GEE数据集——1988—2020年DEA （Digital Earth Australia ）澳大利亚海岸线30米分辨率的土地分类数据集DEA Land Cover 1.0.0

于 2024-04-05 18:30:00 发布
阅读量942 收藏 14
点赞数 26
分类专栏： GEE数据集专栏 文章标签： 大数据 人工智能 javascript gee 澳大利亚 土地分类 土地覆盖
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_31988139/article/details/137239694
版权

简介

澳大利亚数字地球（DEA）土地覆被系统采用粮食及农业组织土地覆被分类系统分类法第二版（Di Gregorio 和 Jansen，1998 年；2005 年）为澳大利亚提供年度土地覆被分类。

DEA 土地覆被将 30 多年的卫星图像转化为澳大利亚土地、植被和水体随时间变化的证据。

土地覆被是地球表面观察到的物理覆被，包括树木、灌木、草、土壤、裸露的岩石、水体、种植园、农作物和建筑结构。全澳大利亚一致的土地覆被产品有助于了解环境的不同部分是如何变化和相互关联的。记录一段时间的地球观测数据首先可以观察特定时间的土地覆被状况，其次可以通过不同时间的比较观察土地覆被的变化方式。

如需了解更多信息，请参阅 DEA Landcover Landsat。

该产品是澳大利亚数字地球计划的一部分

数据产品

Catalog Owner

Geoscience Australia

Dataset Availability

1988-01-01T00:00:00Z–2020-01-01T00:00:00Z

Dataset Provider

Geoscience Australia NGIS

Contact

https://www.ga.gov.au/contact-us

Earth Engine Snippet

ee.ImageCollection("projects/geoscience-aus-cat/assets/ga_ls_landcover_class_cyear_2") 

Resolution
25 meters

Bands

NameUnitsMinMaxDescription
baregrad_phy_cat_l4d015

Bare gradation. Describes the percentage of bare in naturally bare areas.

canopyco_veg_cat_l4d016

Vegetation Cover. The measured cover of vegetated areas.

inttidal_wat_cat_l4a03

Intertidal. Delineates the intertidal zone.

level30220

The base Level 3 land cover classification.

level3_Rm0255

R band of RGB composite for level 3 data.

level3_Gm0255

G band of RGB composite for level 3 data.

level3_Bm0255

B band of RGB composite for level 3 data.

level40104

All level 3 and level 4 classes for a given pixel are combined to give a single classification value.

level4_R0255

R band of RGB composite for level 4 data.

level4_G0255

G band of RGB composite for level 4 data.

level4_B0255

B band of RGB composite for level 4 data.

lifeform_veg_cat_l4a02

Lifeform. Describes the detail of vegetated classes, separating woody from herbaceous.

waterper_wat_cat_l4d09

Water Persistence. Describes the number of months a water body contains water.

watersea_veg_cat_l4a07

Water Seasonality. The length of time an aquatic vegetated area was measured as being inundated.

waterstt_wat_cat_l4a01

Water State. Describes whether the detected water is snow, ice or liquid water. Only liquid water is described in this release.

baregrad_phy_cat_l4d Class Table

ValueColorDescription
10#622f22Sparsely vegetated (< 20 % bare)
12#5c3317Very sparsely vegetated (20 to 60 % bare)
15#804a00Bare areas, unvegetated (> 60 % bare)

canopyco_veg_cat_l4d Class Table

ValueColorDescription
10#8fb31dClosed (>65 %)
12#b0bf1aOpen (40 to 65 %)
13#9dc209Open (15 to 40 %)
15#77dd77Sparse (4 to 15 %)
16#64e986Scattered (1 to 4 %)

inttidal_wat_cat_l4a Class Table

ValueColorDescription
3#151b54Intertidal zone

level3 Class Table

ValueColorDescription
111#4aa02cCultivated Terrestrial Vegetation (CTV)
112#54c571(Semi-)Natural Terrestrial Vegetation (NTV)
124#306effNatural Aquatic Vegetation (NAV)
215#e6e6faArtificial Surface (AS)
216#5c3317Natural Bare Surface (NS)
220#0020c2Water

