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
Данные зонда Juno
Снимки Юпитера, сделанные космическим зондом Juno, полезны для популяризации науки, сообщил ТАСС астрофизик, академик Российской академии наук Дмитрий Бисикало. "Открытый доступ к снимкам позволяет любителям астрономии и художникам со всего мира обрабатывать и изучать изображения Юпитера, делая космос ближе к широким массам", — сказал он.
🛢Данные Juno
Здесь не только полюбившиеся многим снимки камеры JunoCam, но и данные приборов:
* Microwave Radiometer (MWR)
* Ultraviolet Imager/Spectrometer (UVS)
* Jovian InfraRed Auroral Mapper (JIRAM)
* Gravity Science Experiment
* Stellar Reference Unit
* Flux Gate Magnetometer (FGM)
* Jupiter Energetic Particle Detector Instrument (JEDI)
* Jupiter Auroral Distributions Experiment (JADE)
* Radio/Plasma Wave Experiment (WAVES)
📹 Медиагалерея миссии Juno
📸 Фотожурнал миссии Juno
📸 Облака на Юпитере, 19 июля 2024 года
#снимки #данные
Снимки Юпитера, сделанные космическим зондом Juno, полезны для популяризации науки, сообщил ТАСС астрофизик, академик Российской академии наук Дмитрий Бисикало. "Открытый доступ к снимкам позволяет любителям астрономии и художникам со всего мира обрабатывать и изучать изображения Юпитера, делая космос ближе к широким массам", — сказал он.
🛢Данные Juno
Здесь не только полюбившиеся многим снимки камеры JunoCam, но и данные приборов:
* Microwave Radiometer (MWR)
* Ultraviolet Imager/Spectrometer (UVS)
* Jovian InfraRed Auroral Mapper (JIRAM)
* Gravity Science Experiment
* Stellar Reference Unit
* Flux Gate Magnetometer (FGM)
* Jupiter Energetic Particle Detector Instrument (JEDI)
* Jupiter Auroral Distributions Experiment (JADE)
* Radio/Plasma Wave Experiment (WAVES)
📹 Медиагалерея миссии Juno
📸 Фотожурнал миссии Juno
📸 Облака на Юпитере, 19 июля 2024 года
#снимки #данные
This media is not supported in your browser
VIEW IN TELEGRAM
Дамбы возвращаются
1️⃣ О GlobalDamWatch.org — глобальных данных о расположении плотин написано 🔗здесь. Теперь эти данные появились на Google Earth Engine.
🌍 Данные Global Dam Watch (GDW) v1.0 — это глобальные данные о расположении речных плотин и соответствующих водохранилищ. Данные состоят из двух слоев: 1) координат плотин и 2) полигонов границ водохранилищ. Каждый слой имеет атрибуты, среди которых есть идентификатор пары плотина-водохранилище. Кроме того, координаты дамбы находятся внутри полигона “своего” водохранилища.
Версия 1.0 включает 41 145 точек расположения плотин и 35 295 полигонов водохранилищ. 5 850 плотин не связано с водохранилищами. К ним относятся навигационные шлюзы, отводные заграждения, противопаводковые накопительные плотины, строящиеся плотины без заполненных водохранилищ и т. п.
📖 О методике создания базы данных GDW v1.0
2️⃣ Global Dam Tracker (GDAT) — одна из наиболее полных баз данных по плотинам с географической привязкой, включающая более 35 000 плотин по всему миру. Она содержит координаты, спутниковые данные о водосборных площадях и подробную информацию о таких атрибутах, как год завершения строительства, высота, длина, назначение и установленная мощность (capacity) плотины.
GDAT создана на основе существующих глобальных наборов данных и дополнена региональными данными от правительств, некоммерческих организаций и академических источников, особенно в странах Глобального Юга, где детальные данные часто отсутствуют. Данные охватывают плотины, построенные за последние три десятилетия.
📖 Статья с описанием
🛢 Репозиторий на Zenodo
🌍 GDAT на GEE
#данные #GEE
1️⃣ О GlobalDamWatch.org — глобальных данных о расположении плотин написано 🔗здесь. Теперь эти данные появились на Google Earth Engine.
🌍 Данные Global Dam Watch (GDW) v1.0 — это глобальные данные о расположении речных плотин и соответствующих водохранилищ. Данные состоят из двух слоев: 1) координат плотин и 2) полигонов границ водохранилищ. Каждый слой имеет атрибуты, среди которых есть идентификатор пары плотина-водохранилище. Кроме того, координаты дамбы находятся внутри полигона “своего” водохранилища.
