Open Buildings V3 Polygons

Phạm vi cung cấp tập dữ liệu

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

Nhà sản xuất tập dữ liệu

Google Research – Open Buildings

Đoạn mã Earth Engine

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

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

Thẻ

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

nhà

Mô tả

Tập dữ liệu công khai quy mô lớn này bao gồm đường viền của các toà nhà được lấy từ hình ảnh vệ tinh có độ phân giải cao 50 cm. Tập dữ liệu này chứa 1,8 tỷ dấu hiệu nhận diện toà nhà ở Châu Phi, Mỹ Latinh, Caribbean, Nam Á và Đông Nam Á. Phân tích được thực hiện trên một khu vực có diện tích 58 triệu km².

Đối với mỗi toà nhà trong tập dữ liệu này, chúng tôi cung cấp đa giác mô tả đường viền của toà nhà trên mặt đất, điểm tin cậy cho biết mức độ chắc chắn của chúng tôi về việc đây là một toà nhà và Plus Code tương ứng với trung tâm toà nhà. Không có thông tin về loại toà nhà, địa chỉ đường phố hoặc bất kỳ thông tin chi tiết nào khác ngoài hình học của toà nhà.

Đường viền toà nhà rất hữu ích cho nhiều ứng dụng quan trọng: từ ước tính dân số, quy hoạch đô thị và ứng phó nhân đạo đến khoa học về môi trường và khí hậu. Dự án này có trụ sở tại Ghana, ban đầu tập trung vào lục địa Châu Phi và các bản cập nhật mới về Nam Á, Đông Nam Á, Mỹ Latinh và Caribbean.

Suy luận được thực hiện trong tháng 5 năm 2023.

Để biết thêm thông tin chi tiết, hãy xem trang web chính thức của tập dữ liệu Open Buildings.

Giản đồ bảng

Giản đồ bảng

Tên	Loại	Mô tả
area_in_meters	DOUBLE	Diện tích tính bằng mét vuông của đa giác.
confidence	DOUBLE	Điểm tin cậy [0,65;1,0] do mô hình chỉ định.
full_plus_code	STRING	Plus Code đầy đủ tại tâm của đa giác toà nhà.
longitude_latitude	GEOMETRY	Tâm của đa giác.

Điều khoản sử dụng

Điều khoản sử dụng

CC-BY-4.0

Trích dẫn

Trích dẫn:

• 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.

Khám phá bằng Earth Engine

Quan trọng: Earth Engine là một nền tảng để phân tích khoa học và trực quan hoá các tập dữ liệu không gian địa lý ở quy mô petabyte, vừa mang lại lợi ích cho cộng đồng, vừa phục vụ người dùng doanh nghiệp và chính phủ. Bạn có thể sử dụng Earth Engine miễn phí cho mục đích nghiên cứu, giáo dục và phi lợi nhuận. Để bắt đầu, vui lòng đăng ký quyền truy cập vào Earth Engine.

Trình soạn thảo mã (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');

Thiết lập Python

Hãy xem trang Môi trường Python để biết thông tin về Python API và cách sử dụng geemap cho quá trình phát triển có tính tương tác.

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

Mở trong Trình soạn thảo mã

Trực quan hoá dưới dạng FeatureView

A FeatureView là một bản biểu diễn chỉ có thể xem và được tăng tốc của FeatureCollection. Để biết thêm thông tin chi tiết, hãy truy cập vào FeatureView tài liệu.

Quan trọng: Earth Engine là một nền tảng để phân tích khoa học và trực quan hoá các tập dữ liệu không gian địa lý ở quy mô petabyte, vừa mang lại lợi ích cho cộng đồng, vừa phục vụ người dùng doanh nghiệp và chính phủ. Bạn có thể sử dụng Earth Engine miễn phí cho mục đích nghiên cứu, giáo dục và phi lợi nhuận. Để bắt đầu, vui lòng đăng ký quyền truy cập vào Earth Engine.

Trình soạn thảo mã (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');

Thiết lập Python

Hãy xem trang Môi trường Python để biết thông tin về Python API và cách sử dụng geemap cho quá trình phát triển có tính tương tác.

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

Mở trong Trình soạn thảo mã

Đa giác Open Buildings phiên bản 3

Tập dữ liệu công khai quy mô lớn này bao gồm đường viền của các toà nhà được lấy từ hình ảnh vệ tinh có độ phân giải cao 50 cm. Tập dữ liệu này chứa 1,8 tỷ dấu hiệu nhận diện toà nhà ở Châu Phi, Mỹ Latinh, Caribbean, Nam Á và Đông Nam Á. Phân tích được thực hiện trên một khu vực có diện tích 58 triệu km². Đối với mỗi toà nhà trong tập dữ liệu này, chúng tôi cung cấp đa giác mô tả…

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