GEE | Dynamic World全球10米土地利用数据

最新推荐文章于 2025-02-19 17:22:27 发布
最新推荐文章于 2025-02-19 17:22:27 发布
阅读量471 收藏
点赞数 3
文章标签： arcgis 数据分析
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_48539301/article/details/145256377
版权

图片

Brown, C.F., Brumby, S.P., Guzder-Williams, B. et al. Dynamic World, Near real-time global 10 m land use land cover mapping. Sci Data 9, 251 (2022). https://doi.org/10.1038/s41597-022-01307-4

1. 数据说明

Dynamic World V1 是一个10米分辨率的近实时土地利用/土地覆盖（LULC）数据集，基于Sentinel-2 L1C数据生成，覆盖时间范围为2015年6月27日至今。数据通过对云、云影的去除以及像素概率的计算，提供了9种土地利用类型的预测，包括水体（0）、树木（1）、草地（2）、淹水植被（3）、农田（4）、灌丛（5）、建设用地（6）、裸地（7）、雪冰（8）。

2. GEE代码

此代码适用于合成并导出年度的土地利用数据，各位同学可以根据自己的更换研究区和时间段。

图片

图片

 

Google Earth Engine（GEE）——DYNAMIC WORLD/V1全球sentinel-2数据集10米分辨率数据集影像加载和DEM山影的3D影像
此星光明博客
07-11 1952
作为一个连续产品，Dynamic World 允许用户在更长的自定义时间段内聚合 NRT 集合。例如，可以根据在此期间收集的 NRT 场景创建月度、季节性或年度产品。在本节中，您将学习如何为美国县创建年度土地覆盖产品并将结果导出为 GeoTiff。本次用到的数据集Dynamic World 是一个 10m 近实时 (NRT) 土地利用/土地覆盖 (LULC) 数据集，其中包括九个类别的类别概率和标签信息。从 2015 年 6 月 27 日至今，Sentinel-2 L1C 集合可使用动态世界预测。Senti
GEE：DYNAMICWORLD/V1数据集介绍
养乐多的博客
06-23 1874
Dynamic World是一个10米的近实时（NRT）土地利用/土地覆盖（LULC）数据集，其中包括九个类别的类别概率和标签信息。Dynamic World的预测可用于从2015年6月27日至今的Sentinel-2 L1C数据集。Sentinel-2的重访频率根据纬度不同，介于2-5天之间。对于具有CLOUDY_PIXEL_PERCENTAGE
GEE | 2024年全球10米土地利用数据
qq_48539301的博客
02-19 995
Dynamic World V1 是 Google 与世界资源研究所联合推出的全球10米分辨率近实时（NRT）土地覆盖/土地利用（LULC）数据集，覆盖时间范围为 2015 年 6 月 27 日至今，基于 Sentinel-2 L1C 数据生成，更新频率为 2-5 天（视纬度而定）。数据采用 S2 云概率、云位移指数（CDI）和方向距离变换（DDT）等方法去除云和云影，提供九类土地覆盖的分类概率及最高概率类别的标签信息（label 波段）。
Google Earth Engine（GEE）使用土地利用数据（modis）上采样Landsat数据提取农田范围
热门推荐
bless的博客
03-16 1万+
本研究主要使用MCD12Q1土地利用数据的500m分辨率影像，上采样到Landsat7的30分辨率影像中，进行农田属性的提取，提高农作物分类的精度。
Google Earth Engine（GEE）中的10m土地利用产品
guaicaicexu的博客
06-29 2400
今天介绍在GEE中可以调用的土地利用数据，ESA/WorldCover/v100 它是由欧洲航天局（ESA）基于哨兵1号和哨兵2号的影像数据，制成10m分辨率的土地利用产品，共有11个地类。
GEE 10m近实时 LULC 数据集Dynamic World
ThsPool的博客
05-30 2616
Dynamic World 是一个近乎实时的 (NRT) 10米分辨率土地利用/土地覆盖 (LULC) 数据集，包括九个类别的分类概率和标签信息。Dynamic World 的预测适用于2015-06-27至今的 Sentinel-2 L1C 集合。根据纬度不同，Sentinel-2 的重访频率为 2-5 天。Dynamic World 预测适用于的 Sentinel-2 L1C 图像。
ESA_2020年_10米土地利用数据介绍与下载教程
锐多宝的地理空间
12-16 1万+
