Remarque : Cet ensemble de données n'a pas encore été évalué par des pairs. Pour en savoir plus, consultez le fichier README sur GitHub.
Cette collection d'images fournit une estimation de la probabilité par pixel que la zone sous-jacente soit occupée par la marchandise. Les estimations de probabilité sont fournies avec une résolution de 10 mètres et ont été générées par un modèle de machine learning. Pour en savoir plus, consultez la documentation technique sur le dépôt du partenariat sur les données forestières sur GitHub.
L'objectif principal de cette collection d'images est de soutenir la mission du Forest Data Partnership, qui vise à stopper et à inverser la perte de forêts due à la production de matières premières en améliorant collectivement la surveillance mondiale, le suivi de la chaîne d'approvisionnement et la restauration.
Cet ensemble de données couvre actuellement les pays suivants : Brésil, Vietnam,
Indonésie, Colombie, Éthiopie, Ouganda, Honduras, Pérou, Nicaragua,
Le Salvador.
Ce produit de données communautaires est destiné à évoluer au fil du temps, à mesure que davantage de données seront disponibles auprès de la communauté et que le modèle utilisé pour produire les cartes s'améliorera en continu. Si vous souhaitez nous faire part de commentaires d'ordre général ou nous suggérer d'autres ensembles de données pour améliorer ces calques, veuillez nous contacter via ce formulaire.
Limites : La sortie du modèle est limitée aux pays sélectionnés sous forme de composites d'année civile pour 2020 et 2023. Toutes les régions de la sortie ne sont pas bien représentées par les données d'entraînement. La précision est indiquée de manière globale. Elle varie selon la zone géographique et les seuils choisis par l'utilisateur. Les artefacts de capteur basés sur la disponibilité des données, la non-uniformité transversale ou la nébulosité peuvent être visibles dans les probabilités de sortie et entraîner des erreurs de classification à certains seuils.
Notez que cet ensemble de données est soumis à des conditions d'utilisation distinctes pour les utilisateurs commerciaux d'Earth Engine. Pour en savoir plus, consultez l'onglet "Conditions d'utilisation".
Bracelets
Taille des pixels 10 mètres
Bandes de fréquences
Nom
Min
Max
Taille des pixels
Description
probability
0
1
mètres
Probabilité que le pixel inclue des caféiers pour l'année donnée.
Conditions d'utilisation
Conditions d'utilisation
Pour les utilisateurs non commerciaux d'Earth Engine, l'utilisation de l'ensemble de données est soumise à la licence CC-BY 4.0 NC et nécessite l'attribution suivante : "Produit par Google pour le Forest Data Partnership".
Remarque : Cet ensemble de données n'a pas encore été évalué par les pairs. Pour en savoir plus, veuillez consulter le fichier README de GitHub. Cette collection d'images fournit une estimation de la probabilité par pixel que la zone sous-jacente soit occupée par la marchandise. Les estimations de probabilité sont fournies avec une résolution de 10 mètres et ont été générées par un modèle de machine learning. Pour…
[null,null,[],[],[],null,["# Coffee Probability model 2025a\n\ninfo\n\n\nThis dataset is part of a Publisher Catalog, and not managed by Google Earth Engine.\n\nContact forestdatapartnership@googlegroups.com\n\nfor bugs or [view more datasets](https://developers.google.com/earth-engine/datasets/publisher/forestdatapartnership)\nfrom the Forest Data Partnership Catalog. [Learn more about Publisher datasets](/earth-engine/datasets/publisher). \n[](https://forestdatapartnership.org) \n\nCatalog Owner\n: Forest Data Partnership\n\nDataset Availability\n: 2020-01-01T00:00:00Z--2023-12-31T23:59:59Z\n\nDataset Provider\n:\n\n\n [Produced by Google for the Forest Data Partnership](https://www.forestdatapartnership.org/)\n\nTags\n:\n [agriculture](/earth-engine/datasets/tags/agriculture) [biodiversity](/earth-engine/datasets/tags/biodiversity) [conservation](/earth-engine/datasets/tags/conservation) [crop](/earth-engine/datasets/tags/crop) [eudr](/earth-engine/datasets/tags/eudr) [forestdatapartnership](/earth-engine/datasets/tags/forestdatapartnership) [landuse](/earth-engine/datasets/tags/landuse) [plantation](/earth-engine/datasets/tags/plantation) [pre-review](/earth-engine/datasets/tags/pre-review) [publisher-dataset](/earth-engine/datasets/tags/publisher-dataset) \ncoffee \n\n#### Description\n\n**Note: This dataset is not yet peer-reviewed. Please see this\n[GitHub README](https://github.com/google/forest-data-partnership/tree/main/models)\nfor more information.**\n\nThis image collection provides estimated per-pixel probability that the\nunderlying area is occupied by the commodity. The probability estimates are\nprovided at 10 meter resolution, and have been generated by a machine\nlearning model. For details, see the technical documentation on the\n[Forest Data Partnership repo](https://github.com/google/forest-data-partnership/tree/main)\non Github.