Версия 1.0 включает 41 145 точек расположения плотин и 35 295 полигонов водохранилищ. 5 850 плотин не связано с водохранилищами. К ним относятся навигационные шлюзы, отводные заграждения, противопаводковые накопительные плотины, строящиеся плотины без заполненных водохранилищ и т. п.
📖 О методике создания базы данных GDW v1.0
2️⃣ Global Dam Tracker (GDAT) — одна из наиболее полных баз данных по плотинам с географической привязкой, включающая более 35 000 плотин по всему миру. Она содержит координаты, спутниковые данные о водосборных площадях и подробную информацию о таких атрибутах, как год завершения строительства, высота, длина, назначение и установленная мощность (capacity) плотины.
GDAT создана на основе существующих глобальных наборов данных и дополнена региональными данными от правительств, некоммерческих организаций и академических источников, особенно в странах Глобального Юга, где детальные данные часто отсутствуют. Данные охватывают плотины, построенные за последние три десятилетия.
📖 Статья с описанием
🛢 Репозиторий на Zenodo
🌍 GDAT на GEE
#данные #GEE
This media is not supported in your browser
VIEW IN TELEGRAM
Ежегодная национальная база данных почвенно-растительного покрова США (Annual National Land Cover Dataset) появилась на Earth Engine:
🗺 Annual NLCD Land Cover Dataset
В GEE сохранена исходная структура данных: шесть слоев ежегодных растровых данных о почвенно-растительном покрове и его изменениях для континентальной части США за 1985–2023 гг. с пространственным разрешением 30 м.
Слои данных:
🔹 Land Cover
🔹 Land Cover Change
🔹 Land Cover Confidence
🔹 Fractional Impervious Surface: доля непроницаемых поверхностей (0–100%) в 30-метровом пикселе. Позволяет классифицировать городскую застройку и пригороды на основе заданных пороговых значений.
🔹 Impervious Descriptor: различает городские, негородские и дорожные покрытия на застроенных территориях.
🔹 Spectral Change Day of Year: определяют сутки, когда происходят значительные спектральные изменения (значения 1–366), что позволяет выявить нарушения (например, пожары), выходящие за рамки сезонных колебаний.
#GEE #данные #США
🗺 Annual NLCD Land Cover Dataset
В GEE сохранена исходная структура данных: шесть слоев ежегодных растровых данных о почвенно-растительном покрове и его изменениях для континентальной части США за 1985–2023 гг. с пространственным разрешением 30 м.
Слои данных:
🔹 Land Cover
🔹 Land Cover Change
🔹 Land Cover Confidence
🔹 Fractional Impervious Surface: доля непроницаемых поверхностей (0–100%) в 30-метровом пикселе. Позволяет классифицировать городскую застройку и пригороды на основе заданных пороговых значений.
🔹 Impervious Descriptor: различает городские, негородские и дорожные покрытия на застроенных территориях.
🔹 Spectral Change Day of Year: определяют сутки, когда происходят значительные спектральные изменения (значения 1–366), что позволяет выявить нарушения (например, пожары), выходящие за рамки сезонных колебаний.
#GEE #данные #США
Классификация сельскохозяйственных культур Канады: карты и набор данных
Canada AAFC* Annual Crop Inventory (2009–2023) — ежегодные карты классификации сельскохозяйственных культур (и не только) Канады с общей точностью не менее 85% и пространственным разрешением 30 м (в 2009 и 2010 годах — 56 м).
🌍 Данные на Earth Engine
🔗 Код примера
*AAFC — Agriculture and Agri-Food Canada
Набор данных о пахотных землях Канады с метками, полученными из Canadian Annual Crop Inventory. Данные содержат 78 536 вручную проверенных изображений высокого разрешения (10 м/пиксель, 640 x 640 м) с географической привязкой из 10 классов сельскохозяйственных культур, собранных за четыре года производства (2017–2020) и пять месяцев (июнь-октябрь). Каждый экземпляр содержит 12 спектральных каналов, RGB-изображение и дополнительные каналы вегетационных индексов. По отдельности каждая категория содержит не менее 4 800 изображений. Открыт доступ к модели и исходному коду, которые дают возможность пользователю предсказать класс культуры по одному изображению (ResNet, DenseNet, EfficientNet) или по последовательности изображений (LRCN, 3D-CNN).
