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

Java利用JSONPath操作JSON数据的技术指南

《Java利用JSONPath操作JSON数据的技术指南》JSONPath是一种强大的工具,用于查询和操作JSON数据,类似于SQL的语法,它为处理复杂的JSON数据结构提供了简单且高效... 目录1、简述2、什么是 jsONPath?3、Java 示例3.1 基本查询3.2 过滤查询3.3 递归搜索3.4

MySQL大表数据的分区与分库分表的实现

《MySQL大表数据的分区与分库分表的实现》数据库的分区和分库分表是两种常用的技术方案,本文主要介绍了MySQL大表数据的分区与分库分表的实现,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... 目录1. mysql大表数据的分区1.1 什么是分区?1.2 分区的类型1.3 分区的优点1.4 分

Mysql删除几亿条数据表中的部分数据的方法实现

《Mysql删除几亿条数据表中的部分数据的方法实现》在MySQL中删除一个大表中的数据时,需要特别注意操作的性能和对系统的影响,本文主要介绍了Mysql删除几亿条数据表中的部分数据的方法实现,具有一定... 目录1、需求2、方案1. 使用 DELETE 语句分批删除2. 使用 INPLACE ALTER T

Python Dash框架在数据可视化仪表板中的应用与实践记录

《PythonDash框架在数据可视化仪表板中的应用与实践记录》Python的PlotlyDash库提供了一种简便且强大的方式来构建和展示互动式数据仪表板,本篇文章将深入探讨如何使用Dash设计一... 目录python Dash框架在数据可视化仪表板中的应用与实践1. 什么是Plotly Dash?1.1

Redis 中的热点键和数据倾斜示例详解

《Redis中的热点键和数据倾斜示例详解》热点键是指在Redis中被频繁访问的特定键,这些键由于其高访问频率,可能导致Redis服务器的性能问题,尤其是在高并发场景下,本文给大家介绍Redis中的热... 目录Redis 中的热点键和数据倾斜热点键(Hot Key)定义特点应对策略示例数据倾斜(Data S

Python实现将MySQL中所有表的数据都导出为CSV文件并压缩

《Python实现将MySQL中所有表的数据都导出为CSV文件并压缩》这篇文章主要为大家详细介绍了如何使用Python将MySQL数据库中所有表的数据都导出为CSV文件到一个目录,并压缩为zip文件到... python将mysql数据库中所有表的数据都导出为CSV文件到一个目录,并压缩为zip文件到另一个

SpringBoot整合jasypt实现重要数据加密

《SpringBoot整合jasypt实现重要数据加密》Jasypt是一个专注于简化Java加密操作的开源工具,:本文主要介绍详细介绍了如何使用jasypt实现重要数据加密,感兴趣的小伙伴可... 目录jasypt简介 jasypt的优点SpringBoot使用jasypt创建mapper接口配置文件加密

使用Python高效获取网络数据的操作指南

《使用Python高效获取网络数据的操作指南》网络爬虫是一种自动化程序,用于访问和提取网站上的数据,Python是进行网络爬虫开发的理想语言,拥有丰富的库和工具,使得编写和维护爬虫变得简单高效,本文将... 目录网络爬虫的基本概念常用库介绍安装库Requests和BeautifulSoup爬虫开发发送请求解

Oracle存储过程里操作BLOB的字节数据的办法

《Oracle存储过程里操作BLOB的字节数据的办法》该篇文章介绍了如何在Oracle存储过程中操作BLOB的字节数据,作者研究了如何获取BLOB的字节长度、如何使用DBMS_LOB包进行BLOB操作... 目录一、缘由二、办法2.1 基本操作2.2 DBMS_LOB包2.3 字节级操作与RAW数据类型2.

MySQL使用binlog2sql工具实现在线恢复数据功能

《MySQL使用binlog2sql工具实现在线恢复数据功能》binlog2sql是大众点评开源的一款用于解析MySQLbinlog的工具,根据不同选项,可以得到原始SQL、回滚SQL等,下面我们就来... 目录背景目标步骤准备工作恢复数据结果验证结论背景生产数据库执行 SQL 脚本,一般会经过正规的审批