【数据分享】1985-2023年30米分辨率土地覆盖数据(全国/分省/分市)

土地覆盖数据是我们在各项研究中经常使用的数据,土地覆盖数据可以帮助我们确定哪儿是建设用地,哪儿是水域,哪儿是农田等!土地覆盖数据的来源有多种,我们之前分享过多种来源的土地覆盖数据,包括1米分辨率土地覆盖数据,World Cover数据集的2021年的10米土地覆盖数据和Esri 的2017-2023年10米土地覆盖数据(可查看之前的文章获悉详情)。

这些来源的土地覆盖数据虽然精度不错,但是数据年份普遍较短,本次我们分享一个长时序的用地覆盖数据!该数据是武汉大学的杨杰和黄昕教授发布的1985年——2023年的中国30米分辨率的逐年土地覆盖数据!数据格式为栅格数据(.tif格式)。该数据持续更新,8月份刚刚更新了2023年的数据。另外,需要说明的是该数据的具体年份为:1990—2023年,另外提供了1985的数据,1986—1989年这四年的数据缺失!

杨杰和黄昕教授使用谷歌地球引擎上的335,709 张 Landsat 图像,在谷歌地球引擎(GEE)平台上制作了第一个源自Landsat的中国年度土地覆盖数据集annual land cover(CLDC)。该数据包括9种用地类型,分别为:农田、森林、灌木、草原、水域、冰雪、裸地、不透水面、湿地。

原始数据包括全国数据和分省(34个省级行政区)数据,为方便大家使用,我们进一步裁剪出分市的数据(371个地级市),数据量约100G,一起提供给大家方便大家使用!如下图:

另外,可能有些同学不知道如何对该用地数据进行可视化。我们做好了该数据的可视化样式提供给大家,大家只需要按照下文中的教程可视化即可!

大家可以自己按照我们下文的数据下载方式自己下载!也可以在公众号回复关键词 322 按照转发要求获取我们下载好并处理过的数据!以下为数据的详细介绍:

01 数据预览

我们先来看一下全国范围的数据,以2023年为例来预览一下:

2023年全国范围土地覆盖

我们再来看一下分省的数据,以2023年湖北省为例来预览一下:

2023年湖北省土地覆盖

接下来我们再来看一下分市的数据,以2023年武汉市为例来预览一下:

2023年武汉市土地覆盖

02 数据可视化教程

大家在arcgis软件里面打开该用地数据,数据如下图:

大家在图层名称上右键,选择属性,在属性里面可以对数据进行可视化,默认可视化样式是拉伸,我们选中唯一值,然后构建属性表,然后再加载我们提供给大家的可视化样式即可,效果下下图4!可视化样式的文件名为:可视化样式.lyr

03 数据详情

空间坐标

Albers_Conic_Equal_Area

数据格式

.tif格式

数据分类:

分为九类用地,以数字的形式表示,数字对应的用地类型为:

1:农田

2:森林

3:灌木

4:草原

5:水域

6:冰雪

7:裸地

8:不透水面

9:湿地

引用方式

Jie Yang, & Xin Huang. (2024). The 30m annual land cover datasets and its dynamics in China from 1985 to 2023 [Data set]. In Earth System Science Data (1.0.3, Vol. 13, Number 1, pp. 3907–3925). Zenodo. https://doi.org/10.5281/zenodo.12779975

04 数据下载方式

大家可以在下面网址下载原始数据,有关数据的更多详情也可以查看网站介绍进行了解:https://zenodo.org/records/12779975

05 数据获取

如需获取数据,请关注下方公众号~

  • 8
    点赞
  • 12
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于YOLOv9实现工业布匹缺陷(破洞、污渍)检测系统python源码+详细运行教程+训练好的模型+评估 【使用教程】 一、环境配置 1、建议下载anaconda和pycharm 在anaconda中配置好环境,然后直接导入到pycharm中,在pycharm中运行项目 anaconda和pycharm安装及环境配置参考网上博客,有很多博主介绍 2、在anacodna中安装requirements.txt中的软件包 命令为:pip install -r requirements.txt 或者改成清华源后再执行以上命令,这样安装要快一些 软件包都安装成功后才算成功 3、安装好软件包后,把anaconda中对应的python导入到pycharm中即可(不难,参考网上博客) 二、环境配置好后,开始训练(也可以训练自己数据集) 1、数据集准备 需要准备yolo格式的目标检测数据集,如果不清楚yolo数据集格式,或者有其他数据训练需求,请看博主yolo格式各种数据集集合链接:https://blog.csdn.net/DeepLearning_/article/details/127276492 里面涵盖了上百种yolo数据集,且在不断更新,基本都是实际项目使用。来自于网上收集、实际场景采集制作等,自己使用labelimg标注工具标注的。数据集质量绝对有保证! 本项目所使用的数据集,见csdn该资源下载页面中的介绍栏,里面有对应的下载链接,下载后可直接使用。 2、数据准备好,开始修改配置文件 参考代码中data文件夹下的banana_ripe.yaml,可以自己新建一个不同名称的yaml文件 train:训练集的图片路径 val:验证集的图片路径 names: 0: very-ripe 类别1 1: immature 类别2 2: mid-ripe 类别3 格式按照banana_ripe.yaml照葫芦画瓢就行,不需要过多参考网上的 3、修改train_dual.py中的配置参数,开始训练模型 方式一: 修改点: a.--weights参数,填入'yolov9-s.pt',博主训练的是yolov9-s,根据自己需求可自定义 b.--cfg参数,填入 models/detect/yolov9-c.yaml c.--data参数,填入data/banana_ripe.yaml,可自定义自己的yaml路径 d.--hyp参数,填入hyp.scratch-high.yaml e.--epochs参数,填入100或者200都行,根据自己的数据集可改 f.--batch-size参数,根据自己的电脑性能(显存大小)自定义修改 g.--device参数,一张显卡的话,就填0。没显卡,使用cpu训练,就填cpu h.--close-mosaic参数,填入15 以上修改好,直接pycharm中运行train_dual.py开始训练 方式二: 命令行方式,在pycharm中的终端窗口输入如下命令,可根据自己情况修改参数 官方示例:python train_dual.py --workers 8 --device 0 --batch 16 --data data/coco.yaml --img 640 --cfg models/detect/yolov9-c.yaml --weights '' --name yolov9-c --hyp hyp.scratch-high.yaml --min-items 0 --epochs 500 --close-mosaic 15 训练完会在runs/train文件下生成对应的训练文件及模型,后续测试可以拿来用。 三、测试 1、训练完,测试 修改detect_dual.py中的参数 --weights,改成上面训练得到的best.pt对应的路径 --source,需要测试的数据图片存放的位置,代码中的test_imgs --conf-thres,置信度阈值,自定义修改 --iou-thres,iou阈值,自定义修改 其他默认即可 pycharm中运行detect_dual.py 在runs/detect文件夹下存放检测结果图片或者视频 【特别说明】 *项目内容完全原创,请勿对项目进行外传,或者进行违法等商业行为! 【备注】 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用!有问题请及时沟通交流。 2、适用人群:计算机相关专业(如计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工下载使用。
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
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