📖 Описание методики
🖥 Репозиторий проекта
#данные #датасет #GEE #сельхоз #нейронки
Canada AAFC* Annual Crop Inventory (2009–2023) — ежегодные карты классификации сельскохозяйственных культур (и не только) Канады с общей точностью не менее 85% и пространственным разрешением 30 м (в 2009 и 2010 годах — 56 м).
🌍 Данные на Earth Engine
🔗 Код примера
*AAFC — Agriculture and Agri-Food Canada
Набор данных о пахотных землях Канады с метками, полученными из Canadian Annual Crop Inventory. Данные содержат 78 536 вручную проверенных изображений высокого разрешения (10 м/пиксель, 640 x 640 м) с географической привязкой из 10 классов сельскохозяйственных культур, собранных за четыре года производства (2017–2020) и пять месяцев (июнь-октябрь). Каждый экземпляр содержит 12 спектральных каналов, RGB-изображение и дополнительные каналы вегетационных индексов. По отдельности каждая категория содержит не менее 4 800 изображений. Открыт доступ к модели и исходному коду, которые дают возможность пользователю предсказать класс культуры по одному изображению (ResNet, DenseNet, EfficientNet) или по последовательности изображений (LRCN, 3D-CNN).
📖 Описание методики
🖥 Репозиторий проекта
#данные #датасет #GEE #сельхоз #нейронки
Список всех данных Google Earth Engine
🖥 В репозитории Earth-Engine-Catalog собран список всех пространственных данных, хранящихся Earth Engine. Список представлен в виде файлов TSV (значения, разделенные табуляцией) или JSON. Обновляется ежедневно.
Учитываются только данные из официального каталога Earth Engine:
📚 Каталог пространственных данных Google Earth Engine
Напомним, что существует еще 🖥 Awesome-gee-community-catalog (https://gee-community-catalog.org/), данные в который добавляются сообществом пользователей Earth Engine.
#данные #GEE
🖥 В репозитории Earth-Engine-Catalog собран список всех пространственных данных, хранящихся Earth Engine. Список представлен в виде файлов TSV (значения, разделенные табуляцией) или JSON. Обновляется ежедневно.
Учитываются только данные из официального каталога Earth Engine:
📚 Каталог пространственных данных Google Earth Engine
Напомним, что существует еще 🖥 Awesome-gee-community-catalog (https://gee-community-catalog.org/), данные в который добавляются сообществом пользователей Earth Engine.
#данные #GEE
GitHub
GitHub - opengeos/Earth-Engine-Catalog: The Google Earth Engine data catalog in CSV format
The Google Earth Engine data catalog in CSV format - opengeos/Earth-Engine-Catalog
Данные Sentinel-1 SLC Bursts доступны на платформе CDSE
На платформе Copernicus Data Space Ecosystems (CDSE), через которую распространяются данные европейской программы Copernicus, появился доступ к данным Sentinel-1 SLC Bursts, извлеченных из радарных данных Sentinel-1 SLC.
Burst или “импульс” является атомарной единицей данных Sentinel-1 SLC. При изучении небольших объектов достаточно взять только “импульсы”, покрывающие исследуемый объект, чтобы, например, построить по ним интерферограмму. Размер одного “импульса” составляет около 4% от общего размера файла данных (4–5 Гб).
• Доступ по API
• Скачивание с помощью Bursts extraction tool
• Документация по SLC Bursts
Сейчас пользователи могут искать продукты Sentinel-1 SLC Bursts, начиная со 2 августа 2024 г., но вскоре начнется генерация архивных продуктов SLC Bursts в каталоге.
Ранее подобные данные появились в NASA Alaska Satellite Facility.
#SAR #InSAR #sentinel1 #данные
На платформе Copernicus Data Space Ecosystems (CDSE), через которую распространяются данные европейской программы Copernicus, появился доступ к данным Sentinel-1 SLC Bursts, извлеченных из радарных данных Sentinel-1 SLC.
Burst или “импульс” является атомарной единицей данных Sentinel-1 SLC. При изучении небольших объектов достаточно взять только “импульсы”, покрывающие исследуемый объект, чтобы, например, построить по ним интерферограмму. Размер одного “импульса” составляет около 4% от общего размера файла данных (4–5 Гб).
