FireCCI51: MODIS Fire_cci Burned Area Pixel Product, Version 5.1

ESA/CCI/FireCCI/5_1
ডেটাসেটের উপলভ্যতা
2001-01-01T00:00:00Z–2020-12-01T00:00:00Z
ডেটাসেট প্রোডিউসার
Earth Engine স্নিপেট
ee.ImageCollection("ESA/CCI/FireCCI/5_1")
ক্যাডেন্স
১ মাস
ট্যাগ
burn cci climate-change copernicus esa fire fragmentation geophysical global human-modification landcover landscape-gradient modis monthly stressors
c3s
firecci
firecci51
gcos

বিবরণ

MODIS Fire_cci Burned Area পিক্সেল প্রোডাক্ট ভার্সন ৫.১ (FireCCI51) হল একটি মাসিক গ্লোবাল ~২৫০মি স্পেশিয়াল রেজোলিউশন ডেটাসেট যার মধ্যে পুড়ে যাওয়া এলাকা এবং আনুষঙ্গিক ডেটা সম্পর্কিত তথ্য রয়েছে। এটি Terra স্যাটেলাইটের MODIS যন্ত্র থেকে নিয়ার ইনফ্রারেড (NIR) ব্যান্ডের সারফেস রিফ্লেক্ট্যান্সের উপর ভিত্তি করে তৈরি করা হয়েছে। এর পাশাপাশি, Terra এবং Aqua স্যাটেলাইটের একই সেন্সর থেকে পাওয়া সক্রিয় আগুনের তথ্যও ব্যবহার করা হয়েছে।

পুড়ে যাওয়া এলাকার অ্যালগরিদম দুই-পর্যায়ের হাইব্রিড পদ্ধতি ব্যবহার করে। প্রথম ধাপে, দাবানলের উপর ভিত্তি করে যেসব পিক্সেল পুড়ে যাওয়ার সম্ভাবনা বেশি (যাকে "বীজ" বলা হয়) সেগুলি শনাক্ত করা হয়। দ্বিতীয় ধাপে, আগুনের প্যাচ সম্পূর্ণভাবে শনাক্ত করতে কনটেক্সচুয়াল গ্রোইং প্রয়োগ করা হয়। এই ক্রমবর্ধমান পর্যায়টি অ্যাডাপ্টিভ থ্রেশহোল্ডিংয়ের মাধ্যমে নিয়ন্ত্রণ করা হয়, যেখানে প্রতিটি বীজের আশেপাশের এলাকার নির্দিষ্ট বৈশিষ্ট্যের উপর ভিত্তি করে থ্রেশহোল্ড গণনা করা হয়। সম্পূর্ণ শনাক্তকরণ প্রসেসকে গাইড করার জন্য যে ভেরিয়েবল ব্যবহার করা হয় তা হল আগুন লাগার আগের ও পরের ছবির মধ্যে NIR ড্রপ।

ডেটা সেটে প্রতিটি পিক্সেলের জন্য প্রথম আগুন শনাক্তকরণের আনুমানিক দিন, সেই শনাক্তকরণের কনফিডেন্স লেভেল এবং পুড়ে যাওয়া জমির কভার অন্তর্ভুক্ত রয়েছে (ESA CCI ল্যান্ড কভার ডেটাসেট v2.0.7 থেকে এক্সট্র্যাক্ট করা হয়েছে)। এছাড়াও, বৈধ পর্যবেক্ষণের অভাবের কারণে বা সেগুলি পুড়ে যায় না এমন ল্যান্ড কভারের অন্তর্গত হওয়ার কারণে প্রসেস করা হয়নি এমন পিক্সেল শনাক্ত করার জন্য একটি পর্যবেক্ষণ ফ্ল্যাগ প্রদান করা হয়।

FireCCI51, ESA জলবায়ু পরিবর্তন উদ্যোগ (CCI) প্রোগ্রামের অংশ হিসেবে তৈরি করা হয়েছে এবং এটি Copernicus জলবায়ু পরিবর্তন পরিষেবার (C3S) অংশ।

ব্যান্ড

ব্যান্ড

পিক্সেল সাইজ: ২৫০ মিটার (সব ব্যান্ড)

নাম একক ন্যূনতম সর্বাধিক পিক্সেলের সাইজ বিবরণ
BurnDate 1 366 ২৫০ মিটার

প্রথমবার পোড়া দাগ শনাক্ত করার বছরের আনুমানিক দিন

ConfidenceLevel % 1 100 ২৫০ মিটার

কোনও পিক্সেল বার্ন-ইন হিসেবে শনাক্ত করার সম্ভাবনা, যা সব পিক্সেলের ক্ষেত্রে শনাক্তকরণের অনিশ্চয়তা প্রকাশ করে, এমনকি সেগুলি বার্ন-ইন হিসেবে শ্রেণীবদ্ধ করা হলেও।

