GEE 10m 全球 LULC 数据集 ESRI Land Cover

土地利用土地覆盖(LULC)地图在许多行业部门和发展中国家越来越成为决策者的重要工具。这些地图提供的信息有助于通过更好地理解和量化地球过程和人类活动的影响,从而制定政策和土地管理决策。


ESRI Land Cover 数据介绍

ArcGIS Living Atlas of the World 提供了详细、准确且及时的全球 LULC 地图。该数据是 Esri 和 Impact Observatory 合作的结果。有关数据的更多信息,请参阅 Sentinel-2 10 米土地利用/土地覆盖时间序列。

  • 网站访问链接:https://livingatlas.arcgis.com/landcoverexplorer/

  • 土地利用/土地覆盖(LULC)地图的重要性:

    • 土地利用/土地覆盖(LULC)地图是分析师和决策者在政府、民间社会、工业和金融领域中监测全球环境变化和衡量可持续生计与发展的风险时所需的基础地理空间数据产品。对高层次、自动化的地理空间分析产品有着强烈的需求,这些产品能够将像素转化为非地理空间专家可操作的见解。
  • Sentinel-2 卫星的优势:

    • Sentinel-2 卫星自2015年中期首次发射以来,凭借其高空间分辨率、光谱分辨率和时间分辨率,成为 LULC 制图的优秀候选者。深度学习和可扩展的云计算进步如今提供了所需的分析能力,能够解锁全球卫星影像观测的价值。
  • 利用深度学习创建全球 LULC 地图:

    • 基于一个包含超过 50 亿个人工标记 Sentinel-2 像素的全新大型数据集,我们开发并部署了一种深度学习分割模型,以10米分辨率在 Sentinel-2 数据上创建全球 LULC 地图。该地图实现了最先进的精度,并使时间序列观测的自动化 LULC 制图成为可能。

数据研制流程

  • 论文参考链接:https://ieeexplore.ieee.org/document/9553499/

K. Karra, C. Kontgis, Z. Statman-Weil, J. C. Mazzariello, M. Mathis and S. P. Brumby, “Global land use / land cover with Sentinel 2 and deep learning,” 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS, Brussels, Belgium, 2021, pp. 4704-4707, doi: 10.1109/IGARSS47720.2021.9553499. keywords: {Deep learning;Industries;Image segmentation;Satellites;Time series analysis;Government;Geoscience and remote sensing;land use land cover;deep learning;segmentation;Sentinel 2},

1 训练数据

  1. 全球、地理平衡的训练数据集

    • 使用了超过 24,000 个 5 公里 × 5 公里的图像片段。
    • 图像片段被手工标记为十个类别:水、树木、草、被淹没的植被、农作物、灌木丛/灌木丛、建筑区域、裸露地面、雪/冰和云。
    • 数据集采用随机分层抽样方法,从 14 个主要生物群落中收集。
  2. 密集标记方法

    • 注释者使用密集标记方法代替单像素标签。
    • 在场景中的各个要素类周围绘制矢量边界。
    • 密集标记使深度学习算法能够探索图像的空间和光谱特征,并且比单像素注释更快地恢复每个像素的标签。

2. 模型开发

  1. UNet 模型训练

    • 使用上述手工标记数据,从头训练了一个大型 UNet 模型。
      • UNet 是一种卷积神经网络架构,最初为生物医学图像分割而开发,也被证明在卫星图像的语义分割任务中有效。
  2. 分割任务

    • 将分割任务表述为一个逐像素分类问题。
    • 包含前述的十个类别以及一个针对未标记像素的额外“无数据”类别。
    • 利用分类交叉熵损失函数,并使用基于每个类别百分比比例的逆对数加权来处理数据集中的类别不平衡问题。

  1. 使用的 Sentinel-2 波段

    • 使用 Sentinel-2 L2A 表面反射校正影像的六个波段(红、绿、蓝、nir、swir1、swir2)。
    • 每个波段都转换为浮点数并在 0 和 1 之间缩放。
  2. 数据增强

