GEE数据——美国农业部LANDFIRE (LF)数据集2.3.0版本

地面火灾数据集 


LANDFIRE (LF),即 "地貌火灾和资源管理规划工具",是美国农业部森林服务局、美国内政部地质调查局和大自然保护协会的野地火灾管理项目之间的共享项目。前言 – 人工智能教程

LANDFIRE (LF) 图层是利用基于大量实地参考数据、卫星图像和生物物理梯度图层的预测性景观模型,通过分类和回归树创建的。您可在此阅读有关地火 2022 更新版本 2.3.0 的信息

LANDFIRE (LF) 2022 更新是向年度更新迈出的又一步。此次更新是 LANDFIRE 历史上首次在当年的产品中体现前一年的干扰情况。LF 2022 包括对 2021 年和 2022 年记录的扰动区植被和燃料的调整。LF 2022扰动图层包含从国家和地方来源获得的综合多边形处理数据(扰动事件)以及火灾计划数据,其中包括:

燃烧严重程度监测趋势 (MTBS)
烧伤区域反射率分类 (BARC)
野火后植被状况快速评估 (RAVG)

LF 的景观变化遥感技术(RSLC)也能识别干扰,该技术利用自动算法和图像分析师对整个国家的审查来识别植被的光谱变化。

2023 年,受干扰地区的植被覆盖度和高度以及燃料都将具备能力。这意味着在绘制的扰动区,植被和燃料代表了当年的状况。植被过渡规则集考虑了 2017 年至 2022 年的扰动情况,因为这些规则集的设计使用了 LF 2016 重绘植被数据作为输入。燃料更新使用 2013-2022 年的扰动,因为燃料过渡规则包含十年的扰动,可以使用扰动前的燃料输入。

LF 2022 更新中的重要变化包括

现有植被类型 (EVT) 生态系统分类将与 LF 2020 保持一致,但农业或城市地区发生变化的区域除外
LF 2022 包含植被高度和覆盖过渡规则的 "零到一 "干扰后时间 (TSD) 规则的首次应用
为地表燃料过渡制定了新的 "零到一 "TSD 类别规则,旨在体现扰动对紧随扰动之后的生长季节的燃料的影响。
历史扰动 (HDist) 和燃料扰动 (FDist) 所代表的年份现在是相同的

当前的代码更新

Earth Engine Snippet: Fire Regime v2.3.0¶
var sclass = ee.ImageCollection("projects/sat-io/open-datasets/landfire/fire-regime/sclass");
var vcc = ee.ImageCollection("projects/sat-io/open-datasets/landfire/fire-regime/vcc");
var vdep = ee.ImageCollection("projects/sat-io/open-datasets/landfire/fire-regime/vdep");

Sample Code: https://code.earthengine.google.com/?scriptPath=users/sat-io/awesome-gee-catalog-examples:agriculture-vegetation-forestry/LANDFIRE-FIRE-REGIME

Earth Engine Snippet: Disturbance 2.3.0¶
var fdist = ee.ImageCollection("projects/sat-io/open-datasets/landfire/disturbance/FDIST");
var hdist = ee.ImageCollection("projects/sat-io/open-datasets/landfire/disturbance/HDIST");
var distyear = ee.ImageCollection("projects/sat-io/open-datasets/landfire/disturbance/DISTYEAR");

Sample Code: https://code.earthengine.google.com/?scriptPath=users/sat-io/awesome-gee-catalog-examples:agriculture-vegetation-forestry/LANDFIRE-DISTURBANCE

Earth Engine Snippet: Topographic 2.2.0¶
var elevation = ee.ImageCollection("projects/sat-io/open-datasets/landfire/topographic/ELEV");
var aspect = ee.ImageCollection("projects/sat-io/open-datasets/landfire/topographic/ASP");
var slope_degrees = ee.ImageCollection("projects/sat-io/open-datasets/landfire/topographic/SLP");
var slope_perc_rise = ee.ImageCollection("projects/sat-io/open-datasets/landfire/topographic/SlpP");

Sample Code: https://code.earthengine.google.com/?scriptPath=users/sat-io/awesome-gee-catalog-examples:agriculture-vegetation-forestry/LANDFIRE-TOPOGRAPHIC

Earth Engine Snippet: Fuel 2.3.0¶
var cbd = ee.ImageCollection("projects/sat-io/open-datasets/landfire/fuel/CBD");
var cbh = ee.ImageCollection("projects/sat-io/open-datasets/landfire/fuel/CBH");
var cc = ee.ImageCollection("projects/sat-io/open-datasets/landfire/fuel/CC");
var cffdrs = ee.ImageCollection("projects/sat-io/open-datasets/landfire/fuel/CFFDRS");
var ch = ee.ImageCollection("projects/sat-io/open-datasets/landfire/fuel/CH");
var fbfm13 = ee.ImageCollection("projects/sat-io/open-datasets/landfire/fuel/FBFM13");
var fbfm40 = ee.ImageCollection("projects/sat-io/open-datasets/landfire/fuel/FBFM40");
var fvc = ee.ImageCollection("projects/sat-io/open-datasets/landfire/fuel/FVC");
var fvh = ee.ImageCollection("projects/sat-io/open-datasets/landfire/fuel/FVH");
var fvt = ee.ImageCollection("projects/sat-io/open-datasets/landfire/fuel/FVT");
Earth Engine Snippet: Fuel 2.2.0¶
var fccs = ee.ImageCollection("projects/sat-io/open-datasets/landfire/fuel/FCCS");

