主要观点总结
文章介绍了欧洲空间局（ESA）的Sentinel-2卫星任务提供的土地利用/土地覆盖时间序列数据。这些数据主要用于监测和评估地球表面土地利用和土地覆盖的变化。
关键观点总结
关键观点1: 数据源与用途
Sentinel-2 10m土地利用/土地覆盖时间序列数据由ESA提供，用于监测和评估地球表面土地利用和土地覆盖的变化。
关键观点2: 数据生成方式
每年的地图由Impact Observatory的深度学习AI土地分类模型生成，该模型使用了由国家地理学会开发的海量训练数据集。全球地图是通过将模型应用于Microsoft行星计算机上的Sentinel-2场景集合生成的。
关键观点3: 数据特点
该算法为9个类别生成LULC预测，数据以时间序列形式呈现，可以反映某一地区在一段时间内的土地利用和土地覆盖变化。
关键观点4: 数据年份与精度
提供2017年至2023年的全国各省数据。2017年的土地覆盖分类分配可能不如2018-2023年准确。
关键观点5: 服务坐标系统与范围
源数据坐标系统采用通用横向墨卡托（UTM）WGS84，服务坐标系统采用Web墨卡托辅助球体WGS84（EPSG:3857），数据范围覆盖全球。
文章预览
Sentinel-2 10m土地利用/土地覆盖时间序列数据是由欧洲空间局（European Space Agency, ESA）的哨兵-2（Sentinel-2）卫星任务提供的一系列地球观测数据。 这些数据主要用于监测和评估地球表面土地利用和土地覆盖的变化。 以下是对该数据集的简要介绍： 该时间序列数据基于 ESA Sentinel-2 影像的 10 米分辨率的全球土地利用/土地覆盖 (地图。每年的地图均由 Impact Observatory 的深度学习 AI 土地分类模型生成，该模型使用了由国家地理学会开发的数十亿人工标记的图像像素的海量训练数据集。全球地图是通过将模型应用于 Microsoft 行星计算机上的 Sentinel-2 场景集合而生成的，每年处理超过 400,000 个地球观测值。该算法为 9 个类别生成 LULC 预测。 这些数据以时间序列的形式呈现，可以反映某一地区在一段时间内的土地利用和土地覆盖变化。 2017年为每个像素分配了一
………………………………