• Доступ по API
• Скачивание с помощью Bursts extraction tool
• Документация по SLC Bursts
Сейчас пользователи могут искать продукты Sentinel-1 SLC Bursts, начиная со 2 августа 2024 г., но вскоре начнется генерация архивных продуктов SLC Bursts в каталоге.
Ранее подобные данные появились в NASA Alaska Satellite Facility.
#SAR #InSAR #sentinel1 #данные
This media is not supported in your browser
VIEW IN TELEGRAM
Границы сельскохозяйственных полей Японии
Japanese Farmland Parcel Polygons — границы сельскохозяйственных полей Японии. Полигоны границ получены с помощью ручной оцифровки данных аэрофотосъемки и спутниковых снимков.
Внимание! Наземная проверка данных не проводилась.
Размер данных 2024 года составляет 31 Гб.
🛢 Данные и их описание на сайте Source Cooperative
📹 Источник
#данные #сельхоз #япония
Japanese Farmland Parcel Polygons — границы сельскохозяйственных полей Японии. Полигоны границ получены с помощью ручной оцифровки данных аэрофотосъемки и спутниковых снимков.
Внимание! Наземная проверка данных не проводилась.
Размер данных 2024 года составляет 31 Гб.
🛢 Данные и их описание на сайте Source Cooperative
📹 Источник
#данные #сельхоз #япония
Образцы данных радарного спутника "Кондор-ФКА" №1
НЦ ОМЗ опубликовал 12 образцов информационных продуктов уровней обработки 2А1 и 2Б1, созданных на основе шести радарных снимков спутника “Кондор-ФКА” №1.
🔗FTP для скачивания: ftp://ftp2.ntsomz.ru
Логин: Kondor_Demo
Пароль: 6752d0e2b6a32
Спецификации и описание уровней обработки данных КА “Кондор-ФКА” представлены в 📖 “Руководстве пользователя...”.
#SAR #данные
НЦ ОМЗ опубликовал 12 образцов информационных продуктов уровней обработки 2А1 и 2Б1, созданных на основе шести радарных снимков спутника “Кондор-ФКА” №1.
🔗FTP для скачивания: ftp://ftp2.ntsomz.ru
Логин: Kondor_Demo
Пароль: 6752d0e2b6a32
Спецификации и описание уровней обработки данных КА “Кондор-ФКА” представлены в 📖 “Руководстве пользователя...”.
#SAR #данные
Данные ALOS-2 PALSAR-2 ScanSAR Level 2.2
Данные японского спутникового радара PALSAR-2 ScanSAR Level 2.2 находятся в открытом доступе с ноября 2022 года. Тем не менее, доступных данных было довольно мало, и лишь в последнее время в этом деле наметился некоторый прогресс.
РALSAR-2 (Phased Array type L-band Synthetic Aperture Radar-2) — радар L-диапазона (1257,5 МГц), работающий на спутнике ALOS-2. Режим ScanSAR (обзорный) обеспечивает пространственное разрешение 60 м и 100 м для полос обзора 490 км и 350 км соответственно. Режим Stripmap (непрерывный) имеет разрешение 10 м, 6 м и 3 м с полосами обзора 70 км, 70 км и 50 км соответственно. Режим Spotlight (прожекторный) обеспечивает разрешение 1 м x 3 м для участка 25 км x 25 км.
Спутник ALOS-2 находится на солнечно-синхронной орбите с наклонением 97,9° на высоте 628 км с периодом 97 минут. Периодичность данных ALOS-2 составляет 14 суток.
В настоящее время продукты ScanSAR Level 2.2 постепенно выкладываются на платформах:
* JAXA G-Portal
* Google Earth Engine
* Amazon Web Service (AWS)
* NASA Alaska Satellite Facility Data Search (обещают к концу 2024 года)
* Tellus (в будущем)
Доступны данные с августа 2014 года по настоящее время. Данные обновляются ежемесячно. Самые свежие снимки — примерно месячной давности.
Данные PALSAR-2 ScanSAR Level 2.2 представляют собой нормализованные данные обратного рассеяния обзорного режима наблюдения с шириной полосы обзора 350 км. Снимки прошли ортокоррекцию и коррекцию рельефа с использованием цифровой модели поверхности ALOS World 3D (AW3D30).
Данные хранятся в виде 16-битных цифровых чисел (digital numbers, DN). DN можно преобразовать в нормализованное обратное рассеяния в децибелах (γ0) по формуле: γ0 = 10*log10(DN2) - 83,0 дБ
📸 Художественное изображение спутника ALOS-2 (источник)
#данные #SAR #GEE
Данные японского спутникового радара PALSAR-2 ScanSAR Level 2.2 находятся в открытом доступе с ноября 2022 года. Тем не менее, доступных данных было довольно мало, и лишь в последнее время в этом деле наметился некоторый прогресс.