level4 Class Table

ValueColorDescription
1#347c17Cultivated Terrestrial Vegetated
3#347c17Cultivated Terrestrial Vegetated: Herbaceous
4#347c17Cultivated Terrestrial Vegetated: Closed (> 65 %)
5#347c17Cultivated Terrestrial Vegetated: Open (40 to 65 %)
6#347c17Cultivated Terrestrial Vegetated: Open (15 to 40 %)
7#347c17Cultivated Terrestrial Vegetated: Sparse (4 to 15 %)
8#347c17Cultivated Terrestrial Vegetated: Scattered (1 to 4 %)
14#347c17Cultivated Terrestrial Vegetated: Herbaceous Closed (> 65 %)
15#347c17Cultivated Terrestrial Vegetated: Herbaceous Open (40 to 65 %)
16#347c17Cultivated Terrestrial Vegetated: Herbaceous Open (15 to 40 %)
17#347c17Cultivated Terrestrial Vegetated: Herbaceous Sparse (4 to 15 %)
18#347c17Cultivated Terrestrial Vegetated: Herbaceous Scattered (1 to 4 %)
19#12ad2bNatural Terrestrial Vegetated
20#12ad2bNatural Terrestrial Vegetated: Woody
21#12ad2bNatural Terrestrial Vegetated: Herbaceous
22#12ad2bNatural Terrestrial Vegetated: Closed (> 65 %)
23#12ad2bNatural Terrestrial Vegetated: Open (40 to 65 %)
24#12ad2bNatural Terrestrial Vegetated: Open (15 to 40 %)
25#12ad2bNatural Terrestrial Vegetated: Sparse (4 to 15 %)
26#12ad2bNatural Terrestrial Vegetated: Scattered (1 to 4 %)
27#12ad2bNatural Terrestrial Vegetated: Woody Closed (> 65 %)
28#12ad2bNatural Terrestrial Vegetated: Woody Open (40 to 65 %)
29#12ad2bNatural Terrestrial Vegetated: Woody Open (15 to 40 %)
30#12ad2bNatural Terrestrial Vegetated: Woody Sparse (4 to 15 %)
31#12ad2bNatural Terrestrial Vegetated: Woody Scattered (1 to 4 %)
32#12ad2bNatural Terrestrial Vegetated: Herbaceous Closed (> 65 %)
33#12ad2bNatural Terrestrial Vegetated: Herbaceous Open (40 to 65 %)
34#12ad2bNatural Terrestrial Vegetated: Herbaceous Open (15 to 40 %)
35#12ad2bNatural Terrestrial Vegetated: Herbaceous Sparse (4 to 15 %)
36#12ad2bNatural Terrestrial Vegetated: Herbaceous Scattered (1 to 4 %)
55#a0d6b4Natural Aquatic Vegetated
56#a0d6b4Natural Aquatic Vegetated: Woody
57#a0d6b4Natural Aquatic Vegetated: Herbaceous
58#a0d6b4Natural Aquatic Vegetated: Closed (> 65 %)
59#a0d6b4Natural Aquatic Vegetated: Open (40 to 65 %)
60#a0d6b4Natural Aquatic Vegetated: Open (15 to 40 %)
61#a0d6b4Natural Aquatic Vegetated: Sparse (4 to 15 %)
62#a0d6b4Natural Aquatic Vegetated: Scattered (1 to 4 %)
63#a0d6b4Natural Aquatic Vegetated: Woody Closed (> 65 %)
64#a0d6b4Natural Aquatic Vegetated: Woody Closed (> 65 %) Water > 3 months (semi-) permanent
65#a0d6b4Natural Aquatic Vegetated: Woody Closed (> 65 %) Water < 3 months (temporary or seasonal)
66#a0d6b4Natural Aquatic Vegetated: Woody Open (40 to 65 %)
67#a0d6b4Natural Aquatic Vegetated: Woody Open (40 to 65 %) Water > 3 months (semi-) permanent
68#a0d6b4Natural Aquatic Vegetated: Woody Open (40 to 65 %) Water < 3 months (temporary or seasonal)
69#a0d6b4Natural Aquatic Vegetated: Woody Open (15 to 40 %)
70#a0d6b4Natural Aquatic Vegetated: Woody Open (15 to 40 %) Water > 3 months (semi-) permanent
71#a0d6b4Natural Aquatic Vegetated: Woody Open (15 to 40 %) Water < 3 months (temporary or seasonal)
72#a0d6b4Natural Aquatic Vegetated: Woody Sparse (4 to 15 %)
73#a0d6b4Natural Aquatic Vegetated: Woody Sparse (4 to 15 %) Water > 3 months (semi-) permanent
74#a0d6b4Natural Aquatic Vegetated: Woody Sparse (4 to 15 %) Water < 3 months (temporary or seasonal)
75#a0d6b4Natural Aquatic Vegetated: Woody Scattered (1 to 4 %)
76#a0d6b4Natural Aquatic Vegetated: Woody Scattered (1 to 4 %) Water > 3 months (semi-) permanent
77#a0d6b4Natural Aquatic Vegetated: Woody Scattered (1 to 4 %) Water < 3 months (temporary or seasonal)
78#a0d6b4Natural Aquatic Vegetated: Herbaceous Closed (> 65 %)
79#a0d6b4Natural Aquatic Vegetated: Herbaceous Closed (> 65 %) Water > 3 months (semi-) permanent
80#a0d6b4Natural Aquatic Vegetated: Herbaceous Closed (> 65 %) Water < 3 months (temporary or seasonal)
81#a0d6b4Natural Aquatic Vegetated: Herbaceous Open (40 to 65 %)
82#a0d6b4Natural Aquatic Vegetated: Herbaceous Open (40 to 65 %) Water > 3 months (semi-) permanent
83#a0d6b4Natural Aquatic Vegetated: Herbaceous Open (40 to 65 %) Water < 3 months (temporary or seasonal)
84#a0d6b4Natural Aquatic Vegetated: Herbaceous Open (15 to 40 %)
85#a0d6b4Natural Aquatic Vegetated: Herbaceous Open (15 to 40 %) Water > 3 months (semi-) permanent
86#a0d6b4Natural Aquatic Vegetated: Herbaceous Open (15 to 40 %) Water < 3 months (temporary or seasonal)
87#a0d6b4Natural Aquatic Vegetated: Herbaceous Sparse (4 to 15 %)
88#a0d6b4Natural Aquatic Vegetated: Herbaceous Sparse (4 to 15 %) Water > 3 months (semi-) permanent
89#a0d6b4Natural Aquatic Vegetated: Herbaceous Sparse (4 to 15 %) Water < 3 months (temporary or seasonal)
90#a0d6b4Natural Aquatic Vegetated: Herbaceous Scattered (1 to 4 %)
91#a0d6b4Natural Aquatic Vegetated: Herbaceous Scattered (1 to 4 %) Water > 3 months (semi-) permanent
92#a0d6b4Natural Aquatic Vegetated: Herbaceous Scattered (1 to 4 %) Water < 3 months (temporary or seasonal)
93#e6e6faArtificial Surface
94#4b5320Natural Surface
95#4b5320Natural Surface: Sparsely vegetated
96#4b5320Natural Surface: Very sparsely vegetated
97#4b5320Natural Surface: Bare areas, unvegetated
98#3bb9ffWater
99#3bb9ffWater: (Water)
100#3bb9ffWater: (Water) Tidal area
101#3bb9ffWater: (Water) Perennial (> 9 months)
102#3bb9ffWater: (Water) Non-perennial (7 to 9 months)
103#3bb9ffWater: (Water) Non-perennial (4 to 6 months)
104#3bb9ffWater: (Water) Non-perennial (1 to 3 months)

