Карты высоты древесного полога с разрешением 1 метр
Глобальные данные Global Canopy Height Maps содержат информацию о высоте древесного полога с пространственным разрешением 1 м. Данные получены Meta и World Resources Institute на основе спутниковых снимков с 2009 по 2020 год и модели искусственного интеллекта DiNOv2. Средняя абсолютная ошибка (mean absolute error) оценки высоты полога составляет 2,8 м.
🌐 Данные на Google Earth Engine
📖 Tolan, J. et al. 2024. Very high resolution canopy height maps from RGB imagery using self-supervised vision transformer and convolutional decoder trained on aerial lidar. Remote Sensing of Environment, 300, p.113888. https://doi.org/10.1016/j.rse.2023.113888
📸 Глобальная карта высоты полога
#лес #AGB #данные #GEE
Глобальные данные Global Canopy Height Maps содержат информацию о высоте древесного полога с пространственным разрешением 1 м. Данные получены Meta и World Resources Institute на основе спутниковых снимков с 2009 по 2020 год и модели искусственного интеллекта DiNOv2. Средняя абсолютная ошибка (mean absolute error) оценки высоты полога составляет 2,8 м.
🌐 Данные на Google Earth Engine
📖 Tolan, J. et al. 2024. Very high resolution canopy height maps from RGB imagery using self-supervised vision transformer and convolutional decoder trained on aerial lidar. Remote Sensing of Environment, 300, p.113888. https://doi.org/10.1016/j.rse.2023.113888
📸 Глобальная карта высоты полога
#лес #AGB #данные #GEE
This media is not supported in your browser
VIEW IN TELEGRAM
DeltaDTM — это глобальная цифровая модель рельефа в прибрежной зоне с горизонтальным пространственным разрешением 1” (∼30 м) и средней абсолютной ошибкой (MAE) по вертикали — 0,45 м. DeltaDTM корректирует Copernicus DEM за счёт использования космических лидарных данных, полученных ICESat-2 и GEDI. Этот процесс включает в себя коррекцию смещения, фильтрацию пикселей, не относящихся к рельефу (например, растительности и зданий), и заполнение пробелов с помощью интерполяции. DeltaDTM уделяет особое внимание прибрежным районам, лежащим ниже уровня моря, которые наиболее уязвимы к повышению уровня моря, оседанию и экстремальным погодным явлениям.
Данные о прибрежном рельефе необходимы для широкого спектра приложений, таких как управление прибрежными районами, моделирование наводнений и планирование адаптации к изменениям климата.
📖 Pronk, M., Hooijer, A., Eilander, D. et al. DeltaDTM: A global coastal digital terrain model. Sci Data 11, 273 (2024). https://doi.org/10.1038/s41597-024-03091-9
🛢 Скачать данные
🗺 DeltaDTM на GEE
#DEM #данные #GEE
Данные о прибрежном рельефе необходимы для широкого спектра приложений, таких как управление прибрежными районами, моделирование наводнений и планирование адаптации к изменениям климата.
📖 Pronk, M., Hooijer, A., Eilander, D. et al. DeltaDTM: A global coastal digital terrain model. Sci Data 11, 273 (2024). https://doi.org/10.1038/s41597-024-03091-9
🛢 Скачать данные
🗺 DeltaDTM на GEE
#DEM #данные #GEE
Лекции по Google Earth Engine с “Geo for Good Summit 2023”
Вводные курсы по GEE: 📹 JavaScript, 📹 Python (лектор: Qiusheng Wu).
📹 Все лекции основной программы, Под видео приведены ссылки на презентации.
Избранные лекции:
📹Noel Gorelick. Earth Engine Scaling and Debugging
Советы и рекомендации по отладке и масштабированию GEE-скриптов.
📹Mike Dixon. Using Earth Engine for very large computations
GEE обладает огромными вычислительными возможностями, но не все скрипты позволяют эти возможности использовать. Понимание того, как работает GEE, позволит писать скрипты, максимально использующие мощности вычислительной платформы.
📹 Stories of Dynamic World Land Cover & Probabilities
Применение глобальных данных Dynamic World (DW) позволяет быстрее создавать локальные продукты, используя меньший объем наземных данных.
