
Следить за извержением вулкана удобно на тг-канале Камчатский филиал ФИЦ ЕГС РАН, а также на NASA Worldview.
#снимки #вулкан #sentinel3 #GEE
Пароксизмальное извержение вулкана произошло 7 ноября 2024 года в 9:00–9:30 всемирного времени. Максимальная высота пепловых выбросов составила около 15 км над уровнем моря.
Роскосмос показал замечательные снимки, сделанные 7 ноября спутниками “Арктика-М” и “Метеор-М”.
📸 На снимке, сделанном 7 ноября прибором OLCI спутника Sentinel-3 (естественные цвета), облако пепла относит к востоку.
🖥 Код примера
Следить за извержением вулкана удобно на тг-канале Камчатский филиал ФИЦ ЕГС РАН, а также на NASA Worldview.
#снимки #вулкан #sentinel3 #GEE
This media is not supported in your browser
VIEW IN TELEGRAM
Дамбы возвращаются
1️⃣ О GlobalDamWatch.org — глобальных данных о расположении плотин написано 🔗здесь. Теперь эти данные появились на Google Earth Engine.
🌍 Данные Global Dam Watch (GDW) v1.0 — это глобальные данные о расположении речных плотин и соответствующих водохранилищ. Данные состоят из двух слоев: 1) координат плотин и 2) полигонов границ водохранилищ. Каждый слой имеет атрибуты, среди которых есть идентификатор пары плотина-водохранилище. Кроме того, координаты дамбы находятся внутри полигона “своего” водохранилища.
Версия 1.0 включает 41 145 точек расположения плотин и 35 295 полигонов водохранилищ. 5 850 плотин не связано с водохранилищами. К ним относятся навигационные шлюзы, отводные заграждения, противопаводковые накопительные плотины, строящиеся плотины без заполненных водохранилищ и т. п.
📖 О методике создания базы данных GDW v1.0
2️⃣ Global Dam Tracker (GDAT) — одна из наиболее полных баз данных по плотинам с географической привязкой, включающая более 35 000 плотин по всему миру. Она содержит координаты, спутниковые данные о водосборных площадях и подробную информацию о таких атрибутах, как год завершения строительства, высота, длина, назначение и установленная мощность (capacity) плотины.
GDAT создана на основе существующих глобальных наборов данных и дополнена региональными данными от правительств, некоммерческих организаций и академических источников, особенно в странах Глобального Юга, где детальные данные часто отсутствуют. Данные охватывают плотины, построенные за последние три десятилетия.
📖 Статья с описанием
🛢 Репозиторий на Zenodo
🌍 GDAT на GEE
#данные #GEE
1️⃣ О GlobalDamWatch.org — глобальных данных о расположении плотин написано 🔗здесь. Теперь эти данные появились на Google Earth Engine.
🌍 Данные Global Dam Watch (GDW) v1.0 — это глобальные данные о расположении речных плотин и соответствующих водохранилищ. Данные состоят из двух слоев: 1) координат плотин и 2) полигонов границ водохранилищ. Каждый слой имеет атрибуты, среди которых есть идентификатор пары плотина-водохранилище. Кроме того, координаты дамбы находятся внутри полигона “своего” водохранилища.
Версия 1.0 включает 41 145 точек расположения плотин и 35 295 полигонов водохранилищ. 5 850 плотин не связано с водохранилищами. К ним относятся навигационные шлюзы, отводные заграждения, противопаводковые накопительные плотины, строящиеся плотины без заполненных водохранилищ и т. п.
📖 О методике создания базы данных GDW v1.0
2️⃣ Global Dam Tracker (GDAT) — одна из наиболее полных баз данных по плотинам с географической привязкой, включающая более 35 000 плотин по всему миру. Она содержит координаты, спутниковые данные о водосборных площадях и подробную информацию о таких атрибутах, как год завершения строительства, высота, длина, назначение и установленная мощность (capacity) плотины.
GDAT создана на основе существующих глобальных наборов данных и дополнена региональными данными от правительств, некоммерческих организаций и академических источников, особенно в странах Глобального Юга, где детальные данные часто отсутствуют. Данные охватывают плотины, построенные за последние три десятилетия.
