Open Buildings V2 Polygons [deprecated]

GOOGLE/Research/open-buildings/v2/polygons
دردسترس بودن مجموعه داده
2022-08-30T00:00:00Z–2022-08-30T00:00:00Z
تولیدکننده مجموعه داده
تکه‌کد Earth Engine
FeatureCollection
ee.FeatureCollection("GOOGLE/Research/open-buildings/v2/polygons")
FeatureView
ui.Map.FeatureViewLayer("GOOGLE/Research/open-buildings/v2/polygons_FeatureView")
برچسب‌ها
آفریقا
آسیا
ساختمان
ساخته‌شده
open-buildings
جمعیت
south-asia
southeast-asia
ساختار
جدول

شرح

این مجموعه داده باز در مقیاس بزرگ شامل طرح‌های کلی ساختمان‌ها است که از تصاویر ماهواره‌ای با وضوح بالای ۵۰ سانتی‌متر به‌دست آمده است. این مجموعه داده شامل ۸۱۶ میلیون ساختمان شناسایی‌شده در افریقا، جنوب آسیا، و جنوب شرق آسیا است. استنتاج منطقه‌ای به وسعت ۳۹٫۱ میلیون کیلومتر مربع را دربرمی‌گیرد.

این اطلاعات برای هر ساختمان در این مجموعه داده اضافه می‌شود: چندضلعی نشان‌دهنده ردپای آن روی زمین، امتیاز سطح اطمینان که نشان می‌دهد چقدر مطمئنیم ساختمان است، و Plus Code متناظر با مرکز ساختمان. هیچ اطلاعاتی درباره نوع ساختمان، نشانی خیابان آن، یا جزئیات دیگری غیراز هندسه آن وجود ندارد.

ردپای ساختمان‌ها برای طیف وسیعی از کاربردهای مهم مفید است: از برآورد جمعیت، برنامه‌ریزی شهری، و پاسخ بشردوستانه گرفته تا علوم محیطی و اقلیمی. ازآنجاکه این پروژه در غنا مستقر است، تمرکز فعلی بر قاره آفریقا است.

استنتاج در اوت ۲۰۲۲ انجام شد.

برای جزئیات بیشتر، به وب‌سایت رسمی مجموعه داده Open Buildings مراجعه کنید.

توجه داشته باشید که نسخه‌های به‌روزشده این داده‌ها دردسترس است. جدیدترین نسخه، نسخه ۳.۰ (با استنتاج انجام‌شده در مه ۲۰۲۳)، به‌صورت GOOGLE/Research/open-buildings/v3/polygons دردسترس است.

طرح‌واره جدول

طرح‌واره جدول

نام نوع شرح
area_in_meters دوبرابر

مساحت چندضلعی به متر مربع.

اطمینان دوبرابر

امتیاز اطمینان [0.5;1.0] اختصاص‌داده‌شده توسط مدل.

full_plus_code رشته

Plus Code کامل در مرکزوار چندضلعی ساختمان.

longitude_latitude هندسه

مرکز چندضلعی.

شرایط استفاده

شرایط استفاده

CC-BY-4.0

نقل‌قول‌ها

نقل‌قول‌ها:
  • دبلیو Sirko, S. Kashubin, M.‎ Ritter, A. Annkah, Y.S.E. Bouchareb, Y. Dauphin, D. Keysers, M. Neumann, M. Cisse, J.A. Quinn. Continental-scale building detection from high resolution satellite imagery. arXiv:2107.12283, 2021.

کاوش با Earth Engine

ویرایشگر کد (جاوا اسکریپت)

// Visualization of GOOGLE/Research/open-buildings/v2/polygons.

var t = ee.FeatureCollection('GOOGLE/Research/open-buildings/v2/polygons');

var t_060_065 = t.filter('confidence >= 0.60 && confidence < 0.65');
var t_065_070 = t.filter('confidence >= 0.65 && confidence < 0.70');
var t_gte_070 = t.filter('confidence >= 0.70');

Map.addLayer(t_060_065, {color: 'FF0000'}, 'Buildings confidence [0.60; 0.65)');
Map.addLayer(t_065_070, {color: 'FFFF00'}, 'Buildings confidence [0.65; 0.70)');
Map.addLayer(t_gte_070, {color: '00FF00'}, 'Buildings confidence >= 0.70');
Map.setCenter(3.389, 6.492, 17);  // Lagos, Nigeria
Map.setOptions('SATELLITE');

راه‌اندازی Python

برای اطلاعات درباره Python API و استفاده از geemap برای توسعه تعاملی، به صفحه محیط Python مراجعه کنید.

import ee
import geemap.core as geemap

Colab (Python)

# Visualization of GOOGLE/Research/open-buildings/v2/polygons.
t = ee.FeatureCollection('GOOGLE/Research/open-buildings/v2/polygons')

t_060_065 = t.filter('confidence >= 0.60 && confidence < 0.65')
t_065_070 = t.filter('confidence >= 0.65 && confidence < 0.70')
t_gte_070 = t.filter('confidence >= 0.70');

m = geemap.Map()
m.set_center(3.389, 6.492, 17)
m.add_layer(t_060_065, {'color': 'FF0000'}, 'Buildings confidence [0.60; 0.65)')
m.add_layer(t_065_070, {'color': 'FFFF00'}, 'Buildings confidence [0.65; 0.70)')
m.add_layer(t_gte_070, {'color': '00FF00'}, 'Buildings confidence >= 0.70')
m
باز کردن در «ویرایشگر کد»

دیداری‌سازی به‌عنوان FeatureView

‫FeatureView نمایشی شتاب‌یافته و محدود به دیدن از FeatureCollection است. برای جزئیات بیشتر، به FeatureView اسناد مراجعه کنید.

ویرایشگر کد (جاوا اسکریپت)

var fvLayer = ui.Map.FeatureViewLayer(
  'GOOGLE/Research/open-buildings/v2/polygons_FeatureView');

var visParams = {
  rules: [
    {
      filter: ee.Filter.expression('confidence >= 0.60 && confidence < 0.65'),
      color: 'FF0000'
    },
    {
      filter: ee.Filter.expression('confidence >= 0.65 && confidence < 0.70'),
      color: 'FFFF00'
    },
    {
      filter: ee.Filter.expression('confidence >= 0.70'),
      color: '00FF00'
    },
  ]
};

fvLayer.setVisParams(visParams);
fvLayer.setName('Buildings');

Map.setCenter(3.389, 6.492, 17);  // Lagos, Nigeria
Map.add(fvLayer);
Map.setOptions('SATELLITE');

راه‌اندازی Python

برای اطلاعات درباره Python API و استفاده از geemap برای توسعه تعاملی، به صفحه محیط Python مراجعه کنید.

import ee
import geemap.core as geemap

Colab (Python)

# Visualization of GOOGLE/Research/open-buildings/v2/polygons.
t = ee.FeatureCollection('GOOGLE/Research/open-buildings/v2/polygons')

t_060_065 = t.filter('confidence >= 0.60 && confidence < 0.65')
t_065_070 = t.filter('confidence >= 0.65 && confidence < 0.70')
t_gte_070 = t.filter('confidence >= 0.70');

m = geemap.Map()
m.set_center(3.389, 6.492, 17)
m.add_layer(t_060_065, {'color': 'FF0000'}, 'Buildings confidence [0.60; 0.65)')
m.add_layer(t_065_070, {'color': 'FFFF00'}, 'Buildings confidence [0.65; 0.70)')
m.add_layer(t_gte_070, {'color': '00FF00'}, 'Buildings confidence >= 0.70')
m
باز کردن در ویرایشگر کد