Sample Code: https://code.earthengine.google.com/?scriptPath=users/sat-io/awesome-gee-catalog-examples:agriculture-vegetation-forestry/LANDFIRE-FUEL

Earth Engine Snippet: Vegetation 2.3.0¶
var evc = ee.ImageCollection("projects/sat-io/open-datasets/landfire/vegetation/EVC");
var evh = ee.ImageCollection("projects/sat-io/open-datasets/landfire/vegetation/EVH");
var evt = ee.ImageCollection("projects/sat-io/open-datasets/landfire/vegetation/EVT");

Sample Code: https://code.earthengine.google.com/?scriptPath=users/sat-io/awesome-gee-catalog-examples:agriculture-vegetation-forestry/LANDFIRE-VEGETATION

Earth Engine Snippet: Transportation 2.2.0¶
var roads = ee.ImageCollection("projects/sat-io/open-datasets/landfire/transportation/ROADS");

Sample Code: https://code.earthengine.google.com/?scriptPath=users/sat-io/awesome-gee-catalog-examples:agriculture-vegetation-forestry/LANDFIRE-TRANSPORTATION

Resolution: approx 30m

Citation¶

LANDFIRE 空间数据产品

Homepage title: Data product.(Last update). Agency. [Online].Available: URL [Access date].

LANDFIRE: LANDFIRE Existing Vegetation Type layer.(2013, June - last update). U.S. Department of Interior, Geological Survey.[Online]. Available: http://landfire.cr.usgs.gov/viewer/ [2013,May 8].
License¶

LANDFIRE data are public domain data with no use restrictions, though if modifications or derivatives of the product(s) are created, then please add some descriptive modifier to the data set to avoid confusion.

Curated in GEE by: Samapriya Roy

Keywords: doi, fire, landfire, nature-conservancy, usda, usgs, vegetation, wildfire

Last updated: 2024-01-14

Changelog¶
  • 2024-01-14 Updated to v2.2.3 for available collections

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://xiahunao.cn/news/2777489.html

如若内容造成侵权/违法违规/事实不符,请联系瞎胡闹网进行投诉反馈,一经查实,立即删除!

相关文章

【芯片设计- RTL 数字逻辑设计入门 14 -- 使用子模块实现三输入数的大小比较】

文章目录 三输入数的大小比较问题分析verilog codeTestBench Code综合图仿真波形图 三输入数的大小比较 在数字芯片设计中,通常把完成特定功能且相对独立的代码编写成子模块,在需要的时候再在主模块中例化使用,以提高代码的可复用性和设计的层…

时间序列预测 —— DeepAR 模型

时间序列预测 —— DeepAR 模型 DeepAR 模型是一种专门用于处理时间序列概率预测的深度学习模型,它可以自动学习数据中的复杂模式,提高预测的准确性。本文将介绍 DeepAR 模型的理论基础、优缺点,并通过 Python 实现单步预测和多步预测的完整…

JavaScript滚动事件

🧑‍🎓 个人主页:《爱蹦跶的大A阿》 🔥当前正在更新专栏:《VUE》 、《JavaScript保姆级教程》、《krpano》、《krpano中文文档》 ​ ​ ✨ 前言 滚动是网页交互不可或缺的一部分。监听页面和元素的滚动事件,可以帮助…

数解 transformer 之 self attention transformer 公式整理

句子长度为n;比如2048,或1024,即,一句话最多可以是1024个单词。 1, 位置编码 可知,E是由n个列向量组成的矩阵,每个列向量表示该列号的位置编码向量。 2, 输入向量 加入本句话第一个单词的词嵌入向量是, 第…

汽车零部件MES系统解决方案

汽车零部件行业现状 随着全球汽车产业不断升级,汽车零部件市场竞争日趋激烈,从上游的钢铁、塑料、橡胶等生产到下游的主机厂配套制造,均已成为全球各国汽车制造大佬战略目标调整的焦点,其意欲在汽车零部件行业快速开疆扩土&#x…

EMC学习笔记(二十二)降低EMI的PCB设计指南(二)

降低EMI的PCB设计指南(二) 1.电源和地概述2.电感量3.两层板和四层板4.单层和双层设计中的微控制器接地5.信号返回地6.模拟、数字信号与大功率电源7.模拟电源引脚和模拟参考电源8.四层板电源设计参考注意事项 tips:资料主要来自网络&#xff0…

Go语言的100个错误使用场景(30-40)|数据类型与字符串使用

前言 大家好,这里是白泽。 《Go语言的100个错误以及如何避免》 是最近朋友推荐我阅读的书籍,我初步浏览之后,大为惊喜。就像这书中第一章的标题说到的:“Go: Simple to learn but hard to master”,整本书通过分析100…

【Rust日报】2024-02-08 Loungy:使用 Rust 和 GPUI 开发的 MacOS 启动器

Mira Screenshare:基于 Rust 和 WebRTC 的高性能屏幕分享工具 一群大学生宣布推出了他们的期末项目:Mira Screenshare,一个开源、高性能的屏幕共享工具,由 Rust 和 WebRTC 构建。此项目支持 4k 60 FPS 和 110ms 端到端延迟的屏幕…

这种学习单片机的顺序是否合理?

