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…
EVI: Расширенный индекс растительности проекта «Атлас малярии» (8 раз в день, 1 км)
Базовым набором данных для этого продукта Enhanced Vegetation Index (EVI) являются изображения MODIS BRDF-скорректированные (MCD43B4), пропуски в которых были заполнены с помощью подхода, описанного в работе Weiss et al. (2014), для устранения пропусков данных, вызванных такими факторами, как облачность. После заполнения пропусков данные были обрезаны до…
EVI: Проект «Атлас малярии»: улучшенный индекс растительности (ежегодно 1 км)
Базовым набором данных для этого продукта Enhanced Vegetation Index (EVI) являются изображения MODIS BRDF-скорректированные (MCD43B4), пропуски в которых были заполнены с помощью подхода, описанного в работе Weiss et al. (2014), для устранения пропусков данных, вызванных такими факторами, как облачность. После заполнения пропусков данные были обрезаны до…
EVI: Расширенный индекс растительности проекта «Атлас малярии» (ежемесячно, 1 км)
Базовым набором данных для этого продукта Enhanced Vegetation Index (EVI) являются изображения MODIS BRDF-скорректированные (MCD43B4), пропуски в которых были заполнены с помощью подхода, описанного в работе Weiss et al. (2014), для устранения пропусков данных, вызванных такими факторами, как облачность. После заполнения пропусков данные были обрезаны до…
Набор данных Farmscapes 2020 предоставляет карты вероятности высокого разрешения (25 см) для трёх ключевых полуестественных объектов сельскохозяйственных ландшафтов Англии: живых изгородей, лесных массивов и каменных стен. Этот набор данных был разработан совместно с Центром восстановления природы Оксфорд-Леверхалм в качестве основы для различных приложений, включая…
Примечание: Этот набор данных ещё не прошёл рецензирование. Подробнее см. файл README на GitHub, связанный с этой моделью. На этом изображении представлена оценка попиксельного уровня (в диапазоне [0, 1]), которая показывает, занята ли данная область пикселя нетронутым лесом в 2020 году. Эти оценки…
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…
День последнего дня: Проект «Атлас малярии»: дневная температура поверхности земли (8-дневная, 1 км)
Данные о дневной температуре поверхности земли (LST) получены из данных MODIS MOD11A2 v6.1 с точностью измерения ~1 км. Восьмидневные составные данные преобразуются в градусы Цельсия, а затем заполняются пробелами с использованием подхода, описанного в работе Вайса и др. (2014), для устранения пропусков данных, вызванных такими факторами, как облачность. …
День последнего дня: Проект «Атлас малярии»: дневная температура поверхности земли (годовая на 1 км)
Данные о дневной температуре поверхности земли (LST) получены из данных MODIS MOD11A2 v6.1 с точностью измерения ~1 км. Восьмидневные составные данные преобразуются в градусы Цельсия, а затем заполняются пробелами с использованием подхода, описанного в работе Вайса и др. (2014), для устранения пропусков данных, вызванных такими факторами, как облачность. …
День последнего дня: Проект «Атлас малярии»: дневная температура поверхности земли (ежемесячно на 1 км)
Данные о дневной температуре поверхности земли (LST) получены из данных MODIS MOD11A2 v6.1 с точностью измерения ~1 км. Восьмидневные составные данные преобразуются в градусы Цельсия, а затем заполняются пробелами с использованием подхода, описанного в работе Вайса и др. (2014), для устранения пропусков данных, вызванных такими факторами, как облачность. …
Ночь LST: Заполненные пробелы проекта «Атлас малярии» (8-дневные данные на 1 км)
Данные о ночной температуре поверхности земли (LST) получены из данных MODIS MOD11A2 v6.1 с точностью измерения ~1 км. Восьмидневные составные данные преобразуются в градусы Цельсия, а затем заполняются пробелами с использованием подхода, описанного в работе Вайса и др. (2014), для устранения пропусков данных, вызванных такими факторами, как облачность. …
Ночь LST: Заполненные пробелы проекта «Атлас малярии» Ночная температура поверхности земли (годовая на 1 км)
Данные о ночной температуре поверхности земли (LST) получены из данных MODIS MOD11A2 v6.1 с точностью измерения ~1 км. Восьмидневные составные данные преобразуются в градусы Цельсия, а затем заполняются пробелами с использованием подхода, описанного в работе Вайса и др. (2014), для устранения пропусков данных, вызванных такими факторами, как облачность. …
Ночь LST: Заполненные пробелы проекта «Атлас малярии» (заполнение пробелов) Ночная температура поверхности земли (ежемесячно на 1 км)
Данные о ночной температуре поверхности земли (LST) получены из данных MODIS MOD11A2 v6.1 с точностью измерения ~1 км. Восьмидневные составные данные преобразуются в градусы Цельсия, а затем заполняются пробелами с использованием подхода, описанного в работе Вайса и др. (2014), для устранения пропусков данных, вызванных такими факторами, как облачность. …