РALSAR-2 (Phased Array type L-band Synthetic Aperture Radar-2) — радар L-диапазона (1257,5 МГц), работающий на спутнике ALOS-2. Режим ScanSAR (обзорный) обеспечивает пространственное разрешение 60 м и 100 м для полос обзора 490 км и 350 км соответственно. Режим Stripmap (непрерывный) имеет разрешение 10 м, 6 м и 3 м с полосами обзора 70 км, 70 км и 50 км соответственно. Режим Spotlight (прожекторный) обеспечивает разрешение 1 м x 3 м для участка 25 км x 25 км.
Спутник ALOS-2 находится на солнечно-синхронной орбите с наклонением 97,9° на высоте 628 км с периодом 97 минут. Периодичность данных ALOS-2 составляет 14 суток.
В настоящее время продукты ScanSAR Level 2.2 постепенно выкладываются на платформах:
* JAXA G-Portal
* Google Earth Engine
* Amazon Web Service (AWS)
* NASA Alaska Satellite Facility Data Search (обещают к концу 2024 года)
* Tellus (в будущем)
Доступны данные с августа 2014 года по настоящее время. Данные обновляются ежемесячно. Самые свежие снимки — примерно месячной давности.
Данные PALSAR-2 ScanSAR Level 2.2 представляют собой нормализованные данные обратного рассеяния обзорного режима наблюдения с шириной полосы обзора 350 км. Снимки прошли ортокоррекцию и коррекцию рельефа с использованием цифровой модели поверхности ALOS World 3D (AW3D30).
Данные хранятся в виде 16-битных цифровых чисел (digital numbers, DN). DN можно преобразовать в нормализованное обратное рассеяния в децибелах (γ0) по формуле: γ0 = 10*log10(DN2) - 83,0 дБ
📸 Художественное изображение спутника ALOS-2 (источник)
#данные #SAR #GEE
This media is not supported in your browser
VIEW IN TELEGRAM
Global Natural and Planted Forests
Глобальные данные Global Natural and Planted Forests представляют собой карту естественных и посаженных лесов по состоянию на 2021 год с пространственным разрешением 30 метров.
Карта создана на основе более 70 миллионов образцов обучающих данных, полученных из снимков Landsat (1985–2021 гг.). Используется метод обнаружения изменений во временных рядах, примененный к снимкам Landsat и позволяющий отличать посаженные леса от естественных лесов на основе частоты нарушений. Локально-адаптивная классификация методом “случайного леса” обеспечила общую точность 85%, что позволяет использовать данные для глобальной оценки лесных ресурсов.
Данные отображаются в виде карты, на которой:
🟢 Зеленые пиксели обозначают естественные леса,
🟡 Желтые пиксели обозначают посаженные (искусственные) леса,
⚪️ Другие цвета обозначают безлесные территории.
Данные на:
🛢 Zenodo
🌍 Google Earth Engine
📖 Xiao, Yuelong, Qunming Wang, and Hankui K. Zhang. Global Natural and Planted Forests Mapping at Fine Spatial Resolution of 30 m. Journal of Remote Sensing 4 (2024): 0204. https://doi.org/10.34133/remotesensing.0204
#лес #данные #GEE
Глобальные данные Global Natural and Planted Forests представляют собой карту естественных и посаженных лесов по состоянию на 2021 год с пространственным разрешением 30 метров.
Карта создана на основе более 70 миллионов образцов обучающих данных, полученных из снимков Landsat (1985–2021 гг.). Используется метод обнаружения изменений во временных рядах, примененный к снимкам Landsat и позволяющий отличать посаженные леса от естественных лесов на основе частоты нарушений. Локально-адаптивная классификация методом “случайного леса” обеспечила общую точность 85%, что позволяет использовать данные для глобальной оценки лесных ресурсов.
Данные отображаются в виде карты, на которой:
🟢 Зеленые пиксели обозначают естественные леса,
🟡 Желтые пиксели обозначают посаженные (искусственные) леса,
⚪️ Другие цвета обозначают безлесные территории.