这种学习单片机的顺序是否合理? 在开始前我有一些资料,是我根据网友给的问题精心整理了一份「单片机的资料从专业入门到高级教程」, 点个关注在评论区回复“888”之后私信回复“888”,全部无偿共享给大家!&#xff01…

图像处理之《鲁棒图像隐写术:隐藏频率系数中的信息》论文精读

一、文章摘要 隐写术是一种将秘密信息隐藏到公共多媒体对象中而不会引起第三方怀疑的技术。然而,大多数现有的工作不能提供良好的抗有损JPEG压缩鲁棒性,同时保持相对较大的嵌入容量。提出了一种基于可逆神经网络的端到端鲁棒隐写系统。该方法将秘密信息…

【开源】基于JAVA+Vue+SpringBoot的智慧社区业务综合平台

目录 一、摘要1.1 项目介绍1.2 项目录屏 二、功能模块2.1 业务类型模块2.2 基础业务模块2.3 预约业务模块2.4 反馈管理模块2.5 社区新闻模块 三、系统设计3.1 用例设计3.2 数据库设计3.2.1 业务类型表3.2.2 基础业务表3.2.3 预约业务表3.2.4 反馈表3.2.5 社区新闻表 四、系统展…

【Python中Selenium元素定位的各种方法】

1、元素定位操作: 2、创建浏览器驱动操作,导入By模块: from selenium import webdriver # 用于界面与浏览器互动 from selenium.webdriver.common.by import By # 用于元素定位 driver webdriver.Chrome() # 调用Chrome类,创…

知识图谱与图神经网络融合:构建智能应用的新前沿

目录 前言1 知识图谱表示学习1.1 典型模型1.2 下游任务 2 图神经网络与知识图谱表示学习2.1 Compgcn:合成图卷积模型2.2 知识图谱嵌入在归纳设置下的推进 3 图神经网络与知识图谱构建3.1 关系抽取的进阶应用3.2 结构信息补全与知识图谱的完整性 4 图神经网络与知识图…

基于css-vars-ponyfill实现换肤

文章目录 一、换肤二、换肤调研2.1、ElementUI2.2、ant.design 三、换肤痛点和思考四、换肤架构五、换肤技术选型和实现5.1、该方案的亮点和规则5.2、核心原理5.3、色组 & 色值平台设计5.4、获取在当前主题自定义变量颜色 六、总结七、最后 一、换肤 网站或者应用一键切换…

【大厂AI课学习笔记】【1.5 AI技术领域】(8)文本分类

8,9,10,将分别讨论自然语言处理领域的3个重要场景。 自然语言处理,Natual Language Processing,NLP,包括自然语言识别和自然语言生成。 用途是从非结构化的文本数据中,发掘洞见,并访问这些信息&#xff0…

Flume安装部署

安装部署 安装包连接:链接:https://pan.baidu.com/s/1m0d5O3Q2eH14BpWsGGfbLw?pwd6666 (1)将apache-flume-1.10.1-bin.tar.gz上传到linux的/opt/software目录下 (2)解压apache-flume-1.10.1-bin.tar.gz…

【Spring框架】Spring事务同步

目录 一、什么是Spring事务同步 二、 事务同步管理器 2.1 TransactionSynchronizationManager事务同步管理器 2.1.1 资源同步 2.1.2 事务同步 2.1.3 总结 三、事务同步管理器保障事务的原理 四、spring事务为何使用TransactionSynchronizationManager spring源码实现 …

书生·浦语大模型第三课作业

基础作业: 复现课程知识库助手搭建过程 (截图) 进阶作业: 选择一个垂直领域,收集该领域的专业资料构建专业知识库,并搭建专业问答助手,并在 OpenXLab 上成功部署(截图,并提供应用地址&#x…

【Web】基于Mybatis的SQL注入漏洞利用点学习笔记

目录 MyBatis传参占位符区别 不能直接用#{}的情况 in多参数值查询 like %%模糊查询 order by列名参数化 MyBatis传参占位符区别 在 MyBatis 中,#{} 和 ${} 都是用于传参的占位符,但它们之间有很大的区别,主要体现在两个方面&#xff1a…

计算机网络基础 第四章——介质访问控制子层 知识点(上)

4.1局域网技术的发展与演变 1.访问控制的基本概念 介质访问控制(MAC)是所有“共享介质"类型的局域网都必须解决的共性问题。理解 介质访问控制方法的基本概念,需要注意以下两个问题。 (1)对术语“共享介质”、“多路访问”与“冲突"的理解 由于“共享介质”与“多…