之前我国制作了一份GlobeLand30:全球地理信息公共产品,是中国向联合国提供的首个全球地理信息公共产品,被国际同行专家誉为“对地观测与地理信息开放共享的里程碑”。但很遗憾,对应的网站目前处于维护阶段。 今天咱们来看看这份10米分辨率的土地覆盖数据。 你能用这个数据做什么? 这个数据集可用于对地球上任何地方的土地利用/土地覆盖(LULC)进行可视化展示,也可用于需要LULC输入的相关分析中。例如,可以利用区域统计工具来分析某个指定区域的空间形态构成。这个数据你可以以服务的形式进行访问,服务地址为: https://tiledimageservices./P3ePLMYs2RVChkJx/arcgis/rest/services/Esri_2020_Land_Cover_V2/ImageServer 也可以根据自己的需要下载单个GeoTIFF格式的文件。 全球数据大概700个左右,总计60G。 可以自己一一下载,也可以在后台回复【GISer学习团】获得下载,限时30天。 这个数据是如何生成的呢? 这些数据都是通过一个深度学习模型来生成的,为了训练这个模型,从分布在世界主要生物群落的20,000多个地点进行取样,手工标记了超过50亿个Sentinel-2像素的样本训练集。 底层的深度学习模型使用了Sentinel-2数据的6个波段:红、绿、蓝、近红外和两个短波红外波段。为了制作最终的成果数据,该模型使用了全年多个日期的图像。 通过微软的行星计算机(Microsoft’s Planetary Computer)访问哨兵-2 L2A/B数据,并使用微软的Azure Batch进行处理。 类别的分类 数据共计分为10大类,分别为: 1. 水体 Water 2. 树木 Trees 3. 草地 Grass 4. 被淹没的植被 Flooded vegetation 5.农作物 Crops 6. 灌丛/灌木 Scrub/shrub 7. 建筑区 Built Area 8. 裸露的地面 Bare ground 9. 雪/冰 Snow/Ice 10. 云层 Clouds 数据精度如何呢? 按照准确性评估的最佳做法,Impact Observatory利用其各自用户与验证集的比较所计算出的准确性来调整每个等级的种植面积估计。这种方法也使Impact Observatory能够为每个种植面积的估计值产生一个95%的置信区间,为用户提供了一个更清晰的关于每个等级的准确性和总面积的参照,如下图所示。 通过一个很牛逼的算法分析后,发现该模型在验证集上能够达到了86%的总体准确率。 参考文献 Karra, Kontgis, et al. '利用Sentinel-2和深度学习的全球土地利用/土地覆盖'。IGARSS 2021-2021 IEEE国际地球科学和遥感研讨会。IEEE, 2021. 鸣谢 本项目的训练数据使用了国家地理学会动态世界(National Geographic Society Dynamic World )训练数据集,该数据集由国家地理学会与谷歌和世界资源研究所(the World Resources Institute)合作,为动态世界项目制作。 GISer学习团 学习GIS有方法,好好学习关注它。关注「GISer学习团」一起轻轻松松学GIS! 196篇原创内容 公众号 |
|
来自: 昵称QAb6ICvc > 《arcgis》