10米（AIEarth）)
AIEarth中国10米地物分类数据集(AIEC) 简介与Notebook示例达摩院AI Earth团队自研的中国区10m分辨率地物分类产品是一种基于遥感影像数据的地物分类产品可以识别并分类出遥感影像中的地物包括建筑物、水体、植被等。该产品使用了深度学习算法通过对大量已标注的遥感影像进行训练实现了较高的分类精度和较快的处理速度。在城市规划、环境监测、自然资源管理等领域该产品都具有重要的应用价值。前言 – 人工智能教程数据包含2020-2022年中国逐年土地覆盖信息。研究团队利用Sentinel-2 数据集借助深度学习方法融合了多时序、多模态、Low Level约束、半监督等技术进行精细化地物分割。算法基于LandCoverNet Dataset, Google Dynamic Dataset和自研验证集进行统计评测整体精度指标均达到一定提升。原始代码中和数据集的介绍中并没有给出具体数据的参数所以我们无法查看影像的具体信息希望后续能通过补充部分波段信息的介绍来弥补现在的不足。只能通过python代码来实现这个功能看看数据中包含哪些波段信息这里我们可以通过print单景影像来获取查看{bbox: [117.0, 30.0, 120.0, 33.0], id: DAMO_AIE_CHINA_LC_2022_N30E117, bands: [{index: 1, id: Map}], properties: {datetime: 2022-01-01T00:00:00.000Z, instruments: [], end_datetime: 1672531199000, start_datetime: 1640995200000, aie:band_names: [Map], meta:startTime: 2022-01-01T00:00:00.000Z}}经过查看发现这个数据集中并不包含具体的二分类信息仅有一个’Map‘一个波段信息。属性中有仅有时间信息。单景影像的加载代码import aie aie.Authenticate() aie.Initialize() img aie.Image(DAMO_AIE_CHINA_LC_2022_N30E117) print(img.getInfo()) map aie.Map( centerimg.getCenter(), height800, zoom6 ) vis_params { bands: Map, min: 1, max: 9, palette: [ #F8D072,#31AD69,#83C238,#63E038, #63E0E4,#A3D6F5,#F1A5B4,#D7C8B9, #9C9C9C ] } map.addLayer( img, vis_params, Map, boundsimg.getBounds() ) map影像集合的加载代码import aie aie.Authenticate() aie.Initialize() # 指定需要检索的区域 feature_collection aie.FeatureCollection(China_Province).geometry() #指定检索数据集可设置检索的时间范围 dataset aie.ImageCollection(DAMO_AIE_CHINA_LC) \ .filterBounds(feature_collection) \ .filterDate(2022-01-01, 2022-01-31) \ .mosaic()\ .clip(feature_collection) imgs dataset.select([Map]); map aie.Map( centerimgs.getCenter(), height800, zoom6 ) vis_params { bands: Map, min: 1, max: 9, palette: [ #F8D072,#31AD69,#83C238,#63E038, #63E0E4,#A3D6F5,#F1A5B4,#D7C8B9, #9C9C9C ] } map.addLayer( imgs, vis_params, Map, boundsimgs.getBounds() ) map 2020-2022年中国地物分类数据集(AIEC)10米（AIEarth）
AIEarth中国10米地物分类数据集(AIEC) 简介与Notebook示例达摩院AI Earth团队自研的中国区10m分辨率地物分类产品是一种基于遥感影像数据的地物分类产品可以识别并分类出遥感影像中的地物包括建筑物、水体、植被等。该产品使用了深度学习算法通过对大量已标注的遥感影像进行训练实现了较高的分类精度和较快的处理速度。在城市规划、环境监测、自然资源管理等领域该产品都具有重要的应用价值。前言 – 人工智能教程数据包含2020-2022年中国逐年土地覆盖信息。研究团队利用Sentinel-2 数据集借助深度学习方法融合了多时序、多模态、Low Level约束、半监督等技术进行精细化地物分割。算法基于LandCoverNet Dataset, Google Dynamic Dataset和自研验证集进行统计评测整体精度指标均达到一定提升。原始代码中和数据集的介绍中并没有给出具体数据的参数所以我们无法查看影像的具体信息希望后续能通过补充部分波段信息的介绍来弥补现在的不足。只能通过python代码来实现这个功能看看数据中包含哪些波段信息这里我们可以通过print单景影像来获取查看{bbox: [117.0, 30.0, 120.0, 33.0], id: DAMO_AIE_CHINA_LC_2022_N30E117, bands: [{index: 1, id: Map}], properties: {datetime: 2022-01-01T00:00:00.000Z, instruments: [], end_datetime: 1672531199000, start_datetime: 1640995200000, aie:band_names: [Map], meta:startTime: 2022-01-01T00:00:00.000Z}}经过查看发现这个数据集中并不包含具体的二分类信息仅有一个’Map‘一个波段信息。属性中有仅有时间信息。单景影像的加载代码import aie aie.Authenticate() aie.Initialize() img aie.Image(DAMO_AIE_CHINA_LC_2022_N30E117) print(img.getInfo()) map aie.Map( centerimg.getCenter(), height800, zoom6 ) vis_params { bands: Map, min: 1, max: 9, palette: [ #F8D072,#31AD69,#83C238,#63E038, #63E0E4,#A3D6F5,#F1A5B4,#D7C8B9, #9C9C9C ] } map.addLayer( img, vis_params, Map, boundsimg.getBounds() ) map影像集合的加载代码import aie aie.Authenticate() aie.Initialize() # 指定需要检索的区域 feature_collection aie.FeatureCollection(China_Province).geometry() #指定检索数据集可设置检索的时间范围 dataset aie.ImageCollection(DAMO_AIE_CHINA_LC) \ .filterBounds(feature_collection) \ .filterDate(2022-01-01, 2022-01-31) \ .mosaic()\ .clip(feature_collection) imgs dataset.select([Map]); map aie.Map( centerimgs.getCenter(), height800, zoom6 ) vis_params { bands: Map, min: 1, max: 9, palette: [ #F8D072,#31AD69,#83C238,#63E038, #63E0E4,#A3D6F5,#F1A5B4,#D7C8B9, #9C9C9C ] } map.addLayer( imgs, vis_params, Map, boundsimgs.getBounds() ) map