lifeform_veg_cat_l4a Class Table

ValueColorDescription
1#808000Woody (trees, shrubs)
2#848b79Herbaceous (grasses, forbs)

waterper_wat_cat_l4d Class Table

ValueColorDescription
1#357ec7> 9 months
7#6495ed7-9 months
8#5cb3ff4-6 months
9#87ceeb1-3 months

watersea_veg_cat_l4a Class Table

ValueColorDescription
1#357ec7Semi-permanent or permanent (> 3 months)
7#00bfffTemporary or seasonal (< 3 months)

waterstt_wat_cat_l4a Class Table

ValueColorDescription
1#357ec7Water

代码

var landcover = ee.ImageCollection('projects/geoscience-aus-cat/assets/ga_ls_landcover_class_cyear_2');

var visualization = {
  bands: ['level4_R', 'level4_G', 'level4_B']
};

var lon = 122.41280;
var lat = -18.06402;

Map.setCenter(lon, lat, 10);

// Degrees in EPSG:3857.
var delta = 0.25;

var areaOfInterest = ee.Geometry.Rectangle(
  [lon - delta, lat - delta, lon + delta, lat + delta], null, false);

var image = landcover.filterDate('1995-01-01', '1996-01-01')
                     .filterBounds(areaOfInterest);
                  
Map.addLayer(image, visualization, 'Land Cover');

 结果 

引用 

  • Lucas R, Mueller N, Siggins A, Owers C, Clewley D, Bunting P, Kooymans C, Tissott B, Lewis B, Lymburner L, Metternicht G. Land Cover Mapping using Digital Earth Australia. Data. 2019; 4(4):143. doi:10.3390/data4040143. Christopher J. Owers, Richard M. Lucas, Daniel Clewley, Carole Planque, Suvarna Punalekar, Belle Tissott, Sean M. T. Chua, Pete Bunting, Norman Mueller & Graciela Metternicht (2021) Living Earth: Implementing national standardised land cover classification systems for Earth Observation in support of sustainable development, Big Earth Data, 5:3, 368-390. doi:10.1080/20964471.2021.1948179.