Отнеситесь к DW не как к готовой карте земного покрова, а как к девяти дополнительным спектральным каналам, которые можно вместе со спутниковыми снимками Sentinel-2 использовать для получения дополнительной информации о том, что происходит в районе исследований.
🔗 Сайт “Geo for Good Summit 2023”
#обучение #GEE
Вводные курсы по GEE: 📹 JavaScript, 📹 Python (лектор: Qiusheng Wu).
📹 Все лекции основной программы, Под видео приведены ссылки на презентации.
Избранные лекции:
📹Noel Gorelick. Earth Engine Scaling and Debugging
Советы и рекомендации по отладке и масштабированию GEE-скриптов.
📹Mike Dixon. Using Earth Engine for very large computations
GEE обладает огромными вычислительными возможностями, но не все скрипты позволяют эти возможности использовать. Понимание того, как работает GEE, позволит писать скрипты, максимально использующие мощности вычислительной платформы.
📹 Stories of Dynamic World Land Cover & Probabilities
Применение глобальных данных Dynamic World (DW) позволяет быстрее создавать локальные продукты, используя меньший объем наземных данных.
Отнеситесь к DW не как к готовой карте земного покрова, а как к девяти дополнительным спектральным каналам, которые можно вместе со спутниковыми снимками Sentinel-2 использовать для получения дополнительной информации о том, что происходит в районе исследований.
🔗 Сайт “Geo for Good Summit 2023”
#обучение #GEE
USDA Crop Sequence Boundaries
Набор данных Crop Sequence Boundaries (CSB) создан Национальной службой сельскохозяйственной статистики (National Agriculture Statistics Service, NASS) и Службой экономических исследований Министерства сельского хозяйства США (USDA). Он содержат неконфиденциальные границы полей одной культуры за восьмилетний период. Поле одной культуры означает, что каждый год на этом поле выращивалась какая-то одна культура, название которой указано. Зафиксированные границы полей относятся только к выращиваемым культурам, а не к границам владения. Данные получены из спутниковых снимков и других общедоступных данных (в частности, Cropland Data Layer), и сами являются общедоступными.
Данные CSB позволяют анализировать севообороты на территории 48 смежных Соединённых Штатов (CONUS), а также могут быть использованы в качестве обучающих данных для классификации культур и определения границ полей.
📖 Методика создания набора данных: Hunt K.A., Abernethy J., Beeson P., Bowman M., Wallander S., Williams R. (2023) Crop Sequence Boundaries (CSB): Delineated Fields Using Remotely Sensed Crop Rotations.
🛢 CSB на сайте NASS, начиная с 2008 года
🗺 CSB на GEE, 2016–2023 годы
🖥 Код проекта CSB на GitHub
#данные #сельхоз #GEE
Набор данных Crop Sequence Boundaries (CSB) создан Национальной службой сельскохозяйственной статистики (National Agriculture Statistics Service, NASS) и Службой экономических исследований Министерства сельского хозяйства США (USDA). Он содержат неконфиденциальные границы полей одной культуры за восьмилетний период. Поле одной культуры означает, что каждый год на этом поле выращивалась какая-то одна культура, название которой указано. Зафиксированные границы полей относятся только к выращиваемым культурам, а не к границам владения. Данные получены из спутниковых снимков и других общедоступных данных (в частности, Cropland Data Layer), и сами являются общедоступными.
Данные CSB позволяют анализировать севообороты на территории 48 смежных Соединённых Штатов (CONUS), а также могут быть использованы в качестве обучающих данных для классификации культур и определения границ полей.
📖 Методика создания набора данных: Hunt K.A., Abernethy J., Beeson P., Bowman M., Wallander S., Williams R. (2023) Crop Sequence Boundaries (CSB): Delineated Fields Using Remotely Sensed Crop Rotations.
🛢 CSB на сайте NASS, начиная с 2008 года
🗺 CSB на GEE, 2016–2023 годы
🖥 Код проекта CSB на GitHub
#данные #сельхоз #GEE
This media is not supported in your browser
VIEW IN TELEGRAM
Global Oil Palm Dataset 1990–2021
Набор данных содержит:
1️⃣ GlobalOilPalm_OP-extent — глобальную карту распространения плантаций масличной пальмы, включающую как промышленные, так и мелкие фермерские поля, с пространственным разрешением 10 метров, построенную на основе данных Sentinel-1 за период с 2016 по 2021 год. Формат: Geotiff.
