-
巴西森林圖像資料集 2008：分析基本地圖
這個資料集提供巴西的多光譜 (綠色、紅色和近紅外線) 基本地圖，解析度最高可達 10 公尺，主要擷取於 2008 年，旨在支援《巴西森林法》的實施。這項影像集是採用 SPOT 2、4 和 5 衛星資料合成。可做為高解析度… 巴西 forest-code google imagery multispectral satellite-imagery -
巴西森林圖像資料集 2008：視覺基本地圖
這項資料集提供巴西的影像基本地圖，解析度最高可達 5 公尺，主要是在 2008 年擷取，可協助實施《巴西森林法》。這項影像集是由 SPOT 2、4 和 5 衛星資料合成，是高解析度替代方案，可取代… brazil deforestation forest-code google rgb satellite-imagery -
Cloud Score+ S2_HARMONIZED V1
Cloud Score+ 是品質評估 (QA) 處理器，適用於中高解析度的光學衛星影像。Cloud Score+ S2_HARMONIZED 資料集是從經過協調的 Sentinel-2 L1C 集合中，以作業方式產生，而 Cloud Score+ 輸出內容可用於識別相對清晰的像素，並有效移除雲朵… cloud google satellite-imagery sentinel2-derived -
Dynamic World V1
Dynamic World 是近乎即時的 10 公尺土地利用/地表覆蓋物 (LULC) 資料集，包含九個類別的類別機率和標籤資訊。Dynamic World 預測適用於 2015 年 6 月 27 日至今的 Sentinel-2 L1C 集合。Sentinel-2 的重訪頻率為 2 至 5 天… global google landcover landuse landuse-landcover nrt -
Google 全球 Landsat 基礎 CCDC 區隔 (1999 年至 2019 年)
這個集合包含對 20 年的 Landsat 地表反射率資料執行連續變化偵測和分類 (CCDC) 演算法後，預先計算的結果。CCDC 是一種斷點尋找演算法，會使用動態 RMSE 門檻進行諧波擬合，以偵測時間序列資料中的斷點。… change-detection google landcover landsat-derived landuse landuse-landcover -
JRC 全球地表水對應圖層，1.2 版 [已淘汰]
這個資料集包含 1984 年至 2019 年的地表水位置和時間分布情形，以及這些水域的面積和變化統計資料。詳情請參閱相關的期刊文章：High-resolution mapping of global surface water and its … geophysical google jrc landsat-derived surface surface-ground-water -
JRC 全球地表水對應圖層，1.4 版
這個資料集包含 1984 年至 2021 年的地表水位置和時間分布情形地圖，以及這些水域的面積和變化統計資料。詳情請參閱相關的期刊文章：High-resolution mapping of global surface water and its … change-detection geophysical google jrc landsat-derived surface -
JRC 全球地表水元資料，第 1.4 版
這個資料集包含 1984 年至 2021 年的地表水位置和時間分布情形地圖，以及這些水域的面積和變化統計資料。詳情請參閱相關的期刊文章：High-resolution mapping of global surface water and its … geophysical google jrc landsat-derived surface surface-ground-water -
JRC Monthly Water History，v1.4
這個資料集包含 1984 年至 2021 年的地表水位置和時間分布情形地圖，以及這些水域的面積和變化統計資料。詳情請參閱相關的期刊文章：High-resolution mapping of global surface water and its … geophysical google history jrc landsat-derived monthly -
JRC Monthly Water Recurrence，v1.4
這個資料集包含 1984 年至 2021 年的地表水位置和時間分布情形地圖，以及這些水域的面積和變化統計資料。詳情請參閱相關的期刊文章：High-resolution mapping of global surface water and its … geophysical google history jrc landsat-derived monthly -
JRC Yearly Water Classification History，v1.4
這個資料集包含 1984 年至 2021 年的地表水位置和時間分布情形地圖，以及這些水域的面積和變化統計資料。詳情請參閱相關的期刊文章：High-resolution mapping of global surface water and its … annual geophysical google history jrc landsat-derived -
Murray Global Intertidal Change Classification
Murray 全球潮間帶變化資料集包含潮間帶生態系統的全球地圖，這些地圖是透過 707,528 張 Landsat 封存影像的監督式分類產生。每個像素都參照全球分布的訓練資料集，分類為潮間帶、永久水域或其他。 coastal google intertidal landsat-derived murray surface-ground-water -
