IrrMapper est une classification annuelle de l'état de l'irrigation dans les 11 États de l'ouest des États-Unis, à l'échelle Landsat (c'est-à-dire 30 mètres) à l'aide de l'algorithme de forêt aléatoire, couvrant les années 1986 à aujourd'hui.
Alors que l'article IrrMapper décrit la classification de quatre classes (c'est-à-dire irriguées, non irriguées, non cultivées, zones humides), l'ensemble de données est converti en une classification binaire des zones irriguées et non irriguées.
Le terme "irrigué" fait référence à la détection de toute irrigation au cours de l'année.
Le modèle de forêt aléatoire IrrMapper a été entraîné à l'aide d'une vaste base de données géospatiales sur la couverture des sols pour chacune des quatre classes (irriguées et non irriguées), y compris plus de 50 000 champs irrigués vérifiés par des humains, 38 000 champs de terres arides et plus de 500 000 kilomètres carrés de terres non cultivées.
Pour la version 1.2, les données d'entraînement d'origine ont été considérablement étendues, un modèle RF a été créé pour chaque état et une analyse plus approfondie de la validation et de l'incertitude a été entreprise. Consultez le supplément de notre article sur l'impact de l'irrigation sur le débit des cours d'eau.
Bracelets
Taille des pixels 30 mètres
Bandes de fréquences
Nom
Taille des pixels
Description
classification
mètres
La valeur 1 est attribuée aux pixels irrigués, tandis que les autres pixels sont masqués.
Ketchum, D.; Jencso, K.; Maneta, M.P.; Melton, F.; Jones, M.O.; Huntington, J.
IrrMapper : une approche de machine learning pour la cartographie haute résolution de l'agriculture irriguée dans l'ouest des États-Unis,
Remote Sens. 2020, 12, 2328. doi:10.3390/rs12142328
Ketchum, D., Hoylman, Z.H., Huntington, J. et al. Irrigation intensification impacts sustainability
of streamflow in the Western United States. Commun Earth Environ 4, 479 (2023). doi:10.1038/s43247-023-01152-2
IrrMapper est une classification annuelle de l'état de l'irrigation dans les 11 États de l'ouest des États-Unis, à l'échelle Landsat (c'est-à-dire 30 mètres) à l'aide de l'algorithme Random Forest, couvrant les années 1986 à aujourd'hui. Alors que l'article IrrMapper décrit la classification de quatre classes (c'est-à-dire irriguées, sèches, non cultivées et zones humides), l'ensemble de données est converti en…
[null,null,[],[[["\u003cp\u003eIrrMapper is an annual dataset that classifies irrigated and non-irrigated land in the Western US from 1986 to present.\u003c/p\u003e\n"],["\u003cp\u003eThe dataset uses a Random Forest algorithm and Landsat data for 30m resolution mapping of irrigation status.\u003c/p\u003e\n"],["\u003cp\u003eIt provides a binary classification: irrigated areas are marked with a value of 1, while non-irrigated areas are masked out.\u003c/p\u003e\n"],["\u003cp\u003eDeveloped by the University of Montana, IrrMapper is available for research, education, and non-profit use under the CC-BY-4.0 license.\u003c/p\u003e\n"],["\u003cp\u003eUsers can explore and analyze the dataset using Google Earth Engine.\u003c/p\u003e\n"]]],[],null,["# IrrMapper Irrigated Lands, Version 1.2\n\nDataset Availability\n: 1986-01-01T00:00:00Z--2024-01-01T00:00:00Z\n\nDataset Provider\n:\n\n\n [University of Montana / Montana Climate Office](https://climate.umt.edu/research/irrmapper/)\n\nTags\n:\n[agriculture](/earth-engine/datasets/tags/agriculture) [landsat-derived](/earth-engine/datasets/tags/landsat-derived) \n\n#### Description\n\nIrrMapper is an annual classification of irrigation status in the 11\nWestern United States made at Landsat scale (i.e., 30 m) using the\nRandom Forest algorithm, covering years 1986 - present.