Публичная предварительная версия концентрации MethaneSAT L3 V1.0.0
Этот ранний набор данных «Public Preview» содержит геопространственные данные об усреднённой по столбу молярной доле метана в сухом воздухе (XCH4), полученные по измерениям, выполненным с помощью спектрометра MethaneSAT. XCH4 определяется как общее количество (число молекул над единицей площади поверхности)…
Источники MethaneSAT L4 Area Public Preview V1.0.0
Модель выбросов метана из распределённых источников всё ещё находится в стадии разработки и не является репрезентативной для конечного продукта. Этот ранний набор данных для публичного просмотра содержит высокоточные данные о выбросах метана из распределённых источников. Эти данные о выбросах получены из Аппалачского, Пермского бассейнов и бассейна Юинта в…
Публичный просмотр источников MethaneSAT L4 V2.0.0
Модель выбросов метана из распределённых источников всё ещё находится в стадии разработки и не является репрезентативной для конечного продукта. Этот ранний набор данных для публичного просмотра содержит высокоточные данные о выбросах метана из распределённых источников. Эти данные о выбросах получены из Аппалачского, Пермского бассейнов и бассейна Юинта в…
Публичная предварительная версия точечных источников MethaneSAT L4 V1.0.0
Этот ранний набор данных для публичного просмотра содержит высокоточные данные о выбросах метана из дискретных точечных источников. Эти потоки выбросов метана были получены с помощью специализированной системы обнаружения и количественной оценки выбросов точечных источников, использующей высокое пространственное разрешение, широкий пространственный охват и высокую точность…
Высота верхней границы полога над поверхностью земли (модель высоты полога; CHM). CHM формируется на основе облака точек NEON LiDAR путем создания непрерывной поверхности оценок высоты полога по всей пространственной области лидарной съемки. …
Цифровые модели поверхности (ЦМП) и рельефа (ЦМР), полученные на основе данных лидара NEON. ЦМП: особенности поверхности (топографическая информация с указанием растительности и искусственных сооружений). ЦМР: высота рельефа (топографическая информация без учёта растительности и искусственных сооружений). Изображения представлены в метрах над уровнем моря…
Ортотрансформированные изображения камеры высокого разрешения (RGB) складывают в мозаику и выводят на фиксированную равномерную пространственную сетку с использованием метода ближайшего соседа; пространственное разрешение составляет 0,1 м. Цифровая камера входит в комплект приборов на платформе воздушного наблюдения NEON (AOP), которая также включает…
Двунаправленное отражение поверхности NEON AOP — это гиперспектральный продукт данных VSWIR (видимый и коротковолновый инфракрасный диапазон), содержащий 426 полос в диапазоне длин волн от ~380 до 2510 нм. Коэффициент отражения масштабируется с коэффициентом 10000. Длины волн в диапазоне 1340–1445 нм и 1790–1955 нм установлены…
Направленное отражение поверхности NEON AOP — это гиперспектральный VSWIR-продукт (видимый и коротковолновый инфракрасный), содержащий 426 полос в диапазоне длин волн от ~380 до 2510 нм. Отражение масштабируется с коэффициентом 10000. Длины волн в диапазоне 1340–1445 нм и 1790–1955 нм установлены…
Базовые карты программы спутниковых данных NICFI для мониторинга тропических лесов в Африке
Эта коллекция изображений обеспечивает доступ к спутниковому мониторингу тропиков с высоким разрешением, основная цель которого — сократить и обратить вспять процесс утраты тропических лесов, содействовать борьбе с изменением климата, сохранять биоразнообразие, содействовать возобновлению роста лесов, восстановлению и улучшению состояния лесов, а также содействовать устойчивому развитию, и все это…
Базовые карты программы спутниковых данных NICFI для мониторинга тропических лесов — Америка
Эта коллекция изображений обеспечивает доступ к спутниковому мониторингу тропиков с высоким разрешением, основная цель которого — сократить и обратить вспять процесс утраты тропических лесов, содействовать борьбе с изменением климата, сохранять биоразнообразие, содействовать возобновлению роста лесов, восстановлению и улучшению состояния лесов, а также содействовать устойчивому развитию, и все это…
Базовые карты программы спутниковых данных NICFI для мониторинга тропических лесов — Азия
Эта коллекция изображений обеспечивает доступ к спутниковому мониторингу тропиков с высоким разрешением, основная цель которого — сократить и обратить вспять процесс утраты тропических лесов, содействовать борьбе с изменением климата, сохранять биоразнообразие, содействовать возобновлению роста лесов, восстановлению и улучшению состояния лесов, а также содействовать устойчивому развитию, и все это…
