OSMland使用来自 OpenStreetMap 和 Sentinel-2 的 10 m 分辨率的欧盟土地利用数据集

快速阅读: 据《Nature.com》称，图2展示了产品在欧盟不同景观中的特性，包括荷兰乌得勒支省的开放街图数据应用、波尔多湿地的OSM数据利用、意大利波河谷地及匈牙利巴拉顿湖的大尺度区域区分，以及通过深度学习补充OSM数据后的像素化效果，突出产品在多种环境下的适用性与局限性。

图2中的各个部分展示了研究地点的不同区域，并突出了我们的产品在欧盟不同景观中的特性。

图2的a）部分显示了荷兰乌得勒支省的详细情况，具体描绘了水域、牧场、耕地和住宅区的空间分布。该地区几乎完全由开放街图（OSM）数据覆盖，因此只需少量深度学习预测即可补充荷兰的可用OSM数据。荷兰的可用OSM数据比例达到了96.4%，空间细节依赖于OSM数据的可用程度。只有罗马尼亚的原始OSM数据覆盖率更高一些，在主要依赖OSM数据的国家中，其细节程度是遥感技术单独难以实现的。

图2的e）部分展示了波尔多附近湿地河口的详细情况。由于湿地具有多样化的光谱特性和动态行为，仅依靠遥感技术很难识别它们。这里展示了利用现有OSM数据克服这一难题的一种方式。

图2的d）和f）部分分别展示了意大利波河谷地和匈牙利巴拉顿湖的情况。这两个例子都展示了产品在大尺度上区分半自然区域与耕地的能力。

图2的b）和c）部分包含了一些通过深度学习对OSM数据进行分类补充后生成的像素化元素。其中c）部分的空间细节损失尤其显著，因为预测的土地利用/土地覆盖（LULC）的10米空间分辨率无法清晰区分穿越城市的河流及其上的众多桥梁。b）部分提供了OSM土地利用中总体特征的一个典型例子，即矢量几何的精细分辨率与10米分类像素块的结合。b）和c）两部分包含了一些由深度学习对OSM数据进行分类补充后生成的像素化元素，其中c）部分的空间细节损失尤其显著，因为预测的土地利用/土地覆盖（LULC）的10米空间分辨率无法清晰区分穿越城市的河流及其上的众多桥梁。

(以上内容均由Ai生成)