IrrMapper ist eine jährliche Klassifizierung des Bewässerungsstatus in den 11 westlichen US-Bundesstaaten im Landsat-Maßstab (d.h. 30 m) mit dem Random Forest-Algorithmus für die Jahre 1986 bis heute.
Im IrrMapper-Paper wird die Klassifizierung von vier Klassen beschrieben (d. h. bewässert, Trockenland, unkultiviert, Feuchtgebiet). Das Dataset wird jedoch in eine binäre Klassifizierung von bewässert und nicht bewässert konvertiert.
„Bewässert“ bezieht sich auf die Erkennung von Bewässerung im Laufe des Jahres.
Das IrrMapper-Random-Forest-Modell wurde mit einer umfangreichen räumlichen Datenbank zur Bodenbedeckung aus jeder der vier bewässerten und nicht bewässerten Klassen trainiert. Dazu gehören über 50.000 von Menschen verifizierte bewässerte Felder, 38.000 Trockenfelder und über 500.000 Quadratkilometer unbestelltes Land.
Für Version 1.2 wurden die ursprünglichen Trainingsdaten erheblich erweitert, für jeden Bundesstaat wurde ein RF-Modell erstellt und eine gründlichere Validierungs- und Unsicherheitsanalyse durchgeführt. Weitere Informationen finden Sie im Anhang zu unserem Whitepaper zu den Auswirkungen der Bewässerung auf den Abfluss.
Bänder
Pixelgröße 30 Meter
Bänder
Name
Pixelgröße
Beschreibung
classification
Meter
Bewässerte Pixel haben den Wert 1, die anderen Pixel werden maskiert.
Ketchum, D.; Jencso, K.; Maneta, M.P.; Melton, F.; Jones, M.O.; Huntington, J.
IrrMapper: A Machine Learning Approach for High Resolution Mapping of
Irrigated Agriculture Across the Western U.S.,
Remote Sens. 2020, 12, 2328. doi:10.3390/rs12142328
Ketchum, D., Hoylman, Z.H., Huntington, J. et al. Irrigation intensification impacts sustainability
of streamflow in the Western United States. Commun Earth Environ 4, 479 (2023). doi:10.1038/s43247-023-01152-2
IrrMapper ist eine jährliche Klassifizierung des Bewässerungsstatus in den 11 westlichen US-Bundesstaaten im Landsat-Maßstab (d.h. 30 m) mit dem Random Forest-Algorithmus für die Jahre 1986 bis heute. Im IrrMapper-Paper wird die Klassifizierung von vier Klassen beschrieben (bewässert, Trockenland, unbebaut, Feuchtgebiet). Das Dataset wird jedoch in …
[null,null,[],[[["\u003cp\u003eIrrMapper is an annual dataset that classifies irrigated and non-irrigated land in the Western US from 1986 to present.\u003c/p\u003e\n"],["\u003cp\u003eThe dataset uses a Random Forest algorithm and Landsat data for 30m resolution mapping of irrigation status.\u003c/p\u003e\n"],["\u003cp\u003eIt provides a binary classification: irrigated areas are marked with a value of 1, while non-irrigated areas are masked out.\u003c/p\u003e\n"],["\u003cp\u003eDeveloped by the University of Montana, IrrMapper is available for research, education, and non-profit use under the CC-BY-4.0 license.\u003c/p\u003e\n"],["\u003cp\u003eUsers can explore and analyze the dataset using Google Earth Engine.\u003c/p\u003e\n"]]],[],null,["# IrrMapper Irrigated Lands, Version 1.2\n\nDataset Availability\n: 1986-01-01T00:00:00Z--2024-01-01T00:00:00Z\n\nDataset Provider\n:\n\n\n [University of Montana / Montana Climate Office](https://climate.umt.edu/research/irrmapper/)\n\nTags\n:\n[agriculture](/earth-engine/datasets/tags/agriculture) [landsat-derived](/earth-engine/datasets/tags/landsat-derived) \n\n#### Description\n\nIrrMapper is an annual classification of irrigation status in the 11\nWestern United States made at Landsat scale (i.e., 30 m) using the\nRandom Forest algorithm, covering years 1986 - present.\n\nWhile the [IrrMapper paper](https://www.mdpi.com/2072-4292/12/14/2328)\ndescribes classification of four classes (i.e., irrigated, dryland,\nuncultivated, wetland), the dataset is converted to a binary\nclassification of irrigated and non-irrigated.