    • 通过随机垂直和水平翻转图像进行数据增强。
    • 这样可以引入更多地理模式变化。
  3. 防止过度拟合

    • 在训练期间采用 dropout 技术,在每个批次中随机关闭 UNet 中 20% 的神经元。
      • dropout:一种防止神经网络过度拟合的技术,通过随机丢弃神经元来实现。
  4. 训练过程

    • 该模型经过 100 个 epoch 的训练才收敛。
      • epoch:机器学习中完成一次训练数据集迭代的过程。
    • 采用阶梯式学习率,在验证损失趋于稳定后,学习率会下降一个数量级。

结果表明,借助强大的训练数据集和深度学习模型,可以创建分辨率为 10 米的全球一致的 LULC 地图。我们的模型在十个类别中实现了 85% 的整体准确度,并且考虑到主要混淆因素具有直观意义,我们相信全球地图具有科学依据且实用。未来仍有几个有希望的改进途径。例如,包括 Sentinel-1 辐射校正地面范围检测 (GRD) 数据可以帮助处理所有类别,特别是在区分被淹没的植被与农田以及裸露与灌木丛/灌木方面。此外,添加时间序列特征(如一年内植被健康状况的测量值)可以区分草地、农作物和灌木丛/灌木。
对于表现较差的类别(例如草地、被淹没的植被),额外收集手工标记的训练数据以提供更多跨地域的此类示例可能会提高准确率。我们还计划试验模型架构、类别权重和其他数据增强技术,以提高模型性能和泛化能力。


GEE 使用数据集

以武汉为显示中心,ESRI Global-LULC 10m显示如下:

完整代码

// 加载 ESRI Land Cover 数据集
var esri_lulc10 = ee.ImageCollection("projects/sat-io/open-datasets/landcover/ESRI_Global-LULC_10m");

// 设置可视化参数
var visualization = {
  bands: ['b1'],
  min: 1,
  max: 10,
  palette: [
    '1A5BAB', // 水
    '358221', // 树木
    'A7D282', // 草
    '87D19E', // 被淹没的植被
    'FFDB5C', // 农作物
    'EECFA8', // 灌木丛/灌木丛
    'ED022A', // 建筑区域
    'EDE9E4', // 裸露地面
    'F2FAFF', // 雪/冰
    'C8C8C8'  // 云
  ]
};

// 定义武汉的区域
var wuhan = ee.Geometry.Rectangle([113.6938, 29.9701, 115.0227, 31.2198]);

// 裁剪函数
function clip(image) {
  return image.clip(wuhan);
}

// 裁剪数据集
var clippedEsriLulc10 = esri_lulc10.map(clip);

// 将裁剪后的 ESRI Land Cover 数据集添加到地图
Map.addLayer(clippedEsriLulc10.mosaic(), visualization, 'ESRI Land Cover - Wuhan');

// 设置地图中心和缩放级别以显示湖北武汉
Map.setCenter(114.3055, 30.5928, 10); // 经度、纬度、缩放级别

代码说明

  1. 加载数据集

    var esri_lulc10 = ee.ImageCollection("projects/sat-io/open-datasets/landcover/ESRI_Global-LULC_10m");
    

    使用 ee.ImageCollection 函数加载 ESRI Land Cover 数据集。

  2. 设置可视化参数

    var visualization = {
      bands: ['b1'],
      min: 1,
      max: 10,
      palette: [
        '1A5BAB', // 水
        '358221', // 树木
        'A7D282', // 草
        '87D19E', // 被淹没的植被
        'FFDB5C', // 农作物
        'EECFA8', // 灌木丛/灌木丛
        'ED022A', // 建筑区域
        'EDE9E4', // 裸露地面
        'F2FAFF', // 雪/冰
        'C8C8C8'  // 云
      ]
    };
    

    设置显示图层的波段、颜色范围和颜色调色板。

  3. 定义武汉的区域

    var wuhan = ee.Geometry.Rectangle([113.6938, 29.9701, 115.0227, 31.2198]);
    

    使用 ee.Geometry.Rectangle 函数定义武汉的区域。

  4. 裁剪函数

    function clip(image) {
      return image.clip(wuhan);
    }
    

    定义一个裁剪函数,将图像裁剪到武汉区域。

  5. 裁剪数据集

    var clippedEsriLulc10 = esri_lulc10.map(clip);
    

