GEE数据集：加拿大森林生态系统高分辨率年度林地覆盖图（1984-2022 年）

2024-09-12 11:30:57 浏览数 (3)

加拿大森林生态系统高分辨率年度林地覆盖图（1984-2022 年）

简介

年度时间序列森林土地覆被图是全国性的（整个 6.5 亿公顷的森林生态系统），代表了从 1984 年到 2022 年每年从墙到墙的土地覆被特征。 这些时间序列土地覆被图是按照 Hermosilla 等人（2022 年）所述的框架，根据 Landsat 图像合成的年度时间序列、森林变化信息以及辅助地形和水文数据制作的，该框架借鉴了 Hermosilla 等人（2018 年）介绍的方法。 方法上的创新包括：(i) 利用机载和空载森林结构测量方法，从现有土地覆被产品中提取精炼训练池；(ii) 利用距离加权法，按土地覆被分布比例选择训练样本；(iii) 利用 150x150 千米平铺系统生成区域分类模型。 利用干扰信息对地图进行后处理，以确保使用隐马尔可夫模型随时间进行合理的等级转换。 隐马尔可夫模型评估各个年份的类别似然性，以减少逐年类别分配中的变异性和可能的噪音（在类别似然性相似的情况下）。 有关所应用的数据、图像处理和时间序列变化检测方法的概述，以及有关数据独立准确性评估的信息，请参见 Hermosilla 等人（2022 年）第 112780 号。 DOI: https://doi.org/10.1016/j.rse.2021.112780 和 Hermosilla et al. (2018) https://www.tandfonline.com/doi/full/10.1080/07038992.2018.1437719

这些数据代表了 1984-2022 年加拿大森林生态系统的年度林地覆盖情况。 使用 8 月 1 日至 30 日的图像合成窗口生成最佳可用像素 (BAP) 图像合成，作为土地覆被分类的源数据。 加拿大自然资源部加拿大森林局与不列颠哥伦比亚大学合作，在加拿大航天局的支持下，利用加拿大计算公司 WestGrid 的处理能力，开发了科学和方法来生成本文所示的信息成果，以跟踪和描述加拿大森林的历史。

数据集说明

空间信息

#686868

Class Code: 0

Unclassified

#3333ff

Class Code: 20

Water

#ccffff

Class Code: 31

Snow/Ice

#cccccc

Class Code: 32

Rock/Rubble

#996633

Class Code: 33

Exposed/Barren Land

#ffccff

Class Code: 40

Bryoids

#ffff00

Class Code: 50

Shrubs

#993399

Class Code: 80

Wetland

#9933cc

Class Code: 81

Wetland Treed

#ccff33

Class Code: 100

Herbs

#006600

Class Code: 210

Coniferous

#00cc00

Class Code: 220

Broad Leaf

#cc9900

Class Code: 230

Mixedwood

分类结果

代码

代码语言：javascript复制
var ca_lc = ee.ImageCollection("projects/sat-io/open-datasets/CA_FOREST_LC_VLCE2");
var ca_lc_last = ee.Image(ca_lc.sort('system:time_start',false).first());

var from = [0, 20, 31, 32, 33, 40, 50, 80, 81, 100, 210, 220, 230];
var to =   [0, 1,  2,  3,  4,  5,  6,  7,  8,  9,   10,  11,  12 ];
ca_lc_last = ca_lc_last.remap(from, to);

print("Reclassed values:");
print({"from": from, "to": to});

// Define a dictionary which will be used to make legend and visualize image on map
var dict = {
  "names": [
  "Unclassified",
  "Water",
  "Snow/Ice",
  "Rock/Rubble",
  "Exposed/Barren land",
  "Bryoids",
  "Shrubs",
  "Wetland",
  "Wetland-treed",
  "Herbs",
  "Coniferous",
  "Broadleaf",
  "Mixedwood"
  ],
  "colors": [
    "#686868",
    "#3333ff",
    "#ccffff",
    "#cccccc",
    "#996633",
    "#ffccff",
    "#ffff00",
    "#993399",
    "#9933cc",
    "#ccff33",
    "#006600",
    "#00cc00",
    "#cc9900"
  ]};

// Create a panel to hold the legend widget
var legend = ui.Panel({
  style: {
    position: 'bottom-left',
    padding: '8px 15px'
  }
});

// Function to generate the legend
function addCategoricalLegend(panel, dict, title) {

  // Create and add the legend title.
  var legendTitle = ui.Label({
    value: title,
    style: {
      fontWeight: 'bold',
      fontSize: '18px',
      margin: '0 0 4px 0',
      padding: '0'
    }
  });
  panel.add(legendTitle);

  var loading = ui.Label('Loading legend...', {margin: '2px 0 4px 0'});
  panel.add(loading);

  // Creates and styles 1 row of the legend.
  var makeRow = function(color, name) {
    // Create the label that is actually the colored box.
    var colorBox = ui.Label({
      style: {
        backgroundColor: color,
        // Use padding to give the box height and width.
        padding: '8px',
        margin: '0 0 4px 0'
      }
    });

    // Create the label filled with the description text.
    var description = ui.Label({
      value: name,
      style: {margin: '0 0 4px 6px'}
    });

    return ui.Panel({
      widgets: [colorBox, description],
      layout: ui.Panel.Layout.Flow('horizontal')
    });
  };

  // Get the list of palette colors and class names from the image.
  var palette = dict['colors'];
  var names = dict['names'];
  loading.style().set('shown', false);

  for (var i = 0; i < names.length; i  ) {
    panel.add(makeRow(palette[i], names[i]));
  }

  Map.add(panel);

}


/*
  // Display map and legend ///
*/

// Add the legend to the map
addCategoricalLegend(legend, dict, 'CA Annual forest LC map 2019');

Map.setCenter(-97.61655457157725,55.6280720462063,4)

// Add image to the map
Map.addLayer(ca_lc_last.mask(ca_lc_last.neq(0)), {min:0, max:12, palette:dict['colors']}, 'CA Annual forest LC map 2019')

代码链接

https://code.earthengine.google.com/?scriptPath=users/sat-io/awesome-gee-catalog-examples:agriculture-vegetation-forestry/CA-FORESTED-ECOSYSTEM-LC

引用

Hermosilla, T., Wulder, M.A., White, J.C., Coops, N.C., 2022. Land cover classification in an era of big and open data: Optimizing localized implementation and training data selection to improve mapping outcomes. Remote Sensing of Environment. No. 112780. [Hermosilla et al. 2022](https://www.sciencedirect.com/science/article/pii/S0034425721005009)

Hermosilla, T., Wulder, M.A., White, J.C., Coops, N.C., 2022. Land cover classification in an era of big and open data: Optimizing localized implementation and training data selection to improve mapping outcomes. Remote Sensing of Environment. No. 112780. DOI: https://doi.org/10.1016/j.rse.2022.112780 [Open Access]

许可

本作品采用加拿大开放式政府许可协议 (http://open.canada.ca/en/open-government-licence-canada) 进行许可，并可免费向公众开放。创作者：Hermosilla et al： Hermosilla et al： Samapriya Roy 关键词 土地覆盖；分类；机器学习；土地覆盖变化；大地遥感卫星；激光雷达；ICESat-2 最近更新于 GEE： 2024-08-29

网址推荐

0代码在线构建地图应用

https://www.mapmost.com/#/?source_inviter=CnVrwIQs

机器学习

https://www.cbedai.net/xg

框架 模型 数据 机器学习 地图

0 人点赞