GEE数据集——1986年—2022年加拿大全国烧毁面积综合数据 (NBAC)

2024-04-12 18:28

本文主要是介绍GEE数据集——1986年—2022年加拿大全国烧毁面积综合数据 (NBAC),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!

 简介

加拿大全国烧毁面积综合数据 (NBAC)¶
全国烧毁面积综合数据 (NBAC) 是一个地理信息系统数据库和系统,用于计算自 1986 年以来每年全国范围内烧毁的森林面积。这些数据用于帮助估算加拿大的碳排放量。烧毁面积是通过评估一系列可用数据源确定的,这些数据源使用不同的技术绘制任何特定火灾的地图。该系统为每个烧毁地区选择最佳可用数据源,并建立一个全国综合图。

NBAC 是火灾监测、核算和报告系统(FireMARS)的一部分,该系统由加拿大自然资源部加拿大测绘与地球观测中心(前身为加拿大遥感中心)和加拿大林业局联合开发。火灾监测和报告系统最初是在加拿大航天局政府相关倡议计划的资助下,由火灾研究、森林碳核算和遥感方面的人员合作开发的。

NBAC 的数据来自- 加拿大自然资源部,以及 - 加拿大省级、地区级和公园机构。

NBAC 可用于景观尺度火灾影响的空间和时间分析。您可以在此处下载数据集

补充信息


NBAC 是 FireMARS 系统自 1986 年以来每年编制的国家产品,该系统跟踪森林火灾,用于年度碳排放估算,并帮助识别可能受到火灾干扰的国家森林资源调查地块。更多信息请参见 FireMARS 网站 (http://www.nrcan.gc.ca/forests/fire/13159) 和碳核算-干扰监测网站 (http://www.nrcan.gc.ca/forests/climate-change/13109)。

在使用这些数据进行制图活动和分析、研究、评估或展示时,请使用以下引文注明来源:

加拿大林务局。国家燃烧区综合数据 (NBAC)。加拿大自然资源部,加拿大林业局,北部林业中心,艾伯塔省埃德蒙顿。https://cwfis.cfs.nrcan.gc.ca/。

像素产品的详细信息

像素产品由 5 个文件组成:

JD.tif:烧毁区域的首次探测日
CL.tif:烧毁区域检测的置信度
BA.tif:烧毁面积,与计算出的烧毁像素比例相对应。
OB.tif:观测次数,即该月观测到该像元的次数。
xml:产品的元数据

像素属性汇总

AttributeUnitsData TypeNotes
Date of the first detection (JD)Day of the year (1-366)Float- 0: Not burned - 1-366: Day of first detection for burned pixel - -1: Not observed in month - -2: Not burnable (water, bare land, urban, snow/ice)
Confidence level (CL)0-100Float- 0: Low burn probability - 1-100: Increasing burn probability confidence - -1: Not observed in month - -2: Not burnable (water, bare land, urban, snow/ice)
Burned Area (BA)Square metersFloat- 0-N: Burned area within pixel cell - -1: Not observed in month - -2: Not burnable (water, bare land, urban, snow/ice)
Number of observations (OB)0-31Int16- 0-31: No-cloud observations in pixel - 0: Not observed - -2: Not burnable (water, bare land, urban, snow/ice)