2️⃣ GlobalOilPalm_YoP — оценки года посадки плантации с 1990 по 2021 год с пространственным разрешением 30 метров, полученные на основе снимков Landsat-5, -7 и -8. Формат: Geotiff.
3️⃣ Grid_OilPalm2016-2021 — Сетка, состоящая из 609 ячеек размером 100 x 100 км, в которых были обнаружены плантации масличной пальмы. Формат: шейпфайл.
4️⃣ Validation_points_GlobalOP2016-2021 — 17812 точек, используемых для проверки глобальных карт 1️⃣ и 2️⃣. Формат: шейпфайл.
📖 Методика создания набора данных: Descals, A., Gaveau, D. L. A., Wich, S., Szantoi, Z., and Meijaard, E. Global mapping of oil palm planting year from 1990 to 2021. Earth Syst. Sci Data Discuss. [preprint], https://doi.org/10.5194/essd-2024-157, in review, 2024.
🛢 Данные на Zenodo
🌍 Данные на GEE
Анализ данных показал, что общая площадь плантаций масличной пальмы составляет 23,98 млн га, из которых 16,66 ± 0,25 млн га занимают промышленные плантации и 7,59 ± 0,29 млн га — мелкие. Точность данных довольно высока: producers' accuracy составляет 91,9 ± 3,4 %, а users' accuracy — 91,8 ± 1,0 % для промышленных плантаций, а для мелких фермеров — 72,7 ± 1,3 % и 75,7 ± 2,5 % соответственно. Средний возраст насаждений составляет 14,1 года, а возраст плантаций на площади 6,28 млн га превышает 20 лет, что указывает на значительную потребность в пересадке деревьев в ближайшее десятилетие.
#GEE #датасет #данные #сельхоз
Набор данных содержит:
1️⃣ GlobalOilPalm_OP-extent — глобальную карту распространения плантаций масличной пальмы, включающую как промышленные, так и мелкие фермерские поля, с пространственным разрешением 10 метров, построенную на основе данных Sentinel-1 за период с 2016 по 2021 год. Формат: Geotiff.
2️⃣ GlobalOilPalm_YoP — оценки года посадки плантации с 1990 по 2021 год с пространственным разрешением 30 метров, полученные на основе снимков Landsat-5, -7 и -8. Формат: Geotiff.
3️⃣ Grid_OilPalm2016-2021 — Сетка, состоящая из 609 ячеек размером 100 x 100 км, в которых были обнаружены плантации масличной пальмы. Формат: шейпфайл.
4️⃣ Validation_points_GlobalOP2016-2021 — 17812 точек, используемых для проверки глобальных карт 1️⃣ и 2️⃣. Формат: шейпфайл.
📖 Методика создания набора данных: Descals, A., Gaveau, D. L. A., Wich, S., Szantoi, Z., and Meijaard, E. Global mapping of oil palm planting year from 1990 to 2021. Earth Syst. Sci Data Discuss. [preprint], https://doi.org/10.5194/essd-2024-157, in review, 2024.
🛢 Данные на Zenodo
🌍 Данные на GEE
Анализ данных показал, что общая площадь плантаций масличной пальмы составляет 23,98 млн га, из которых 16,66 ± 0,25 млн га занимают промышленные плантации и 7,59 ± 0,29 млн га — мелкие. Точность данных довольно высока: producers' accuracy составляет 91,9 ± 3,4 %, а users' accuracy — 91,8 ± 1,0 % для промышленных плантаций, а для мелких фермеров — 72,7 ± 1,3 % и 75,7 ± 2,5 % соответственно. Средний возраст насаждений составляет 14,1 года, а возраст плантаций на площади 6,28 млн га превышает 20 лет, что указывает на значительную потребность в пересадке деревьев в ближайшее десятилетие.
#GEE #датасет #данные #сельхоз
This media is not supported in your browser
VIEW IN TELEGRAM
Глобальные данные о методах обработки почв в растениеводстве
Метод обработки почвы no-till (NT) часто представляют как средство выращивания культур с положительными экологическими эффектами, такими как увеличение секвестрации углерода, улучшение качества почвы, снижение эрозии почвы и увеличение биоразнообразия. Однако вопрос о возможных преимуществах NT по сравнению с традиционной обработкой почвы (conventional tillage, CT), является дискуссионным и характеризуется высокой вариативностью результатов наблюдений во времени и пространстве.
