IrrMapper — это ежегодная классификация состояния орошения в 11 западных штатах США, выполненная в масштабе Landsat (т. е. 30 м) с использованием алгоритма Random Forest, охватывающая период с 1986 года по настоящее время.
В то время как в статье IrrMapper описывается классификация четырех классов (то есть орошаемые, засушливые, необрабатываемые, водно-болотные угодья), набор данных преобразуется в бинарную классификацию орошаемых и неорошаемых земель.
«Орошаемые» означает обнаружение любого орошения в течение года. Модель случайного леса IrrMapper обучалась с использованием обширной геопространственной базы данных о земельном покрове каждого из четырёх классов орошаемых и неорошаемых земель, включая более 50 000 орошаемых полей, подтверждённых человеком, 38 000 полей на засушливых землях и более 500 000 квадратных километров необрабатываемых земель.
В версии 1.2 исходные обучающие данные были значительно расширены, построена модель радиочастот для каждого штата, а также проведены более тщательная валидация и анализ неопределенности. См. дополнение к нашей статье о влиянии орошения на речной сток.
Группы
Размер пикселя 30 метров
Группы
Имя
Размер пикселя
Описание
classification
метров
Орошаемые пиксели имеют значение 1, остальные пиксели маскируются.
Кетчум, Д.; Дженчо, К.; Манета, М.П.; Мелтон, Ф.; Джонс, М.О.; Хантингтон, Дж. IrrMapper: подход машинного обучения для картографирования с высоким разрешением орошаемого земледелия на западе США, Remote Sens. 2020, 12, 2328. doi:10.3390/rs12142328
Кетчум, Д., Хойлман, З.Х., Хантингтон, Дж. и др. Интенсификация орошения влияет на устойчивость речного стока на западе США. Commun Earth Environ 4, 479 (2023). doi:10.1038/s43247-023-01152-2
IrrMapper — это ежегодная классификация состояния орошения в 11 западных штатах США, составленная в масштабе Landsat (30 м) с использованием алгоритма Random Forest и охватывающая период с 1986 года по настоящее время. В статье IrrMapper классификация представлена по четырём классам (орошаемые, засушливые, необрабатываемые, водно-болотные угодья), однако набор данных преобразован в…
UMT/Climate/IrrMapper_RF/v1_2, сельское хозяйство, данные с Landsat
[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)"]]
