GEE数据集:全球地下水生态系统 (GDEs)数据集(30m分辨率)

2024-09-04 16:04

本文主要是介绍GEE数据集:全球地下水生态系统 (GDEs)数据集(30m分辨率),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

目录

地下水的全球生态系统 (GDEs)

简介

代码

代码链接

APP链接

结果

引用

许可

网址推荐

0代码在线构建地图应用

机器学习


地下水的全球生态系统 (GDEs)

简介

地下水是最广泛的液态淡水来源,但它在支持多样化生态系统方面的关键作用却往往不被人们所认识。 在许多地区,依赖地下水的生态系统(GDEs)的位置和范围在很大程度上仍不为人所知,导致保护措施不足。 该数据集提供了一张高分辨率(约 30 米)的 GDEs 地图,揭示了全球三分之一以上的旱地(包括主要的生物多样性热点地区)存在 GDEs 的情况。 在地下水枯竭率较低的牧业区,全球生态系分布更为广泛和连续,这表明由于不可持续的水资源和土地利用方式,许多全球生态系分布很可能已经消失。 在绘制的全球生态系分布图中,约 53% 位于地下水呈下降趋势的地区,这表明迫切需要采取保护措施。 尽管它们非常重要,但只有 21% 的全球地下水资源评估区位于保护区或具有可持续地下水管理政策的地区内,这凸显了保护工作中的巨大差距。 此外,该数据集还探讨了大萨赫勒地区的全球地下水资源与文化、社会经济因素之间的联系,强调了它们在支持生物多样性和农村生计方面的作用。 对于政策制定者、保护主义者和利益相关者来说,全球海洋生态系统地图是一个重要的工具,可帮助他们在地方、区域和国际层面确定保护这些重要生态系统的优先次序并制定相关战略。

代码

var imageCollection = ee.ImageCollection("projects/codefornature/assets/GlobalGDEMap_v6_TNC");
print(imageCollection)var ic_class = imageCollection.select('gde_class');
var ic_prob = imageCollection.select('gde_prob');var GDEmap = ee.Image(ic_class.mosaic());
var GDEprob = ee.Image(ic_prob.mosaic());var dataset = ee.ImageCollection("ESA/WorldCover/v100").first();
var land = dataset.neq(80).updateMask(dataset.neq(80));///// rename "land" band to match "GDEmap" band names
// set land raster = 0
var land_renameBand = land.remap([1], [0], 0, 'Map').select(['remapped']).rename(['gde_class']);// mask out non-analyzed areas from GDE layer
var mask = GDEmap.gt(0)
var GDEmasked = GDEmap.updateMask(mask) // GDE and no GDE; excludes areas not analyzed
var GDEprob_masked = GDEprob.updateMask(mask) // probability of GDEs; excludes areas not analyzed
var GDEprob_80 = GDEprob_masked.gte(80) // high probability of GDEs; excludes areas not analyzed
// Use the image as its own mask to hide zero values
var GDEprob_80_masked = GDEprob_80.mask(GDEprob_80);// composite "land" and "GDEmap" images (taking the maximum value)
var GDEmap_land_composite = ee.ImageCollection.fromImages([GDEmasked, land_renameBand]).max(); // composite layer (GDE, no GDE, land area not analyzed)// add composite image to map
// 0 = not analyzed
// 1 = GDE
// 2 = no GDE
//  Palette with the colors
//var palette_colors =['#c6c6c6','#00cc00','white'];
var palette_colors = ['#c6c6c6', '#018571', '#a6611a'];
var palette_colors_prob = ['#a6611a', '#dfc27d', '#f5f5f5', '#80cdc1', '#018571'];var classProbVisualization = {min: 0,max: 100,palette: palette_colors_prob
};var vizParams = {palette: ['006400'] // dark green
};// name of the legend
var names = ['Not Analyzed', 'Likely GDE', 'Not GDE'];//Map.addLayer(GDEprob_80_masked, vizParams, 'High probability GDEs');
Map.setCenter(-28, 33, 3)// Add in the download grid
var finalGrid = ee.FeatureCollection('projects/codefornature/assets/global_gde_tiles_URL');
print(finalGrid)// Define the style for the grid layer
var gridStyle = {color: 'white',fillColor: '#FFFFFF80', // Transparent white fill (50% opacity)width: 2
};// Add the styled grid layer to the map
Map.addLayer(GDEmap_land_composite, {min: 0,max: 2,palette: palette_colors,opacity: .8
}, 'Groundwater Dependent Ecosystems')
Map.addLayer(GDEprob_masked, classProbVisualization, 'GDE Certainty', 0);
Map.addLayer(finalGrid.style(gridStyle), {}, 'Download Tiles', 0);// Global variable to store the pop-up
var popup;// Function to create a pop-up with the URL
var createPopup = function(feature) {var url = feature.get('URL');url.evaluate(function(clientUrl) { // Convert the URL to a client-side stringif (popup) {Map.remove(popup); // Remove the existing pop-up if it exists}popup = ui.Label({value: 'Download the GDE data for this tile',style: {fontSize: '12px',margin: '1px 8px 1px 8px',textAlign: 'left',color: 'blue',textDecoration: 'underline'},targetUrl: clientUrl});Map.add(popup);});
};// Add a click event to show the pop-up
Map.onClick(function(coords) {var point = ee.Geometry.Point([coords.lon, coords.lat]);var clickedFeature = finalGrid.filterBounds(point).first();clickedFeature.evalua