1数据介绍 1.1数据简介 World Cover数据集是欧空局联合全球多家科研机构，共同制作的2020年全球10米土地覆盖产品。 该数据产品分辨率为10米，是基于Sentinel-1和Sentinel-2数据进行制作。 1.2地物类别 类别 Name Code 耕地 cropland 10 林地 forest 20 草地 grasslands 30 灌木 shrublands 40 湿地 wetlands 50 水体 waterbodies 60 高海拔植被 T
【土地利用数据集】10米分辨率全国范围内土地利用分类数据集
sinat_15137105的博客
09-22 1465
全球地图是通过将此模型应用于微软行星​​计算机上的 Sentinel-2 Level-2A 图像集而生成的，每年处理超过 400,000 个地球观测数据。2018 年至 2022 年基于一套更完整的图像。因此，2017 年的土地覆盖类别分配可能不如 2018-2022 年准确。该图层显示源自 ESA Sentinel-2 图像（分辨率为 10m）的全球土地利用/土地覆盖 (LULC) 地图。映射变量：2017、2018、2019、2020、2021、2022 年土地利用/土地覆盖 源。
GEE 土地分类-林地提取：利用Google dynamic world数据来实现林地的提取并转化为矢量数据
此星光明博客
09-27 413
打开Google Earth Pro软件，并登录Google账号。在左上角的搜索框中输入想要提取的地区，然后点击搜索按钮。在地图上定位到目标地区后，选择 "图层" --> "Google Dynamic World"，确保该图层已启用。在左侧的图层列表中，找到 "地表覆盖" 图层，展开并勾选 "植被" 选项。地表覆盖图层将显示不同类型的植被覆盖，其中包括林地。使用缩放和平移功能，确保目标地区的林地得以完全显示。在工具栏中选择 "截图" 工具，然后拖动鼠标在屏幕上选择林地区域的大致范围。
Dynamic World Training Data动态世界训练和验证数据集（土地分类和土地利用）
此星光明博客
05-03 296
动态世界训练数据（Dynamic World Training Data ）是一个由超过 50 亿像素的人工标注欧空局哨兵-2 卫星图像组成的数据集，分布在从世界各地收集的 24000 块瓷砖上。该数据集旨在。分辨率为 10 米的 5.1km x 5.1km 瓦片采用十类分类模式进行了密集标注，显示了一般土地利用土地覆被类别。该数据集创建于 2019-08-01 至 2020-02-28 期间，使用的是 2019 年的卫星图像观测数据，其中约 10%的观测数据可追溯到 2017 年的世界多云地区。
GEE python——使用 Landsat 7、8 和 9 以及 Dynamic World Land Cover 数据集训练 随机森林（RF）土地分类模型
此星光明博客
08-16 406
使用 Landsat 7、8 和 9 以及 Dynamic World Land Cover 数据集训练 RF 模型，用于 LULC 分类。目前，我使用来自 Landsat 8 的 12 张图像，这些图像与一些 Dynamic World 场景相匹配（就获取日期而言），以将波段“标签”添加到我的 Landsat 8 图像中，以创建带注释的数据用于训练。然后，我对这些图像进行采样；
GEE数据集——GLANCE 全球土地覆被训练数据集
此星光明博客
02-25 1477
GLanCE 培训数据集向公众开放，专为区域到全球土地覆被和土地覆被变化分析而设计。该数据集的中等空间分辨率为 30 米，时间跨度为 1984 年至 2020 年，在地理和光谱上代表了全球所有生态区域。每个训练单元提供多达 23 种土地覆被特征，提供了一个统一、标准化和全面的数据库，其中包括有关土地覆被突变和渐变过程的信息，特别是在选定区域的长达 36 年的时间跨度。该数据集具有适应性强的特点，用户可根据自己的研究区域、分类算法和所需的分类图例对其进行子取样和定制，使其成为深入土地覆被调查的多功能资源。
Google Earth Engine（GEE）——ESRI 10m年度土地利用土地覆盖（2017-2021）
此星光明博客
03-08 3166
新的应用程序一旦在这个集合中可用，就应该使用2020的更新版本，特别是在使用这个时间序列的多年的数据时，以确保一致的分类。例子：中等到稀疏的灌木丛、灌木和草丛覆盖，有非常稀疏的草、树木或其他植物的热带草原。树木 任何明显的高大（约15英尺或更高）的密集植被集群，通常有一个封闭的或密集的树冠；例子：树木茂密的植被，热带草原内密集的高大植被集群，种植园，沼泽或红树林（密集/高大的植被，有短暂的水或树冠太厚，无法检测到下面的水）。被淹没的植被 任何类型的植被在一年中的大部分时间里都有明显的水的混合；
数据大方送之全球10米土地利用数据
端木宛白的博客家园
03-21 2018
