2024年中国大型数据中心空间分布及环境属性数据集

数据介绍：

这是一个填补信息空白的重要数据集。由于大型数据中心的具体位置、占地等信息通常不公开，难以准确评估其巨大的能耗和环境影响。本研究通过创新的方法，首次系统性地识别和定位了全国范围内的大型数据中心。

数据集包含哪些核心内容？

数据集主要由两部分构成：

1. 从多源 POI 记录中验证大型数据中心的地理位置；

• 数量与精度：包含了 1005个 经过人工核实确认的大型数据中心精确位置（经纬度坐标）。

• 环境属性：每个点位都附带了其所在城市的四项关键环境属性：

  • 气候带

  • 海拔

  • 年平均温度

  • 年降水量

2. 由随机森林分类模型得出的数据中心分布的空间概率面；

• 内容：这是一张全国范围的栅格地图，每个像素（10米分辨率）的值代表了该位置存在大型数据中心的相对可能性（概率），而非简单的“是或否”。

• 价值：这张图可以揭示那些未公开登记、但具有类似选址特征的数据中心潜在分布区域，是对已验证点位数据的重要补充。

从 Google 地球获得的数据中心屋顶的代表性卫星图像，其中为每个省剪取了一张典型图像,包含以下省。

例：安徽

数据是如何构建的？

研究采用了“POI验证 + 遥感特征 + 机器学习”的综合方法：

1. 数据收集与验证：

   • 初始数据：从高德地图（Amap）抓取所有标注为“数据中心”的兴趣点（POI）。

   • 人工核验：研究人员逐一核对，剔除重复、误标（如小型机房、IT办公室）的记录，并借助高分辨率卫星影像确认其是否为大型工业建筑，最终得到1005个可靠的正样本。

2. 构建遥感特征库：

   • Sentinel-2光谱波段（可见光、近红外、短波红外）。

   • 光谱指数：如归一化植被指数（NDVI）、归一化建筑指数（NDBI），用于区分植被、建筑、水体。

   • 纹理特征：从影像中计算对比度、熵等指标，捕捉大型工业建筑规则、均一的屋顶结构。

   • 夜间灯光数据：作为人类活动和工业强度的指示器，帮助区分高能耗的数据中心与其他类似建筑。

   • 围绕每个点位，从多种遥感数据源中提取了16维特征，用于描述其光谱和空间结构，包括：

3. 机器学习建模：

   • 模型：采用随机森林（Random Forest）模型。

   • 训练：以1005个已验证的数据中心作为正样本，另采集2010个涵盖植被、水体、裸地、其他工业设施等的负样本进行训练。

   • 策略：考虑到中国不同省份数据中心的外观和周边环境差异巨大，研究没有使用单一的全国模型，而是为10个主要省级行政区分别训练了独立的区域模型，以提高识别精度。

   • 产出：模型最终输出的是每个像素属于数据中心的概率值，从而生成了全国范围的“空间概率表面”。

数据格式：TIF、CSV

数据容量：85.0GB
数据获取：数据资源：2024年中国大型数据中心空间分布及环境属性数据集