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

На Камчатке продолжается извержение вулкана Шивелуч

Пароксизмальное извержение вулкана произошло 7 ноября 2024 года в 9:00–9:30 всемирного времени. Максимальная высота пепловых выбросов составила около 15 км над уровнем моря.

Роскосмос показал замечательные снимки, сделанные 7 ноября спутниками “Арктика-М” и “Метеор-М”.

📸 На снимке, сделанном 7 ноября прибором OLCI спутника Sentinel-3 (естественные цвета), облако пепла относит к востоку.

🖥 Код примера

Следить за извержением вулкана удобно на тг-канале Камчатский филиал ФИЦ ЕГС РАН, а также на NASA Worldview.

#снимки #вулкан #sentinel3 #GEE

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

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

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

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

Фильтрация и классификация в Earth Engine

В статье есть два любопытных примера использования Google Earth Engine:

➊ Сглаживание временных рядов NDVI с помощью фильтра Савицкого-Голая (Savitzky–Golay)
➋ Классификация полей сельскохозяйственных культур (попиксельная) методом “случайного леса” (random forest)

Фильтр Савицкого-Голая реализован в виде функции библиотеки OpenEarthEngineLibrary, о которой мы еще поговорим.

Мы обычно не используем классификацию в Earth Engine, предпочитая выполнять ее в R по полученным из EE снимкам. Но кому-то приведенный пример может пригодиться.

📸 Исходный временной ряд NDVI (ndvi) и ряд, сглаженный фильтром Савицкого-Голая (ndvi_sg).

#GEE

Open Earth Engine Library (OEEL) — коллекция полезных функций для Google Earth Engine (GEE).

Для использования OEEL с GEE JavaScript API достаточно импортировать ее код

var oeel=require('users/OEEL/lib:loadAll')

а затем использовать нужные функции.

По мере роста библиотеки время загрузки также увеличивается. Чтобы решить эту проблему, разработчики предлагают версию библиотеки с быстрой загрузкой

var oeel=require('users/OEEL/lib:loadAllSF')

Отметим, что эта версия не должна использоваться для отладки.

Чтобы получить информацию о функциях, добавьте в конец кода следующую строку

print('List of functions used',oeel.refs())

Вы получите список всех использованных функций и другую связанную с ними информацию.

OEEL существует в виде Python-пакета.

Установка:

pip install oeel

Импорт:

from oeel import oeel

🖥 Репозиторий кода OEEL
🖥 Код примеров

#GEE #python

Open Earth Engine Library (продолжение)

OEEL насчитывает десятки функций. Вот некоторые из них, относящиеся к объектам Image, ImageCollection, Feature и FeatureCollection:

🌍 Image

• arrayDTW — возвращает DTW (dynamic time warping) bмежду двумя изображениями, для каждого пикселя
• inverseDistanceInterpolation — пространственная интерполяция методом IDW (inverse distance weighting)
• kriging — пространственная интерполяция с помощью кригинга
• propertyAsBand — создает новый слой (канал) изображения из свойств этого изображения
• semivariogram — вычисляет семивариограмму

🌍 ImageCollection

• OtsuThreshold — рассчитывает порог Оцу (Otsu) для коллекции
• SavatskyGolayFilter — фильтрация снимков коллекции фильтром Савицкого-Голая (Savitsky-Golay). В названии функции содержится ошибка)
• enhancingCollection — алгоритм, расширяющий коллекцию, добавляя к ней новую коллекцию. Каждое изображение первой коллекции сливается с изображением второй коллекции
• fromSingleImage —  загрузка изображения как коллекции
• medoid — вычисляет медоид коллекции
• movingWindow — фильтрация коллекции методом “скользящего окна”

🌍 Feature

• asLabel — генерирует функцию, преобразующую Feature в аннотацию на изображении

🌍 FeatureCollection

• fromList — преобразует List в FeatureCollection

#GEE #python

Фильтр Савицкого-Голая для коллекции MODIS

Фильтр Савицкого-Голая (Savitzky-Golay) без использования внешних библиотек в Google Earth Engine, реализованный Гвидо Лемуаном (Guido Lemoine). Код можно взять здесь или здесь.

#GEE