مدل احتمال کاکائو 2025a توجه: این مجموعه داده هنوز توسط همتایان بررسی نشده است. لطفاً برای اطلاعات بیشتر به این GitHub README مراجعه کنید. این مجموعه تصویر احتمال تخمینی در هر پیکسل را ارائه می دهد که منطقه زیرین توسط کالا اشغال شده است. تخمین های احتمال با وضوح 10 متر ارائه شده است و توسط … کشاورزی تنوع زیستی حفاظت از محصول eudr جنگل دادهتا مشارکت Coffee Probability مدل 2025a توجه: این مجموعه داده هنوز توسط همتایان بررسی نشده است. لطفاً برای اطلاعات بیشتر به این GitHub README مراجعه کنید. این مجموعه تصویر احتمال تخمینی در هر پیکسل را ارائه می دهد که منطقه زیرین توسط کالا اشغال شده است. تخمین های احتمال با وضوح 10 متر ارائه شده است و توسط … کشاورزی تنوع زیستی حفاظت از محصول eudr جنگل دادهتا مشارکت DESS China Terrace Map v1 این مجموعه داده یک نقشه تراس چین با وضوح 30 متر در سال 2018 است. از طریق طبقهبندی مبتنی بر پیکسل نظارت شده با استفاده از دادههای چندمنبعی و چند زمانی بر اساس پلت فرم Google Earth Engine ایجاد شده است. دقت کلی و ضریب کاپا به ترتیب 94% و 0.72 بدست آمد. این اول… کشاورزی اراضی استفاده از زمین استفاده از زمین-پوشش زمین tsinghua دنیای پویا V1 Dynamic World یک مجموعه داده 10 متری استفاده از زمین/پوشش زمین (LULC) در زمان نزدیک (NRT) است که شامل احتمالات کلاس و اطلاعات برچسب برای نه کلاس است. پیشبینیهای Dynamic World برای مجموعه Sentinel-2 L1C از سال 2015-06-27 تاکنون در دسترس هستند. فرکانس بازدید مجدد Sentinel-2 بین 2-5 روز است… جهانی google landcover landuse landuse-landcover nrt ESA WorldCover 10m v100 محصول WorldCover 10 m 2020 آژانس فضایی اروپا (ESA) نقشه جهانی پوشش زمین را برای سال 2020 با وضوح 10 متر بر اساس داده های Sentinel-1 و Sentinel-2 ارائه می دهد. محصول WorldCover دارای 11 کلاس پوشش زمین است و در چارچوب… esa landcover landuse landuse-landcover sentinel1-derived sentinel2-derived ESA WorldCover 10m v200 محصول WorldCover 10 m 2021 آژانس فضایی اروپا (ESA) نقشه جهانی پوشش زمین را برای سال 2021 با وضوح 10 متر بر اساس داده های Sentinel-1 و Sentinel-2 ارائه می دهد. محصول WorldCover دارای 11 کلاس پوشش زمین است و در چارچوب… esa landcover landuse landuse-landcover sentinel1-derived sentinel2-derived GPW سالانه کلاس غالب علفزارها v1 این مجموعه داده، نقشههای طبقهای غالب سالانه از مراتع (کشت شده و طبیعی/نیمه طبیعی) را از سال 2000 تا 2022 با وضوح فضایی 30 متر ارائه میکند. گستره علفزار نقشه برداری شده توسط ابتکار عمل دیده بان مرتع جهانی Land & Carbon Lab، شامل هر نوع پوشش زمینی است که حداقل 30 درصد ... جهانی جهانی - مرتع - تماشای زمین landcover landuse landuse - landcover GPW Annual Probabilities of Cultivated Grasslands v1 این مجموعه داده نقشههای احتمالی جهانی از علفزارهای کشت شده از سال 2000 تا 2022 را با وضوح فضایی 30 متر ارائه میکند. گستره علفزار نقشهبرداری شده توسط ابتکار عمل دیدهبان مرتع جهانی Land & Carbon Lab، شامل هر نوع پوشش زمینی میشود که حداقل 30 درصد خشک یا… جهانی جهانی - مرتع - تماشای زمین landcover landuse landuse - landcover GPW Annual Probabilities of Natural/Semi-natural Grasslands v1 این مجموعه داده نقشههای احتمالی جهانی از علفزارهای طبیعی/نیمه طبیعی را از