GEE数据集——1986年—2022年加拿大全国烧毁面积综合数据 (NBAC)

2024-04-12 18:28

本文主要是介绍GEE数据集——1986年—2022年加拿大全国烧毁面积综合数据 (NBAC),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

加拿大全国烧毁面积综合数据 (NBAC)¶
全国烧毁面积综合数据 (NBAC) 是一个地理信息系统数据库和系统,用于计算自 1986 年以来每年全国范围内烧毁的森林面积。这些数据用于帮助估算加拿大的碳排放量。烧毁面积是通过评估一系列可用数据源确定的,这些数据源使用不同的技术绘制任何特定火灾的地图。该系统为每个烧毁地区选择最佳可用数据源,并建立一个全国综合图。

NBAC 是火灾监测、核算和报告系统(FireMARS)的一部分,该系统由加拿大自然资源部加拿大测绘与地球观测中心(前身为加拿大遥感中心)和加拿大林业局联合开发。火灾监测和报告系统最初是在加拿大航天局政府相关倡议计划的资助下,由火灾研究、森林碳核算和遥感方面的人员合作开发的。

NBAC 的数据来自- 加拿大自然资源部,以及 - 加拿大省级、地区级和公园机构。

NBAC 可用于景观尺度火灾影响的空间和时间分析。您可以在此处下载数据集

补充信息


NBAC 是 FireMARS 系统自 1986 年以来每年编制的国家产品,该系统跟踪森林火灾,用于年度碳排放估算,并帮助识别可能受到火灾干扰的国家森林资源调查地块。更多信息请参见 FireMARS 网站 (http://www.nrcan.gc.ca/forests/fire/13159) 和碳核算-干扰监测网站 (http://www.nrcan.gc.ca/forests/climate-change/13109)。

在使用这些数据进行制图活动和分析、研究、评估或展示时,请使用以下引文注明来源:

加拿大林务局。国家燃烧区综合数据 (NBAC)。加拿大自然资源部,加拿大林业局,北部林业中心,艾伯塔省埃德蒙顿。https://cwfis.cfs.nrcan.gc.ca/。

像素产品的详细信息

像素产品由 5 个文件组成:

JD.tif:烧毁区域的首次探测日
CL.tif:烧毁区域检测的置信度
BA.tif:烧毁面积,与计算出的烧毁像素比例相对应。
OB.tif:观测次数,即该月观测到该像元的次数。
xml:产品的元数据

像素属性汇总

AttributeUnitsData TypeNotes
Date of the first detection (JD)Day of the year (1-366)Float- 0: Not burned - 1-366: Day of first detection for burned pixel - -1: Not observed in month - -2: Not burnable (water, bare land, urban, snow/ice)
Confidence level (CL)0-100Float- 0: Low burn probability - 1-100: Increasing burn probability confidence - -1: Not observed in month - -2: Not burnable (water, bare land, urban, snow/ice)
Burned Area (BA)Square metersFloat- 0-N: Burned area within pixel cell - -1: Not observed in month - -2: Not burnable (water, bare land, urban, snow/ice)
Number of observations (OB)0-31Int16- 0-31: No-cloud observations in pixel - 0: Not observed - -2: Not burnable (water, bare land, urban, snow/ice)