一、前言 很多小伙伴苦于寻找不到高分辨率的土地利用数据，我国科研团队制作的GlobeLand30全球地理信息公共产品，但是最近该网站处于维护阶段，也无法下载。 普天同庆Esri公司在其官网分享一个10米土地利用数据。 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.ar
10米分辨率土地利用图LUCC的下载、出图
skylercs的博客
04-26 3025
加载影像、shp文件→4景土地利用图像分别剪裁至shp→转为同一坐标系（EPSG:32649 - WGS 84 / UTM zone 49N）→调整为同一样式渲染（导出渲染样式，后期发布Geoserver样式）→合并→另存为WGS - 1984 坐标系→计算不同土地利用方式所占面积。统一样式：调整坐标系后栅格图像显示为默认的灰色，右键原图像→样式→复制样式，右键灰色图像→样式→粘贴样式。工具箱→栅格分析→栅格图层唯一值报告→唯一值表格：选择保存路径、名称，格式选为：CSV文件，运行。
GEE Download Data——10mESA土地覆盖数据
Promising_GEO的博客
12-04 292
高精度的土地覆盖数据类型不多，欧洲航天局（ESA）的WorldCover 10 m 2020产品基于Sentinel-1和Sentinel-2数据，以10 m分辨率提供了2020年的全球土地覆盖图。WorldCover产品包含11个土地覆盖类别，是在欧空局WorldCover项目的框架内生成的，该项目是欧洲航天局第五个地球观测包络计划（EOEP-5）的一部分。GEE下载数据第三弹，今天我们来看看土地覆盖数据的下载。了解完了数据之后，我们来看看怎么下载数据。
【数据分享】2018-2023年全国范围10米分辨率的耕地利用强度数据（免费获取）
weixin_63042008的博客
08-21 1117
【数据分享】2018-2023年全国范围10米分辨率的耕地利用强度数据（免费获取）
数据大放送之10米土地利用数据（2017-2022年）
端木宛白的博客家园
03-27 2443
土地覆盖数据是我们在各项研究中都非常常用的数据，土地覆盖数据的来源也有很多，Esri10米土地覆盖数据的年份为2017——2022年，坐标为WGS_1984_UTM，范围为全球范围，全球划分为700多个网格！
gee土地利用类型数据10米
最新发布
03-09
### 获取10米分辨率土地利用类型数据 对于10米分辨率的土地利用类型数据，可以访问特定地区的下载链接来获取所需资源[^1]。例如： - **贵州省** 10m分辨率土地利用数据 - **福建省** 10m分辨率土地利用数据 - **北京市** 10m分辨率土地利用数据 - **安徽省** 10m分辨率土地利用数据 这些地区的数据已经经过处理并提供给用户使用。 为了有效管理和应用这类高分辨率空间数据，在实际操作过程中可能需要考虑计算机性能以及存储容量等因素。考虑到整个过程涉及大量计算和处理工作，建议采用高性能硬件设备以提高效率。 如果计划对多个省份或更大范围内的数据进行分析，则需注意不同区域间可能存在坐标系差异等问题，因此在预处理阶段应统一投影转换至相同标准下再开展后续研究工作。 ```python import rasterio as rio from osgeo import gdal, ogr, osr def reproject_raster(input_file, output_file, dst_crs='EPSG:4326'): with rio.open(input_file) as src: transform, width, height = calculate_default_transform( src.crs, dst_crs, src.width, src.height, *src.bounds) kwargs = src.meta.copy() kwargs.update({ 'crs': dst_crs, 'transform': transform, 'width': width, 'height': height }) with rio.open(output_file, 'w', **kwargs) as dst: for i in range(1, src.count + 1): reproject( source=rio.band(src, i), destination=rio.band(dst, i), src_transform=src.transform, src_crs=src.crs, dst_transform=transform, dst_crs=dst_crs, resampling=Resampling.nearest) reproject_raster('input.tif', 'output_reprojected.tif') ```
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

GIS遥感数据处理应用

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