Новые данные наземных лидаров
Коллекция данных наземных и воздушных лидаров Центра данных NASA в Ок-Риджской национальной лаборатории (ORNL DAAC) пополнилась данными Blueflux: Terrestrial Lidar Scans of Mangrove Forests, Everglades, FL, USA, 2022-2023 (🔗 ссылка).
Новый набор данных содержит облака точек трехмерной структуры и объема мангровых лесов, собранные с 10 участков в Национальном парке Эверглейдс (шт. Флорида, США). Данные собраны в ходе в марте 2022, октябре 2022 и марте 2023 года с помощью наземного лазерного сканера RIEGL VZ-400i — неразрушающего количественного метода измерения и мониторинга трехмерной структуры леса. Данные представлены в формате LAS (*.las).
📸 Вид на экосистему мангровых зарослей с борта исследовательского самолета, пролетающего над южной Флоридой во время одного из этапов полевой кампании Blueflux (источник).
#лидар #данные
Коллекция данных наземных и воздушных лидаров Центра данных NASA в Ок-Риджской национальной лаборатории (ORNL DAAC) пополнилась данными Blueflux: Terrestrial Lidar Scans of Mangrove Forests, Everglades, FL, USA, 2022-2023 (🔗 ссылка).
Новый набор данных содержит облака точек трехмерной структуры и объема мангровых лесов, собранные с 10 участков в Национальном парке Эверглейдс (шт. Флорида, США). Данные собраны в ходе в марте 2022, октябре 2022 и марте 2023 года с помощью наземного лазерного сканера RIEGL VZ-400i — неразрушающего количественного метода измерения и мониторинга трехмерной структуры леса. Данные представлены в формате LAS (*.las).
📸 Вид на экосистему мангровых зарослей с борта исследовательского самолета, пролетающего над южной Флоридой во время одного из этапов полевой кампании Blueflux (источник).
#лидар #данные
Popcorn (POPulation from COaRrse census Numbers) — метод картографирования населения в регионах с дефицитом данных. Он использует для прогноза распределения населения методы машинного обучения, опирающиеся на открытые спутниковые данные Sentinel-1 и Sentinel-2, а также на небольшое количество местных переписей населения.
Метод Popcorn извлекает карты застроенных территорий и коэффициенты заполненности местных зданий, что позволяет получить дополнительные сведения о распределении незаселенных застроенных территорий, например, промышленных складов. Это делает метод интерпретируемым и практичным для городского планирования и гуманитарной деятельности.
📖 Статья, с изложением метода Popcorn.
🌍 Карты Popcorn на GEE
Дополнительную информацию о модели можно получить на странице проекта 🔗 Popcorn Population Mapping Project.
🗺 Карта плотности населения Руанды, построенная с помощью Popcorn.
#данные #GEE
Метод Popcorn извлекает карты застроенных территорий и коэффициенты заполненности местных зданий, что позволяет получить дополнительные сведения о распределении незаселенных застроенных территорий, например, промышленных складов. Это делает метод интерпретируемым и практичным для городского планирования и гуманитарной деятельности.
📖 Статья, с изложением метода Popcorn.
🌍 Карты Popcorn на GEE
Дополнительную информацию о модели можно получить на странице проекта 🔗 Popcorn Population Mapping Project.
🗺 Карта плотности населения Руанды, построенная с помощью Popcorn.
#данные #GEE
Media is too big
VIEW IN TELEGRAM
Данные о высоте ледового покрова [ссылка]
National Snow and Ice Data Center (NSIDC) NASA выпустил четвертую версию данных лидара ATLAS, размещенного на спутнике ICESat-2:
🧊 ATLAS/ICESat-2 Level 3B Gridded Antarctic and Arctic Land Ice Height (ATL14)
🧊 ATLAS/ICESat-2 Level 3B Gridded Antarctic and Arctic Land Ice Height Change (ATL15).
