Google Earth Engine（GEE）——LandCoverNet训练标签 v1.0

LandCoverNet训练标签 v1.0
LandCoverNet是一个全球年度土地覆被分类训练数据集，带有2018年Sentinel-1、Sentinel-2和Landsat-8任务的多光谱卫星图像的标签。LandCoverNet中的图像芯片为256 x 256像素，横跨多个瓦片。每个图像芯片包含来自以下卫星产品的时间观测数据，并带有年度等级标签，全部以栅格格式（GeoTIFF文件）存储。

哨兵-1号地面测距产品（GRD），具有10米空间分辨率的辐射校准和正演功能
哨兵2号表面反射率产品（L2A），10米空间分辨率
Landsat-8的表面反射率产品，来自Collection 2 Level-2
辐射地球基金会在Schmidt Futures的资助下设计并生成了这个数据集，NASA ACCESS、微软AI for Earth提供了额外支持，Sinergise提供了实物技术支持。

这个数据集最强大的特点之一是共识标签，每个图像芯片都由三个独立的用户进行验证。每个用户的准确性是通过使用由辐射地球团队的专家单独标记的芯片来评估的。为了生成每个像素的共识标签，考虑到每个用户的准确性，采用了贝叶斯模型平均法。产生的标签伴随着0到100之间的 "共识分数"，表示三个用户之间的一致程度。这就形成了数据集的b2，而b1是等级值。

你可以在这里阅读详细的方法样本，

https://radiantearth.blob.core.windows.net/mlhub/landcovernet_af/Documentation.pdf

你可以到这里的样本数据集页面。

LandCoverNet Africa

你可以在这里阅读论文中的方法

https://arxiv.org/abs/2012.03111

关于这个的教程可以在这里进一步访问

https://nbviewer.org/github/radiantearth/mlhub-tutorials/blob/main/notebooks/radiant-mlhub-landcovernet.ipynb

免责声明：数据集的全部或部分描述是由作者或其作品提供的。

参考文献

Alemohammad, Hamed, and Kevin Booth. "LandCoverNet: A global benchmark land cover classification training dataset."arXiv preprint arXiv:2012.03111 (2020).
数据引用：

Alemohammad S.H., Ballantyne A., Bromberg Gaber Y., Booth K., Nakanuku-Diggs L., & Miglarese A.H. (2020) "LandCoverNet Africa: A Geographically Diverse Land Cover Classification Training Dataset", Version 1.0, Radiant MLHub. [Date Accessed] https://doi.org/10.34911/rdnt.d2ce8i

数据结构和预处理
数据集以光栅芯片的形式提供，分辨率为256 x 256像素，意味着总共有65,536个像素。每个地区的总体数据集分布情况总结如下

Abbreviation	Image Chip Count	Ref ID	Region	Proportion Global
AU	600	ref_landcovernet_au_v1_labels	Australia	6.72
AS	2753	ref_landcovernet_as_v1_labels	Asia	30.81
AF	1980	ref_landcovernet_af_v1_labels	Africa	22.16
EU	840	ref_landcovernet_eu_v1_labels	Europe	9.4
NA	1561	ref_landcovernet_na_v1_labels	North America	17.47
SA	1200	ref_landcovernet_sa_v1_labels	South America	13.43

这些数据集确实由STAC表示，虽然命令行工具是访问这些数据的方式，但我写了一些自定义脚本，用于解析STAC元数据中的属性，以及下载光栅对象和源图像CSVs，作为谷歌地球引擎的assset级属性使用。

保留的元数据包括日期，用于开始和结束日期。

额外的元数据字段a
区别类。每个瓦片的STAC元数据中都有一个类别计数，在这种情况下，我们用一个简单的计数来估计有多少不同的类别可用于芯片，以及这可能对你的整体训练有什么影响。
system:index/id_no是图像中保留的瓦片的名称，没有经过修改。
source_imagery_start/end。使用源图像CSV文件选择源图像的开始和结束日期，对每个芯片的日期进行排序，并添加到允许创建一个时间过滤器。
source_imagery_datelist:这是完整的源图像日期列表，你可以使用该列表来识别和选择S2图像的特定日期，从那些日子里进行分析或比较。

