Обновление глобальных данных ESRI 10m Annual Land Cover
ESRI 10m Annual Land Use Land Cover (2017–2023) — ежегодные глобальные карты классов землепользования и земного покрова (Land Use/Land Cover, LULC) обновлены до v3, и теперь охватывают период 2017–2023 гг. Процесс обновления затронул карты прошлых лет, так что все они построены по единой методике.
Карты основаны на снимках Sentinel-2 и имеют пространственное разрешение 10 метров. Каждая карта содержит 9 классов LULC: Water, Trees, Flooded vegetation, Crops, Built Area, Bare ground, Snow/Ice, Clouds, Rangeland (описание классов). Средняя точность каждой карты составляет более 75%, что для глобальных данных неплохо.
🌍 Код примера GEE
🗺 Карта LULC окрестностей Варны (Болгария) за 2023 год.
#GEE #LULC #данные
ESRI 10m Annual Land Use Land Cover (2017–2023) — ежегодные глобальные карты классов землепользования и земного покрова (Land Use/Land Cover, LULC) обновлены до v3, и теперь охватывают период 2017–2023 гг. Процесс обновления затронул карты прошлых лет, так что все они построены по единой методике.
Карты основаны на снимках Sentinel-2 и имеют пространственное разрешение 10 метров. Каждая карта содержит 9 классов LULC: Water, Trees, Flooded vegetation, Crops, Built Area, Bare ground, Snow/Ice, Clouds, Rangeland (описание классов). Средняя точность каждой карты составляет более 75%, что для глобальных данных неплохо.
🌍 Код примера GEE
🗺 Карта LULC окрестностей Варны (Болгария) за 2023 год.
#GEE #LULC #данные
Natural Lands Map
Лаборатория Land & Carbon Lab в сотрудничестве с Всемирным фондом дикой природы и компанией Systemiq разработала Natural Lands Map (NLM) — карту естественного земного покрова на 2020 год с пространственным разрешением 30 метров.
NLM разграничивает естественные и искусственные почвенно-растительные покровы. Для измерения преобразования естественного покрова использованы определения естественных экосистем и естественных лесов, принятые в рамках инициативы Accountability Framework Initiative (AFi).
Карта объединила глобальные и локальные данные. В первую очередь, это глобальные данные о растительном покрове 2020 года лаборатории GLAD Университета Мэриленда и данные ESA WorldCover 2020 года. Локальные данные добавлялись в уже полученную глобальную карту, где получали приоритет над глобальными данными.
Средняя общая точность карты составляет 91,2%. Районы с локальными данными в целом лучше отражают местные ландшафты. Проблемы с точностью по некоторым территориям и земным покровам связаны с недостатком соответствующих данных. Так, на момент публикации карты не существовало глобальных данных, разграничивающих естественные луга и пастбища, в результате чего классы естественной и искусственной короткой растительности (short vegetation) оказались неточными. Аналогичным образом, во многих странах Европейского союза и в России есть лесопосадки, но нет общедоступных данных о лесопосадках, которые помогли бы лучше различать естественные и посаженные леса.
Подробности о принятых определениях и технической стороне реализации NLM приведены в:
📖 SBTN Natural Lands Map – Technical Documentation
Компании могут использовать данные NLM, чтобы оценить, не привела ли их деятельность к обезлесению (деградации леса) после 2020 года. Для этого используется класс естественных лесов (natural forests) в NLM. Однако нужно учитывать различия в определении обезлесения, между NLM и другими документами, например, European Union Deforestation Regulation (EUDR). Подробная информация об этих различиях содержится в технической документации к NLM ⬆️, а также в AFi Operational Guidance on Applying the Definitions Related to Deforestation and Conversion.
Текущая версия карты находится в открытом доступе, имеет открытый исходный код, а также доступна на Google Earth Engine:
🛢 GitHub репозиторий
🌍 GEE: SBTN Natural Lands Map v1
#лес #данные #LULC
Лаборатория Land & Carbon Lab в сотрудничестве с Всемирным фондом дикой природы и компанией Systemiq разработала Natural Lands Map (NLM) — карту естественного земного покрова на 2020 год с пространственным разрешением 30 метров.
NLM разграничивает естественные и искусственные почвенно-растительные покровы. Для измерения преобразования естественного покрова использованы определения естественных экосистем и естественных лесов, принятые в рамках инициативы Accountability Framework Initiative (AFi).
Карта объединила глобальные и локальные данные. В первую очередь, это глобальные данные о растительном покрове 2020 года лаборатории GLAD Университета Мэриленда и данные ESA WorldCover 2020 года. Локальные данные добавлялись в уже полученную глобальную карту, где получали приоритет над глобальными данными.
Средняя общая точность карты составляет 91,2%. Районы с локальными данными в целом лучше отражают местные ландшафты. Проблемы с точностью по некоторым территориям и земным покровам связаны с недостатком соответствующих данных. Так, на момент публикации карты не существовало глобальных данных, разграничивающих естественные луга и пастбища, в результате чего классы естественной и искусственной короткой растительности (short vegetation) оказались неточными. Аналогичным образом, во многих странах Европейского союза и в России есть лесопосадки, но нет общедоступных данных о лесопосадках, которые помогли бы лучше различать естественные и посаженные леса.
Подробности о принятых определениях и технической стороне реализации NLM приведены в:
📖 SBTN Natural Lands Map – Technical Documentation
Компании могут использовать данные NLM, чтобы оценить, не привела ли их деятельность к обезлесению (деградации леса) после 2020 года. Для этого используется класс естественных лесов (natural forests) в NLM. Однако нужно учитывать различия в определении обезлесения, между NLM и другими документами, например, European Union Deforestation Regulation (EUDR). Подробная информация об этих различиях содержится в технической документации к NLM ⬆️, а также в AFi Operational Guidance on Applying the Definitions Related to Deforestation and Conversion.
Текущая версия карты находится в открытом доступе, имеет открытый исходный код, а также доступна на Google Earth Engine:
🛢 GitHub репозиторий
🌍 GEE: SBTN Natural Lands Map v1
#лес #данные #LULC
Ежегодная национальная база данных почвенно-растительного покрова США
🗺 National Land Cover Database (NLCD) — база данных (карта) почвенно-растительного покрова континентальной части США, начиная с этого года станет обновляться ежегодно, превратившись в Annual NLCD. Первая версия ежегодной карты должна быть представлена публике в конце октября.
🔗 Annual National Land Cover Database
В рамках Annual NLCD будет доступен набор из шести ежегодных растровых данных о почвенно-растительном покрове и его изменениях для континентальной части США за период 1985–2023 гг. (пространственное разрешение — 30 м).
🔗 Science Product User Guide
🛢 Доступ к данным
Для Аляски и Гавайских островов планируется выпуск отдельных продуктов.
#LULC #данные #США
🗺 National Land Cover Database (NLCD) — база данных (карта) почвенно-растительного покрова континентальной части США, начиная с этого года станет обновляться ежегодно, превратившись в Annual NLCD. Первая версия ежегодной карты должна быть представлена публике в конце октября.
🔗 Annual National Land Cover Database
В рамках Annual NLCD будет доступен набор из шести ежегодных растровых данных о почвенно-растительном покрове и его изменениях для континентальной части США за период 1985–2023 гг. (пространственное разрешение — 30 м).
🔗 Science Product User Guide
🛢 Доступ к данным
Для Аляски и Гавайских островов планируется выпуск отдельных продуктов.
#LULC #данные #США
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
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