这篇关于GEE数据集:全球地下水生态系统 (GDEs)数据集(30m分辨率)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1136402

相关文章

Linux下利用select实现串口数据读取过程

《Linux下利用select实现串口数据读取过程》文章介绍Linux中使用select、poll或epoll实现串口数据读取,通过I/O多路复用机制在数据到达时触发读取,避免持续轮询,示例代码展示设... 目录示例代码(使用select实现)代码解释总结在 linux 系统里,我们可以借助 select、

C#使用iText获取PDF的trailer数据的代码示例

《C#使用iText获取PDF的trailer数据的代码示例》开发程序debug的时候,看到了PDF有个trailer数据,挺有意思,于是考虑用代码把它读出来,那么就用到我们常用的iText框架了,所... 目录引言iText 核心概念C# 代码示例步骤 1: 确保已安装 iText步骤 2: C# 代码程

Pandas处理缺失数据的方式汇总

《Pandas处理缺失数据的方式汇总》许多教程中的数据与现实世界中的数据有很大不同,现实世界中的数据很少是干净且同质的,本文我们将讨论处理缺失数据的一些常规注意事项,了解Pandas如何表示缺失数据,... 目录缺失数据约定的权衡Pandas 中的缺失数据None 作为哨兵值NaN:缺失的数值数据Panda

C++中处理文本数据char与string的终极对比指南

《C++中处理文本数据char与string的终极对比指南》在C++编程中char和string是两种用于处理字符数据的类型,但它们在使用方式和功能上有显著的不同,:本文主要介绍C++中处理文本数... 目录1. 基本定义与本质2. 内存管理3. 操作与功能4. 性能特点5. 使用场景6. 相互转换核心区别

python库pydantic数据验证和设置管理库的用途

《python库pydantic数据验证和设置管理库的用途》pydantic是一个用于数据验证和设置管理的Python库,它主要利用Python类型注解来定义数据模型的结构和验证规则,本文给大家介绍p... 目录主要特点和用途:Field数值验证参数总结pydantic 是一个让你能够 confidentl

JAVA实现亿级千万级数据顺序导出的示例代码

《JAVA实现亿级千万级数据顺序导出的示例代码》本文主要介绍了JAVA实现亿级千万级数据顺序导出的示例代码,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面... 前提:主要考虑控制内存占用空间,避免出现同时导出,导致主程序OOM问题。实现思路:A.启用线程池

SpringBoot分段处理List集合多线程批量插入数据方式

《SpringBoot分段处理List集合多线程批量插入数据方式》文章介绍如何处理大数据量List批量插入数据库的优化方案:通过拆分List并分配独立线程处理,结合Spring线程池与异步方法提升效率... 目录项目场景解决方案1.实体类2.Mapper3.spring容器注入线程池bejsan对象4.创建

PHP轻松处理千万行数据的方法详解

《PHP轻松处理千万行数据的方法详解》说到处理大数据集,PHP通常不是第一个想到的语言,但如果你曾经需要处理数百万行数据而不让服务器崩溃或内存耗尽,你就会知道PHP用对了工具有多强大,下面小编就... 目录问题的本质php 中的数据流处理:为什么必不可少生成器:内存高效的迭代方式流量控制:避免系统过载一次性

C#实现千万数据秒级导入的代码

《C#实现千万数据秒级导入的代码》在实际开发中excel导入很常见,现代社会中很容易遇到大数据处理业务,所以本文我就给大家分享一下千万数据秒级导入怎么实现,文中有详细的代码示例供大家参考,需要的朋友可... 目录前言一、数据存储二、处理逻辑优化前代码处理逻辑优化后的代码总结前言在实际开发中excel导入很

MyBatis-plus处理存储json数据过程

《MyBatis-plus处理存储json数据过程》文章介绍MyBatis-Plus3.4.21处理对象与集合的差异:对象可用内置Handler配合autoResultMap,集合需自定义处理器继承F... 目录1、如果是对象2、如果需要转换的是List集合总结对象和集合分两种情况处理,目前我用的MP的版本