Набор данных ATL14 представляет собой цифровую модель рельефа (ЦМР) высокого (для подобных задач) разрешения — 100 метров, — которая содержит пространственно-непрерывные данные о высоте поверхности ледового покрова. Каждая гранула данных содержит обзорное изображение в формате JPG (default1) для предварительного просмотра ЦМР.
Данные ATL15 представляют собой карты изменения высоты ледового покрова с более грубым разрешением — 1 км, 10 км, 20 км и 40 км — с интервалом в 3 месяца.
Оба набора данных имеют временной охват с 1 января 2019 года по 28 декабря 2023 года.
📹 Изменения толщины льда на острове Гренландия, измеренные спутниками ICESat (2003–2009) и ICESat-2 (2018–н.в.).
#DEM #данные #лед #лидар
National Snow and Ice Data Center (NSIDC) NASA выпустил четвертую версию данных лидара ATLAS, размещенного на спутнике ICESat-2:
🧊 ATLAS/ICESat-2 Level 3B Gridded Antarctic and Arctic Land Ice Height (ATL14)
🧊 ATLAS/ICESat-2 Level 3B Gridded Antarctic and Arctic Land Ice Height Change (ATL15).
Набор данных ATL14 представляет собой цифровую модель рельефа (ЦМР) высокого (для подобных задач) разрешения — 100 метров, — которая содержит пространственно-непрерывные данные о высоте поверхности ледового покрова. Каждая гранула данных содержит обзорное изображение в формате JPG (default1) для предварительного просмотра ЦМР.
Данные ATL15 представляют собой карты изменения высоты ледового покрова с более грубым разрешением — 1 км, 10 км, 20 км и 40 км — с интервалом в 3 месяца.
Оба набора данных имеют временной охват с 1 января 2019 года по 28 декабря 2023 года.
📹 Изменения толщины льда на острове Гренландия, измеренные спутниками ICESat (2003–2009) и ICESat-2 (2018–н.в.).
#DEM #данные #лед #лидар
Данные о концентрации ледового покрова
Обновлены данные о концентрации морского льда 🧊Sea Ice Concentrations from Nimbus-7 SMMR and DMSP SSM/I-SSMIS Passive Microwave Data, Version 2.
Набор данных сформирован на основе информации о яркостной температуре, полученной с помощью микроволновых радиометров Scanning Multichannel Microwave Radiometer (SMMR) спутника Nimbus-7, Special Sensor Microwave Imager (SSM/I) и Special Sensor Microwave Imager Sounder (SSMIS). Данные представлены в полярной стереографической проекции (север — EPSG:3411, юг — EPSG:3412) с размером ячейки сетки 25 км x 25 км. Временной охват данных — с 26 октября 1978 года по 31 декабря 2023 года.
Вышла четвертая версия данных 🧊Bootstrap Sea Ice Concentrations from Nimbus-7 SMMR and DMSP SSM/I-SSMIS, Version 4, которая содержит данные для северной и южной полярных областей с временным охватом от 1 ноября 1978 года до 31 декабря 2023 года.
Набор данных состоит из ежедневных и ежемесячных значений концентрации морского льда, полученных на основе измерений яркостной температуры указанными приборами. Данные представлены в полярной стереографической проекции (север — EPSG:3411, юг — EPSG:3412) на сетке с размерами ячейки 25 км x 25 км в двухбайтовом целочисленном формате.
#данные #лед #микроволны
Обновлены данные о концентрации морского льда 🧊Sea Ice Concentrations from Nimbus-7 SMMR and DMSP SSM/I-SSMIS Passive Microwave Data, Version 2.
Набор данных сформирован на основе информации о яркостной температуре, полученной с помощью микроволновых радиометров Scanning Multichannel Microwave Radiometer (SMMR) спутника Nimbus-7, Special Sensor Microwave Imager (SSM/I) и Special Sensor Microwave Imager Sounder (SSMIS). Данные представлены в полярной стереографической проекции (север — EPSG:3411, юг — EPSG:3412) с размером ячейки сетки 25 км x 25 км. Временной охват данных — с 26 октября 1978 года по 31 декабря 2023 года.