LandCover ২৫০ মিটার

CCI LandCover v2.0.7 প্রোডাক্ট থেকে এক্সট্র্যাক্ট করা, পুড়ে যাওয়া পিক্সেলের ল্যান্ড কভার বিভাগ। Defourny, P., দেখুন Lamarche, C., Bontemps, S., De Maet, T., Van Bogaert, E., Moreau, I., Brockmann, C., Boettcher, M., Kirches, G., Wevers, J., Santoro, M., Ramoino, F., & Arino, O. (2017). ল্যান্ড কভার জলবায়ু পরিবর্তন সংক্রান্ত উদ্যোগ - প্রোডাক্ট ব্যবহারকারীর নির্দেশিকা v2. ইস্যু ২.০। [অনলাইন] এখানে উপলভ্য: https://maps.elie.ucl.ac.be/CCI/viewer/download/ESACCI-LC-Ph2-PUGv2_2.0.pdf অ্যাক্সেস করা হয়েছে: জুলাই ২০২০। © ESA Climate Change Initiative - UCLouvain (2017) দ্বারা পরিচালিত ল্যান্ড কভার।

ObservedFlag ২৫০ মিটার

কোনও পিক্সেল কেন প্রসেস করা হয়নি তা ফ্ল্যাগ থেকে বোঝা যায়।

  • -২: পিক্সেলটি দাহ্য নয় (জলাশয়, ফাঁকা জায়গা, শহরাঞ্চল, স্থায়ী বরফ ও তুষার)
  • -১: মাসে পিক্সেল পর্যবেক্ষণ করা হয়নি (মেঘ, মেঘের ছায়া বা সেন্সর কাজ না করার কারণে)

LandCover ক্লাস টেবিল

মান রঙ বিবরণ
0 #000000

কোনো ডেটা নেই

10 #ffff64

শস্যক্ষেত্র, বৃষ্টিপাত-নির্ভর

20 #aaf0f0

শস্যক্ষেত্র, জলসেচযুক্ত বা বন্যা-পরবর্তী

৩০ #dcf064

মোজাইক শস্যক্ষেত্র (>৫০%) / প্রাকৃতিক গাছপালা (গাছ, গুল্ম, ভেষজ কভার) (<৫০%)

40 #c8c864

মোজাইক প্রাকৃতিক গাছপালা (গাছ, গুল্ম, ভেষজ কভার) (>৫০%) / ফসলি জমি (<৫০%)

50 #০০৬৪০০

গাছের ছায়া, চওড়া পাতা, চিরহরিৎ, বন্ধ থেকে খোলা (>১৫%)

৬০ #00a000

গাছের ছায়া, চওড়া পাতা, পর্ণমোচী, বন্ধ থেকে খোলা (>১৫%)

70 #003c00

গাছের ছায়া, সূচালো পাতা, চিরহরিৎ, বন্ধ থেকে খোলা (>১৫%)

৮০ #২৮৫০০০

গাছের ছায়া, সূচালো পাতা, পর্ণমোচী, বন্ধ থেকে খোলা (>১৫%)

৯০ #৭৮৮২০০

গাছের ছায়া, মিশ্র পাতার ধরন (চওড়া পাতা ও সূঁচালো পাতা)

100 #8ca000

মোজাইক গাছ ও ঝোপঝাড় (>৫০%) / তৃণজাতীয় গাছপালা (<৫০%)

110 #be9600

মোজাইক তৃণভূমি কভার (>৫০%) / গাছ ও গুল্ম (<৫০%)

১২০ #৯৬৬৪০০

Shrubland

130 #ffb432

ঘাসজমি

140 #ffdcd2

লাইকেন ও মস

১৫০ #ffebaf

বিরল গাছপালা (গাছ, গুল্ম, তৃণজাতীয় আচ্ছাদন) (<১৫%)

170 #009678

গাছের ছায়া, বন্যা, লবণাক্ত জল

১৮০ #00dc82

ঝোপঝাড় বা তৃণজাতীয় উদ্ভিদে ঢাকা, বন্যা কবলিত, মিষ্টি/লবণাক্ত/ঈষৎ লবণাক্ত জল

ব্যবহারের শর্তাদি

ব্যবহারের শর্তাবলী

এই ডেটাসেটটি ফ্রি এবং নিম্নলিখিত নিয়ম ও শর্তাবলী মেনে যেকোনও উদ্দেশ্যে সব ব্যবহারকারীর জন্য উপলভ্য:

  • ডেটা ব্যবহারকারীদের ESA Climate Change Initiative এবং Fire CCI প্রোজেক্টের সাথে সাথে স্বতন্ত্র ডেটা প্রদানকারীদেরও স্বীকৃতি দিতে হবে, যদি ডেটা কোনও প্রেজেন্টেশন বা প্রকাশনায় ব্যবহার করা হয়। এছাড়াও, প্রাসঙ্গিক ডেটাসেট DOI উল্লেখ করুন।

  • CCI ডেটার মেধা সম্পত্তির অধিকার (IPR) গবেষক এবং ডেটা তৈরি করা সংস্থার কাছে থাকে।

  • দায়িত্ব: CCI ডেটার কোয়ালিটি বা নির্ভুলতা অথবা কোনও ব্যবহারের জন্য এর উপযোগিতার ব্যাপারে কোনও ওয়ারেন্টি দেওয়া হয় না। তথ্যের গুণমান বা উপযুক্ততা সম্পর্কিত সমস্ত অন্তর্নিহিত শর্তাবলী এবং তথ্য সরবরাহের ফলে উদ্ভূত সমস্ত দায় (অবহেলা থেকে উদ্ভূত যেকোনও দায় সহ) আইন দ্বারা অনুমোদিত সম্পূর্ণ পরিমাণে বাদ দেওয়া হয়েছে।

উদ্ধৃতি

উদ্ধৃতি:
  • Padilla Parellada, M. (২০১৮): ESA Fire Climate Change Initiative (Fire_cci): MODIS Fire_cci Burned Area Pixel product, ভার্সন ৫.১। Centre for Environmental Data Analysis, ০১ নভেম্বর ২০১৮। https://doi.org/10.5285/58f00d8814064b79a0c49662ad3af537.

  • সম্পর্কিত প্রকাশনা: Lizundia-Loiola, J., Otón, G., Ramo, R., Chuvieco, E. (২০২০): MODIS ডেটা থেকে ২৫০ মিটারে গ্লোবাল বার্নড এরিয়া ম্যাপিংয়ের জন্য স্প্যাটিও-টেম্পোরাল অ্যাক্টিভ-ফায়ার ক্লাস্টারিং অ্যাপ্রোচ। Remote Sensing of Environment, 236, 111493. https://doi.org/10.1016/j.rse.2019.111493

DOI

Earth Engine-এর সাহায্যে এক্সপ্লোর করুন

কোড এডিটর (জাভাস্ক্রিপ্ট)

// Visualize FireCCI51 for one year
var dataset = ee.ImageCollection('ESA/CCI/FireCCI/5_1')
                  .filterDate('2020-01-01', '2020-12-31');
var burnedArea = dataset.select('BurnDate');

// Use a circular palette to assign colors to date of first detection
var baVis = {
  min: 1,
  max: 366,
  palette: [
    'ff0000', 'fd4100', 'fb8200', 'f9c400', 'f2ff00', 'b6ff05',
    '7aff0a', '3eff0f', '02ff15', '00ff55', '00ff99', '00ffdd',
    '00ddff', '0098ff', '0052ff', '0210ff', '3a0dfb', '7209f6',
    'a905f1', 'e102ed', 'ff00cc', 'ff0089', 'ff0047', 'ff0004'
  ]
};
var maxBA = burnedArea.max();

Map.setCenter(0, 18, 2.1);
Map.addLayer(maxBA, baVis, 'Burned Area');

Python সেট-আপ

Python API সম্পর্কে তথ্য এবং ইন্টার‍্যাক্টিভ ডেভেলপমেন্টের জন্য geemap ব্যবহার করার ব্যাপারে জানতে Python এনভায়রনমেন্ট পৃষ্ঠা দেখুন।

import ee
import geemap.core as geemap

Colab (Python)

# Visualize FireCCI51 for one year
dataset = ee.ImageCollection('ESA/CCI/FireCCI/5_1').filterDate(
    '2020-01-01', '2020-12-31'
)

burned_area = dataset.select('BurnDate')
max_ba = burned_area.max()

# Use a circular palette to assign colors to date of first detection
ba_vis = {
    'min': 1,
    'max': 366,
    'palette': [
        'ff0000', 'fd4100', 'fb8200', 'f9c400', 'f2ff00', 'b6ff05',
        '7aff0a', '3eff0f', '02ff15', '00ff55', '00ff99', '00ffdd',
        '00ddff', '0098ff', '0052ff', '0210ff', '3a0dfb', '7209f6',
        'a905f1', 'e102ed', 'ff00cc', 'ff0089', 'ff0047', 'ff0004'
    ],
}

m = geemap.Map()
m.set_center(0, 18, 2.1)
m.add_layer(max_ba, ba_vis, 'Burned Area')
m
কোড এডিটরে খুলুন