Данные на:
🛢 Zenodo
🌍 Google Earth Engine
📖 Xiao, Yuelong, Qunming Wang, and Hankui K. Zhang. Global Natural and Planted Forests Mapping at Fine Spatial Resolution of 30 m. Journal of Remote Sensing 4 (2024): 0204. https://doi.org/10.34133/remotesensing.0204
#лес #данные #GEE
Kayrros упрощает поиск источников выбросов метана
Компания Kayrros, занимающаяся мониторингом выбросов парниковых газов, внедряет большую языковую модель чтобы упростить поиск информации об источниках выбросов метана.
“Метановый GPT” KayrrosAI позволяет пользователям задавать вопросы на простом языке и бесплатно получать ответы об источниках выбросов метана, данные о которых содержит созданная компанией карта Methane Watch.
Источник
#CH4 #GHG #ИИ #данные
Компания Kayrros, занимающаяся мониторингом выбросов парниковых газов, внедряет большую языковую модель чтобы упростить поиск информации об источниках выбросов метана.
“Метановый GPT” KayrrosAI позволяет пользователям задавать вопросы на простом языке и бесплатно получать ответы об источниках выбросов метана, данные о которых содержит созданная компанией карта Methane Watch.
Источник
#CH4 #GHG #ИИ #данные
Концентрация фтороуглерода HFC-125 в атмосфере по данным ACE-FTS
Исследователи из Университета Ватерлоо (Канада) впервые провели спутниковые измерения концентрации фтороуглерода HFC-125 в атмосфере. Результаты показали, что последние 20 лет содержание HFC-125 в атмосфере увеличивается в геометрической прогрессии.
HFC-125 относится к группе гидрофторуглеродов, которые широко применяются в системах охлаждения и огнетушителях. На озоновый слой газ не влияет, но усиливает парниковый эффект.
Хотелось бы обратить внимание на данные. Они получены спектрометром ACE-FTS канадского спутника SCISAT-1 (запущен в августе 2003 года).
ACE-FTS (Atmospheric Chemistry Experiment - Fourier Transform Spectrometer) представляет собой интерферометр, работающий в диапазонах длин волн 2–13 мкм. Он предназначен для отслеживания содержания CFC-11, CFC-12, CH4, ClONO2, CO, H2O, HCl, HF, HNO3, N2O, N2O5, NO, NO2 и O3.
🔗 Данные ACE-FTS по портале открытых данных правительства Канады
🛢 Данные ACE-FTS 2004–2024
📸 Спектрометр ACE-FTS
#атмосфера #GHG #данные
Исследователи из Университета Ватерлоо (Канада) впервые провели спутниковые измерения концентрации фтороуглерода HFC-125 в атмосфере. Результаты показали, что последние 20 лет содержание HFC-125 в атмосфере увеличивается в геометрической прогрессии.
HFC-125 относится к группе гидрофторуглеродов, которые широко применяются в системах охлаждения и огнетушителях. На озоновый слой газ не влияет, но усиливает парниковый эффект.
Хотелось бы обратить внимание на данные. Они получены спектрометром ACE-FTS канадского спутника SCISAT-1 (запущен в августе 2003 года).
ACE-FTS (Atmospheric Chemistry Experiment - Fourier Transform Spectrometer) представляет собой интерферометр, работающий в диапазонах длин волн 2–13 мкм. Он предназначен для отслеживания содержания CFC-11, CFC-12, CH4, ClONO2, CO, H2O, HCl, HF, HNO3, N2O, N2O5, NO, NO2 и O3.
🔗 Данные ACE-FTS по портале открытых данных правительства Канады
🛢 Данные ACE-FTS 2004–2024
📸 Спектрометр ACE-FTS
#атмосфера #GHG #данные
Спутник Sentinel-2C введен в эксплуатацию
Симонетта Чели (Simonetta Cheli), директор программ ESA по наблюдению Земли и глава ESRIN (ESA Centre for Earth Observation), сообщила, что спутник Sentinel-2C введен в эксплуатацию.
Данные Sentinel-2C публикуются в Copernicus Data Space Ecosystem (https://dataspace.copernicus.eu), начиная с 13 декабря 2024 года. Пользователи могут получить доступ к данным через Copernicus Browser (https://browser.dataspace.copernicus.eu/), 📸 применив во время поиска фильтр Satellite Platform, установленный на S2C.
#sentinel2 #данные
Симонетта Чели (Simonetta Cheli), директор программ ESA по наблюдению Земли и глава ESRIN (ESA Centre for Earth Observation), сообщила, что спутник Sentinel-2C введен в эксплуатацию.
