Loading [MathJax]/jax/output/CommonHTML/config.js
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >巴西年度土地覆被和利用地图

巴西年度土地覆被和利用地图

原创
作者头像
此星光明
修改于 2024-02-18 05:50:46
修改于 2024-02-18 05:50:46
24200
代码可运行
举报
文章被收录于专栏:GEE数据GEE数据
运行总次数:0
代码可运行

巴西年度土地覆被和利用地图

巴西年度土地利用和土地覆被制图项目是一个由生物群落、土地利用、遥感、地理信息系统和计算机科学专家组成的合作网络,依靠谷歌地球引擎平台及其云处理和自动分类功能生成巴西年度土地利用和土地覆被时间序列。MapBiomas 项目--是一项多机构倡议,旨在利用卫星图像的自动分类过程生成年度土地覆被和利用地图。有关该项目的完整介绍,请点击此处。

其他地区,如泛亚马孙、印度尼西亚、玻利维亚、秘鲁等,都是从巴西 Mapbiomas 的工作中衍生出来的,因此这些地区也包含在当前版本中

比例尺:30 米至 10 米 数据类型多种栅格数据集和类型

我们是一个由非政府组织、大学和初创技术公司组成的合作网络。我们每年绘制土地覆盖和使用地图,每月监测水面和火烧疤痕,并提供 1985 年以来的数据。我们还通过 MapBiomas Alerta 验证了自 2019 年 1 月以来在巴西检测到的每次毁林事件并制作了报告。

我们的目标 通过科学手段,精确、敏捷、高质量地揭示巴西领土的变化,使人们了解土地覆盖和土地利用情况,从而寻求自然资源的保护和可持续管理,以此应对气候变化。

倡议的特点 与负责不同生物群落和横向专题的机构联网,优化解决方案。 通过与谷歌地球引擎合作,实现分布式自动数据处理。 开放式平台,可在其他国家和地区推广应用。 合作平台--旨在吸纳和欢迎科学界和其他有兴趣合作的机构的贡献。

起源 应 SEEG/OC 的邀请,遥感和植被绘图专家在圣保罗举行了一次研讨会,回答以下问题:是否有可能以比现有方法和做法更低廉、更快速、更及时的方式绘制整个巴西的年度土地利用和土地覆被图,并恢复过去几十年的历史? 答案是肯定的,前提是要有前所未有的处理能力和高度自动化的处理过程,以及每个生物群落和横向专题专家群体的参与。 在此基础上,我们与谷歌公司取得了联系,并达成了一项技术合作协议,在谷歌地球引擎平台上开发该项目。具体而言,该项目于 2015 年 7 月开始,在加利福尼亚州山景城对 MapBiomas 团队进行了谷歌地球引擎培训。

添加图片注释,不超过 140 字(可选)

Citation

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
Souza at. al. (2020) - Reconstructing Three Decades of Land Use and Land Cover Changes in Brazilian Biomes with Landsat Archive and Earth Engine -
Remote Sensing, Volume 12, Issue 17, 10.3390/rs12172735 doi: 10.3390/rs12172735 https://doi.org/10.3390 /rs12172735

Dataset Citation

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
"Project MapBiomas - Collection [version] of [region] Land Cover & Use Map Series, accessed on [date] through the link: [LINK]"

Earth Engine Snippet

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
//From collection 8
assets: {
    integration: 'projects/mapbiomas-workspace/public/collection8/mapbiomas_collection80_integration_v1',
    transitions: 'projects/mapbiomas-workspace/public/collection8/mapbiomas_collection80_transitions_v1',
    vectors: [
        'projects/mapbiomas-workspace/AUXILIAR/areas-protegidas',
        'projects/mapbiomas-workspace/AUXILIAR/municipios-2016',
        'projects/mapbiomas-workspace/AUXILIAR/estados-2017',
        'projects/mapbiomas-workspace/AUXILIAR/biomas-2019',
        'projects/mapbiomas-workspace/AUXILIAR/bacias-nivel-1',
        'projects/mapbiomas-workspace/AUXILIAR/bacias-nivel-2',
    ]
},

添加 repo 链接:

https://code.earthengine.google.com/?accept_repo=users/mapbiomas/user-toolkit

Extra Info: GitHub Tutorial

Curated by: MapBiomas

License

All these datasets are shared under Creative Commons Attribution-Share Alike 4.0 International License

Keywords: Mapbiomas, Land Use, Land Cover

Last updated: Refer to webpage

Last updated on GEE community datasets: 2023-10-14

​​​​更多遥感云计算内容请前往​:

此星光明_GEE数据集专栏,GEE教程训练,Google Earth Engine-CSDN博客

我正在参与2024腾讯技术创作特训营第五期有奖征文,快来和我瓜分大奖!

