- Veri Kümesi Kullanılabilirliği
- 2019-01-01T00:00:00Z–2019-12-31T00:00:00Z
- Veri Kümesi Üreticisi
- Biopama programı
- Etiketler
Açıklama
Veri kümesi, 2019 yılına ait 10 metre çözünürlüklü küresel bir endüstriyel ve küçük ölçekli yağ palmiyesi haritasıdır. Palmiye yağı plantasyonlarının tespit edildiği alanları kapsar. Sınıflandırılmış görüntüler, Sentinel-1 ve Sentinel-2 yarım yıllık kompozitlerine dayalı bir evrişimli nöral ağın çıkışıdır.
Ek bilgiler için makaleye bakın.
Bantlar
Bantlar
Piksel boyutu: 10 metre (tüm bantlar)
| Ad | Piksel Boyutu | Açıklama |
|---|---|---|
classification |
10 metre | Yağ palmiyesi sınıfı açıklaması |
classification Class Table (sınıflandırma sınıf tablosu)
| Değer | Renk | Açıklama |
|---|---|---|
| 1 | #ff0000 | Endüstriyel kapalı kanopili yağ palmiyesi plantasyonları |
| 2 | #ef00ff | Küçük ölçekli, kapalı kanopili yağ palmiyesi plantasyonları |
| 3 | #696969 | Kapalı kanopili yağ palmiyesi olmayan diğer arazi örtüleri ve/veya kullanımları. |
Kullanım Şartları
Kullanım Şartları
Alıntılar
Adrià, D., Serge, W., Erik, M., David, G., Stephen, P., & Zoltan, S. (2021). High resolution global industrial and smallholder oil palm map for 2019 (Version v1) [Data set]. Zenodo. doi:10.5281/zenodo.4473715
DOI'lar
Earth Engine ile Keşif
Kod Düzenleyici (JavaScript)
// Import the dataset; a collection of composite granules from 2019. var dataset = ee.ImageCollection('BIOPAMA/GlobalOilPalm/v1'); // Select the classification band. var opClass = dataset.select('classification'); // Mosaic all of the granules into a single image. var mosaic = opClass.mosaic(); // Define visualization parameters. var classificationVis = { min: 1, max: 3, palette: ['ff0000','ef00ff', '696969'] }; // Create a mask to add transparency to non-oil palm plantation class pixels. var mask = mosaic.neq(3); mask = mask.where(mask.eq(0), 0.6); // Display the data on the map. Map.addLayer(mosaic.updateMask(mask), classificationVis, 'Oil palm plantation type', true); Map.setCenter(-3.0175, 5.2745,12);
import ee import geemap.core as geemap
Colab (Python)
# Import the dataset a collection of composite granules from 2019. dataset = ee.ImageCollection('BIOPAMA/GlobalOilPalm/v1') # Select the classification band. op_class = dataset.select('classification') # Mosaic all of the granules into a single image. mosaic = op_class.mosaic() # Define visualization parameters. classification_vis = { 'min': 1, 'max': 3, 'palette': ['ff0000', 'ef00ff', '696969'], } # Create a mask to add transparency to non-oil palm plantation class pixels. mask = mosaic.neq(3) mask = mask.where(mask.eq(0), 0.6) # Display the data on the map. m = geemap.Map() m.add_layer( mosaic.updateMask(mask), classification_vis, 'Oil palm plantation type', True, ) m.set_center(-3.0175, 5.2745, 12) m