Open Buildings V3 Polygons

Dataset-Verfügbarkeit

2023-05-30T00:00:00Z–2023-05-30T00:00:00Z

Ersteller des Datasets

Google Research-Team – Open Buildings

Earth Engine-Snippet

FeatureCollection
ee.FeatureCollection("GOOGLE/Research/open-buildings/v3/polygons")

FeatureView
ui.Map.FeatureViewLayer("GOOGLE/Research/open-buildings/v3/polygons_FeatureView")

Tags

africa asia building built-up open-buildings population south-asia southeast-asia table

Struktur

Beschreibung

Dieses umfangreiche offene Dataset besteht aus Umrissen von Gebäuden, die aus hochauflösenden Satellitenbildern mit einer Auflösung von 50 cm abgeleitet wurden. Er enthält 1,8 Milliarden Gebäudeerkennungen in Afrika, Lateinamerika, der Karibik, Südasien und Südostasien. Die Inferenz umfasste eine Fläche von 58 Millionen Quadratkilometern.

Für jedes Gebäude in diesem Dataset geben wir das Polygon an, das seinen Umriss beschreibt, einen Konfidenzwert, der angibt, wie sicher wir sind, dass es sich um ein Gebäude handelt, und einen Plus Code, der der Mitte des Gebäudes entspricht. Es sind keine Informationen zum Gebäudetyp, zur Adresse oder zu anderen Details als der Geometrie vorhanden.

Gebäudeumrisse sind für eine Reihe wichtiger Anwendungen nützlich, von Bevölkerungsschätzungen, Stadtplanung und humanitären Maßnahmen bis hin zu Umwelt- und Klimawissenschaften. Das Projekt hat seinen Sitz in Ghana und konzentriert sich zunächst auf den afrikanischen Kontinent. Es gibt jedoch auch neue Updates zu Südasien, Südostasien, Lateinamerika und der Karibik.

Die Inferenzen wurden im Mai 2023 durchgeführt.

Weitere Informationen finden Sie auf der offiziellen Website des Open Buildings-Datasets.

Tabellenschema

Tabellenschema

Name	Typ	Beschreibung
area_in_meters	DOUBLE	Fläche des Polygons in Quadratmetern.
Konfidenz	DOUBLE	Konfidenzwert [0,65;1,0], der vom Modell zugewiesen wird.
full_plus_code	STRING	Der vollständige Plus Code am Schwerpunkt des Gebäude-Polygons.
longitude_latitude	GEOMETRY	Schwerpunkt des Polygons.

Nutzungsbedingungen

Nutzungsbedingungen

CC-BY-4.0

Zitate

Quellenangaben:

• W. Sirko, S. Kashubin, M. Ritter, A. Annkah, Y.S.E. Bouchareb, Y. Dauphin, D. Keysers, M. Neumann, M. Cisse, J.A. Quinn. Gebäudeerkennung im kontinentalen Maßstab anhand hochauflösender Satellitenbilder. arXiv:2107.12283, 2021.

Die Earth Engine nutzen

Wichtig: Die Earth Engine ist eine Plattform für die wissenschaftliche Analyse und Visualisierung von Geo-Datasets im Petabyte-Bereich, sowohl für die Öffentlichkeit als auch für Unternehmen und Behörden. Die Earth Engine kann kostenlos für Forschungs-, Bildungs- und gemeinnützige Zwecke verwendet werden. Registrieren Sie sich für den Zugriff auf die Earth Engine, um loszulegen.

Code-Editor (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 einrichten

Weitere Informationen zur Python API und zur Verwendung von geemap für die interaktive Entwicklung finden Sie auf der Seite Python-Umgebung.

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

Open in Code Editor

Als FeatureView visualisieren

Ein FeatureView ist eine schreibgeschützte, beschleunigte Darstellung eines FeatureCollection. Weitere Informationen finden Sie in der Dokumentation zu FeatureView.

Wichtig: Die Earth Engine ist eine Plattform für die wissenschaftliche Analyse und Visualisierung von Geo-Datasets im Petabyte-Bereich, sowohl für die Öffentlichkeit als auch für Unternehmen und Behörden. Die Earth Engine kann kostenlos für Forschungs-, Bildungs- und gemeinnützige Zwecke verwendet werden. Registrieren Sie sich für den Zugriff auf die Earth Engine, um loszulegen.

Code-Editor (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 einrichten

Weitere Informationen zur Python API und zur Verwendung von geemap für die interaktive Entwicklung finden Sie auf der Seite Python-Umgebung.

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

Im Code-Editor öffnen

Open Buildings V3-Polygone

Dieses umfangreiche offene Dataset besteht aus Umrissen von Gebäuden, die aus hochauflösenden Satellitenbildern mit einer Auflösung von 50 cm abgeleitet wurden. Er enthält 1,8 Milliarden Gebäudeerkennungen in Afrika, Lateinamerika, der Karibik, Südasien und Südostasien. Die Inferenz umfasste eine Fläche von 58 Millionen Quadratkilometern. Für jedes Gebäude in diesem Dataset geben wir das Polygon an, das seinen Umriss beschreibt, …

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

https://developers.google.com/earth-engine/datasets