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
Google Earth Engine(GEE)——巴西33年次生林年龄基准图v3(1986-2019)
巴西33年次生林年龄基准图v3(1986-2019) 到2030年恢复和重新造林1200万公顷的森林,是《巴黎协定》规定的巴西国家确定贡献目标中减少碳排放的主要缓解战略之一。了解森林覆盖率的动态(1985年至2018年期间巴西全国森林覆盖率急剧下降)对于估计全球碳平衡和量化生态系统服务的提供至关重要。了解次生林的长期增量、范围和年龄至关重要;然而,这些变量的量化程度还很低。前言 – 床长人工智能教程
此星光明
2024/02/02
1540
Google Earth Engine(GEE)——巴西33年次生林年龄基准图v3(1986-2019)
中国30米年度土地覆盖产品annual China Land Cover Dataset, CLCD
中国30米年度土地覆盖产品(annual China Land Cover Dataset, CLCD)是基于三十万景Landsat影像,结合现有产品自动稳定样本和目视解译样本生产获得。前言 – 人工智能教程 该数据集基于5463个独立参考样本,产品整体精度为79.31% 。该数据集反映了中国快速的城市化和一系列生态工程,揭示了在气候变化下人类活动对区域地表覆盖的影响。
此星光明
2024/07/20
1K0
中国30米年度土地覆盖产品annual China Land Cover Dataset, CLCD
GEE数据集——GLC_FCS30D - 全球 30 米土地覆被变化数据集(1985-2022 年)
注 本数据集是正在提交的论文的一部分,因此没有引用和 DOI 信息。请在使用本数据集时注意这一点。
此星光明
2024/05/24
7830
GEE数据集——GLC_FCS30D - 全球 30 米土地覆被变化数据集(1985-2022 年)
GEE数据集——GLANCE 全球土地覆被训练数据集
GLanCE 培训数据集向公众开放,专为区域到全球土地覆被和土地覆被变化分析而设计。该数据集的中等空间分辨率为 30 米,时间跨度为 1984 年至 2020 年,在地理和光谱上代表了全球所有生态区域。每个训练单元提供多达 23 种土地覆被特征,提供了一个统一、标准化和全面的数据库,其中包括有关土地覆被突变和渐变过程的信息,特别是在选定区域的长达 36 年的时间跨度。该数据集具有适应性强的特点,用户可根据自己的研究区域、分类算法和所需的分类图例对其进行子取样和定制,使其成为深入土地覆被调查的多功能资源。前言 – 人工智能教程
此星光明
2024/02/26
5190
GEE数据集——GLANCE 全球土地覆被训练数据集
GEE数据集:2001年-2019年全球土地覆被估算(GLanCE)
全球土地覆被估算(GLanCE)数据集利用 30 米空间分辨率的大地遥感卫星图像,提供了 2001 年至 2019 年期间每年土地覆被和土地覆被变化的高质量长期记录。 该数据集涵盖除南极洲以外的全球所有陆地区域,包括 10 个科学数据集(SDS),用于跟踪土地覆被、土地覆被变化和绿化动态。 连续变化探测和分类(CCDC)算法用于根据所有可用的、清晰的大地遥感卫星观测数据识别土地覆被和变化。
此星光明
2024/10/24
2940
GEE数据集:2001年-2019年全球土地覆被估算(GLanCE)
Google Earth Engine学习资料汇总与分享
Google Earth Engine (GEE)是一个基于云计算的遥感大数据处理平台,能够在全球尺度下进行地理空间数据分析和交互免费的计算平台。GEE主要面向研究人员,GEE已广泛应用于各个学科,包括全球森林变化、全球地表水变化、作物产量估算、稻田制图、城市制图、洪水制图、火灾恢复和疟疾风险图谱等。它也已集成到许多第三方应用程序中,例如分析物种栖息地范围、监测气候和评估土地利用变化等。
遥感大数据学习
2022/09/20
2.3K0
Google Earth Engine学习资料汇总与分享
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。
此星光明
2024/06/18
5100
2017-2023年 ESRI 10m 年度土地覆被图、数据集
1990-2021 年30 米全球年度烧毁面积地图 (GABAM)
迄今为止,全球烧毁面积(BA)产品只有较高的空间分辨率,因为目前大多数全球烧毁面积产品都是在主动火灾探测或密集时间序列变化分析的帮助下生成的,这需要非常高的时间分辨率。不过,在本研究中,我们将重点放在基于陆地卫星图像的全球烧毁面积自动测绘方法上。通过利用庞大的卫星图像目录以及谷歌地球引擎的高性能计算能力,我们提出了一种自动流水线,从时间序列的陆地卫星图像中生成 30 米分辨率的全球尺度年度烧毁面积地图,并发布了新颖的 30 米分辨率 2015 年全球年度烧毁面积地图(GABAM 2015)。前言 – 人工智能教程
此星光明
2024/02/17
3640
Remote Sensing专刊“遥感技术在地球观测和地球信息科学中的应用”
