Open Buildings V3 Polygons

GOOGLE/Research/open-buildings/v3/polygons
Dostępność zbioru danych
2023-05-30T00:00:00Z–2023-05-30T00:00:00Z
Dostawca zbioru danych
Fragment kodu Earth Engine
FeatureCollection
ee.FeatureCollection("GOOGLE/Research/open-buildings/v3/polygons")
FeatureView
ui.Map.FeatureViewLayer("GOOGLE/Research/open-buildings/v3/polygons_FeatureView")
Tagi
africa asia building built-up open-buildings population south-asia southeast-asia table
struktura,

Opis

Ten duży, otwarty zbiór danych zawiera kontury budynków uzyskane ze zdjęć satelitarnych o wysokiej rozdzielczości (50 cm). Zawiera 1,8 mld wykryć budynków w Afryce, Ameryce Łacińskiej, na Karaibach, w Azji Południowej i Południowo-Wschodniej. Wnioskowanie obejmowało obszar o powierzchni 58 mln km².

W przypadku każdego budynku w tym zbiorze danych uwzględniamy wielokąt opisujący jego obrys na ziemi, ocenę ufności wskazującą, jak bardzo jesteśmy pewni, że jest to budynek, oraz kod Plus Code odpowiadający środkowi budynku. Nie ma informacji o rodzaju budynku, jego adresie ani żadnych innych szczegółów poza jego geometrią.

Obrysy budynków są przydatne w wielu ważnych zastosowaniach: od szacowania liczby ludności, planowania urbanistycznego i reagowania na sytuacje kryzysowe po naukę o środowisku i klimacie. Projekt jest realizowany w Ghanie, a początkowo skupia się na kontynencie afrykańskim. Nowe aktualizacje będą dotyczyć Azji Południowej, Azji Południowo-Wschodniej, Ameryki Łacińskiej i Karaibów.

Wnioskowanie przeprowadzono w maju 2023 roku.

Więcej informacji znajdziesz na oficjalnej stronie zbioru danych Open Buildings.

Schemat tabeli

Schemat tabeli

Nazwa Typ Opis
area_in_meters LICZBA ZMIENNOPRZECINKOWA O PODWÓJNEJ PRECYZJI

Powierzchnia wielokąta w metrach kwadratowych.
pewność LICZBA ZMIENNOPRZECINKOWA O PODWÓJNEJ PRECYZJI

Wskaźnik ufności [0,65; 1,0] przypisany przez model.
full_plus_code CIĄG ZNAKÓW

Pełny kod Plus Code w środku wielokąta budynku.
longitude_latitude GEOMETRY

Środek wielokąta.

Warunki korzystania z usługi

Warunki korzystania z usługi

CC-BY-4.0

Cytowanie

Cytowanie:

  • 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.

Odkrywaj za pomocą Earth Engine

Edytor kodu (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');

Konfiguracja Pythona

Informacje o interfejsie API dla Pythona oraz o używaniu geemap do interaktywnego programowania znajdziesz na stronie środowiska Python.

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
Otwórz w edytorze kodu

Wyświetlanie jako widok cech

FeatureView to przyspieszona reprezentacja FeatureCollection, którą można tylko wyświetlać. Więcej informacji znajdziesz w  dokumentacji.FeatureView

Edytor kodu (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');

Konfiguracja Pythona

Informacje o interfejsie API dla Pythona oraz o używaniu geemap do interaktywnego programowania znajdziesz na stronie środowiska Python.

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
Otwórz w edytorze kodu
Ten duży, otwarty zbiór danych zawiera kontury budynków uzyskane ze zdjęć satelitarnych o wysokiej rozdzielczości (50 cm). Zawiera on 1,8 mld wykryć budynków w Afryce, Ameryce Łacińskiej, na Karaibach, w Azji Południowej i Południowo-Wschodniej. Wnioskowanie obejmowało obszar o powierzchni 58 mln km². W przypadku każdego budynku w tym zbiorze danych uwzględniamy wielokąt opisujący …
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