Ten zbiór danych jest częścią katalogu wydawcy i nie jest zarządzany przez Google Earth Engine. W przypadku błędów napisz na adres forestdatapartnership@googlegroups.com. Więcej zbiorów danych znajdziesz w katalogu Forest Data Partnership. Więcej informacji o zbiorach danych wydawcy
- Właściciel katalogu
- Forest Data Partnership
- Dostępność zbioru danych
- 2020-01-01T00:00:00Z–2023-12-31T23:59:59Z
- Dostawca zbioru danych
- Opracowane przez Google na potrzeby Forest Data Partnership
- Tagi
Opis
Ta kolekcja obrazów zawiera szacunkowe prawdopodobieństwo dla każdego piksela, że dany obszar jest zajęty przez towar. Szacunki prawdopodobieństwa są podawane z dokładnością do 10 metrów i zostały wygenerowane przez model uczenia maszynowego. Szczegółowe informacje znajdziesz w dokumentacji technicznej w repozytorium Forest Data Partnership na GitHubie.
Głównym celem tej kolekcji obrazów jest wspieranie misji Forest Data Partnership, która ma na celu powstrzymanie i odwrócenie procesu utraty lasów w wyniku produkcji towarów poprzez wspólną poprawę globalnego monitorowania, śledzenia łańcucha dostaw i odbudowy lasów.
Ten zbiór danych obejmuje obecnie te kraje: Brazylia, Chiny, Indonezja, Malezja, Meksyk, Sri Lanka, Tajlandia, Wietnam i Wybrzeże Kości Słoniowej.
Ten produkt z danymi społecznościowymi będzie się z czasem rozwijać, ponieważ społeczność będzie udostępniać więcej danych, a model używany do tworzenia map będzie się stale ulepszać. Jeśli chcesz przekazać ogólną opinię lub dodatkowe zbiory danych, aby ulepszyć te warstwy, skontaktuj się z nami za pomocą tego formularza.
Ograniczenia: dane wyjściowe modelu są ograniczone do wybranych krajów jako kompozyty roku kalendarzowego za lata 2020 i 2023. Nie wszystkie regiony danych wyjściowych są dobrze reprezentowane przez dane treningowe. Dokładność jest podawana w formie zbiorczej i będzie się różnić w zależności od lokalizacji geograficznej oraz progów wybranych przez użytkownika. Artefakty czujnika wynikające z dostępności danych, nierównomierności w kierunku poprzecznym lub zachmurzenia mogą być widoczne w prawdopodobieństwach wyjściowych i powodować błędy klasyfikacji przy niektórych wartościach progowych.
Więcej informacji znajdziesz w pliku README na GitHubie.
Pamiętaj, że ten zbiór danych ma odrębne warunki korzystania dla użytkowników komercyjnych Earth Engine. Szczegółowe informacje znajdziesz na karcie „Warunki korzystania”.
Więcej informacji znajdziesz w pliku README na GitHubie.
Wersja 2025b różni się od wersji 2025a tym, że jest oparta na satelitarnych wektorach dystrybucyjnych AlphaEarth Foundations, co zapewnia większy zasięg geograficzny i czasowy niż w przypadku wersji 2025a. Wersja 2025b zawiera też dodatkowe dane wejściowe i ulepszony potok przetwarzania danych wejściowych. Pamiętaj, że model 2025a może być skuteczniejszy w niektórych kontekstach.
Pasma
Pasma
Rozmiar piksela: 10 m (wszystkie pasma)
| Nazwa | Minimum | Maks. | Rozmiar piksela | Opis |
|---|---|---|---|---|
probability |
0 | 1 | 10 metrów | Prawdopodobieństwo, że w danym roku piksel zawiera drzewa kauczukowe. |
Warunki korzystania z usługi
Warunki korzystania z usługi
W przypadku użytkowników niekomercyjnych korzystanie z tego zbioru danych podlega licencji CC-BY 4.0 NC i wymaga podania następującej informacji o autorstwie: „Wyprodukowano przez Google na potrzeby Forest Data Partnership”.
Komercyjne wykorzystanie zbioru danych podlega Warunkom komercyjnego korzystania ze zbiorów danych w ramach partnerstwa Forest Data Partnership.
Zawiera zmodyfikowane dane z satelit Copernicus Sentinel [od 2015 r.]. Zapoznaj się z informacjami prawnymi dotyczącymi danych z satelitów Sentinel.
Cytaty
Forest Data Partnership. 2025 r. Modele społecznościowe 2025a. Online
Odkrywaj za pomocą Earth Engine
Edytor kodu (JavaScript)
Map.setCenter(106.48584, 11.17099, 11); var collection = ee.ImageCollection( 'projects/forestdatapartnership/assets/rubber/model_2025a'); var r2020 = collection.filterDate('2020-01-01', '2020-12-31').mosaic(); Map.addLayer( r2020.selfMask(), {min: 0.5, max: 1, palette: 'white,blue'}, 'rubber 2020'); var r2023 = collection.filterDate('2023-01-01', '2023-12-31').mosaic(); Map.addLayer( r2023.selfMask(), {min: 0.5, max: 1, palette: 'white,green'}, 'rubber 2023');