全球土地的叶子性状估计数据集

举报
此星光明 发表于 2023/04/25 02:59:06 2023/04/25
【摘要】 ​全球土地造型的叶子性状估计在生物体层面,植物性状是可测量的形态学、解剖学、生理学和物候学特征,可以影响个体的建立、健身和生存。这些可测量的特征为解释全球碳、水、能量通量和生物多样性的长期(如年度)模式提供了基本信息。我们提供了唯一的基于遥感的全球1公里空间分辨率的叶片特征图。特别是,我们提出了特定叶面积(SLA)、叶干物质含量(LDMC)、每干重叶氮含量(LNC)和每干重叶磷含量(LPC)...

全球土地造型的叶子性状估计
在生物体层面,植物性状是可测量的形态学、解剖学、生理学和物候学特征,可以影响个体的建立、健身和生存。这些可测量的特征为解释全球碳、水、能量通量和生物多样性的长期(如年度)模式提供了基本信息。我们提供了唯一的基于遥感的全球1公里空间分辨率的叶片特征图。特别是,我们提出了特定叶面积(SLA)、叶干物质含量(LDMC)、每干重叶氮含量(LNC)和每干重叶磷含量(LPC)的全球地图。该方法结合了MODIS和Landsat数据、气候学数据(Worldclim)、最大的性状数据库(TRY)和机器学习算法。

下图是我们提供性状估计的方法流程图。编号框表示方法的三个主要部分:(1)填补性状数据库的空白;(2)计算具有附近性状观测数据的MODIS像素在冠层的群落加权平均性状值;(3)将CWMs空间化为500米分辨率的全球性状图。

 

关于该方法的全部信息可以在这里找到。用户还可以在GEE中使用以下应用程序来探索数据集。

该数据也有两种空间分辨率,3公里和1公里。它可以从这些链接1,2下载。Global Trait Maps with GEE

关于v3的其他信息¶。
3.0版的处理链可以防止外推,并使用更新的分类性状表。为了防止外推,这个更新版本的处理链使用随机森林算法(RF)与代用品来估计性状值。带代用物的随机森林算法允许在输入数据的凸壳内获得模型的集合,以进行预测。此外,使用最新的和更广泛的分类性状表可以增加训练样本量以产生地图。

参考文献

inson, N., Reichstein, M., Bodegom, P. V., Kramer, K., Cornelissen, J. H. C., Reich, P. B.,
Bahn, M., Niinemets, Ü., Peñuelas, J., Craine, J., Cerabolini, B., Minden, V., Laughlin, D. C., Sack, L., Allred, B., Baraloto, C., Byun, C.,
Soudzilovskaia, N. A., Running, S. W. (2018). A methodology to derive global maps of leaf traits using remote sensing and climate data.
Remote Sensing of Environment, 218, 69-88. [doi](https://doi.org/10.1016/j.rse.2018.09.006)

Earth Engine Snippet

// SLA (mm2/g)
var SLA=ee.Image('projects/sat-io/open-datasets/GLOBAL-LEAF-TRAITS/SLA_1km_v3').select([0],['SLA']);
var SLA_SD = ee.Image('projects/sat-io/open-datasets/GLOBAL-LEAF-TRAITS/SLA_sd_1km_v3').select([0],['SLA_sd']);

// LNC (mg/g)
var LNC=ee.Image('projects/sat-io/open-datasets/GLOBAL-LEAF-TRAITS/LNC_1km_v3').select([0],['LNC']);
var LNC_SD = ee.Image('projects/sat-io/open-datasets/GLOBAL-LEAF-TRAITS/LNC_sd_1km_v3').select([0],['LNC_sd']);

// LPC (mg/g)
var LPC=ee.Image('projects/sat-io/open-datasets/GLOBAL-LEAF-TRAITS/LPC_1km_v3').select([0],['LPC']);
var LPC_SD=ee.Image('projects/sat-io/open-datasets/GLOBAL-LEAF-TRAITS/LPC_sd_1km_v3').select([0],['LPC_sd']);

// Leaf dry matter content LDMC (g/g)
var LDMC=ee.Image('projects/sat-io/open-datasets/GLOBAL-LEAF-TRAITS/LDMC_1km_v3').select([0],['LDMC']);
var LDMC_SD = ee.Image('projects/sat-io/open-datasets/GLOBAL-LEAF-TRAITS/LDMC_sd_1km_v3').select([0],['LDMC_sd']);

//let's mask unprocessed data (Positive values correspond with natural vegetated areas)
SLA = SLA.mask(SLA.gt(0));
LNC = LNC.mask(LNC.gt(0));
LPC = LPC.mask(LPC.gt(0));
LDMC = LDMC.mask(LDMC.gt(0));

var vis_vi = {min:7 , max: 22, palette: ["ffffd9", "edf8b1", "c7e9b4", "7fcdbb", "41b6c4", "1d91c0", "225ea8", "253494", "081d58"]};
Map.addLayer(SLA, vis_vi,  'SLA (mm2 / g)',true)

Sample code: https://code.earthengine.google.com/?scriptPath=users/sat-io/awesome-gee-catalog-examples:agriculture-vegetation-forestry/GLOBAL-LEAF-TRAITS

License

This work is licensed under a Creative Commons Attribution 4.0 International License. You are free to copy and redistribute the material in any medium or format, and to transform and build upon the material for any purpose, even commercially. You must give appropriate credit, provide a link to the license, and indicate if changes were made.

Contact information

If you have any further questions or doubts, please don't hesitate to contact us.

Curated by: Alvaro Moreno-Martínez, Gustau Camps-Valls, Jens Kattge, Nathaniel Robinson, Markus Reichstein, Peter van Bodegom, Josep Peñuelas, Brady Allred, Steve W. Running

Curated copy in GEE by: Samapriya Roy

Keywords: Plant traits, Machine learning, Remote sensing, Plant ecology, Climate, MODIS, Landsat

Last updated: Nov 2021

Last updated in GEE: 2022-12-18

 

【版权声明】本文为华为云社区用户原创内容,转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息, 否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。