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

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

GSON框架下将百度天气JSON数据转JavaBean

《GSON框架下将百度天气JSON数据转JavaBean》这篇文章主要为大家详细介绍了如何在GSON框架下实现将百度天气JSON数据转JavaBean,文中的示例代码讲解详细,感兴趣的小伙伴可以了解下... 目录前言一、百度天气jsON1、请求参数2、返回参数3、属性映射二、GSON属性映射实战1、类对象映

C# LiteDB处理时间序列数据的高性能解决方案

《C#LiteDB处理时间序列数据的高性能解决方案》LiteDB作为.NET生态下的轻量级嵌入式NoSQL数据库,一直是时间序列处理的优选方案,本文将为大家大家简单介绍一下LiteDB处理时间序列数... 目录为什么选择LiteDB处理时间序列数据第一章:LiteDB时间序列数据模型设计1.1 核心设计原则

Java+AI驱动实现PDF文件数据提取与解析

《Java+AI驱动实现PDF文件数据提取与解析》本文将和大家分享一套基于AI的体检报告智能评估方案,详细介绍从PDF上传、内容提取到AI分析、数据存储的全流程自动化实现方法,感兴趣的可以了解下... 目录一、核心流程:从上传到评估的完整链路二、第一步:解析 PDF,提取体检报告内容1. 引入依赖2. 封装

MySQL中查询和展示LONGBLOB类型数据的技巧总结

《MySQL中查询和展示LONGBLOB类型数据的技巧总结》在MySQL中LONGBLOB是一种二进制大对象(BLOB)数据类型,用于存储大量的二进制数据,:本文主要介绍MySQL中查询和展示LO... 目录前言1. 查询 LONGBLOB 数据的大小2. 查询并展示 LONGBLOB 数据2.1 转换为十

使用SpringBoot+InfluxDB实现高效数据存储与查询

《使用SpringBoot+InfluxDB实现高效数据存储与查询》InfluxDB是一个开源的时间序列数据库,特别适合处理带有时间戳的监控数据、指标数据等,下面详细介绍如何在SpringBoot项目... 目录1、项目介绍2、 InfluxDB 介绍3、Spring Boot 配置 InfluxDB4、I

Java整合Protocol Buffers实现高效数据序列化实践

《Java整合ProtocolBuffers实现高效数据序列化实践》ProtocolBuffers是Google开发的一种语言中立、平台中立、可扩展的结构化数据序列化机制,类似于XML但更小、更快... 目录一、Protocol Buffers简介1.1 什么是Protocol Buffers1.2 Pro

Python实现数据可视化图表生成(适合新手入门)

《Python实现数据可视化图表生成(适合新手入门)》在数据科学和数据分析的新时代,高效、直观的数据可视化工具显得尤为重要,下面:本文主要介绍Python实现数据可视化图表生成的相关资料,文中通过... 目录前言为什么需要数据可视化准备工作基本图表绘制折线图柱状图散点图使用Seaborn创建高级图表箱线图热

MySQL数据脱敏的实现方法

《MySQL数据脱敏的实现方法》本文主要介绍了MySQL数据脱敏的实现方法,包括字符替换、加密等方法,通过工具类和数据库服务整合,确保敏感信息在查询结果中被掩码处理,感兴趣的可以了解一下... 目录一. 数据脱敏的方法二. 字符替换脱敏1. 创建数据脱敏工具类三. 整合到数据库操作1. 创建服务类进行数据库

MySQL中处理数据的并发一致性的实现示例

《MySQL中处理数据的并发一致性的实现示例》在MySQL中处理数据的并发一致性是确保多个用户或应用程序同时访问和修改数据库时,不会导致数据冲突、数据丢失或数据不一致,MySQL通过事务和锁机制来管理... 目录一、事务(Transactions)1. 事务控制语句二、锁(Locks)1. 锁类型2. 锁粒