GEE调用中国(China Land Cover Dataset,简称CLCD)1990-2022年30米分辨率的土地分类数据

博客推荐

GEE土地分类:中国30米年度土地覆盖产品annual China Land Cover Dataset, CLCD(面积提取)_30米土地利用数据gee-CSDN博客

简介

中国陆地覆盖数据集(China Land Cover Dataset,简称CLCD)是一个用于描述中国陆地覆盖类型和空间分布的数据集。该数据集由中国科学院遥感与数字地球研究所和国土资源部空间信息工程国家重点实验室联合开发,并定期更新。

CLCD数据集使用遥感影像和地理信息系统技术,结合人工解译和算法分类方法,对中国的土地覆盖进行了精确的分类和分析。它提供了具有高空间分辨率和详细分类信息的中国陆地覆盖地图。目前,CLCD数据集包含了九类主要的陆地覆盖类型,包括耕地、林地、草地、水域、城市、湿地、沙地、裸地和冰雪。

CLCD数据集具有以下特点和优势:
1. 高空间分辨率:CLCD数据集的空间分辨率可达30米,能够提供细致的地表覆盖信息。
2. 详细分类信息:CLCD数据集将陆地覆盖类型细分为多个分类,具有更精确的分类信息。
3. 定期更新:CLCD数据集会定期进行更新,以保持数据的及时性和准确性。
4. 数据共享:CLCD数据集是开放获取的,可以供科研机构、政府部门和公众使用。

CLCD数据集在土地利用规划、环境保护、自然资源管理等领域具有广泛的应用价值。它能够帮助研究人员和决策者了解中国的土地覆盖状况,分析和监测土地利用变化,制定合理的土地管理策略。

代码:

var roi = 
    /* color: #d63000 */
    /* displayProperties: [
      {
        "type": "rectangle"
      }
    ] */
    ee.Geometry.Polygon(
        [[[112.22429545674703, 39.60788768067816],
          [112.22429545674703, 39.44741242385019],
          [112.42616923604389, 39.44741242385019],
          [112.42616923604389, 39.60788768067816]]], null, false);
// var table = ee.FeatureCollection("projects/ee-bqt2000204051/assets/ANTAIBAO/Antaibao_SHP");
// var roi = table;
Map.centerObject(roi);
/*****************************************************************
The first way to upload the LULC dataset in China using each image
from the Directory: projects/lulc-datase/assets/LULC_HuangXin/
The time spans from 1990 to 2022.
*****************************************************************/
var srcFolder = 'projects/lulc-datase/assets/LULC_HuangXin/';
var imgList = ee.List([]);
for(var year = 1990; year<=2022;year++){
  var tmpImg = ee.Image(srcFolder+'CLCD_v01_'+year);
  imgList =  imgList.add(tmpImg);
}
var imgList = ee.ImageCollection.fromImages(imgList);
print("imgList",imgList);
Map.addLayer(imgList.first().selfMask().randomVisualizer(), null, 'CLCD_1990');

结果

下面是1990年的土地分类结果

 网址推荐

0代码在线构建地图应用

https://invite.mapmost.com/#/login?source_inviter=nClSZANO

机器学习

https://www.cbedai.net/xg 

 

  • 2
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
以下是使用Python在GEE中计算2000-2022月降水数据和降水状况指数PCI的代码: ```python import ee ee.Initialize() # 定义区域 region = ee.Geometry.Polygon([[70, 25], [70, 40], [90, 40], [90, 25]]) # 加载数据集 chirps = ee.ImageCollection('UCSB-CHG/CHIRPS/DAILY').filterDate('2000-01-01', '2022-12-31').select('precipitation').filterBounds(region) # 计算月降水 monthly_precipitation = chirps.reduce(ee.Reducer.mean().combine(ee.Reducer.stdDev(), sharedInputs=True)).resample('monthly').set('region', region) # 计算PCI def compute_pci(image): pci = image.subtract(image.reduce(ee.Reducer.mean())).divide(image.reduce(ee.Reducer.stdDev())) return pci.set('system:time_start', image.get('system:time_start')).set('region', region) pci = chirps.map(compute_pci) # 导出数据 task = ee.batch.Export.table.toDrive(collection=monthly_precipitation, description='monthly_precipitation', fileFormat='CSV', selectors=['system:time_start', 'mean', 'stdDev', 'region']) task.start() task = ee.batch.Export.table.toDrive(collection=pci, description='pci', fileFormat='CSV', selectors=['system:time_start', 'precipitation', 'region']) task.start() ``` 这段代码会将GEE中UCSB-CHG/CHIRPS/DAILY数据集中2000-2022间的降水数据加载进来,然后计算每个月的平均降水和标准差,并将结果导出为CSV文件。同时,还会计算每个时间点的PCI,并将结果导出为CSV文件。 在这段代码中,我们使用了GEE提供的`ee.Reducer`类来计算平均值和标准差。我们还定义了一个`compute_pci`函数来计算PCI。PCI是每个时间点的降水值减去该时间点的平均降水值,然后除以该时间点的标准差。最后,我们使用`ee.batch.Export.table.toDrive`函数将结果导出为CSV文件。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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