\n\nWhile the [IrrMapper paper](https://www.mdpi.com/2072-4292/12/14/2328)\ndescribes classification of four classes (i.e., irrigated, dryland,\nuncultivated, wetland), the dataset is converted to a binary\nclassification of irrigated and non-irrigated.\n\n'Irrigated' refers to the detection of any irrigation during the year.\nThe IrrMapper random forest model was trained using an extensive\ngeospatial database of land cover from each of four irrigated- and\nnon-irrigated classes, including over 50,000 human-verified irrigated\nfields, 38,000 dryland fields, and over 500,000 square kilometers of\nuncultivated lands.\n\nFor version 1.2, the original training data was greatly expanded,\na RF model built for each state, and a more thorough validation and uncertainty\nanalysis undertaken. See the [supplement](https://static-content.springer.com/esm/art%3A10.1038%2Fs43247-023-01152-2/MediaObjects/43247_2023_1152_MOESM3_ESM.docx)\nto our [paper](https://www.nature.com/articles/s43247-023-01152-2) on the impacts of irrigation on streamflow.\n\n### Bands\n\n\n**Pixel Size**\n\n30 meters\n\n**Bands**\n\n| Name | Pixel Size | Description |\n|------------------|------------|------------------------------------------------------------------------|\n| `classification` | meters | Irrigated pixels have the value of 1, the other pixels are masked out. |\n\n### Terms of Use\n\n**Terms of Use**\n\n[CC-BY-4.0](https://spdx.org/licenses/CC-BY-4.0.html)\n\n### Citations\n\nCitations:\n\n- Ketchum, D.; Jencso, K.; Maneta, M.P.; Melton, F.; Jones, M.O.; Huntington, J.\n IrrMapper: A Machine Learning Approach for High Resolution Mapping of\n Irrigated Agriculture Across the Western U.S.,\n Remote Sens. 2020, 12, 2328. [doi:10.3390/rs12142328](https://doi.org/10.3390/rs12142328)\n\n Ketchum, D., Hoylman, Z.H., Huntington, J. et al. Irrigation intensification impacts sustainability\n of streamflow in the Western United States. Commun Earth Environ 4, 479 (2023). [doi:10.1038/s43247-023-01152-2](https://doi.org/10.1038/s43247-023-01152-2)\n\n### Explore with Earth Engine\n\n| **Important:** Earth Engine is a platform for petabyte-scale scientific analysis and visualization of geospatial datasets, both for public benefit and for business and government users. Earth Engine is free to use for research, education, and nonprofit use. To get started, please [register for Earth Engine access.](https://console.cloud.google.com/earth-engine)\n\n### Code Editor (JavaScript)\n\n```javascript\nvar dataset = ee.ImageCollection('UMT/Climate/IrrMapper_RF/v1_2');\nvar irr = dataset.filterDate('2023-01-01', '2023-12-31').mosaic();\n\nvar visualization = {\n min: 0.0,\n max: 1.0,\n palette: ['blue']\n};\nMap.addLayer(irr, visualization, 'IrrMapper 2023');\nMap.setCenter(-112.516, 45.262, 10);\n```\n[Open in Code Editor](https://code.earthengine.google.com/?scriptPath=Examples:Datasets/UMT/UMT_Climate_IrrMapper_RF_v1_2) \n[IrrMapper Irrigated Lands, Version 1.2](/earth-engine/datasets/catalog/UMT_Climate_IrrMapper_RF_v1_2) \nIrrMapper is an annual classification of irrigation status in the 11 Western United States made at Landsat scale (i.e., 30 m) using the Random Forest algorithm, covering years 1986 - present. While the IrrMapper paper describes classification of four classes (i.e., irrigated, dryland, uncultivated, wetland), the dataset is converted to ... \nUMT/Climate/IrrMapper_RF/v1_2, agriculture,landsat-derived \n1986-01-01T00:00:00Z/2024-01-01T00:00:00Z \n31.3 -124.5 49 -99 \nGoogle Earth Engine \nhttps://developers.google.com/earth-engine/datasets\n\n- [](https://doi.org/https://climate.umt.edu/research/irrmapper/)\n- [](https://doi.org/https://developers.google.com/earth-engine/datasets/catalog/UMT_Climate_IrrMapper_RF_v1_2)"]]