\n\nThe primary purpose of this image collection is to support the mission of\nthe [Forest Data Partnership](https://www.forestdatapartnership.org/) which\naims to halt and reverse forest loss from commodity production by\ncollaboratively improving global monitoring, supply chain tracking, and\nrestoration.\n\nThis dataset currently covers the following countries: Brazil, Vietnam,\nIndonesia, Colombia, Ethiopia, Uganda, Honduras, Peru, Nicaragua,\nEl Salvador.\n\nThis community data product is meant to evolve over time, as more data\nbecomes available from the community and the model used to produce the maps\ncontinuously improves. If you would like to provide general feedback or\nadditional datasets to improve these layers, please reach out through\n[this form](https://goo.gle/fdap-data).\n\nLimitations: Model output is limited to selected countries as calendar year\ncomposites for 2020 and 2023. Not all regions of the output are well\nrepresented by training data. Accuracy is reported in aggregate, and will\nvary geographically and with user chosen thresholds. Sensor artifacts based\non data availability, cross-track nonuniformity, or cloudiness may be\nvisually apparent in output probabilities and result in classification\nerrors at some thresholds.\n\n**Note that this dataset has separate terms of use for commercial users of\nEarth Engine. Please see \"Terms of Use\" tab for details.**\n\n### Bands\n\n\n**Pixel Size**\n\n10 meters\n\n**Bands**\n\n| Name | Min | Max | Pixel Size | Description |\n|---------------|-----|-----|------------|----------------------------------------------------------------------|\n| `probability` | 0 | 1 | meters | Probability that the pixel includes coffee trees for the given year. |\n\n### Terms of Use\n\n**Terms of Use**\n\nFor non-commercial users of Earth Engine, use of the dataset is subject to\nCC-BY 4.0 NC license and requires the following attribution:\n\"Produced by Google for the Forest Data Partnership\".\n\nFor commercial use of the dataset you may request access using\n[this form](https://docs.google.com/forms/d/e/1FAIpQLSe7L3eh6t2JIPqEtAQwXwY7ZmW52v8W5vrIi4QN_XYgTNJZLw/viewform?resourcekey=0-db8WFCPwr2AZRhnrnH2SFg).\nAccess will be granted or denied on a case-by-case basis. Commercial use of\nthe dataset is subject to the [Forest Data Partnership Datasets Commercial\nTerms of Use](https://services.google.com/fh/files/misc/forest_data_partnership_datasets_commerical_terms_of_use.pdf).\n\nContains modified Copernicus Sentinel data \\[2015-present\\]. See the\n[Sentinel Data Legal Notice](https://sentinels.copernicus.eu/documents/247904/690755/Sentinel_Data_Legal_Notice).\n\n### Citations\n\nCitations:\n\n- Forest Data Partnership. 2025. Community models 2025a. [Online](https://github.com/google/forest-data-partnership/tree/main/models/README.md)\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\nMap.setCenter(-88.84, 14.57, 12);\n\nvar collection = ee.ImageCollection(\n 'projects/forestdatapartnership/assets/coffee/model_2025a');\n\nvar coffee2020 = collection.filterDate('2020-01-01', '2020-12-31').mosaic().gt(0.95);\nMap.addLayer(\n coffee2020.selfMask(), {min: 0.5, max: 1, palette: 'white,brown'}, 'coffee 2020');\n\nvar coffee2023 = collection.filterDate('2023-01-01', '2023-12-31').mosaic().gt(0.95);\nMap.addLayer(\n coffee2023.selfMask(), {min: 0.5, max: 1, palette: 'white,green'}, 'coffee 2023');\n```\n[Open in Code Editor](https://code.earthengine.google.com/?scriptPath=Examples:Datasets/forestdatapartnership/projects_forestdatapartnership_assets_coffee_model_2025a) \n[Coffee Probability model 2025a](/earth-engine/datasets/catalog/projects_forestdatapartnership_assets_coffee_model_2025a) \nNote: This dataset is not yet peer-reviewed. Please see this GitHub README for more information. This image collection provides estimated per-pixel probability that the underlying area is occupied by the commodity. The probability estimates are provided at 10 meter resolution, and have been generated by a machine learning model. For ... \nprojects/forestdatapartnership/assets/coffee/model_2025a, agriculture,biodiversity,conservation,crop,eudr,forestdatapartnership,landuse,plantation,pre-review,publisher-dataset \n2020-01-01T00:00:00Z/2023-12-31T23:59:59Z \n-90 -180 90 180 \nGoogle Earth Engine \nhttps://developers.google.com/earth-engine/datasets\n\n- [](https://doi.org/https://www.forestdatapartnership.org/)\n- [](https://doi.org/https://developers.google.com/earth-engine/datasets/catalog/projects_forestdatapartnership_assets_coffee_model_2025a)"]]