Special Issue "Applications of Remote Sensing in Earth Observation and Geo-Information Science"
遥感大数据学习
2022/09/20
1.1K0
Remote Sensing专刊“遥感技术在地球观测和地球信息科学中的应用”
GEE调用中国(China Land Cover Dataset,简称CLCD)1990-2022年30米分辨率的土地分类数据
中国陆地覆盖数据集(China Land Cover Dataset,简称CLCD)是一个用于描述中国陆地覆盖类型和空间分布的数据集。该数据集由中国科学院遥感与数字地球研究所和国土资源部空间信息工程国家重点实验室联合开发,并定期更新。
此星光明
2024/08/14
8560
GEE调用中国(China Land Cover Dataset,简称CLCD)1990-2022年30米分辨率的土地分类数据
Remote Sensing 专刊"基于多源数据集和云计算的环境监测土地覆盖制图方法及应用"
Remote Sensing 特刊"基于多源数据集和云计算的环境监测土地覆盖制图方法及应用"
遥感大数据学习
2022/09/20
6870
Remote Sensing 专刊"基于多源数据集和云计算的环境监测土地覆盖制图方法及应用"
1984 年至 2014 年期间每年北极寒带脆弱性实验(ABoVE)核心域的年度土地覆被分类
ABoVE: Landsat-derived Annual Dominant Land Cover Across ABoVE Core Domain, 1984-2014
此星光明
2025/02/07
900
1984 年至 2014 年期间每年北极寒带脆弱性实验(ABoVE)核心域的年度土地覆被分类
Google Earth Engine - A Review第二篇
Amani, M., Ghorbanian, A., Ahmadi, S. A., Kakooei, M., Moghimi, A., Mirmazloumi, S. M., … Brisco, B. (2020). Google Earth Engine Cloud Computing Platform for Remote Sensing Big Data Applications: A Comprehensive Review. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 1–1. doi:10.1109/jstars.2020.3021052
遥感大数据学习
2022/09/20
6360
Google Earth Engine - A Review第二篇
Remote Sensing 专刊“谷歌地球引擎:基于云的地球观测数据和分析平台"
Remote Sensing 专刊“谷歌地球引擎:基于云的地球观测数据和分析平台"
遥感大数据学习
2022/09/20
8200
Remote Sensing 专刊“谷歌地球引擎:基于云的地球观测数据和分析平台"
GEE APP:汉森2000-2017年全球森林面积指定区域(国家)面积下载
本资源库提供在谷歌地球引擎上估算地图精度和面积的工具和指南。 本资源库中提供的工具并非详尽无遗,应尽可能依赖现有工具(如 TimeSync 或 Collect Earth)。 这是一个正在进行中的项目,欢迎社区参与。
此星光明
2024/10/24
1220
GEE APP:汉森2000-2017年全球森林面积指定区域(国家)面积下载
环境遥感特刊概要:基于GEE的遥感土地变化研究
Wang, Le; Diao, Chunyuan; Xian, George; Yin, Dameng; Lu, Ying; Zou, Shengyuan; Erickson, Tyler A. (2020). A summary of the special issue on remote sensing of land change science with Google earth engine. Remote Sensing of Environment, 248(2020), 112002. doi:10.1016/j.rse.2020.112002
遥感大数据学习
2022/09/20
1.2K0
环境遥感特刊概要:基于GEE的遥感土地变化研究
Google Earth Engine——2017年更新的RESOLVE生态区数据集提供了代表我们生活星球的846个陆地生态区的描述数据集
The RESOLVE Ecoregions dataset, updated in 2017, offers a depiction of the 846 terrestrial ecoregions that represent our living planet. View the stylized map at https://ecoregions2017.appspot.com/ or in Earth Engine.
此星光明
2024/02/02
2780