网址推荐

0代码在线构建地图应用

Mapmost login

机器学习

https://www.cbedai.net/xg 

此星光明
关注
  • 26
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
全球水深地形模型ETOPO1
Xiaok的专栏
04-30 4424
2008 年 8 月，NGDC 和 NOAA 联合发布了网格大小为 1'×1'的 ETOPO1 海底地形模型，该模型基于大量相关模型和实测区域数据，融合了全球的陆地地形和海洋深度数据。其中，海洋部分绝大部分海深数据来源于美国 SIO 发布的海底地形模型，陆地地形数据主要来自于 GTOPO30。相较于ETOPO2v2 和 ETOPO5 全球地形模型，ETOPO1 全球地 形 模 型 精 度 显 著 提 高，目 前 ETOPO2v2 和ETOPO5 全球地形模型基本不再使用。 美国 SIO 斯克利普斯海洋研
【数据分享】1929-2023年全球站点的逐年平均风速（Shp\Excel\免费获取）
yushibing717的博客
02-09 210
气象数据是在各项研究中都经常使用的数据，气象指标包括气温、风速、降水、能见度等指标，说到气象数据，最详细的气象数据是具体到气象监测站点的数据！ 有关气象指标的监测站点数据，之前我们分享过1929-2023年全球气象站点的逐年平均气温数据、逐年最高气温数据、逐年最低气温数据、逐年降雪深度数据、逐年平均能见度和逐年平均降水量数据（均可查看之前的文章获悉详情）。本次我们为大家继续带来具体到气象监测站点的数据——1929-2023年全球气象站点的逐年平均风速数据！ 原始数据来源于美国国家海洋和大气管理局（NOA
matlab显示全球海岸线
小琳子要开心呀
04-11 7606
1. 使用matlab自带海岸线文件 % 画海岸线 load coast; % 加载matlab自带海岸线文件 plot(long,lat,'k-','LineWidth', 0.7); % 绘制海岸线，并调整颜色，线类型，线宽 axis ([-180,180,-90,90]) ...
全网最全EXCEL-各国/省/市/县区/企业-省界、港口、海岸线地理距离数据集
LoveForever4的博客
05-20 2156
（1）31个省市间地理距离 1、数据来源：根据互联网地图计算 2、时间跨度：至今 3、区域范围：全国31个省及直辖市 4、指标说明： 数据包含两个省市之间的距离以及距离的倒数 （2）中国各城市和区县距离海岸线和港口的距离 1、数据来源：《全国沿海港口布局规划》 2、时间跨度：至今 3、区域范围：全国31个省及省内城市 4、指标说明：文件中包含具体的计算代码 （3）省份、城市距沿海港口距离 1、数据来源：《全国沿海港口布局规划》、Google地图 2、时间...
Google Earth Engine（GEE） ——2000-2021年地球非洲海岸线数据集
qq_31988139的博客
04-19 411
绘制每年的海岸线位置图的能力，可以使人们深入了解海岸线的变化是特定事件或行动的结果，还是随着时间推移而逐渐发生变化的过程。这些信息可以使科学家、管理者和政策制定者评估影响海岸线的一系列驱动因素的影响，并有可能帮助规划和预测未来的情况。该产品使得每年都可以在地方和大陆范围内检查海岸侵蚀和增长的趋势，并且可以绘制历史上的海岸变化模式，并随着数据的不断获取定期更新。
1985-2020年全国30m分辨率土地利用数据集
06-28
本数据集数据源为武汉大学生产的CLCD数据，生产的数据格式为栅格（TIF格式）.CSDN网站资源为txt文件，内含数据详细参数介绍、分省批量裁剪方法和百度网盘下载地址。
GEE数据集-高分辨率全球树冠高度地图（1 米）Meta 公司.pdf
最新发布
07-17
这些地图是通过在 2017 年至 2020 年的 Maxar 图像上训练的自监督模型中提取特征，并根据航空激光雷达地图训练密集预测解码器生成的。我们还引入了一个后处理步骤，使用在 GEDI 观测数据上训练的卷积网络。我们利用...
GEE：Landsat C01和C02数据集进行LST（Land Surface Temperature）地表温度分析.pdf
06-17
LST（Land Surface Temperature）是指地表温度，是地表上空气与地表之间的热交换过程的结果。地表温度是一个重要的地理要素，对气候研究、气象预报、农业生产、环境评估等方面有着重要的影响。下面将详细介绍LST的...
GEE训练-如何确定影像数据集多个指定时间范围的影像数量（sentinel-1数据为例）含全部代码.pdf
05-04