\n\n'Irrigated' refers to the detection of any irrigation during the year.\nThe IrrMapper random forest model was trained using an extensive\ngeospatial database of land cover from each of four irrigated- and\nnon-irrigated classes, including over 50,000 human-verified irrigated\nfields, 38,000 dryland fields, and over 500,000 square kilometers of\nuncultivated lands.\n\nFor version 1.2, the original training data was greatly expanded,\na RF model built for each state, and a more thorough validation and uncertainty\nanalysis undertaken. See the [supplement](https://static-content.springer.com/esm/art%3A10.1038%2Fs43247-023-01152-2/MediaObjects/43247_2023_1152_MOESM3_ESM.docx)\nto our [paper](https://www.nature.com/articles/s43247-023-01152-2) on the impacts of irrigation on streamflow.\n\n### Bands\n\n\n**Pixel Size**\n\n30 meters\n\n**Bands**\n\n| Name | Pixel Size | Description |\n|------------------|------------|------------------------------------------------------------------------|\n| `classification` | meters | Irrigated pixels have the value of 1, the other pixels are masked out. |\n\n### Terms of Use\n\n**Terms of Use**\n\n[CC-BY-4.0](https://spdx.org/licenses/CC-BY-4.0.html)\n\n### Citations\n\nCitations:\n\n- Ketchum, D.; Jencso, K.; Maneta, M.P.; Melton, F.; Jones, M.O.; Huntington, J.\n IrrMapper: A Machine Learning Approach for High Resolution Mapping of\n Irrigated Agriculture Across the Western U.S.,\n Remote Sens. 2020, 12, 2328. [doi:10.3390/rs12142328](https://doi.org/10.3390/rs12142328)\n\n Ketchum, D., Hoylman, Z.H., Huntington, J. et al. Irrigation intensification impacts sustainability\n of streamflow in the Western United States. Commun Earth Environ 4, 479 (2023). [doi:10.1038/s43247-023-01152-2](https://doi.org/10.1038/s43247-023-01152-2)\n\n### Explore with Earth Engine\n\n| **Important:** Earth Engine is a platform for petabyte-scale scientific analysis and visualization of geospatial datasets, both for public benefit and for business and government users. Earth Engine is free to use for research, education, and nonprofit use. To get started, please [register for Earth Engine access.](https://console.cloud.google.com/earth-engine)\n\n### Code Editor (JavaScript)\n\n```javascript\nvar dataset = ee.ImageCollection('UMT/Climate/IrrMapper_RF/v1_2');\nvar irr = dataset.filterDate('2023-01-01', '2023-12-31').mosaic();\n\nvar visualization = {\n min: 0.0,\n max: 1.0,\n palette: ['blue']\n};\nMap.addLayer(irr, visualization, 'IrrMapper 2023');\nMap.setCenter(-112.516, 45.262, 10);\n```\n[Open in Code Editor](https://code.earthengine.google.com/?scriptPath=Examples:Datasets/UMT/UMT_Climate_IrrMapper_RF_v1_2) \n[IrrMapper Irrigated Lands, Version 1.2](/earth-engine/datasets/catalog/UMT_Climate_IrrMapper_RF_v1_2) \nIrrMapper is an annual classification of irrigation status in the 11 Western United States made at Landsat scale (i.e., 30 m) using the Random Forest algorithm, covering years 1986 - present. While the IrrMapper paper describes classification of four classes (i.e., irrigated, dryland, uncultivated, wetland), the dataset is converted to ... \nUMT/Climate/IrrMapper_RF/v1_2, agriculture,landsat-derived \n1986-01-01T00:00:00Z/2024-01-01T00:00:00Z \n31.3 -124.5 49 -99 \nGoogle Earth Engine \nhttps://developers.google.com/earth-engine/datasets\n\n- [](https://doi.org/https://climate.umt.edu/research/irrmapper/)\n- [](https://doi.org/https://developers.google.com/earth-engine/datasets/catalog/UMT_Climate_IrrMapper_RF_v1_2)"]]