«Естественные леса мира 2020» представляет собой глобальную карту вероятности появления естественных лесов в 2020 году с разрешением 10 метров. Она была разработана в поддержку таких инициатив, как Регламент Европейского союза по обезлесению (EUDR), и других усилий по сохранению и мониторингу лесов. Карта…
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…
TCB: Проект «Атлас малярии»: кепка с зазорами и кисточкой, яркость (8 раз в день, 1 км)
Этот набор данных Tasseled Cap Brightness (TCB) с заполненными пропусками был создан путём применения уравнений Tasseled Cap, описанных в работе Lobser и Cohen (2007), к снимкам MODIS BRDF (MCD43B4). Полученные данные были заполнены пропусками с использованием подхода, описанного в работе Weiss et al. (2014), для устранения пропусков, вызванных…
TCB: Проект «Атлас малярии»: яркость кепки с кисточками и зазорами (ежегодно на 1 км)
Этот набор данных Tasseled Cap Brightness (TCB) с заполненными пропусками был создан путём применения уравнений Tasseled Cap, описанных в работе Lobser и Cohen (2007), к снимкам MODIS BRDF (MCD43B4). Полученные данные были заполнены пропусками с использованием подхода, описанного в работе Weiss et al. (2014), для устранения пропусков, вызванных…
TCB: Проект «Атлас малярии»: яркость кепки с кисточками и зазорами (ежемесячно 1 км)
Этот набор данных Tasseled Cap Brightness (TCB) с заполненными пропусками был создан путём применения уравнений Tasseled Cap, описанных в работе Lobser и Cohen (2007), к снимкам MODIS BRDF (MCD43B4). Полученные данные были заполнены пропусками с использованием подхода, описанного в работе Weiss et al. (2014), для устранения пропусков, вызванных…
TCW: Проект «Атлас малярии»: кепка с кисточкой, заполняющая щели, для влажной среды (8 раз в день, 1 км)
Этот набор данных Tasseled Cap Wetness (TCW) с заполненными пропусками был создан путём применения уравнений Tasseled Cap, описанных в работе Lobser и Cohen (2007), к снимкам MODIS BRDF (MCD43B4). Полученные данные были заполнены пропусками с использованием подхода, описанного в работе Weiss et al. (2014), для устранения пропусков, вызванных…
TCW: Проект «Атлас малярии»: кепка с кисточкой, заполняющая щели, и влажная (ежегодно 1 км)
Этот набор данных Tasseled Cap Wetness (TCW) с заполненными пропусками был создан путём применения уравнений Tasseled Cap, описанных в работе Lobser и Cohen (2007), к снимкам MODIS BRDF (MCD43B4). Полученные данные были заполнены пропусками с использованием подхода, описанного в работе Weiss et al. (2014), для устранения пропусков, вызванных…
TCW: Проект «Атлас малярии»: кепка с кисточкой, заполняющая щели, для влажной среды (ежемесячно 1 км)
Этот набор данных Tasseled Cap Wetness (TCW) с заполненными пропусками был создан путём применения уравнений Tasseled Cap, описанных в работе Lobser и Cohen (2007), к снимкам MODIS BRDF (MCD43B4). Полученные данные были заполнены пропусками с использованием подхода, описанного в работе Weiss et al. (2014), для устранения пропусков, вызванных…
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…
WeatherNext Gen — это экспериментальный набор данных среднесрочных ансамблевых прогнозов погоды, созданный с помощью рабочей версии ансамблевой метеорологической модели Google DeepMind, основанной на диффузии. Экспериментальный набор данных включает данные в режиме реального времени и исторические данные. Данные в режиме реального времени — это любые данные, относящиеся к моменту времени, который не…
WeatherNext Graph — это экспериментальный набор данных глобальных среднесрочных прогнозов погоды, созданный с помощью рабочей версии графической нейросетевой метеорологической модели Google DeepMind. Экспериментальный набор данных включает данные в режиме реального времени и исторические данные. Данные в режиме реального времени — это любые данные, относящиеся к моменту времени, который не…
[null,null,[],[[["\u003cp\u003eThis collection of datasets offers a variety of environmental monitoring tools, including probability models for cocoa, palm, and rubber tree occupation, as well as a forest persistence score.\u003c/p\u003e\n"],["\u003cp\u003eIncluded are global weather forecasts, Australian land cover classifications, and grassland probabilities, along with high-resolution tropical forest monitoring basemaps.\u003c/p\u003e\n"],["\u003cp\u003eSeveral datasets leverage LiDAR and hyperspectral data to provide detailed information on canopy height, digital elevation, and surface reflectance.\u003c/p\u003e\n"],["\u003cp\u003eMany datasets are provided by organizations such as Forest Data Partnership, Geoscience Australia, Global Pasture Watch, and NEON, and may be pre-review or experimental.\u003c/p\u003e\n"],["\u003cp\u003eThese datasets can be utilized for various applications, including biodiversity conservation, deforestation monitoring, land use planning, and climate change research.\u003c/p\u003e\n"]]],[],null,[]]
