1990-2021 年全球油棕面积和种植年份数据集

2024-05-27 20:12

本文主要是介绍1990-2021 年全球油棕面积和种植年份数据集,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

简介

该数据集利用 2016 年至 2021 年的哨兵-1 号数据,以 10 米的分辨率提供了油棕种植园的全球综合地图,包括工业用地和小农地块。此外,该数据集还包括根据 Landsat-5、-7 和-8 图像得出的 1990 年至 2021 年 30 米空间分辨率的种植年份估计值。该数据集旨在通过提供有关全球油棕种植园范围和树龄的最新详细信息,为环境监测和政策讨论提供支持。您可在此阅读预印本。

您可以在这里找到该数据储存库,它提供了有关全球油棕种植园的全面数据,包括分辨率为 10 米的 2021 年全球油棕种植范围图层和分辨率为 30 米的 1990 年至 2021 年油棕种植年份图层。范围层是利用应用于哨兵-1 数据的卷积神经网络生成的,可识别工业种植园和小农种植园。种植年份层是利用大地遥感卫星的时间序列来探测早期油棕生长阶段的。

数据集的主要发现显示,测绘的油棕种植园总面积为 2,398 万公顷(Mha),其中工业油棕种植园面积为 1,666 ± 0.25 万公顷,小农油棕种植园面积为 759 ± 0.29 万公顷。数据的准确性很高,生产者和用户对工业种植园的准确性分别为 91.9 ± 3.4% 和 91.8 ± 1.0%,对小农的准确性分别为 72.7 ± 1.3% 和 75.7 ± 2.5%。种植园的平均树龄为 14.1 年,其中 628 万公顷的树龄超过 20 年,这表明未来十年内有很大的补种需求。

数据集说明

数据层

1.Grid_OilPalm2016-2021


格式:形状文件
格式: Shapefile划定检测到油棕的 609 个 100 x 100 千米网格单元。
用例:为全球油棕种植园的分布提供空间参考,对制图和分析任务至关重要。


2.GlobalOilPalm_OP-extent全球油棕榈树分布图


格式:Geotiff (栅格瓦片)
说明:包含 609 个栅格图块:包含 609 个栅格图块(每个 100x100 公里),显示深度学习分类在 10 米空间分辨率下的结果。
类别:
[0] 非油棕的其他土地覆盖。
[1] 工业油棕种植园。
[2] 小农油棕种植园。
使用案例:有助于对油棕分布进行详细的空间分析,并区分不同类型的种植园。


3.全球油棕榈树分布图


格式:Geotiff (栅格图块)
说明:包含 609 个栅格图块:包括 609 个栅格图块(每个 100x100 千米),以 30 米的空间分辨率描述油棕榈树种植园的建立年份。
用例:可对油棕榈树种植园的扩展进行时间分析,并监测种植园随时间变化的树龄。


4.Validation_points_GlobalOP2016-2021


格式: Shapefile形状文件
描述: 包含 17,812 个点:包含 17,812 个点,用于验证全球油棕榈树范围和树龄图层。每个点包括
等级":通过目视判读分配(类别值与范围图层相同)。
OP2016-2021" 和 "OP2019":分别为本数据集和 2019 年全球油棕图层(Descals et al.
类别:
[0] 非油棕的其他土地覆盖。
[1] 工业油棕种植园。
[2] 小农油棕种植园。
用例:对于验证和评估油棕榈树范围和树龄数据集的准确性至关重要。


可视化 

油棕范围和种植年份数据可通过以下网站的网络地图进行查询:1990-2021 年全球油棕种植年。用户可通过该工具查看 Landsat 时间序列,并查看油棕种植园的历史卫星图像。

代码

/*
GlobalOilPalm_YoP_2021:建立油棕榈树种植园的年份 grid_oilpalm: 划定检测到油棕榈的 609 个 100 x 100 千米网格单元 globaloilpalm_extent2021: 10 米空间分辨率的深度学习分类
- 类别:**- [0] 非油棕的其他土地覆盖。- [1] 工业油棕种植园。- [2] 小农油棕种植园。
验证: 包含 17,812 个点,用于验证全球油棕范围和树龄图层。每个点包括- 类别": 通过目视判读分配(类别值与范围图层相同)。- OP2016-2021' 和 'OP2019': 分别为本数据集和 2019 年全球油棕图层(Descals et al.- 类别:**- [0] 非油棕的其他土地覆盖。- [1] 工业油棕种植园。- [2] 小农油棕种植园。*/
var grid_oilpalm = ee.FeatureCollection('projects/sat-io/open-datasets/global-oil-palm/Grid_OilPalm_2021_v1-1');
var globaloilpalm_extent = ee.ImageCollection('projects/sat-io/open-datasets/global-oil-palm/GlobalOilPalm_extent_2021');
var globaloilpalm_yop_2021 = ee.ImageCollection("projects/sat-io/open-datasets/global-oil-palm/GlobalOilPalm_YoP_2021");
var validation = ee.FeatureCollection("projects/sat-io/open-datasets/global-oil-palm/Validation_points_GlobalOP2016-2021_v1-1")