Вышла четвертая версия данных 🧊Bootstrap Sea Ice Concentrations from Nimbus-7 SMMR and DMSP SSM/I-SSMIS, Version 4, которая содержит данные для северной и южной полярных областей с временным охватом от 1 ноября 1978 года до 31 декабря 2023 года.
Набор данных состоит из ежедневных и ежемесячных значений концентрации морского льда, полученных на основе измерений яркостной температуры указанными приборами. Данные представлены в полярной стереографической проекции (север — EPSG:3411, юг — EPSG:3412) на сетке с размерами ячейки 25 км x 25 км в двухбайтовом целочисленном формате.
#данные #лед #микроволны
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
Global Urban Polygons and Points Dataset (GUPPD), Version 1 (1975 – 2030)
Глобальная база данных Global Urban Polygons and Points Dataset (GUPPD) содержит информацию о 123 034 городских поселениях с их географическими названиями и численностью населения за период с 1975 по 2030 год с шагом в пять лет. Новая база данных расширяет и уточняет данные Global Human Settlement Urban Centre Database 2015 года, собранные Объединенным исследовательским центром (Joint Research Centre) Европейской комиссии. Методика создания базы GUPPD описана в 📖 документации.
🛢 Данные GUPPD), Version 1
🗺 Карта из набора данных GUPPD, показывающая рост численности населения африканских городов-миллионников (по состоянию на базовый 2020 год) в период с 2015 по 2030 год. Годы, разделенные на пятилетние отрезки, показаны красным (2015), оранжевым (2020), коричневым (2025) и желтым (2030) цветами.
#данные
Глобальная база данных Global Urban Polygons and Points Dataset (GUPPD) содержит информацию о 123 034 городских поселениях с их географическими названиями и численностью населения за период с 1975 по 2030 год с шагом в пять лет. Новая база данных расширяет и уточняет данные Global Human Settlement Urban Centre Database 2015 года, собранные Объединенным исследовательским центром (Joint Research Centre) Европейской комиссии. Методика создания базы GUPPD описана в 📖 документации.
🛢 Данные GUPPD), Version 1
🗺 Карта из набора данных GUPPD, показывающая рост численности населения африканских городов-миллионников (по состоянию на базовый 2020 год) в период с 2015 по 2030 год. Годы, разделенные на пятилетние отрезки, показаны красным (2015), оранжевым (2020), коричневым (2025) и желтым (2030) цветами.
#данные
Данные ГНСС-рефлектометрии, полученные с помощью радара спутника SMAP
📡 Level 1B SMAP Reflectometry, Version 1 — первый полный поляриметрический (full polarimetric) глобальный набор данных ГНСС-рефлектометрии, полученный с помощью радара спутника Soil Moisture Active Passive (SMAP).
Радарный приемник SMAP в конфигурации бистатического радара измеряет горизонтальную и вертикальную составляющие сигнала GPS при его отражении и рассеянии от поверхности Земли. Основными параметрами являются: нормализованные параметры Стокса, эффективная площадь рассеяния (точнее: total power normalized bistatic radar cross-section) и отражательная способность поверхности.
Формат данных: netCDF-4
Временной интервал: 1 октября 2015 г. — н.в.
#GNSSR #данные
📡 Level 1B SMAP Reflectometry, Version 1 — первый полный поляриметрический (full polarimetric) глобальный набор данных ГНСС-рефлектометрии, полученный с помощью радара спутника Soil Moisture Active Passive (SMAP).
Радарный приемник SMAP в конфигурации бистатического радара измеряет горизонтальную и вертикальную составляющие сигнала GPS при его отражении и рассеянии от поверхности Земли. Основными параметрами являются: нормализованные параметры Стокса, эффективная площадь рассеяния (точнее: total power normalized bistatic radar cross-section) и отражательная способность поверхности.
Формат данных: netCDF-4
Временной интервал: 1 октября 2015 г. — н.в.