Murray 全球潮間帶變化資料遮罩
Murray 全球潮間帶變化資料集包含潮間帶生態系統的全球地圖，這些地圖是透過 707,528 張 Landsat 封存影像的監督式分類產生。每個像素都參照全球分布的訓練資料集，分類為潮間帶、永久水域或其他。 coastal google intertidal landsat-derived murray surface-ground-water -
Murray Global Intertidal Change QA Pixel Count
Murray 全球潮間帶變化資料集包含潮間帶生態系統的全球地圖，這些地圖是透過 707,528 張 Landsat 封存影像的監督式分類產生。每個像素都參照全球分布的訓練資料集，分類為潮間帶、永久水域或其他。 coastal google intertidal landsat-derived murray surface-ground-water -
SPOT 多光譜圖像 10-20 公尺，巴西
這個集合提供 2008 年前後的巴西 SPOT 2、4 和 5 衛星原始多光譜影像。這幾項任務由法國太空總署 (CNES) 執行，旨在提供高解析度的大範圍光學圖像，以利管理地球資源。SPOT 2 和 4 採用 HRV 和 HRVIR … brazil forest-code google multispectral satellite-imagery spot -
巴西 SPOT 多光譜偽自然色圖像，10 至 20 公尺
這個集合包含 2008 年前後的「偽自然色」RGB 圖片，這些圖片是從巴西的 SPOT 2、4 和 5 原生多光譜波段衍生而來。由於 HRV 和 HRG 感應器未包含原生藍色波段，因此這項產品會合成 RGB 呈現方式，以近似於… 巴西 forest-code google rgb 衛星影像 spot -
巴西 SPOT 全色影像 5-10 公尺
這個集合包含 2008 年前後巴西的 SPOT 2、4 和 5 衛星原始全色 (PAN) 波段。全色感應器可提供任務的最高原生空間解析度，並擷取廣泛可見光譜 (SPOT 2 為 0.51 至 0.73 微米，SPOT 4 和 5 為 0.61 至 0.68 微米) 的光線。 brazil forest-code google imagery satellite-imagery spot -
巴西 SPOT 泛銳化偽自然色影像，解析度 5 到 10 公尺
這個系列提供 2008 年前後巴西的 SPOT 2、4 和 5 衛星高解析度全色銳化偽自然色圖像。如果可取得相應的高解析度全色影像，就會與多光譜資料融合，以提升空間細節 (SPOT 5 最高可達 5 公尺，或 10 公尺… 巴西 forest-code google rgb 衛星影像 spot -
衛星嵌入 V1
Google 衛星嵌入資料集是全球性的資料集，內含可供分析的地理空間嵌入內容。這個資料集中的每個 10 公尺像素都是 64 維度的表示法，或「嵌入向量」，可編碼該像素及其周圍地表狀況的時間軌跡，這些資料是透過各種地球觀測方式取得。 annual global google landsat-derived satellite-imagery sentinel1-derived -
WRI/Google DeepMind Global Drivers of Forest Loss 2001-2022 v1.0
這項資料集以 1 公里解析度，繪製 2001 年至 2022 年全球樹木覆蓋面積減少的主要原因。這項資料由世界資源研究所 (WRI) 和 Google DeepMind 製作，是使用全球類神經網路模型 (ResNet) 訓練而成，訓練資料集是從全球各地收集的樣本。 agriculture deforestation forest forest-biomass google landandcarbon -
WRI/Google DeepMind Global Drivers of Forest Loss 2001-2023 v1.1
這項資料集以 1 公里解析度，繪製 2001 年至 2023 年全球樹木覆蓋面積減少的主要原因。這項資料由世界資源研究所 (WRI) 和 Google DeepMind 製作，採用以一組收集的樣本訓練的全球類神經網路模型 (ResNet) 開發而成。 agriculture deforestation forest forest-biomass google landandcarbon -
WRI/Google DeepMind Global Drivers of Forest Loss 2001-2024 v1.2
這項資料集以 1 公里解析度，繪製 2001 年至 2024 年全球樹木覆蓋面積減少的主要原因。這項資料由世界資源研究所 (WRI) 和 Google DeepMind 製作，是使用全球類神經網路模型 (ResNet) 開發而成，該模型以一組收集的樣本進行訓練，… agriculture deforestation forest forest-biomass google landandcarbon -
WRI/Google DeepMind Global Drivers of Forest Loss 2001-2025 v1.3
這項資料集以 1 公里解析度，繪製 2001 年至 2025 年全球樹木覆蓋面積減少的主要原因。這項資料由世界資源研究所 (WRI) 和 Google DeepMind 製作，採用全球類神經網路模型 (ResNet) 開發，並以一組收集的樣本進行訓練。 agriculture deforestation forest forest-biomass google landandcarbon