代码：

var au = ee.ImageCollection("projects/sat-io/open-datasets/LandCoverNet/LABELS/ref_landcovernet_au_v1_labels");
var af = ee.ImageCollection("projects/sat-io/open-datasets/LandCoverNet/LABELS/ref_landcovernet_af_v1_labels");
var as = ee.ImageCollection("projects/sat-io/open-datasets/LandCoverNet/LABELS/ref_landcovernet_as_v1_labels");
var eu = ee.ImageCollection("projects/sat-io/open-datasets/LandCoverNet/LABELS/ref_landcovernet_eu_v1_labels");
var na = ee.ImageCollection("projects/sat-io/open-datasets/LandCoverNet/LABELS/ref_landcovernet_na_v1_labels");
var sa = ee.ImageCollection("projects/sat-io/open-datasets/LandCoverNet/LABELS/ref_landcovernet_sa_v1_labels");print(af.aggregate_histogram('source_imagery_start'))//Add a multiclass chip
var image = na.filter(ee.Filter.gte('distinct_classes',7)).first()
image = image.updateMask(image.gt(0)).select('b1')
Map.centerObject(image)// var img = ee.Image('projects/earthengine-legacy/assets/projects/sat-io/open-datasets/LandCoverNet/LABELS/au/51JXH_01_2018_LC_10m')
// print(img)
// var image = au.first()
// print(au)print(image)
print(ee.Date.parse("YYYYMMDD",ee.String(ee.List(ee.String(image.get('source_imagery_datelist')).split(',')).sort().get(0)).trim()))
//print(ee.List(ee.String(image.get('datelist')).split(',')).get(20))
// print(ee.Date.parse("YYYYMMDD",ee.String(ee.List(ee.String(image.get('datelist')).split(',')).get(20))))
// print(ee.Date.parse(ee.List(ee.String(image.get('datelist')).split(',')).sort().get(20)))
// var img =ee.Image('projects/sat-io/open-datasets/LandCoverNet/LABELS/ref_landcovernet_au_v1_labels/59GLL_12_2018_LC_10m')
// print(img)// Define a dictionary which will be used to make legend and visualize image on map
var dict = {"names": ["Water (Permanent)",//1"Artificial",//2"Natural",//3"Snow/Ice (Permanent)",//4"Woody",//5"Cultivated",//6"(Semi) Natural",//7],"colors": ["#0000ff","#888888","#d1a46d","#f5f5ff","#d64c2b","#186818","#00ff00"]};// Create a panel to hold the legend widget
var legend = ui.Panel({style: {position: 'bottom-left',padding: '8px 15px'}
});// Function to generate the legend
function addCategoricalLegend(panel, dict, title) {// Create and add the legend title.var legendTitle = ui.Label({value: title,style: {fontWeight: 'bold',fontSize: '18px',margin: '0 0 4px 0',padding: '0'}});panel.add(legendTitle);var loading = ui.Label('Loading legend...', {margin: '2px 0 4px 0'});panel.add(loading);// Creates and styles 1 row of the legend.var makeRow = function(color, name) {// Create the label that is actually the colored box.var colorBox = ui.Label({style: {backgroundColor: color,// Use padding to give the box height and width.padding: '8px',margin: '0 0 4px 0'}});// Create the label filled with the description text.var description = ui.Label({value: name,style: {margin: '0 0 4px 6px'}});return ui.Panel({widgets: [colorBox, description],layout: ui.Panel.Layout.Flow('horizontal')});};// Get the list of palette colors and class names from the image.var palette = dict['colors'];var names = dict['names'];loading.style().set('shown', false);for (var i = 1; i < names.length; i++) {panel.add(makeRow(palette[i], names[i]));}Map.add(panel);}/*// Display map and legend ///
*/// Add the legend to the map
addCategoricalLegend(legend, dict, 'Land cover');// Add LC image to the map
Map.addLayer(image, {min:1, max:7, palette:dict['colors']}, 'LandCoverNet v1.0 NA')//Map.centerObject(collection.first(),8)

代码链接：

https://code.earthengine.google.com/?scriptPath=users/sat-io/awesome-gee-catalog-examples:global-landuse-landcover/LANDCOVERNET_V1

License¶

The dataset is released under (CC BY 4.0) license. You can find license summary here

Produced by: Radiant Earth Foundation

Curated in GEE by: Samapriya Roy

Keywords: Land Use, Land Cover, Remote Sensing, landsat-8, sentinel-1, sentinel-2, segmentation

Last updated on GEE: 2022-07-17

Google Earth Engine（GEE）——LandCoverNet训练标签 v1.0相关推荐

Google Earth Engine(GEE)——User memory limit exceeded（2）
上一次我们已经知道如何去进行避免这种错误的发生,有关详细内容,如果单单只是解决这个问题我们用到的是limit 和 first,上一次的博客在这里: (207条消息) Google Earth Engi ...
Google Earth Engine(GEE) 01-中输入提示快捷键Ctrl+space无法使用的问题
Google Earth Engine(GEE) 01-中输入提示快捷键Ctrl+space无法使用的问题 GEE中 Ctrl+space组合键用于代码输入快捷提示,能够提高编码的准确度和速度,但是, ...
Google Earth Engine(GEE)批量下载代码（以 NDVI数据为例）
下载数据先准备工作(具体细节都能查到):科学上网谷歌邮箱,谷歌邮箱注册GEE账号. 一:导入需要下载边界shp文件. 标题找到自己的shp文件,导入除了sbx文件的所有文件. 导入成功命名ass ...
使用Google Earth Engine (GEE)实现MODIS数据批量下载
使用Google Earth Engine GEE实现MODIS数据批量下载前言下载数据代码批量执行run任务关注公众号,分享GIS知识.ArcGIS教程.SCI论文与科研日常等前言上图是 ...
基于google earth engine(GEE)下载研究区域影像
基于google earth engine(GEE)下载研究区域影像当研究需要Landsat数据时,我们可以通过USGS官网或者地理空间数据云平台下载.由于地理空间数据云目前无法下载到较新的数据,可 ...
Google Earth Engine (GEE) ——卫星影像的监督分类（svm）
问题 GEE 提供哪些机器学习技术? 如何对卫星图像进行监督分类? 如何评估分类器的准确性? 如何手动创建自己的几何图形? 目标练习查找无云图像和使用手绘几何导入学习训练和应用分类算法所需的基本功 ...
Google Earth Engine(GEE)——可视化动态图
代码: var geometry = /* color: #d63000 *//* shown: false *//* displayProperties: [{"type": & ...
关于google earth engine(GEE)的一些想法与大胆预测
我接触GEE有两年了,GEE留给我的印象是:无所不能. 不管是从庞大的数据量,还是包含遥感的各类算法:随机森林.SVM.CNN,都让人惊讶. 从GEE的云端操作来看,传统遥感需要几个月做出来的全国ND ...
google earth engine GEE批量 run下载插件
在Google earth engine中,批量导出文件经常遇到多个文件下载的情况,只能一个个点击RUN.这里介绍一款插件,Open Earth Engine extension .该插件的作者是Ma ...

Google Earth Engine（GEE）——LandCoverNet训练标签 v1.0

Google Earth Engine（GEE）——LandCoverNet训练标签 v1.0相关推荐

最新文章

热门文章