代码链接

https://code.earthengine.google.com/?scriptPath=users/sat-io/awesome-gee-catalog-examples:/global-landuse-landcover/GLOBAL-OIL-PALM-1990-2021-APP

APP链接

 Global oil palm planting year 1990 2021

结果

引用

Descals, A., Gaveau, D. L. A., Wich, S., Szantoi, Z., and Meijaard, E.: Global mapping of oil palm planting year from 1990 to 2021 Earth Syst. Sci Data Discuss. [preprint], https://doi.org/10.5194/essd-2024-157, in review, 2024.

https://essd.copernicus.org/preprints/essd-2024-157/essd-2024-157.pdf

Descals, A. (2024). Global oil palm extent and planting year from 1990 to 2021 (v1.1) [Data set]. Zenodo. https://doi.org/10.5281/zenodo.11034131

许可

This product is licensed under a Creative Commons Attribution 4.0 International license.

Curated in GEE by: Descals et al 2024 and Samapriya Roy

Keywords: oil palm, planting year, global crop mapping, remote sensing, deep learning, Sentinel-1

Last updated in GEE: 2024-04-28

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 

这篇关于1990-2021 年全球油棕面积和种植年份数据集的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1008476

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展,我们的业务数据越来越多,单纯使用 MySQL 已经不能满足我们的数据查询需求,例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后,随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步,我们目前的解决方案是建立数据中间表。把需要检索的业务数据,统一放到一张M

关于数据埋点,你需要了解这些基本知识

产品汪每天都在和数据打交道,你知道数据来自哪里吗? 移动app端内的用户行为数据大多来自埋点,了解一些埋点知识,能和数据分析师、技术侃大山,参与到前期的数据采集,更重要是让最终的埋点数据能为我所用,否则可怜巴巴等上几个月是常有的事。   埋点类型 根据埋点方式,可以区分为: 手动埋点半自动埋点全自动埋点 秉承“任何事物都有两面性”的道理:自动程度高的,能解决通用统计,便于统一化管理,但个性化定

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

异构存储(冷热数据分离)

异构存储主要解决不同的数据,存储在不同类型的硬盘中,达到最佳性能的问题。 异构存储Shell操作 (1)查看当前有哪些存储策略可以用 [lytfly@hadoop102 hadoop-3.1.4]$ hdfs storagepolicies -listPolicies (2)为指定路径(数据存储目录)设置指定的存储策略 hdfs storagepolicies -setStoragePo

Hadoop集群数据均衡之磁盘间数据均衡

生产环境,由于硬盘空间不足,往往需要增加一块硬盘。刚加载的硬盘没有数据时,可以执行磁盘数据均衡命令。(Hadoop3.x新特性) plan后面带的节点的名字必须是已经存在的,并且是需要均衡的节点。 如果节点不存在,会报如下错误: 如果节点只有一个硬盘的话,不会创建均衡计划: (1)生成均衡计划 hdfs diskbalancer -plan hadoop102 (2)执行均衡计划 hd

高效+灵活,万博智云全球发布AWS无代理跨云容灾方案!

摘要 近日,万博智云推出了基于AWS的无代理跨云容灾解决方案,并与拉丁美洲,中东,亚洲的合作伙伴面向全球开展了联合发布。这一方案以AWS应用环境为基础,将HyperBDR平台的高效、灵活和成本效益优势与无代理功能相结合,为全球企业带来实现了更便捷、经济的数据保护。 一、全球联合发布 9月2日,万博智云CEO Michael Wong在线上平台发布AWS无代理跨云容灾解决方案的阐述视频,介绍了

【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯,先赞后看哦~🎈🎈 🏆 作者简介:景天科技苑 🏆《头衔》:大厂架构师,华为云开发者社区专家博主,阿里云开发者社区专家博主,CSDN全栈领域优质创作者,掘金优秀博主,51CTO博客专家等。 🏆《博客》:Python全栈,前后端开发,小程序开发,人工智能,js逆向,App逆向,网络系统安全,数据分析,Django,fastapi

烟火目标检测数据集 7800张 烟火检测 带标注 voc yolo

一个包含7800张带标注图像的数据集,专门用于烟火目标检测,是一个非常有价值的资源,尤其对于那些致力于公共安全、事件管理和烟花表演监控等领域的人士而言。下面是对此数据集的一个详细介绍: 数据集名称:烟火目标检测数据集 数据集规模: 图片数量:7800张类别:主要包含烟火类目标,可能还包括其他相关类别,如烟火发射装置、背景等。格式:图像文件通常为JPEG或PNG格式;标注文件可能为X

pandas数据过滤

Pandas 数据过滤方法 Pandas 提供了多种方法来过滤数据,可以根据不同的条件进行筛选。以下是一些常见的 Pandas 数据过滤方法,结合实例进行讲解,希望能帮你快速理解。 1. 基于条件筛选行 可以使用布尔索引来根据条件过滤行。 import pandas as pd# 创建示例数据data = {'Name': ['Alice', 'Bob', 'Charlie', 'Dav