Open Buildings V3 Polygons

GOOGLE/Research/open-buildings/v3/polygons
Ketersediaan Set Data
2023-05-30T00:00:00Z–2023-05-30T00:00:00Z
Produsen Set Data
Cuplikan Earth Engine
FeatureCollection
ee.FeatureCollection("GOOGLE/Research/open-buildings/v3/polygons")
FeatureView
ui.Map.FeatureViewLayer("GOOGLE/Research/open-buildings/v3/polygons_FeatureView")
Tag
africa asia building built-up open-buildings population south-asia southeast-asia table
struktur

Deskripsi

Set data terbuka skala besar ini terdiri dari garis luar bangunan yang berasal dari citra satelit 50 cm beresolusi tinggi. Set data ini berisi 1,8 miliar deteksi bangunan di Afrika, Amerika Latin, Karibia, Asia Selatan, dan Asia Tenggara. Inferensi mencakup area seluas 58 juta km².

Untuk setiap bangunan dalam set data ini, kami menyertakan poligon yang menjelaskan footprint-nya di permukaan tanah, skor keyakinan yang menunjukkan seberapa yakin kami bahwa ini adalah bangunan, dan Plus Codes yang sesuai dengan pusat bangunan. Tidak ada informasi tentang jenis bangunan, alamat jalannya, atau detail apa pun selain geometrinya.

Footprint bangunan berguna untuk berbagai aplikasi penting: mulai dari estimasi populasi, perencanaan kota, dan respons kemanusiaan hingga ilmu lingkungan dan iklim. Project ini berbasis di Ghana, dengan fokus awal pada benua Afrika dan update baru tentang Asia Selatan, Asia Tenggara, Amerika Latin, dan Karibia.

Inferensi dilakukan selama Mei 2023.

Untuk mengetahui detail selengkapnya, lihat situs resmi website set data Open Buildings.

Skema Tabel

Skema Tabel

Nama Jenis Deskripsi
area_in_meters DOUBLE

Luas dalam meter persegi poligon.
confidence DOUBLE

Skor keyakinan [0,65;1,0] yang ditetapkan oleh model.
full_plus_code STRING

Plus Codes lengkap di sentroid poligon bangunan.
longitude_latitude GEOMETRY

Sentroid poligon.

Persyaratan Penggunaan

Persyaratan Penggunaan

CC-BY-4.0

Kutipan

Kutipan:

  • W. 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.

Mengeksplorasi dengan Earth Engine

Editor Kode (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');

Penyiapan Python

Baca halaman Lingkungan Python untuk mengetahui informasi tentang Python API dan penggunaan geemap untuk pengembangan interaktif.

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
Buka di Editor Kode

Memvisualisasikan sebagai FeatureView

FeatureView adalah representasi FeatureCollection yang hanya dapat dilihat dan dipercepat. Untuk mengetahui detail selengkapnya, lihat FeatureView dokumentasi.

Editor Kode (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');

Penyiapan Python

Baca halaman Lingkungan Python untuk mengetahui informasi tentang Python API dan penggunaan geemap untuk pengembangan interaktif.

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
Buka di Editor Kode
Set data terbuka skala besar ini terdiri dari garis luar bangunan yang berasal dari citra satelit 50 cm beresolusi tinggi. Set data ini berisi 1,8 miliar deteksi bangunan di Afrika, Amerika Latin, Karibia, Asia Selatan, dan Asia Tenggara. Inferensi mencakup area seluas 58 juta km². Untuk setiap bangunan dalam set data ini, kami menyertakan poligon yang menjelaskan …
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