代码

var nbac_raster8622 = ee.Image("projects/sat-io/open-datasets/CA_FOREST/NBAC/NBAC_MRB_1986_to_2022");
var nbac8622 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/nbac_1986_to_2022_20230630");
var nbac_1986_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_1986_r9_20210810");
var nbac_1987_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_1987_r9_20210810");
var nbac_1988_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_1988_r9_20210810");
var nbac_1989_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_1989_r9_20210810");
var nbac_1990_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_1990_r9_20210810");
var nbac_1991_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_1991_r9_20210810");
var nbac_1992_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_1992_r9_20210810");
var nbac_1993_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_1993_r9_20210810");
var nbac_1994_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_1994_r9_20210810");
var nbac_1995_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_1995_r9_20210810");
var nbac_1996_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_1996_r9_20210810");
var nbac_1997_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_1997_r9_20210810");
var nbac_1998_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_1998_r9_20210810");
var nbac_1999_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_1999_r9_20210810");
var nbac_2000_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2000_r9_20210810");
var nbac_2001_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2001_r9_20210810");
var nbac_2002_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2002_r9_20210810");
var nbac_2003_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2003_r9_20210810");
var nbac_2004_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2004_r9_20210810");
var nbac_2005_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2005_r9_20210810");
var nbac_2006_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2006_r9_20210810");
var nbac_2007_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2007_r9_20210810");
var nbac_2008_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2008_r9_20210810");
var nbac_2009_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2009_r9_20210810");
var nbac_2010_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2010_r9_20210810");
var nbac_2011_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2011_r9_20210810");
var nbac_2012_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2012_r9_20210810");
var nbac_2013_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2013_r9_20210810");
var nbac_2014_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2014_r9_20210810");
var nbac_2015_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2015_r9_20210810");
var nbac_2016_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2016_r9_20210810");
var nbac_2017_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2017_r9_20210810");
var nbac_2018_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2018_r9_20210810");
var nbac_2019_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2019_r9_20210810");
var nbac_2020_r9_20210810 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2020_r9_20210810");
var nbac_2021_r9_20220624 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2021_r9_20220624");
var nbac_2022_r12_20230630 = ee.FeatureCollection("projects/sat-io/open-datasets/CA_FOREST/NBAC/YEARLY/nbac_2022_r12_20230630");//Setup basemaps
var snazzy = require("users/aazuspan/snazzy:styles");
snazzy.addStyle("https://snazzymaps.com/style/132/light-gray", "Grayscale");var palette = ['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b','#e377c2', '#7f7f7f', '#bcbd22', '#17becf', '#aec7e8', '#ffbb78','#98df8a', '#ff9896', '#c5b0d5', '#c49c94', '#f7b6d2', '#c7c7c7','#dbdb8d', '#9edae5', '#393b79', '#637939', '#8c6d31', '#843c39','#7b4173', '#5254a3', '#637939', '#8c6d31', '#bd9e39', '#8c6d31','#bd9e39', '#8c6d31', '#bd9e39', '#8c6d31', '#bd9e39', '#8c6d31'
];//Center the object
Map.setCenter(-97.31,56.71,4)Map.addLayer(nbac_raster8622,{min:1986,max:2022,palette:palette},'National Burned Area Raster Composite 1986-2022')
Map.addLayer(nbac8622,{},'National Burned Area Composite 1986-2022',false)

数据引用

Skakun, R.; Castilla, G.; Metsaranta, J.; Whitman, E.; Rodrigue, S.; Little, J.; Groenewegen, K.; Coyle, M. (2022). Extending the National Burned Area Composite Time Series of Wildfires in Canada. Remote Sensing, 14, 3050. DOI: https://doi.org/10.3390/rs14133050 Skakun, R.S.; Whitman, E.; Little, J.M.; and Parisien, M.-A. (2021). Area burned adjustments to historical wildland fires in Canada. Environmental Research Letters 16 064014. DOI: https://doi.org/10.1088/1748-9326/abfb2c Hall, R.J.; Skakun, R.S.; Metsaranta, J.M.; Landry, R.; Fraser, R.H.; Raymond, D.A.; Gartrell, J.M.; Decker, V. and Little, J.M. (2020). Generating annual estimates of forest fire disturbance in Canada: the National Burned Area Composite. International Journal of Wildland Fire. 10.1071/WF19201. DOI: https://doi.org/10.1071/WF19201

代码链接

https://code.earthengine.google.com/?scriptPath=users/sat-io/awesome-gee-catalog-examples:fire-monitoring-analysis/CA-NATIONAL-BURNED-AREA-COMPOSITE

License¶

Open Government Licence - Canada (Open Government Licence - Canada | Open Government - Government of Canada). When using these data for mapping activities and analysis, research, evaluation or display, please acknowledged the source using the following citation: Canadian Forest Service. National Burned Area Composite (NBAC). Natural Resources Canada, Canadian Forest Service, Northern Forestry Centre, Edmonton, Alberta. Canadian Wildland Fire Information System / Système canadien d'information sur les feux de végétation.