    使用 map 函数对数据集进行裁剪。

  6. 将裁剪后的数据集添加到地图

    Map.addLayer(clippedEsriLulc10.mosaic(), visualization, 'ESRI Land Cover - Wuhan');
    

    使用 Map.addLayer 函数将裁剪后的数据集添加到地图。

  7. 设置地图中心和缩放级别

    Map.setCenter(114.3055, 30.5928, 10);
    

    使用 Map.setCenter 函数设置地图中心为湖北武汉的经度(114.3055)和纬度(30.5928),缩放级别为 10。

ESRI Land Cover数据集是一个强大的资源,它在GEE平台上的应用为研究人员和决策者提供了深入洞察地球表面变化的能力。通过本博客的介绍,可以开始在GEE中探索和分析ESRI Land Cover数据集,以支持研究和项目。

如果这对您有所帮助,希望点赞支持一下作者! 😊

点击查看原文

file

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/669081.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

NIUSHOP多商户V6版预售背后的前端技术革新

随着电子商务的快速发展,多商户电商平台成为了市场上的热门选择。在这个背景下,NIUSHOP多商户V6版的预售活动引发了广泛关注。本文将从前端技术的角度,探讨NIUSHOP多商户V6版在预售背后所蕴含的技术革新和亮点。 一、引言 NIUSHOP多商户系统…

关于Maven环境变量配置的报错The JAVA_HOME environment variable is not defined correctly的解决

天行健,君子以自强不息;地势坤,君子以厚德载物。 每个人都有惰性,但不断学习是好好生活的根本,共勉! 文章均为学习整理笔记,分享记录为主,如有错误请指正,共同学习进步。…

Vue进阶之Vue无代码可视化项目(二)

Vue无代码可视化项目 项目初始化路由子路由错误示范正确示范App.vuerouter/index.tsAboutView.vueAboutAboutview.vuerouter/index.ts项目路由router/index.tsApp.vueActionsView.vueDataSourceView.vueLayoutView.vue路由样式App.vue进一步的App.vue项目初始化 路由 router i…

VLAN的概念及优势

文章目录 VLAN的概念及优势分割广播域 广播域vlanVLAN的优势 VLAN的种类静态VLAN动态VLAN 静态VLAN的配置静态VLAN范围配置静态VLAN的步骤 TRUNK介绍与配置三层交换机转发原理三层交换技术mls基于CEF的MLSCEF是一种基于拓补转发的模型 三层交换机的配置层 VLAN的概念及优势 分…

6. MySQL 查询、去重、别名

文章目录 【 1. 数据表查询 SELECT 】1.1 查询表中所有字段使用 * 查询表的所有字段列出表的所有字段 1.2 查询表中指定的字段 【 2. 去重 DISTINCT 】【 3. 设置别名 AS 】3.1 为表指定别名3.2 为字段指定别名 【 5. 限制查询结果的条数 LIMIT 】5.1 指定初始位置5.2 不指定初…

【详细讲解版】史上最全transformer面试题

史上最全transformer面试题答案 1.Transformer为何使用多头注意力机制?(为什么不使用一个头)2.Transformer为什么Q和K使用不同的权重矩阵生成,为何不能使用同一个值进行自身的点乘?3.Transformer计算attention的时候为…

Excel 将分组头信息填入组内明细行

Excel由多个纵向的分组表组成,组之间由空白行隔开,每组第1、2行的第2格是分组表头,第3行是列头,第1列和第6列数据是空白的: ABCDEF1ATLANTIC SPIRIT2Looe3VesselSpeciesSizeKgDateLocation4POLLACK22.523/04/20245POL…

内网-win1

一、概述 1、工作组:将不同的计算机按功能(或部门)分别列入不同的工作组 (1)、查看(windows) 查看当前系统中所有用户组:打开命令行--》net localgroup查看组中用户:打开命令行 --》net localgroup 后接组名查看用户…

进程与线程(一)