本次我们使用sentinel-1数据集对4个不同时间段的影像进行数据筛选，也就是确定指定范围内的数据集影像数量。这里我们用map函数来实现循环遍历指定数据数量统计分析。 数据集 Sentinel-1是欧洲空间局（ESA）的一颗...
Google Earth Engine（GEE）-逐年月长时序多指数和波段图表加载（MODIS数据2013-2021.pdf
02-26
本代码的主要目的是进行长时间序列指定波段和指数计算后的图标加载，研究区才作用山西省，使用了多个MODIS数据集，分别提取EVI和ET等波段属性进行图表加载。这里会将计算出的指数加载在同一个图表，其它单独选择的...
高分辨率海岸线数据库（GSHHS）.gz
03-19
海岸线数据
全球海岸线shp.zip
04-11
全球海岸线shp(线要素)。包括有投影的全球海岸线，无投影全球海岸线，自己小修过的海岸线。
全球中等分辨率海岸线shapefile数据
04-26
来自全球自洽，分层地理数据库，A Global Self-consistent, Hierarchical, High-resolution Geography Database。
全球海岸线矢量shape数据
06-02
全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量shape数据全球海岸线矢量sha
全球海岸线SHP数据，精准漂亮
01-15
全球海岸线数据。格式为线SHP。
海岸线数据
CHEN_BR/BLOG
07-06 1891
GSDA：海洋数据 跳转到导航跳转到搜索 内容 1个海岸线数据 1.1NOAA NGDC 2潮汐资料 2.1NOAA国家海洋局 3当前数据 3.1NOAA国家海洋局 3.2德州沿海海洋观测网 4波浪数据 4.1波浪信息研究 4.2NOAA国家资料浮标中心 4.3沿海数据信息计划 5海洋数据概述 5.1海岸线..
GSDA：从NOAA NGDC获取海岸线数据
CHEN_BR/BLOG
07-06 2372
选择“从NOAA NGDC获取海岸线数据”链接，或直接使用此链接http://www.ngdc.noaa.gov/mgg/shorelines/shorelines.html。这将带您到NGDC海岸线/海岸线数据库网页。 单击页面中间的“海岸线提取器”链接。它将带您到提取器工具。 输入您想要获取数据点的海岸的边界坐标。如果您不知道正确的坐标，请使用Java Map。另一个有用的地图是NGDC沿海救济模型。 例如，使用以下坐标，西坐标121.5°至123.5°，北坐标46.5°至49°。这些对应于俄勒.
pytorch 版本deeplabv3+ 训练自己的语义分割数据集
haha_tooyoung的博客
07-20 5454
一、数据集制备 该项目的语义分割数据集制备与VOC格式相同（关于VOC格式说明可参加链接1）。首先需要在dataset目录下建立如下图所示的自己的数据集目录，比如我的是海岸线分割数据集，那么在dataset下就建立起sealand文件夹。然后在sealand文件夹下建立起ImageSets、JPEGImages、SegmentationClass三个文件。其中JPEGImages，存放所有的原始图片;SegmentationClass存放所有的标注文件mask图片;ImageSets/Segmentati
请给出在GEE计算30米分辨率NPP数据的代码
03-08
以下是计算30米分辨率NPP数据的代码： ```python # 导入必要的库 import ee ee.Authenticate() ee.Initialize() # 定义区域 region = ee.Geometry.Rectangle([73.4, 18.5, 135.1, 53.6]) # 定义时间范围 start_date = '2019-01-01' end_date = '2019-12-31' # 定义MODIS数据集 modis = ee.ImageCollection('MODIS/006/MOD17A3HGF') \ .filterDate(start_date, end_date) \ .filterBounds(region) # 定义参数 scale = 30 factor = .0001 # 计算NPP npp = modis.select('Npp') \ .sum() \ .multiply(factor) \ .multiply(scale * scale) \ .clip(region) # 显示结果 print(npp.getInfo()) ``` 希望对你有帮助！
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

此星光明

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值