📖 Статья с описанием
🛢 Репозиторий на Zenodo
🌍 GDAT на GEE
#данные #GEE
This media is not supported in your browser
VIEW IN TELEGRAM
Ежегодная национальная база данных почвенно-растительного покрова США (Annual National Land Cover Dataset) появилась на Earth Engine:
🗺 Annual NLCD Land Cover Dataset
В GEE сохранена исходная структура данных: шесть слоев ежегодных растровых данных о почвенно-растительном покрове и его изменениях для континентальной части США за 1985–2023 гг. с пространственным разрешением 30 м.
Слои данных:
🔹 Land Cover
🔹 Land Cover Change
🔹 Land Cover Confidence
🔹 Fractional Impervious Surface: доля непроницаемых поверхностей (0–100%) в 30-метровом пикселе. Позволяет классифицировать городскую застройку и пригороды на основе заданных пороговых значений.
🔹 Impervious Descriptor: различает городские, негородские и дорожные покрытия на застроенных территориях.
🔹 Spectral Change Day of Year: определяют сутки, когда происходят значительные спектральные изменения (значения 1–366), что позволяет выявить нарушения (например, пожары), выходящие за рамки сезонных колебаний.
#GEE #данные #США
🗺 Annual NLCD Land Cover Dataset
В GEE сохранена исходная структура данных: шесть слоев ежегодных растровых данных о почвенно-растительном покрове и его изменениях для континентальной части США за 1985–2023 гг. с пространственным разрешением 30 м.
Слои данных:
🔹 Land Cover
🔹 Land Cover Change
🔹 Land Cover Confidence
🔹 Fractional Impervious Surface: доля непроницаемых поверхностей (0–100%) в 30-метровом пикселе. Позволяет классифицировать городскую застройку и пригороды на основе заданных пороговых значений.
🔹 Impervious Descriptor: различает городские, негородские и дорожные покрытия на застроенных территориях.
🔹 Spectral Change Day of Year: определяют сутки, когда происходят значительные спектральные изменения (значения 1–366), что позволяет выявить нарушения (например, пожары), выходящие за рамки сезонных колебаний.
#GEE #данные #США
Классификация сельскохозяйственных культур Канады: карты и набор данных
Canada AAFC* Annual Crop Inventory (2009–2023) — ежегодные карты классификации сельскохозяйственных культур (и не только) Канады с общей точностью не менее 85% и пространственным разрешением 30 м (в 2009 и 2010 годах — 56 м).
🌍 Данные на Earth Engine
🔗 Код примера
*AAFC — Agriculture and Agri-Food Canada
Набор данных о пахотных землях Канады с метками, полученными из Canadian Annual Crop Inventory. Данные содержат 78 536 вручную проверенных изображений высокого разрешения (10 м/пиксель, 640 x 640 м) с географической привязкой из 10 классов сельскохозяйственных культур, собранных за четыре года производства (2017–2020) и пять месяцев (июнь-октябрь). Каждый экземпляр содержит 12 спектральных каналов, RGB-изображение и дополнительные каналы вегетационных индексов. По отдельности каждая категория содержит не менее 4 800 изображений. Открыт доступ к модели и исходному коду, которые дают возможность пользователю предсказать класс культуры по одному изображению (ResNet, DenseNet, EfficientNet) или по последовательности изображений (LRCN, 3D-CNN).
📖 Описание методики
🖥 Репозиторий проекта
#данные #датасет #GEE #сельхоз #нейронки
Canada AAFC* Annual Crop Inventory (2009–2023) — ежегодные карты классификации сельскохозяйственных культур (и не только) Канады с общей точностью не менее 85% и пространственным разрешением 30 м (в 2009 и 2010 годах — 56 м).
🌍 Данные на Earth Engine
🔗 Код примера
*AAFC — Agriculture and Agri-Food Canada
Набор данных о пахотных землях Канады с метками, полученными из Canadian Annual Crop Inventory. Данные содержат 78 536 вручную проверенных изображений высокого разрешения (10 м/пиксель, 640 x 640 м) с географической привязкой из 10 классов сельскохозяйственных культур, собранных за четыре года производства (2017–2020) и пять месяцев (июнь-октябрь). Каждый экземпляр содержит 12 спектральных каналов, RGB-изображение и дополнительные каналы вегетационных индексов. По отдельности каждая категория содержит не менее 4 800 изображений. Открыт доступ к модели и исходному коду, которые дают возможность пользователю предсказать класс культуры по одному изображению (ResNet, DenseNet, EfficientNet) или по последовательности изображений (LRCN, 3D-CNN).
📖 Описание методики
🖥 Репозиторий проекта
#данные #датасет #GEE #сельхоз #нейронки