Google Earth Engine——2017年更新的RESOLVE生态区数据集提供了代表我们生活星球的846个陆地生态区的描述数据集
GEE好文推荐——利用样本点迁移方法快速实现全球范围内1984年至今基于Landsat影像的土地分类
在本研究中,我们在 GEE 中实施了射频分类器,利用 Landsat-8 和 Sentinel-2 数据集对 2022 年植被生长季节的不同空间尺度进行了时间序列土地分类。我们的首要目标是利用多源遥感变量构建的不同土地分类模型,为时间序列数据集建立一个高效、准确和通用的土地分类模型,并根据未发生土地分类变化的样本点图像值差异,确定土地分类样本点和迁移阈值。我们的目标是 (1) 确定基于土地分类无变化的样点迁移阈值;(2) 根据阈值分析使用陆地卫星遥感图像和高精度哨兵图像的 36 年时间序列制作的土地分类模型的准确性;(3) 确定基于多源遥感变量不同组合的最佳射频土地分类模型,并比较图像分辨率对分类准确性的影响。
此星光明
2024/02/02
5570
GEE好文推荐——利用样本点迁移方法快速实现全球范围内1984年至今基于Landsat影像的土地分类
全球土地利用数据ESRI 10m Land Cover 2020 in GEE(Google Earth Engine)
此图层显示土地利用/土地覆盖 (LULC) 的全球地图。该地图来自 ESA Sentinel-2 图像,分辨率为 10m。它综合了全年 10 个类别的 LULC 预测,以生成 2020 年的代表性快照。该地图由深度学习模型生成,该模型使用超过 50 亿个手工标记的 Sentinel-2 像素进行训练,从 20,000 多个站点中采样分布于世界所有主要生物群落。
此星光明
2024/02/02
9540
全球土地利用数据ESRI 10m Land Cover 2020 in GEE(Google Earth Engine)
如何在WRF中使用2020年(最新)土地利用类型数据集?
WRF中土地利用类型最高分辨率是30s,且主要分为MODIS和USGS两种,其中MODIS数据是从2000年(有的也说是2001年)的MODIS卫星遥感数据,按照IGBP20分类标准得到的,总共有21类(含第21类—Lake),USGS数据则是1992~1993年的,总共分为24类,具体类型可以参考userguide,这些数据时间都比较久远了,如果进行最新模拟的话相差20年了,所以进行了替换。
自学气象人
2023/06/21
5.8K4
如何在WRF中使用2020年(最新)土地利用类型数据集?
推荐阅读
Google Earth Engine(GEE)——巴西33年次生林年龄基准图v3(1986-2019)
1540
中国30米年度土地覆盖产品annual China Land Cover Dataset, CLCD
1K0
GEE数据集——GLC_FCS30D - 全球 30 米土地覆被变化数据集(1985-2022 年)
7830
GEE数据集——GLANCE 全球土地覆被训练数据集
5190
GEE数据集:2001年-2019年全球土地覆被估算(GLanCE)
2940
Google Earth Engine学习资料汇总与分享
2.3K0
2017-2023年 ESRI 10m 年度土地覆被图、数据集
5100
1990-2021 年30 米全球年度烧毁面积地图 (GABAM)
3640
Remote Sensing专刊“遥感技术在地球观测和地球信息科学中的应用”
1.1K0
GEE调用中国(China Land Cover Dataset,简称CLCD)1990-2022年30米分辨率的土地分类数据
8560
Remote Sensing 专刊"基于多源数据集和云计算的环境监测土地覆盖制图方法及应用"
6870
1984 年至 2014 年期间每年北极寒带脆弱性实验(ABoVE)核心域的年度土地覆被分类
900
Google Earth Engine - A Review第二篇
6360
Remote Sensing 专刊“谷歌地球引擎:基于云的地球观测数据和分析平台"
8200
GEE APP:汉森2000-2017年全球森林面积指定区域(国家)面积下载
1220
环境遥感特刊概要:基于GEE的遥感土地变化研究
1.2K0
Google Earth Engine——2017年更新的RESOLVE生态区数据集提供了代表我们生活星球的846个陆地生态区的描述数据集
2780
GEE好文推荐——利用样本点迁移方法快速实现全球范围内1984年至今基于Landsat影像的土地分类
5570
全球土地利用数据ESRI 10m Land Cover 2020 in GEE(Google Earth Engine)
9540
如何在WRF中使用2020年(最新)土地利用类型数据集?
5.8K4
相关推荐
Google Earth Engine(GEE)——巴西33年次生林年龄基准图v3(1986-2019)
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档
本文部分代码块支持一键运行,欢迎体验
本文部分代码块支持一键运行,欢迎体验