Данные Sentinel-2C публикуются в Copernicus Data Space Ecosystem (https://dataspace.copernicus.eu), начиная с 13 декабря 2024 года. Пользователи могут получить доступ к данным через Copernicus Browser (https://browser.dataspace.copernicus.eu/), 📸 применив во время поиска фильтр Satellite Platform, установленный на S2C.
#sentinel2 #данные
В федеральном фонде данных ДЗЗ (ФФД) в открытом доступе находятся оперативные глобальные мозаики со спутников “Электро-Л” №2, №3 и №4, а также “Арктика-М” №1 и №2.
Для доступа к данным есть:
🌍 Сайт ФФД ДЗЗ (https://next.gptl.ru) — визуальный интерфейс + ручное скачивание (вот как это делается).
🖥 Хранилище ФФД (https://api.gptl.ru/stac/browser/web-free/) 📸 Тут можно скачать данные вручную, автоматически, а также подгружать в ГИС без скачивания.
Для просмотра данные доступны в мобильном приложении Роскосмоса.
Описание продуктов и доступа к ним есть в 🔗 Руководстве пользователя и в 🔗 Руководстве системного программиста.
Данные представлены в формате geoTIFF в проекциях EPSG:3857 и EPSG:4326.
Мозаики “Электро-Л” и “Арктики-М” находятся в “Mosaics Arctic-M Electro-L collection”:
🌍 L3BT9 — глобальные бесшовные мозаики радиационных температур по тепловому каналу КА “Арктика-М” и “Электро-Л” (справка).
🌍 L3M — глобальные бесшовные мозаики изображений КА “Электро-Л” №2, 3, 4 и КА “Арктика-М” №1 и №2, составленные по данным видимых каналов прибора МСУ-ГС в зоне дня и ИК каналов в зоне ночи (справка).
Почему мозаики? Для геостационарных спутников характерно ухудшение качества информации на краях диска обзора. Соответственно, пользователю нужно выбирать, данными какого спутника воспользоваться для мониторинга интересующей территории. В случае мозаики пользователь избавлен от этой необходимости, так как каждый пиксель мозаики собирается с того спутника, чья подспутниковая точка ближе. В итоге, в мозаику попадает самая качественная информация.
🌍 Mosaics Meteor-M collection — ежесуточные глобальные бесшовные мозаики по данным аппаратуры МСУ-МР КА “Метеор-М” (справка). Для полярноорбитальных КА также характерно ухудшение качества информации на краях строки сканирования. Мозаика составляется таким образом, чтобы каждый пиксель изображения заполнялся данными с того витка, чья середина ближе.
В коллекциях есть картинки для предпросмотра и json-файлы. В последних можно посмотреть стандартный путь к данным в Хранилище, а затем скачивать их автоматически с помощью curl или wget. Также можно скачивать только нужную территорию. Например, с помощью утилит GDAL.
#данные #арктика #россия
Для доступа к данным есть:
🌍 Сайт ФФД ДЗЗ (https://next.gptl.ru) — визуальный интерфейс + ручное скачивание (вот как это делается).
🖥 Хранилище ФФД (https://api.gptl.ru/stac/browser/web-free/) 📸 Тут можно скачать данные вручную, автоматически, а также подгружать в ГИС без скачивания.
Для просмотра данные доступны в мобильном приложении Роскосмоса.
Описание продуктов и доступа к ним есть в 🔗 Руководстве пользователя и в 🔗 Руководстве системного программиста.
Данные представлены в формате geoTIFF в проекциях EPSG:3857 и EPSG:4326.
Мозаики “Электро-Л” и “Арктики-М” находятся в “Mosaics Arctic-M Electro-L collection”:
🌍 L3BT9 — глобальные бесшовные мозаики радиационных температур по тепловому каналу КА “Арктика-М” и “Электро-Л” (справка).
🌍 L3M — глобальные бесшовные мозаики изображений КА “Электро-Л” №2, 3, 4 и КА “Арктика-М” №1 и №2, составленные по данным видимых каналов прибора МСУ-ГС в зоне дня и ИК каналов в зоне ночи (справка).
Почему мозаики? Для геостационарных спутников характерно ухудшение качества информации на краях диска обзора. Соответственно, пользователю нужно выбирать, данными какого спутника воспользоваться для мониторинга интересующей территории. В случае мозаики пользователь избавлен от этой необходимости, так как каждый пиксель мозаики собирается с того спутника, чья подспутниковая точка ближе. В итоге, в мозаику попадает самая качественная информация.
