​

 简介

ABoVE: Landsat-derived Annual Disturbance Agents Across ABoVE Core Domain, 1987-2012

文件修订日期：2022-03-03

数据集版本: 1

摘要

本数据集提供了 1987-2012 年期间北极极地脆弱性实验（ABoVE）核心域中火灾、昆虫和伐木等干扰因素的空间数据，时间步长为每年，分辨率为 30 米。利用 Landsat 数据的时间序列，通过缨帽（dTC）亮度、绿度和湿度指数的突然变化来识别三种干扰类型。扰动是通过应用于时间序列的连续变化检测和分类（CCDC）谐波回归模型检测出来的。提供了 dTC 指数和干扰结果。
绘制的干扰因子来自 164 个 ABoVE 瓦片上的专题成像仪 (TM) 和增强型专题成像仪 (ETM+) 观测数据。该产品使用土地覆被产品来区分扰动对森林或非森林土地覆被的影响（Wang 等人，2019a）。从 1985 年到 2012 年，每年都会提供用于推导干扰因果关系的 dTC 图像。

该数据集包含 328 个数据文件，每个 ABoVE 瓦片两个：164 个 GeoTIFF（*.tif）格式文件和 164 个 netCDF（*.nc）格式文件。另外还包括一个逗号分隔文本（*.csv）格式的配套文件。

 2006 年 ABoVE 域中 BH19V15 瓦片（A）的扰动偶发因子与同年同一区域的缨帽变化（dTC）图像（B）。在 dTC 图像中，Band_1 表示亮度变化；Band_2 表示绿度变化；Band_3 表示湿度变化。像素分辨率为 30 米。资料来源：Bh09v15_ABOVE：Bh09v15_ABoVE_disturbance_agents.tif; Bh09v15_dTC.nc

数据集概述

该数据集提供了 1987-2012 年期间北极北方脆弱性实验（ABoVE）核心域内火灾、昆虫和伐木等干扰因素的空间数据，时间步长为每年，分辨率为 30 米。利用 Landsat 数据的时间序列，通过缨帽（dTC）亮度、绿度和湿度指数的突然变化来识别三种干扰类型。干扰是通过应用于时间序列的连续变化检测与分类（CCDC）谐波回归模型检测出来的。

绘制的扰动因子来自 164 个 ABoVE 瓦片上的专题成像仪 (TM) 和增强型专题成像仪 (ETM+) 观测数据。该产品使用土地覆盖产品来区分扰动对森林或非森林土地覆盖的影响（Wang 等人，2019a）。从 1985 年到 2012 年，每年都会提供用于推导干扰因果关系的 dTC 图像。

项目：北极-北方脆弱性实验

北极-北方脆弱性实验（ABoVE）是美国国家航空航天局（NASA）陆地生态计划的一项野外活动，从 2015 年开始在阿拉斯加和加拿大西部进行，为期 8 到 10 年。ABoVE 的研究将基于实地的过程级研究与机载和卫星传感器获得的地理空间数据产品联系起来，为提高分析和建模能力奠定了基础，这些能力是了解和预测北极和北方地区生态系统对气候变化的反应及其对社会的影响所必需的。

空间分辨率30 m

时间覆盖范围：1985-01-01 至 2013-12-31

时间分辨率年度估算

站点边界：纬度和经度以十进制度表示。

数据属性

该数据集包含 328 个数据文件，每个 ABoVE 瓦片两个：164 个 GeoTIFF（*.tif）格式文件和 164 个 netCDF（*.nc）格式文件。此外，还包括一个逗号分隔文本（*.csv）格式的配套文件。文件名为 BhXXvZZ_variable.ext，其中

XX 是 ABoVE 中等分辨率（B 单元）参考网格上的水平瓦片位置、
ZZ 是 ABoVE 中等分辨率（B 单元）参考网格上的垂直瓦片位置、
变量是收集的数据类型（"ABoVE_disturbance_agents "或 "dTC"），以及
ext 是文件扩展名（"tif "或 "nc"）。

数据文件细节

所有数据的分辨率均为 30 米，按 6000 行 x 6000 列组合，并以标准 ABoVE 投影 "加拿大阿尔伯斯等面积圆锥形"（EPSG:102001）绘制。

GeoTiff 文件包含干扰数据。每个文件包含 26 个波段，与 1987-2012 年期间的年份相对应，其中波段 1 代表 1987 年，波段 2 代表 1988 年，等等。单元值是扰动因子的类别（表 2）。无数据值为 255，数据类型为字节。

netCDF 文件包含用于检测干扰的缨帽指标的栅格。每个 netCDF 包含六个变量（表 3），年值为 1985 年至 2013 年。无数据值为 -32767。

表名为 BhXXvZZ_ABoVE_disturbance_agents.tif 的文件的单元格值。

名为 BhXXvZZ _dTC.nc 文件中的变量。"中断 "是指 CCDC 谐波回归模型检测到的亮度、绿度和湿度指标的突然变化。

质量评估

根据 Olofsson 等人（2014 年）的建议，对最终干扰图（表 4）的准确性进行了评估。使用分层随机样本将干扰图与参考条件进行比较（图 3）。参考数据包括 2005 年至 2017 年的阿尔伯塔省森林健康空间数据和 1999 年以来的不列颠哥伦比亚省空中概览调查数据。分层采用未扰动区域和扰动类型的组合分析标准进行定义。干扰地图和参考数据中的样本被用于计算误差矩阵和估算每个等级的面积（Stehman，2014 年）。