Чтобы сравнить результаты обоих методов был создан набор данных Global crop production tillage practices. В нём содержатся сведения об урожайности культур, полученной при использовании CT и NT, а также информация о вегетационном периоде, методах управления, характеристиках почвы и ключевых климатических параметрах в течение экспериментального года.
Набор данных содержит 4403 парных наблюдений за урожайностью в период с 1980 по 2017 год для восьми основных сельскохозяйственных культур в 50 странах. Он поможет получить представление об основных факторах, объясняющих изменчивость продуктивности NT и влияние внедрения этого метода на урожайность.
📖 Su, Y., Gabrielle, B., & Makowski, D. (2021). A global dataset for crop production under conventional tillage and no tillage systems. Scientific Data, 8(1). https://doi.org/10.1038/s41597-021-00817-x
🛢 figshare
🗺 Google Earth Engine
#сельхоз #данные #GEE
Метод обработки почвы no-till (NT) часто представляют как средство выращивания культур с положительными экологическими эффектами, такими как увеличение секвестрации углерода, улучшение качества почвы, снижение эрозии почвы и увеличение биоразнообразия. Однако вопрос о возможных преимуществах NT по сравнению с традиционной обработкой почвы (conventional tillage, CT), является дискуссионным и характеризуется высокой вариативностью результатов наблюдений во времени и пространстве.
Чтобы сравнить результаты обоих методов был создан набор данных Global crop production tillage practices. В нём содержатся сведения об урожайности культур, полученной при использовании CT и NT, а также информация о вегетационном периоде, методах управления, характеристиках почвы и ключевых климатических параметрах в течение экспериментального года.
Набор данных содержит 4403 парных наблюдений за урожайностью в период с 1980 по 2017 год для восьми основных сельскохозяйственных культур в 50 странах. Он поможет получить представление об основных факторах, объясняющих изменчивость продуктивности NT и влияние внедрения этого метода на урожайность.
📖 Su, Y., Gabrielle, B., & Makowski, D. (2021). A global dataset for crop production under conventional tillage and no tillage systems. Scientific Data, 8(1). https://doi.org/10.1038/s41597-021-00817-x
🛢 figshare
🗺 Google Earth Engine
#сельхоз #данные #GEE
Обновление глобальных данных ESRI 10m Annual Land Cover
ESRI 10m Annual Land Use Land Cover (2017–2023) — ежегодные глобальные карты классов землепользования и земного покрова (Land Use/Land Cover, LULC) обновлены до v3, и теперь охватывают период 2017–2023 гг. Процесс обновления затронул карты прошлых лет, так что все они построены по единой методике.
Карты основаны на снимках Sentinel-2 и имеют пространственное разрешение 10 метров. Каждая карта содержит 9 классов LULC: Water, Trees, Flooded vegetation, Crops, Built Area, Bare ground, Snow/Ice, Clouds, Rangeland (описание классов). Средняя точность каждой карты составляет более 75%, что для глобальных данных неплохо.
🌍 Код примера GEE
🗺 Карта LULC окрестностей Варны (Болгария) за 2023 год.
#GEE #LULC #данные
ESRI 10m Annual Land Use Land Cover (2017–2023) — ежегодные глобальные карты классов землепользования и земного покрова (Land Use/Land Cover, LULC) обновлены до v3, и теперь охватывают период 2017–2023 гг. Процесс обновления затронул карты прошлых лет, так что все они построены по единой методике.
Карты основаны на снимках Sentinel-2 и имеют пространственное разрешение 10 метров. Каждая карта содержит 9 классов LULC: Water, Trees, Flooded vegetation, Crops, Built Area, Bare ground, Snow/Ice, Clouds, Rangeland (описание классов). Средняя точность каждой карты составляет более 75%, что для глобальных данных неплохо.
🌍 Код примера GEE
🗺 Карта LULC окрестностей Варны (Болгария) за 2023 год.
