Open Buildings V3 Polygons

GOOGLE/Research/open-buildings/v3/polygons
Veri Kümesi Kullanılabilirliği
2023-05-30T00:00:00Z–2023-05-30T00:00:00Z
Veri Kümesi Üreticisi
Earth Engine Snippet'i
FeatureCollection
ee.FeatureCollection("GOOGLE/Research/open-buildings/v3/polygons")
FeatureView
ui.Map.FeatureViewLayer("GOOGLE/Research/open-buildings/v3/polygons_FeatureView")
Etiketler
africa asia building built-up open-buildings population south-asia southeast-asia table
yapı

Açıklama

Bu büyük ölçekli açık veri kümesi, yüksek çözünürlüklü 50 cm uydu görüntülerinden elde edilen bina ana hatlarından oluşur. Afrika, Latin Amerika, Karayipler, Güney Asya ve Güneydoğu Asya'da 1,8 milyar bina tespiti içerir. Çıkarım, 58 milyon kilometrekarelik bir alanı kapsıyordu.

Bu veri kümesindeki her bina için binanın temeldeki yerleşkesini tanımlayan polygonu, buranın bir bina olduğundan ne kadar emin olduğumuzu belirten güven puanını ve binanın merkezine karşılık gelen Plus Code'u dahil ediyoruz. Binanın türü, açık adresi veya geometrisi dışında herhangi bir ayrıntı hakkında bilgi yoktur.

Bina ayak izleri; nüfus tahmini, şehir planlaması ve insani yardım çalışmalarından çevre ve iklim bilimine kadar çeşitli önemli uygulamalar için faydalıdır. Proje, Gana'da yürütülmektedir. İlk olarak Afrika kıtasına odaklanılmış olup Güney Asya, Güneydoğu Asya, Latin Amerika ve Karayipler ile ilgili yeni güncellemeler de eklenmiştir.

Çıkarım, Mayıs 2023'te yapılmıştır.

Daha fazla bilgi için Open Buildings veri kümesinin resmi web sitesine bakın.

Tablo Şeması

Tablo Şeması

Ad Tür Açıklama
area_in_meters ÇİFT

Çokgenin metrekare cinsinden alanı.
güven ÇİFT

Model tarafından atanan güven puanı [0.65;1.0].
full_plus_code Dize

Bina poligonunun ağırlık merkezindeki tam Plus Code.
longitude_latitude GEOMETRY

Poligonun ağırlık merkezi.

Kullanım Şartları

Kullanım Şartları

CC-BY-4.0

Alıntılar

Alıntılar:

  • W. Sirko, S. Kashubin, M. Ritter, A. Annkah, Y.S.E. Bouchareb, Y. Dauphin, D. Keysers, M. Neumann, M. Cisse, J.A. Quinn. Yüksek çözünürlüklü uydu görüntüleriyle kıta ölçeğinde bina tespiti. arXiv:2107.12283, 2021.

Earth Engine ile Keşif

Kod Düzenleyici (JavaScript)

// Visualization of GOOGLE/Research/open-buildings/v3/polygons.

var t = ee.FeatureCollection('GOOGLE/Research/open-buildings/v3/polygons');

var t_065_070 = t.filter('confidence >= 0.65 && confidence < 0.7');
var t_070_075 = t.filter('confidence >= 0.7 && confidence < 0.75');
var t_gte_075 = t.filter('confidence >= 0.75');

Map.addLayer(t_065_070, {color: 'FF0000'}, 'Buildings confidence [0.65; 0.7)');
Map.addLayer(t_070_075, {color: 'FFFF00'}, 'Buildings confidence [0.7; 0.75)');
Map.addLayer(t_gte_075, {color: '00FF00'}, 'Buildings confidence >= 0.75');
Map.setCenter(3.389, 6.492, 17);  // Lagos, Nigeria
Map.setOptions('SATELLITE');