此外，扰动因子被汇总为 "扰动 "和 "无扰动 "类别。聚合后，用户和生产者对干扰图的准确度分别提高到 96.6%（±0.02%）和 90.5%（±0.25%）。结果表明，1987-2012 年间，10.3% 的 ABoVE 核心域受到干扰，误差率为 0.005%。更多信息请参见附件 Accuracy_results.csv。

数据获取、材料和方法

1984 年至 2014 年的陆地卫星 5 号专题成像仪和陆地卫星 7 号增强型专题成像仪数据被重新投影到 ABoVE 标准阿尔伯等面积投影（30 米网格，EPSG 102001）中，并被划分为 180 千米 x 180 千米的 ABoVE 标准 B 网格瓦片（Loboda 等，2017 年）。这项工作处理了 ABoVE 核心域上的 164 个 B 网格瓦片，创建了 30 年的时间序列（Zhu 等人，2015 年）。针对该时间序列的年际变化计算了亮度、绿度和湿度的缨帽指数（表 3），并在本数据集的 netCDF 文件中提供了 1985-2013 年的数据。对时间序列进行了分析，以确定 1987-2012 年间发生的干扰（通过光谱指标的突然变化来识别）。

连续变化检测和分类（CCDC；Zhu 和 Woodcock，2014 年）中的谐波回归模型被拟合到无云和无雪时间序列数据中。该分析采用了 Wang 等人（2019a；2019b）描述的土地覆被分类方法和参数；不过，干扰是通过谐波回归模型之间的 "断点 "而不是 "段"（断点之间的时间）来识别的。断点是像素光谱特征在时间上的突然变化，表明土地覆被发生了变化（图 ）。

1985 年至 2020 年三个像素的陆地卫星时间序列。左侧面板包括整个时间序列，右侧面板是 2004 年至 2010 年断点周围的放大图。曲线是模型拟合，其中包括两个 "段"，这两个 "段 "被 2007 年连续变化检测与分类（CCDC；Zhu 和 Woodcock，2014 年）检测到的 "断点 "隔开。图中显示了三种干扰因果关系，这些区域最初为森林，在经历火灾、虫害或伐木后最终变成草本植物或灌木。资料来源：Zhang et al：Zhang 等人（2022 年）

根据训练数据（2,058 个多边形，共计 232,725 个像素）对 CCDC 模型断裂进行分类。每个模型断裂都被归类为火灾、昆虫、伐木或无干扰。辅助数据集用于验证干扰的存在和致因：阿尔伯塔省山地松树甲虫航空调查、西北地区虫害清单数据、加拿大国家火灾数据库（加拿大林业局和加拿大自然资源部，2019 年）以及阿拉斯加火灾历史周边多边形（AWFCG，2020 年）。利用这些辅助数据集以及谷歌地球和陆地卫星图像上的高分辨率图像，收集了 1900 个单位的分层随机样本的参考数据（图）。参考数据用于采用 Olofsson 等人（2014 年）和 Stehman（2014 年）的方法评估干扰结果的准确性。

代码

!pip install leafmap
!pip install pandas
!pip install folium
!pip install matplotlib
!pip install mapclassify
 
import pandas as pd
import leafmap
 
url = "https://github.com/opengeos/NASA-Earth-Data/raw/main/nasa_earth_data.tsv"
df = pd.read_csv(url, sep="\t")
df
 
leafmap.nasa_data_login()
 
 
results, gdf = leafmap.nasa_data_search(
    short_name="ABoVE_ForestDisturbance_Agents_1924",
    cloud_hosted=True,
    bounding_box=(-169.96, 50.26, -98.97, 75.69),
    temporal=("1985-01-01", "2012-12-31"),
    count=-1,  # use -1 to return all datasets
    return_gdf=True,
)
 
 
gdf.explore()
 
#leafmap.nasa_data_download(results[:5], out_dir="data")

引用

Zhang, Y., C.E. Woodcock, S. Chen, J. Wang, D. Sulla-Menashe, Z. Zuo, P. Olofsson, Y. Wang, and M.A. Friedl. 2022. ABoVE: Landsat-derived Annual Disturbance Agents Across ABoVE Core Domain, 1987-2012. ORNL DAAC, Oak Ridge, Tennessee, USA. ABoVE: Landsat-derived Annual Disturbance Agents Across ABoVE Core Domain, 1987-2012, https://doi.org/10.3334/ORNLDAAC/1924

数据链接

ABoVE: Landsat-derived Annual Disturbance Agents Across ABoVE Core Domain, 1987-2012, https://doi.org/10.3334/ORNLDAAC/1924 

网址推荐

 0代码在线构建地图应用

https://sso.mapmost.com/#/login?source_inviter=nClSZANO

机器学习

​https://www.cbedai.net/xg