A global land cover training dataset from 1984 to 2020

facebook - A global land cover training dataset from 1984 to 2020facebook - A global land cover training dataset from 1984 to 2020linkedin - A global land cover training dataset from 1984 to 2020linkedin - A global land cover training dataset from 1984 to 2020whatsapp - A global land cover training dataset from 1984 to 2020whatsapp - A global land cover training dataset from 1984 to 2020x - A global land cover training dataset from 1984 to 2020x - A global land cover training dataset from 1984 to 2020a2a - A global land cover training dataset from 1984 to 2020a2a - A global land cover training dataset from 1984 to 2020

Stanimirova, Radost; Tarrio, Katelyn; Turlej, Konrad; McAvoy, Kristina; Stonebrook, Sophia; Hu, Kai-Ting; Arévalo, Paulo; Bullock, Eric L.; Zhang, Yingtong; Woodcock, Curtis E.; Olofsson, Pontus; Zhu, Zhe; Barber, Christopher P.; Souza, Casrlos M.; Chen, Shijuan; Wang, Jonathan A.; Mensah, Foster; Calderon-Loor, Marco; Hadjikakou, Michalis; Bryan, Brett A.; Graesser, Jordan; Beyene, Dereje L.; Mutasha, Brian; Siame, Sylvester; Siampale, Abel; Friedl, Mark A. A global land cover training dataset from 1984 to 2020. Nature, 2023. https://www.nature.com/articles/s41597-023-02798-5

Abstract: State-of-the-art cloud computing platforms such as Google Earth Engine (GEE) enable regional-to-global land cover and land cover change mapping with machine learning algorithms. However, collection of high-quality training data, which is necessary for accurate land cover mapping, remains costly and labor-intensive. To address this need, we created a global database of nearly 2 million training units spanning the period from 1984 to 2020 for seven primary and nine secondary land cover classes. Our training data collection approach leveraged GEE and machine learning algorithms to ensure data quality and biogeographic representation. We sampled the spectral-temporal feature space from Landsat imagery to efciently allocate training data across global ecoregions and incorporated publicly available and collaborator-provided datasets to our database. To refect the underlying regional class distribution and post-disturbance landscapes, we strategically augmented the database. We used a machine learning-based cross-validation procedure to remove potentially mis-labeled training units. Our training database is relevant for a wide array of studies such as land cover change, agriculture, forestry, hydrology, urban development, among many others.

Download

facebook - A global land cover training dataset from 1984 to 2020facebook - A global land cover training dataset from 1984 to 2020linkedin - A global land cover training dataset from 1984 to 2020linkedin - A global land cover training dataset from 1984 to 2020whatsapp - A global land cover training dataset from 1984 to 2020whatsapp - A global land cover training dataset from 1984 to 2020x - A global land cover training dataset from 1984 to 2020x - A global land cover training dataset from 1984 to 2020a2a - A global land cover training dataset from 1984 to 2020a2a - A global land cover training dataset from 1984 to 2020

This post was published on 7 de dezembro de 2023

AddThis Website Tools

Notícias recentes

Explosive growth of secondary roads is linked to widespread tropical deforestationExplosive growth of secondary roads is linked to widespread tropical deforestation

Explosive growth of secondary roads is linked to widespread tropical deforestation

Título Explosive growth of secondary roads is linked to widespread tropical deforestation Autores Jayden E.…

7 de março de 2025
Sistema de Alerta de Desmatamento (SAD) – Janeiro de 2025Sistema de Alerta de Desmatamento (SAD) – Janeiro de 2025

Sistema de Alerta de Desmatamento (SAD) – Janeiro de 2025

Amorim, L., Ferreira, R., Dias, M., Souza Jr., C., & Veríssimo, A. Sistema de Alerta…

21 de fevereiro de 2025
Resultados frigoríficos 2024Resultados frigoríficos 2024

Resultados frigoríficos 2024

Título Resultados frigoríficos 2024 Autores Instituto do Homem e Meio Ambiente da Amazônia (Imazon) Instituto…

5 de fevereiro de 2025
RESUMO EXECUTIVO – Cenário da punição a desmatadores ilegais na Amazônia: Atualização dos resultados do Programa Amazônia ProtegeRESUMO EXECUTIVO – Cenário da punição a desmatadores ilegais na Amazônia: Atualização dos resultados do Programa Amazônia Protege

RESUMO EXECUTIVO – Cenário da punição a desmatadores ilegais na Amazônia: Atualização dos resultados do Programa Amazônia Protege

Título RESUMO EXECUTIVO - Cenário da punição a desmatadores ilegais na Amazônia: Atualização dos resultados…

31 de janeiro de 2025
Cenário da punição a desmatadores ilegais na Amazônia: Atualização dos resultados do Programa Amazônia ProtegeCenário da punição a desmatadores ilegais na Amazônia: Atualização dos resultados do Programa Amazônia Protege

Cenário da punição a desmatadores ilegais na Amazônia: Atualização dos resultados do Programa Amazônia Protege

Título Cenário da punição a desmatadores ilegais na Amazônia: Atualização dos resultados do Programa Amazônia…

31 de janeiro de 2025
Sistema de Alerta de Desmatamento (SAD) – Dezembro de 2024Sistema de Alerta de Desmatamento (SAD) – Dezembro de 2024

Sistema de Alerta de Desmatamento (SAD) – Dezembro de 2024

Amorim, L., Santos, B., Ferreira, R., Ribeiro, J., Dias, M., Souza Jr., C., & Veríssimo,…

24 de janeiro de 2025