#GNSSR #данные
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
QDANN — карты урожайности кукурузы, сои и озимой пшеницы на внутриполевом уровне
В 🛢 наборе данных QDANN 30m Yield Map for Corn, Soy, and Winter Wheat in the U.S представлены общедоступные 30-метровые годовые карты урожайности кукурузы, сои и озимой пшеницы для основных растениеводческих штатов США, начиная с 2008 года. В отличие от других подобных данных, эти карты показывают урожайность на каждом пикселе поля.
Набор данных основан на снимках Landsat и погодных данных Gridmet. Он проверен с помощью записей мониторов урожайности, содержащих около миллиона полевых наблюдений за год.
Карты созданы по методике Quantile Loss Domain Adversarial Neural Networks (QDANN), которая для нас может оказаться гораздо интереснее, чем готовые карты. QDANN использует информацию из наборов данных на уровне округов (county) для картографирования урожайности в более тонком пространственном разрешении, и призвана устранить ограничения, связанные с нехваткой наземных данных для обучения и оценки моделей. QDANN использует стратегию адаптации домена без обучения (unsupervised domain adaptation strategy), обучаясь на маркированных данных уровня округа и используя при этом немаркированные данные подполей, что устраняет необходимость в информации об урожайности на уровне подполей.
Данные объединены в две коллекции — для кукурузы-сои и озимой пшеницы. По сравнению с оригинальной статьей, к данным на GEE добавлены аббревиатуры штатов (свойство ‘state_abbv’) и календарные даты. Это позволяет легко фильтровать по штатам и датам коллекции:
🔹 Corn & Soybean. Слои: b1 – corn, kg/ha; b2 – soybean, kg/ha
🔹 Winter Wheat. Слои: b1 – winter wheat, kg/ha
📖 Ma, Y., Liang, S.-Z., Myers, D. B., Swatantran, A., & Lobell, D. B. (2024). Subfield-level crop yield mapping without ground truth data: A scale transfer framework. Remote Sensing of Environment, 315, 114427. https://doi.org/10.1016/j.rse.2024.114427
#данные #GEE #сельхоз #GAN
В 🛢 наборе данных QDANN 30m Yield Map for Corn, Soy, and Winter Wheat in the U.S представлены общедоступные 30-метровые годовые карты урожайности кукурузы, сои и озимой пшеницы для основных растениеводческих штатов США, начиная с 2008 года. В отличие от других подобных данных, эти карты показывают урожайность на каждом пикселе поля.
Набор данных основан на снимках Landsat и погодных данных Gridmet. Он проверен с помощью записей мониторов урожайности, содержащих около миллиона полевых наблюдений за год.
Карты созданы по методике Quantile Loss Domain Adversarial Neural Networks (QDANN), которая для нас может оказаться гораздо интереснее, чем готовые карты. QDANN использует информацию из наборов данных на уровне округов (county) для картографирования урожайности в более тонком пространственном разрешении, и призвана устранить ограничения, связанные с нехваткой наземных данных для обучения и оценки моделей. QDANN использует стратегию адаптации домена без обучения (unsupervised domain adaptation strategy), обучаясь на маркированных данных уровня округа и используя при этом немаркированные данные подполей, что устраняет необходимость в информации об урожайности на уровне подполей.
Данные объединены в две коллекции — для кукурузы-сои и озимой пшеницы. По сравнению с оригинальной статьей, к данным на GEE добавлены аббревиатуры штатов (свойство ‘state_abbv’) и календарные даты. Это позволяет легко фильтровать по штатам и датам коллекции:
🔹 Corn & Soybean. Слои: b1 – corn, kg/ha; b2 – soybean, kg/ha
🔹 Winter Wheat. Слои: b1 – winter wheat, kg/ha
📖 Ma, Y., Liang, S.-Z., Myers, D. B., Swatantran, A., & Lobell, D. B. (2024). Subfield-level crop yield mapping without ground truth data: A scale transfer framework. Remote Sensing of Environment, 315, 114427. https://doi.org/10.1016/j.rse.2024.114427
#данные #GEE #сельхоз #GAN
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