🌍 Mosaics Meteor-M collection — ежесуточные глобальные бесшовные мозаики по данным аппаратуры МСУ-МР КА “Метеор-М” (справка). Для полярноорбитальных КА также характерно ухудшение качества информации на краях строки сканирования. Мозаика составляется таким образом, чтобы каждый пиксель изображения заполнялся данными с того витка, чья середина ближе.
В коллекциях есть картинки для предпросмотра и json-файлы. В последних можно посмотреть стандартный путь к данным в Хранилище, а затем скачивать их автоматически с помощью curl или wget. Также можно скачивать только нужную территорию. Например, с помощью утилит GDAL.
#данные #арктика #россия
This media is not supported in your browser
VIEW IN TELEGRAM
Forest Data Partnership опубликовал карту ненарушенных лесов, а также карты распространения какао, масличной пальмы и каучукового дерева
Forest Data Partnership (FDP) — консорциум, объединяющий промышленников, правительственные и некоммерческие организации, заявленная цель которого: остановить и обратить вспять потерю лесов в результате производства сырьевых товаров.
FDP опубликовал на Google Earth Engine карту ненарушенных лесов, а также карты распространения какао, масличной пальмы и каучукового дерева:
🌲 Forest Persistence — карта ненарушенных лесов мира по состоянию на 2020 год. Дает оценку (в диапазоне [0, 1]), которая показывает, занята ли площадь пикселя ненарушенным лесом. Пространственное разрешение — 30 м.
🌴 Palm Probability model 2024a — ежегодные карты распространения масличной пальмы с 2020 по 2023 год. Данные представлены в виде вероятности наличия пальмы в пикселе карты. Модель обеспечивает глобальную точность 92% (при пороге вероятности 0,5). Пространственное разрешение — 10 м. Следующие карты построены по той же методике и с тем же разрешением.
🍃 Cocoa Probability model 2024a — ежегодные карты распространения какао 2020–2023 гг.
🌳 Rubber Tree Probability model 2024a — ежегодные карты распространения каучукового дерева 2020–2023 гг.
🌍 Скрипт GEE
В качестве исходных данных для моделей использованы годовые композиты снимков Sentinel-1, Sentinel-2, ALOS PALSAR-2, а также данные цифровых моделей рельефа Jaxa (AW3D30) и Copernicus (GLO-30).
🖥 Модели реализованы в TensorFlow и находятся в открытом доступе на GitHub.
🔗 Популярное описание результатов на Medium
📖 Описание методики построения карт: https://arxiv.org/pdf/2405.09530
#данные #GEE #лес #сельхоз
Forest Data Partnership (FDP) — консорциум, объединяющий промышленников, правительственные и некоммерческие организации, заявленная цель которого: остановить и обратить вспять потерю лесов в результате производства сырьевых товаров.
FDP опубликовал на Google Earth Engine карту ненарушенных лесов, а также карты распространения какао, масличной пальмы и каучукового дерева:
🌲 Forest Persistence — карта ненарушенных лесов мира по состоянию на 2020 год. Дает оценку (в диапазоне [0, 1]), которая показывает, занята ли площадь пикселя ненарушенным лесом. Пространственное разрешение — 30 м.
🌴 Palm Probability model 2024a — ежегодные карты распространения масличной пальмы с 2020 по 2023 год. Данные представлены в виде вероятности наличия пальмы в пикселе карты. Модель обеспечивает глобальную точность 92% (при пороге вероятности 0,5). Пространственное разрешение — 10 м. Следующие карты построены по той же методике и с тем же разрешением.
🍃 Cocoa Probability model 2024a — ежегодные карты распространения какао 2020–2023 гг.
🌳 Rubber Tree Probability model 2024a — ежегодные карты распространения каучукового дерева 2020–2023 гг.
🌍 Скрипт GEE
В качестве исходных данных для моделей использованы годовые композиты снимков Sentinel-1, Sentinel-2, ALOS PALSAR-2, а также данные цифровых моделей рельефа Jaxa (AW3D30) и Copernicus (GLO-30).
🖥 Модели реализованы в TensorFlow и находятся в открытом доступе на GitHub.
🔗 Популярное описание результатов на Medium
📖 Описание методики построения карт: https://arxiv.org/pdf/2405.09530
#данные #GEE #лес #сельхоз