Оптимизируйте свои подборки
Сохраняйте и классифицируйте контент в соответствии со своими настройками.
Модель вероятности какао 2025a
Примечание: Этот набор данных ещё не прошёл рецензирование. Подробнее см. в файле README на GitHub. Эта коллекция изображений показывает оценочную вероятность того, что данная область занята товаром, с точностью до пикселя. Оценки вероятности получены с разрешением 10 метров и были получены…
Примечание: Этот набор данных ещё не прошёл рецензирование. Подробнее см. в файле README на GitHub. Эта коллекция изображений показывает оценочную вероятность того, что данная область занята товаром, с точностью до пикселя. Оценки вероятности получены с разрешением 10 метров и были получены…
Этот набор данных представляет собой карту террас Китая с разрешением 30 м, созданную в 2018 году. Он был разработан с помощью контролируемой пиксельной классификации с использованием данных из разных источников и в разные временные периоды на платформе Google Earth Engine. Общая точность и коэффициент каппа достигли 94% и 0,72 соответственно. Это первое…
Dynamic World — это 10-минутный набор данных о землепользовании и земельном покрове (LULC), работающий в режиме, близком к реальному времени (NRT), который включает вероятности классов и информацию о маркировке для девяти классов. Прогнозы Dynamic World доступны для коллекции Sentinel-2 L1C с 27 июня 2015 г. по настоящее время. Периодичность обновления Sentinel-2 составляет от 2 до 5 дней…
Продукт WorldCover 10m 2020 Европейского космического агентства (ESA) представляет собой глобальную карту растительного покрова на 2020 год с разрешением 10 м, основанную на данных Sentinel-1 и Sentinel-2. Продукт WorldCover содержит 11 классов растительного покрова и был создан в рамках…
Продукт WorldCover 10m 2021 Европейского космического агентства (ESA) представляет собой глобальную карту растительного покрова на 2021 год с разрешением 10 м, основанную на данных Sentinel-1 и Sentinel-2. Продукт WorldCover содержит 11 классов растительного покрова и был создан в рамках…
Ежегодный доминирующий класс пастбищ GPW, версия 1
Этот набор данных содержит глобальные ежегодные карты доминантных классов лугов (культивируемых и естественных/полуестественных) с 2000 по 2022 год с пространственным разрешением 30 м. Карта, составленная в рамках инициативы Land & Carbon Lab Global Pasture Watch, включает в себя все типы земельного покрова, занимающие не менее 30%…
Ежегодные вероятности появления возделываемых пастбищ, GPW, версия 1
Этот набор данных содержит глобальные ежегодные карты вероятности распространения возделываемых пастбищ с 2000 по 2022 год с пространственным разрешением 30 м. Карта, составленная в рамках инициативы Land & Carbon Lab Global Pasture Watch, включает в себя любой тип земельного покрова, содержащий не менее 30% сухих или…
Ежегодная вероятность появления естественных/полуестественных пастбищ (GPW, версия 1)
Этот набор данных содержит глобальные ежегодные карты вероятности естественных/полуестественных пастбищ с 2000 по 2022 год с пространственным разрешением 30 м. Карта, составленная в рамках инициативы Land & Carbon Lab Global Pasture Watch, включает в себя любой тип земельного покрова, содержащий не менее 30% сухих или…
Годовая некалиброванная валовая первичная продуктивность (uGPP) GPW, версия 1
Этот набор данных содержит глобальные некалиброванные данные о валовой первичной продуктивности на основе данных ЭО с 2000 года с пространственным разрешением 30 м. Текущий набор данных, созданный в рамках инициативы Land & Carbon Lab Global Pasture Watch, содержит значения валовой первичной продуктивности (ВПП) по всему миру с пространственным разрешением 30 м с 2000 года. Значения ВПП…
Набор данных представляет собой глобальную карту промышленных и мелких плантаций масличной пальмы с охватом 10 м за 2019 год. Она охватывает районы, где были обнаружены плантации масличной пальмы. Классифицированные изображения получены с помощью сверточной нейронной сети на основе полугодовых композитов Sentinel-1 и Sentinel-2. Подробнее см. в статье…
Сегменты CCDC на базе данных Google Global Landsat (1999–2019)
Эта коллекция содержит предварительно вычисленные результаты, полученные с помощью алгоритма обнаружения и классификации непрерывных изменений (CCDC) на основе данных об отражательной способности поверхности Landsat за 20 лет. CCDC — это алгоритм поиска точек разрыва, использующий гармоническую аппроксимацию с динамическим порогом среднеквадратичной ошибки (RMSE) для обнаружения точек разрыва во временных рядах данных. …
LUCAS Copernicus (Многоугольники с атрибутами, 2018) V1
Система обследования земельного покрова и площади земельных угодий (LUCAS) в Европейском союзе (ЕС) была создана для сбора статистической информации. Она представляет собой трёхгодичный сбор данных о земельном покрове и землепользовании на месте, охватывающий всю территорию ЕС. LUCAS собирает информацию о земельном покрове и…
LUCAS Harmonized (теоретическое местоположение, 2006-2018) V1
Система обследования земельного покрова и площади земельных угодий (LUCAS) в Европейском союзе (ЕС) была создана для сбора статистической информации. Она представляет собой трёхгодичный сбор данных о земельном покрове и землепользовании на месте, охватывающий всю территорию ЕС. LUCAS собирает информацию о земельном покрове и…
Примечание: Этот набор данных ещё не прошёл рецензирование. Подробнее см. в файле README на GitHub. Эта коллекция изображений показывает оценочную вероятность того, что данная область занята товаром, с точностью до пикселя. Оценки вероятности получены с разрешением 10 метров и были получены…
Примечание: Этот набор данных ещё не прошёл рецензирование. Подробнее см. в файле README на GitHub. Эта коллекция изображений показывает оценочную вероятность того, что данная область занята товаром, с точностью до пикселя. Оценки вероятности получены с разрешением 10 метров и были получены…
Система мониторинга изменений ландшафта USFS v2024.10 (CONUS и OCONUS)
Этот продукт входит в набор данных Системы мониторинга изменений ландшафта (LCMS). Он отображает смоделированные LCMS изменения, почвенный покров и/или классы землепользования для каждого года и охватывает континентальную часть США (CONUS), а также территории за пределами CONUS (OCONUS), включая Аляску (AK), Пуэрто-Рико…
WRI/Google DeepMind Глобальные факторы потери лесов 2001-2022 v1.0
Этот набор данных отображает основные факторы сокращения лесного покрова в глобальном масштабе с 2001 по 2022 год с разрешением 1 км. Данные, подготовленные Институтом мировых ресурсов (WRI) и Google DeepMind, были разработаны с использованием глобальной нейронной сети (ResNet), обученной на наборе образцов, собранных…
WRI/Google DeepMind Глобальные факторы потери лесов 2001-2023 v1.1
Этот набор данных отображает основные факторы сокращения лесного покрова в период с 2001 по 2023 год по всему миру с разрешением 1 км. Данные, подготовленные Институтом мировых ресурсов (WRI) и Google DeepMind, были разработаны с использованием глобальной нейронной сети (ResNet), обученной на наборе образцов, собранных…
WRI/Google DeepMind Глобальные факторы потери лесов 2001-2024 v1.2
Этот набор данных отображает основные факторы сокращения лесного покрова в период с 2001 по 2024 год по всему миру с разрешением 1 км. Данные, подготовленные Институтом мировых ресурсов (WRI) и Google DeepMind, были разработаны с использованием глобальной нейронной сети (ResNet), обученной на наборе образцов, собранных…
[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,[]]