Created by: Natural Resources Canada,Canadian Wildland Fire Information System

Curated in GEE by : Samapriya Roy

Keywords: canada,burned area,forestry,forest fire,wildfire

Last updated in GEE: 2024-04-02

网址推荐

0代码在线构建地图应用

https://sso.mapmost.com/#/login?source_inviter=nClSZANO

机器学习

https://www.cbedai.net/xg 

这篇关于GEE数据集——1986年—2022年加拿大全国烧毁面积综合数据 (NBAC)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/897894

相关文章

Java注解之超越Javadoc的元数据利器详解

《Java注解之超越Javadoc的元数据利器详解》本文将深入探讨Java注解的定义、类型、内置注解、自定义注解、保留策略、实际应用场景及最佳实践,无论是初学者还是资深开发者,都能通过本文了解如何利用... 目录什么是注解?注解的类型内置注编程解自定义注解注解的保留策略实际用例最佳实践总结在 Java 编程

一文教你Python如何快速精准抓取网页数据

《一文教你Python如何快速精准抓取网页数据》这篇文章主要为大家详细介绍了如何利用Python实现快速精准抓取网页数据,文中的示例代码简洁易懂,具有一定的借鉴价值,有需要的小伙伴可以了解下... 目录1. 准备工作2. 基础爬虫实现3. 高级功能扩展3.1 抓取文章详情3.2 保存数据到文件4. 完整示例

使用Java将各种数据写入Excel表格的操作示例

《使用Java将各种数据写入Excel表格的操作示例》在数据处理与管理领域,Excel凭借其强大的功能和广泛的应用,成为了数据存储与展示的重要工具,在Java开发过程中,常常需要将不同类型的数据,本文... 目录前言安装免费Java库1. 写入文本、或数值到 Excel单元格2. 写入数组到 Excel表格

python处理带有时区的日期和时间数据

《python处理带有时区的日期和时间数据》这篇文章主要为大家详细介绍了如何在Python中使用pytz库处理时区信息,包括获取当前UTC时间,转换为特定时区等,有需要的小伙伴可以参考一下... 目录时区基本信息python datetime使用timezonepandas处理时区数据知识延展时区基本信息

Qt实现网络数据解析的方法总结

《Qt实现网络数据解析的方法总结》在Qt中解析网络数据通常涉及接收原始字节流,并将其转换为有意义的应用层数据,这篇文章为大家介绍了详细步骤和示例,感兴趣的小伙伴可以了解下... 目录1. 网络数据接收2. 缓冲区管理(处理粘包/拆包)3. 常见数据格式解析3.1 jsON解析3.2 XML解析3.3 自定义

SpringMVC 通过ajax 前后端数据交互的实现方法

《SpringMVC通过ajax前后端数据交互的实现方法》:本文主要介绍SpringMVC通过ajax前后端数据交互的实现方法,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价... 在前端的开发过程中,经常在html页面通过AJAX进行前后端数据的交互,SpringMVC的controll

Pandas统计每行数据中的空值的方法示例

《Pandas统计每行数据中的空值的方法示例》处理缺失数据(NaN值)是一个非常常见的问题,本文主要介绍了Pandas统计每行数据中的空值的方法示例,具有一定的参考价值,感兴趣的可以了解一下... 目录什么是空值?为什么要统计空值?准备工作创建示例数据统计每行空值数量进一步分析www.chinasem.cn处

如何使用 Python 读取 Excel 数据

《如何使用Python读取Excel数据》:本文主要介绍使用Python读取Excel数据的详细教程,通过pandas和openpyxl,你可以轻松读取Excel文件,并进行各种数据处理操... 目录使用 python 读取 Excel 数据的详细教程1. 安装必要的依赖2. 读取 Excel 文件3. 读

Spring 请求之传递 JSON 数据的操作方法

《Spring请求之传递JSON数据的操作方法》JSON就是一种数据格式,有自己的格式和语法,使用文本表示一个对象或数组的信息,因此JSON本质是字符串,主要负责在不同的语言中数据传递和交换,这... 目录jsON 概念JSON 语法JSON 的语法JSON 的两种结构JSON 字符串和 Java 对象互转

C++如何通过Qt反射机制实现数据类序列化

《C++如何通过Qt反射机制实现数据类序列化》在C++工程中经常需要使用数据类,并对数据类进行存储、打印、调试等操作,所以本文就来聊聊C++如何通过Qt反射机制实现数据类序列化吧... 目录设计预期设计思路代码实现使用方法在 C++ 工程中经常需要使用数据类,并对数据类进行存储、打印、调试等操作。由于数据类