#GEE #LULC #данные
Глобальные карты потоков углерода лесов (2001–2023)
Недавнее обновление данных Global Forest Carbon Fluxes (GFCF) позволяет изучать глобальные потоки углерода лесов в период с 2001 по 2023 год. Данные разделены на чистый поток (баланс между выбросами и поглощением), поглощение (количество углерода, поглощенного лесами) и выбросы (количество углерода, высвобожденные в результате нарушений лесного покрова).
GFCF соответствуют рекомендациям МГЭИК и дают представление о том, сколько углерода хранят или высвобождают леса с течением времени.
Данные можно также найти на сайте Global Forest Watch. Информация об обновлениях доступна в блоге.
🌍 Код примера в GEE
#лес #данные #GEE #GHG
Недавнее обновление данных Global Forest Carbon Fluxes (GFCF) позволяет изучать глобальные потоки углерода лесов в период с 2001 по 2023 год. Данные разделены на чистый поток (баланс между выбросами и поглощением), поглощение (количество углерода, поглощенного лесами) и выбросы (количество углерода, высвобожденные в результате нарушений лесного покрова).
GFCF соответствуют рекомендациям МГЭИК и дают представление о том, сколько углерода хранят или высвобождают леса с течением времени.
Данные можно также найти на сайте Global Forest Watch. Информация об обновлениях доступна в блоге.
🌍 Код примера в GEE
#лес #данные #GEE #GHG
Предварительный анализ возможности использования данных космического лидара GEDI для мониторинга уровня внутренних водоёмов
📖 Hamoudzadeh, A., Ravanelli, R., & Crespi, M. (2023). GEDI DATA WITHIN GOOGLE EARTH ENGINE: PRELIMINARY ANALYSIS OF A RESOURCE FOR INLAND SURFACE WATER MONITORING. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLVIII-M-1–2023, 131–136. https://doi.org/10.5194/isprs-archives-xlviii-m-1-2023-131-2023
Точность оценок уровня поверхностных вод выполнялась для четырёх озер на севере Италии путем сравнения с результатами наземных измерений.
Для оценки точности альтиметрических данных GEDI использован двухэтапный метод удаления выбросов. На первом этапе для отсеивания данных с низкой точностью использовались метаданные GEDI. На втором применялся тест 3NMAD (нормализованное медианное абсолютное отклонение). Удаление выбросов привело к удалению от 80–87% данных.
После удаления выбросов, среднее стандартное отклонение составило 0,36 м, среднее значение NMAD — 0,38 м. Это, по мнению авторов, подтверждает перспективность использования альтиметрических данных GEDI L2A для мониторинга внутренних водоёмов.
Данные GEDI L2A на Google Earth Engine:
* GEDI L2A Vector Canopy Top Height (Version 2)
* GEDI L2A Table Index
* GEDI L2A Raster Canopy Top Height (Version 2)
Идея интересная. Смущает, правда, что удалённые 80–87% данных названы “выбросами” (outliers).
#лидар #альтиметр #GEE #вода
📖 Hamoudzadeh, A., Ravanelli, R., & Crespi, M. (2023). GEDI DATA WITHIN GOOGLE EARTH ENGINE: PRELIMINARY ANALYSIS OF A RESOURCE FOR INLAND SURFACE WATER MONITORING. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLVIII-M-1–2023, 131–136. https://doi.org/10.5194/isprs-archives-xlviii-m-1-2023-131-2023
Точность оценок уровня поверхностных вод выполнялась для четырёх озер на севере Италии путем сравнения с результатами наземных измерений.
Для оценки точности альтиметрических данных GEDI использован двухэтапный метод удаления выбросов. На первом этапе для отсеивания данных с низкой точностью использовались метаданные GEDI. На втором применялся тест 3NMAD (нормализованное медианное абсолютное отклонение). Удаление выбросов привело к удалению от 80–87% данных.
После удаления выбросов, среднее стандартное отклонение составило 0,36 м, среднее значение NMAD — 0,38 м. Это, по мнению авторов, подтверждает перспективность использования альтиметрических данных GEDI L2A для мониторинга внутренних водоёмов.
Данные GEDI L2A на Google Earth Engine:
* GEDI L2A Vector Canopy Top Height (Version 2)
* GEDI L2A Table Index
* GEDI L2A Raster Canopy Top Height (Version 2)
Идея интересная. Смущает, правда, что удалённые 80–87% данных названы “выбросами” (outliers).
#лидар #альтиметр #GEE #вода