代码

var nbac_raster8622 = ee.Image("projects/sat-io/open-datasets/CA_FOREST/NBAC/NBAC_MRB_1986_to_2022");
var nbac8622 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/nbac_1986_to_2022_20230630");
var nbac_1986_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_1986_r9_20210810");
var nbac_1987_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_1987_r9_20210810");
var nbac_1988_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_1988_r9_20210810");
var nbac_1989_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_1989_r9_20210810");
var nbac_1990_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_1990_r9_20210810");
var nbac_1991_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_1991_r9_20210810");
var nbac_1992_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_1992_r9_20210810");
var nbac_1993_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_1993_r9_20210810");
var nbac_1994_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_1994_r9_20210810");
var nbac_1995_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_1995_r9_20210810");
var nbac_1996_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_1996_r9_20210810");
var nbac_1997_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_1997_r9_20210810");
var nbac_1998_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_1998_r9_20210810");
var nbac_1999_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_1999_r9_20210810");
var nbac_2000_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2000_r9_20210810");
var nbac_2001_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2001_r9_20210810");
var nbac_2002_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2002_r9_20210810");
var nbac_2003_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2003_r9_20210810");
var nbac_2004_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2004_r9_20210810");
var nbac_2005_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2005_r9_20210810");
var nbac_2006_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2006_r9_20210810");
var nbac_2007_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2007_r9_20210810");
var nbac_2008_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2008_r9_20210810");
var nbac_2009_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2009_r9_20210810");
var nbac_2010_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2010_r9_20210810");
var nbac_2011_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2011_r9_20210810");
var nbac_2012_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2012_r9_20210810");
var nbac_2013_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2013_r9_20210810");
var nbac_2014_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2014_r9_20210810");
var nbac_2015_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2015_r9_20210810");
var nbac_2016_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2016_r9_20210810");
var nbac_2017_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2017_r9_20210810");
var nbac_2018_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2018_r9_20210810");
var nbac_2019_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2019_r9_20210810");
var nbac_2020_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2020_r9_20210810");
var nbac_2021_r9_20220624 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2021_r9_20220624");
var nbac_2022_r12_20230630 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2022_r12_20230630");//Setup basemaps
var snazzy = require("users/aazuspan/snazzy:styles");
snazzy.addStyle("https://snazzymaps.com/style/132/light-gray", "Grayscale");var palette = ['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b','#e377c2', '#7f7f7f', '#bcbd22', '#17becf', '#aec7e8', '#ffbb78','#98df8a', '#ff9896', '#c5b0d5', '#c49c94', '#f7b6d2', '#c7c7c7','#dbdb8d', '#9edae5', '#393b79', '#637939', '#8c6d31', '#843c39','#7b4173', '#5254a3', '#637939', '#8c6d31', '#bd9e39', '#8c6d31','#bd9e39', '#8c6d31', '#bd9e39', '#8c6d31', '#bd9e39', '#8c6d31'
];//Center the object
Map.setCenter(-97.31,56.71,4)Map.addLayer(nbac_raster8622,{min:1986,max:2022,palette:palette},'National Burned Area Raster Composite 1986-2022')
Map.addLayer(nbac8622,{},'National Burned Area Composite 1986-2022',false)

数据引用

Skakun, R.; Castilla, G.; Metsaranta, J.; Whitman, E.; Rodrigue, S.; Little, J.; Groenewegen, K.; Coyle, M. (2022). Extending the National Burned Area Composite Time Series of Wildfires in Canada. Remote Sensing, 14, 3050. DOI: https://doi.org/10.3390/rs14133050 Skakun, R.S.; Whitman, E.; Little, J.M.; and Parisien, M.-A. (2021). Area burned adjustments to historical wildland fires in Canada. Environmental Research Letters 16 064014. DOI: https://doi.org/10.1088/1748-9326/abfb2c Hall, R.J.; Skakun, R.S.; Metsaranta, J.M.; Landry, R.; Fraser, R.H.; Raymond, D.A.; Gartrell, J.M.; Decker, V. and Little, J.M. (2020). Generating annual estimates of forest fire disturbance in Canada: the National Burned Area Composite. International Journal of Wildland Fire. 10.1071/WF19201. DOI: https://doi.org/10.1071/WF19201

代码链接

https://code.earthengine.google.com/?scriptPath=users/sat-io/awesome-gee-catalog-examples:fire-monitoring-analysis/CA-NATIONAL-BURNED-AREA-COMPOSITE

License¶

Open Government Licence - Canada (Open Government Licence - Canada | Open Government - Government of Canada). When using these data for mapping activities and analysis, research, evaluation or display, please acknowledged the source using the following citation: Canadian Forest Service. National Burned Area Composite (NBAC). Natural Resources Canada, Canadian Forest Service, Northern Forestry Centre, Edmonton, Alberta. Canadian Wildland Fire Information System / Système canadien d'information sur les feux de végétation.