سال 2000 تا 2022 با وضوح فضایی 30 متر ارائه میکند. گستره علفزار نقشهبرداری شده توسط ابتکار عمل دیدهبان مرتع جهانی Land & Carbon Lab، شامل هر نوع پوشش زمینی میشود که حداقل 30 درصد خشک یا… جهانی جهانی - مرتع - تماشای زمین landcover landuse landuse - landcover GPW سالانه بهره وری ناخالص اولیه کالیبره نشده (uGPP) v1 این مجموعه داده بهره وری ناخالص اولیه مبتنی بر EO را از سال 2000 با وضوح فضایی 30 متر ارائه می دهد. مجموعه دادههای کنونی که توسط ابتکار «لند و کربن آزمایشگاه جهانی مرتع» تولید شده است، مقادیر بهرهوری اولیه ناخالص (GPP) را در سطح جهانی با وضوح فضایی 30 متری از سال 2000 به بعد ارائه میکند. مقادیر GPP عبارتند از… بهره وری گیاهی استفاده از زمین پوشش زمینی جهانی جهانی-مرتع-منظر نقشه جهانی مزارع نخل روغنی این مجموعه داده یک نقشه جهانی 10 متری پالم روغن صنعتی و خرده مالکی برای سال 2019 است. این نقشه مناطقی را پوشش می دهد که مزارع نخل روغنی در آنها شناسایی شده است. تصاویر طبقه بندی شده خروجی یک شبکه عصبی کانولوشن مبتنی بر کامپوزیت های نیم ساله Sentinel-1 و Sentinel-2 هستند. برای اطلاعات بیشتر به مقاله مراجعه کنید… کشاورزی حفاظت از تنوع زیستی محصول استفاده از زمین های جهانی بخشهای CCDC مبتنی بر Google Global Landsat (1999-2019) این مجموعه شامل نتایج از پیش محاسبهشدهای از اجرای الگوریتم تشخیص و طبقهبندی تغییر مداوم (CCDC) بر روی دادههای بازتاب سطح لندست ۲۰ ساله است. CCDC یک الگوریتم یافتن نقطه شکست است که از برازش هارمونیک با آستانه RMSE پویا برای تشخیص نقاط شکست در دادههای سری زمانی استفاده میکند. … تغییر-تشخیص google landcover landcover مشتق از landuse landuse-landcover LUCAS Copernicus (چند ضلعی ها با ویژگی ها، 2018) V1 بررسی چارچوب کاربری/منطقه پوششی (LUCAS) در اتحادیه اروپا (EU) برای ارائه اطلاعات آماری راه اندازی شد. این یک تمرین سه ساله در محل و جمعآوری دادههای کاربری زمین است که در کل قلمرو اتحادیه اروپا گسترش مییابد. LUCAS اطلاعات مربوط به پوشش زمین و… copernicus eu jrc landcover use landuse -landcover LUCAS هماهنگ (مکان نظری، 2006-2018) V1 بررسی چارچوب کاربری/منطقه پوششی (LUCAS) در اتحادیه اروپا (EU) برای ارائه اطلاعات آماری راه اندازی شد. این یک تمرین سه ساله در محل و جمعآوری دادههای کاربری زمین است که در کل قلمرو اتحادیه اروپا گسترش مییابد. LUCAS اطلاعات مربوط به پوشش زمین و… eu jrc landcover landuse landuse-landcover lucas Palm Probability مدل 2025a توجه: این مجموعه داده هنوز توسط همتایان بررسی نشده است. لطفاً برای اطلاعات بیشتر به این GitHub README مراجعه کنید. این مجموعه تصویر احتمال تخمینی در هر پیکسل را ارائه می دهد که منطقه زیرین توسط کالا اشغال شده است. تخمین های احتمال با وضوح 10 متر ارائه شده است و توسط … کشاورزی تنوع زیستی حفاظت از محصول eudr جنگل دادهتا مشارکت Rubber Tree Probability مدل 2025a توجه: این مجموعه داده هنوز توسط همتایان بررسی نشده است. لطفاً برای اطلاعات بیشتر به این GitHub README مراجعه کنید. این مجموعه تصویر احتمال تخمینی در هر پیکسل را ارائه می دهد که منطقه زیرین توسط کالا اشغال شده است. تخمین های احتمال با وضوح 10 متر ارائه شده است و توسط … کشاورزی تنوع زیستی حفاظت از محصول eudr جنگل دادهتا مشارکت سیستم نظارت بر تغییرات چشمانداز USFS نسخه 2024.10 (CONUS و OCONUS) این محصول بخشی از مجموعه داده های سیستم مانیتورینگ تغییر چشم انداز (LCMS) است. این تغییرات، پوشش زمین، و/یا کلاسهای کاربری زمین را با مدل LCMS برای هر سال نشان میدهد و ایالات متحده محدود (CONUS) و همچنین مناطق خارج از CONUS (OCONUS) از جمله آلاسکا (AK)، پورتو را پوشش میدهد. تغییر-تشخیص جنگل gtac landcover landcover landuse landuse-landcover WRI/Google DeepMind Global Drivers of Forest Loss 2001-2022 v1.0 این مجموعه داده، محرک غالب کاهش پوشش درختان از سال 2001 تا 2022 را در سطح جهانی با وضوح 1 کیلومتر ترسیم می کند. این دادهها که توسط موسسه منابع جهانی (WRI) و Google DeepMind تولید شدهاند، با استفاده از یک مدل شبکه عصبی جهانی (ResNet) که بر روی مجموعهای از نمونههای جمعآوریشده آموزش داده شده است، توسعه یافتهاند. کشاورزی جنگل زدایی جنگل جنگل-زیست توده google landandcarbon WRI/Google DeepMind Global Drivers of Forest Loss 2001-2023 v1.1 این مجموعه داده، محرک غالب کاهش پوشش درختان از سال 2001 تا 2023 را در سطح جهانی با وضوح 1 کیلومتر ترسیم می کند. این دادهها که توسط موسسه منابع جهانی (WRI) و Google DeepMind تولید شدهاند، با استفاده از یک مدل شبکه عصبی جهانی (ResNet) که بر روی مجموعهای از نمونههای جمعآوریشده آموزش داده شده است، توسعه یافتهاند. کشاورزی جنگل زدایی جنگل جنگل-زیست توده google landandcarbon WRI/Google DeepMind Global Drivers of Forest Loss 2001-2024 v1.2 این مجموعه داده، محرک غالب کاهش پوشش درختان از سال 2001 تا 2024 را در سطح جهانی با وضوح 1 کیلومتر ترسیم می کند. این دادهها که توسط موسسه منابع جهانی (WRI) و Google DeepMind تولید شدهاند، با استفاده از یک مدل شبکه عصبی جهانی (ResNet) که بر روی مجموعهای از نمونههای جمعآوریشده آموزش داده شده است، توسعه یافتهاند. کشاورزی جنگل زدایی جنگل جنگل-زیست توده google landandcarbon
Datasets tagged landuse in Earth Engine
[null,null,[],[[["\u003cp\u003eThis webpage showcases a variety of land use and land cover datasets, including global and regional maps.\u003c/p\u003e\n"],["\u003cp\u003eDatasets utilize satellite imagery, such as Sentinel and Landsat, to provide information on land cover types.\u003c/p\u003e\n"],["\u003cp\u003eSeveral datasets offer change detection capabilities, highlighting land cover transitions over time.\u003c/p\u003e\n"],["\u003cp\u003eUsers can access data on specific land cover features like oil palm plantations, grasslands, and terrace farming.\u003c/p\u003e\n"],["\u003cp\u003eData resolutions range from 10 meters to 30 meters, allowing for detailed land cover analysis.\u003c/p\u003e\n"]]],["This compilation presents various land-use and land-cover datasets. Key actions include mapping global oil palm plantations for 2019, creating global land cover maps at 10m resolution for 2020 and 2021, and providing near-real-time land use/land cover data from 2015 to present. Other datasets offer information on land-cover change detection over 20 years, EU land-use surveys, a 2018 China terrace map, and probabilities of cocoa, palm, rubber trees, cultivated grasslands and dominant class of grasslands.\n"],null,[]]