Python kurulumu

Python API'si ve etkileşimli geliştirme için geemap kullanımı hakkında bilgi edinmek üzere Python Ortamı sayfasına bakın.

import ee
import geemap.core as geemap

Colab (Python)

# Visualization of GOOGLE/Research/open-buildings/v3/polygons.
t = ee.FeatureCollection('GOOGLE/Research/open-buildings/v3/polygons')

t_065_070 = t.filter('confidence >= 0.65 && confidence < 0.7')
t_070_075 = t.filter('confidence >= 0.7 && confidence < 0.75')
t_gte_075 = t.filter('confidence >= 0.75');

m = geemap.Map()
m.set_center(3.389, 6.492, 17)
m.add_layer(t_065_070, {'color': 'FF0000'}, 'Buildings confidence [0.65; 0.7)')
m.add_layer(t_070_075, {'color': 'FFFF00'}, 'Buildings confidence [0.7; 0.75)')
m.add_layer(t_gte_075, {'color': '00FF00'}, 'Buildings confidence >= 0.75')
m
Kod Düzenleyici'de aç

FeatureView olarak görselleştirme

FeatureView, FeatureCollection öğesinin salt görüntüleme amaçlı, hızlandırılmış bir gösterimidir. Daha fazla bilgi için FeatureView belgelerini inceleyin.

Kod Düzenleyici (JavaScript)

var fvLayer = ui.Map.FeatureViewLayer(
  'GOOGLE/Research/open-buildings/v3/polygons_FeatureView');

var visParams = {
  rules: [
    {
      filter: ee.Filter.expression('confidence >= 0.65 && confidence < 0.7'),
      color: 'FF0000'
    },
    {
      filter: ee.Filter.expression('confidence >= 0.7 && confidence < 0.75'),
      color: 'FFFF00'
    },
    {
      filter: ee.Filter.expression('confidence >= 0.75'),
      color: '00FF00'
    },
  ]
};

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

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

Python kurulumu

Python API'si ve etkileşimli geliştirme için geemap kullanımı hakkında bilgi edinmek üzere Python Ortamı sayfasına bakın.

import ee
import geemap.core as geemap

Colab (Python)

# Visualization of GOOGLE/Research/open-buildings/v3/polygons.
t = ee.FeatureCollection('GOOGLE/Research/open-buildings/v3/polygons')

t_065_070 = t.filter('confidence >= 0.65 && confidence < 0.7')
t_070_075 = t.filter('confidence >= 0.7 && confidence < 0.75')
t_gte_075 = t.filter('confidence >= 0.75');

m = geemap.Map()
m.set_center(3.389, 6.492, 17)
m.add_layer(t_065_070, {'color': 'FF0000'}, 'Buildings confidence [0.65; 0.7)')
m.add_layer(t_070_075, {'color': 'FFFF00'}, 'Buildings confidence [0.7; 0.75)')
m.add_layer(t_gte_075, {'color': '00FF00'}, 'Buildings confidence >= 0.75')
m
Kod Düzenleyici'de aç
Bu büyük ölçekli açık veri kümesi, yüksek çözünürlüklü 50 cm uydu görüntülerinden elde edilen bina ana hatlarından oluşur. Afrika, Latin Amerika, Karayipler, Güney Asya ve Güneydoğu Asya'da 1,8 milyar bina tespiti içerir. Çıkarım, 58 milyon kilometrekarelik bir alanı kapsıyordu. Bu veri kümesindeki her bina için binanın temeldeki yerleşkesini tanımlayan polygonu, buranın bir bina olduğundan ne kadar emin olduğumuzu belirten güven puanını ve binanın merkezine karşılık gelen Plus Code'u dahil ediyoruz.
GOOGLE/Research/open-buildings/v3/polygons, africa,asia,building,built-up,open-buildings,population,south-asia,southeast-asia,table
2023-05-30T00:00:00Z/2023-05-30T00:00:00Z
-90 -180 90 180
Google Earth Engine