Created by: Natural Resources Canada,Canadian Wildland Fire Information System

Curated in GEE by : Samapriya Roy

Keywords: canada,burned area,forestry,forest fire,wildfire

Last updated in GEE: 2024-04-02

网址推荐

0代码在线构建地图应用

https://sso.mapmost.com/#/login?source_inviter=nClSZANO

机器学习

https://www.cbedai.net/xg 

这篇关于GEE数据集——1986年—2022年加拿大全国烧毁面积综合数据 (NBAC)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/897894

相关文章

Python MySQL如何通过Binlog获取变更记录恢复数据

《PythonMySQL如何通过Binlog获取变更记录恢复数据》本文介绍了如何使用Python和pymysqlreplication库通过MySQL的二进制日志(Binlog)获取数据库的变更记录... 目录python mysql通过Binlog获取变更记录恢复数据1.安装pymysqlreplicat

Linux使用dd命令来复制和转换数据的操作方法

《Linux使用dd命令来复制和转换数据的操作方法》Linux中的dd命令是一个功能强大的数据复制和转换实用程序,它以较低级别运行,通常用于创建可启动的USB驱动器、克隆磁盘和生成随机数据等任务,本文... 目录简介功能和能力语法常用选项示例用法基础用法创建可启动www.chinasem.cn的 USB 驱动

Oracle数据库使用 listagg去重删除重复数据的方法汇总

《Oracle数据库使用listagg去重删除重复数据的方法汇总》文章介绍了在Oracle数据库中使用LISTAGG和XMLAGG函数进行字符串聚合并去重的方法,包括去重聚合、使用XML解析和CLO... 目录案例表第一种:使用wm_concat() + distinct去重聚合第二种:使用listagg,

Python实现将实体类列表数据导出到Excel文件

《Python实现将实体类列表数据导出到Excel文件》在数据处理和报告生成中,将实体类的列表数据导出到Excel文件是一项常见任务,Python提供了多种库来实现这一目标,下面就来跟随小编一起学习一... 目录一、环境准备二、定义实体类三、创建实体类列表四、将实体类列表转换为DataFrame五、导出Da

Python实现数据清洗的18种方法

《Python实现数据清洗的18种方法》本文主要介绍了Python实现数据清洗的18种方法,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学... 目录1. 去除字符串两边空格2. 转换数据类型3. 大小写转换4. 移除列表中的重复元素5. 快速统

Python数据处理之导入导出Excel数据方式

《Python数据处理之导入导出Excel数据方式》Python是Excel数据处理的绝佳工具,通过Pandas和Openpyxl等库可以实现数据的导入、导出和自动化处理,从基础的数据读取和清洗到复杂... 目录python导入导出Excel数据开启数据之旅:为什么Python是Excel数据处理的最佳拍档

在Pandas中进行数据重命名的方法示例

《在Pandas中进行数据重命名的方法示例》Pandas作为Python中最流行的数据处理库,提供了强大的数据操作功能,其中数据重命名是常见且基础的操作之一,本文将通过简洁明了的讲解和丰富的代码示例,... 目录一、引言二、Pandas rename方法简介三、列名重命名3.1 使用字典进行列名重命名3.编

Python使用Pandas库将Excel数据叠加生成新DataFrame的操作指南

《Python使用Pandas库将Excel数据叠加生成新DataFrame的操作指南》在日常数据处理工作中,我们经常需要将不同Excel文档中的数据整合到一个新的DataFrame中,以便进行进一步... 目录一、准备工作二、读取Excel文件三、数据叠加四、处理重复数据(可选)五、保存新DataFram

使用Java解析JSON数据并提取特定字段的实现步骤(以提取mailNo为例)

《使用Java解析JSON数据并提取特定字段的实现步骤(以提取mailNo为例)》在现代软件开发中,处理JSON数据是一项非常常见的任务,无论是从API接口获取数据,还是将数据存储为JSON格式,解析... 目录1. 背景介绍1.1 jsON简介1.2 实际案例2. 准备工作2.1 环境搭建2.1.1 添加

MySQL中删除重复数据SQL的三种写法

《MySQL中删除重复数据SQL的三种写法》:本文主要介绍MySQL中删除重复数据SQL的三种写法,文中通过代码示例讲解的非常详细,对大家的学习或工作有一定的帮助,需要的朋友可以参考下... 目录方法一:使用 left join + 子查询删除重复数据(推荐)方法二:创建临时表(需分多步执行,逻辑清晰,但会