进程与线程(一) 理解什么是并发编程进程的相关概念什么是进程对比进程和程序理解进程是一个独立的可调度的任务理解进程是程序执行和资源管理的最小单位进程状态转换图进程的种类 进程相关命令进程状态标志ps命令-aux:-axj:(可以查看到进程的PPID)pstree…

【通信专题】I2C通信硬件概述

通信协议在组织设备之间通信时扮演着重要角色。它基于系统要求而以不同方式进行设计。此类协议具有明确的、为实现成功通信而协商一致的规则。 I2C历史 I2C,即Inter-Integrated Circuit,是一种常用的串行通信协议。I2C总线创建于1982年,由飞利浦公司设计,旨在利用简单、稳…

APISIX的安装与测试(springboot服务测试)

安装: 1.1安装依赖: curl https://raw.githubusercontent.com/apache/apisix/master/utils/install-dependencies.sh -sL | bash -1.2 安装 OpenResty yum-config-manager --add-repo https://openresty.org/package/centos/openresty.reposudo yum i…

Java关键字详解

文章目录 什么是关键字?数据类型(10个)byte、char、boolean、short、int、float、long、double、void、enum 流程控制(12个)if、else、do、while、for 、switch、case、assertbreak(跳出循环)co…

[有监督学习] 8.详细图解神经网络

神经网络 一直以来,人们都认为神经网络(Neural Network,NN)是模仿生物体的神经网络设计而成的。神经网络既可以用于回归,也可以用于分类,但在实际应用中常用于分类。基于神经网络的深 度学习因在图像识别和…

五分钟“手撕”栈

实现代码放开头,供大家学习与查阅 目录 一、实现代码 二、什么是栈 三、栈的常见操作 底层实现是链表。 入栈 出栈 四、Stack的使用 五、栈的习题 第一题 第二题 第三题 第四题 第五题 第六题 第七题 六、栈、虚拟机栈、栈帧的区别 目录 一、…

Python的第三方库OS库

读者大大们好呀!!!☀️☀️☀️ 🔥 欢迎来到我的博客 👀期待大大的关注哦❗️❗️❗️ 🚀欢迎收看我的主页文章➡️寻至善的主页 文章目录 🔥前言🚀OS/SHUTIL 的方法描述🚀OS/SHUTIL…

Streamsets-JDBC模式使用更新时间字段数据同步

StreamSets的开源地址:https://github.com/streamsets/datacollector-oss Streamsets官网地址:https://streamsets.com/ Streamsets文档地址:https://docs.streamsets.com/portal/datacollector/3.16.x/help/index.html 我又来写Streamsets了…

安全测试扫描利器-Burpsuite

🔥 交流讨论:欢迎加入我们一起学习! 🔥 资源分享:耗时200小时精选的「软件测试」资料包 🔥 教程推荐:火遍全网的《软件测试》教程 📢欢迎点赞 👍 收藏 ⭐留言 &#x1…

全自动打包封箱机:解析其在产品质量与安全保障方面的作用

在当今快节奏的生产环境中,全自动打包封箱机以其高效、精准的特点,正逐渐成为生产线上的得力助手。它不仅提升了生产效率,更在产品质量与安全保障方面发挥着举足轻重的作用。星派将详细解析全自动打包封箱机在产品质量与安全保障方面的作用。…

自监督表示学习和神经音频合成实现语音修复

关键词:语音修复、自监督模型、语音合成、语音增强、神经声码器 语音和/或音频修复的目标是增强局部受损的语音和/或音频信号。早期的工作基于信号处理技术,例如线性预测编码、正弦波建模或图模型。最近,语音/音频修复开始使用深度神经网络&a…

Qt | QSplitter(分离器或分隔符)、QSplitterHandle 类(分界线)

​01、一、QSplitter 类(分离器) 1、QSplitter 类继承自 QFrame 类,也就是说该类是一个带有边框的可视部件。 2、QSplitter 类实现分离器,分离器用于分离两个部件,用户可通过拖动部件之间的分界线来调整子部件的大小。 3、QSplitter 的原理(见上图):QSplitter 的实现原理…