2000 年至 2022 年全球耕地草地的年概率图30 米的空间分辨率
【摘要】 2000 年至 2022 年全球耕地草地的年概率图30 米的空间分辨率 简介该数据集以 30 米的空间分辨率提供了 2000 年至 2022 年全球耕地草地的年概率图。 由土地与碳实验室全球牧场观察计划制作,绘制的草地范围包括任何土地覆被类型,其中包含至少 30% 的干性或湿性低植被,以禾本科和草本植物为主(小于 3 米),以及:最多 50% 的树冠覆盖(大于 5 米)、最多 70% 的其...
2000 年至 2022 年全球耕地草地的年概率图30 米的空间分辨率
简介
该数据集以 30 米的空间分辨率提供了 2000 年至 2022 年全球耕地草地的年概率图。 由土地与碳实验室全球牧场观察计划制作,绘制的草地范围包括任何土地覆被类型,其中包含至少 30% 的干性或湿性低植被,以禾本科和草本植物为主(小于 3 米),以及:最多 50% 的树冠覆盖(大于 5 米)、最多 70% 的其他木本植被(灌丛和开阔灌木地),以及在耕地和其他植被的镶嵌景观中最多 50% 的有效耕地覆盖。
草地范围分为两类:开垦草地: 有意种植和管理草类和其他饲料植物的区域,以及明显表现出为人类特定用途(如放牧)而进行积极和繁重管理的原生草地植被区域。
天然/半天然草地: 相对未受干扰的原生草地/矮高植被,如草原和苔原,以及过去经历过不同程度人类活动的区域,由于历史上的土地使用和自然过程,这些区域可能混合了原生和外来物种。
一般来说,这些地区呈现出自然的植被变化模式,整个地貌中的水文关系清晰有序。 实施的方法考虑到了 GLAD Landsat ARD-2 图像),以及气候、地貌和邻近协变量、时空机器学习(每类随机森林)和超过 230 万个参考样本(在甚高分辨率图像中可视化解读)。 使用自定义概率阈值(基于五倍空间交叉验证以及平衡的精度和召回值)得出优势类图,耕地和天然/半天然草地概率阈值分别为 0.32 和 0.42。 局限性: 非洲东南部(津巴布韦和莫桑比克)和澳大利亚东部(穆尔加生态区的灌木林地和林地)的草地范围部分预测不足。 在非洲北部、阿拉伯半岛、澳大利亚西部、新西兰、玻利维亚中部和马托格罗索州(巴西)的部分地区,耕地被误划为草原。 由于大地遥感卫星 7 SLC 的故障,在地块层面可以看到草地概率的规则条纹,尤其是在 2012 年。 在乌拉圭、阿根廷西南部、安哥拉南部和非洲萨赫勒地区,较粗分辨率图层(可达性地图和 MODIS 产品)的使用引入了曲线宏观误差(由于基于立方平分的降尺度策略)。 用户需要了解这些局限性和已知问题;同时仔细考虑这些问题,以确保在初始预测阶段适当使用地图。 GPW 正在积极通过 Geo-Wiki 平台收集系统反馈,验证当前版本并改进数据集的未来版本。
数据集说明
空间信息
Dataset Availability
2000-01-01T00:00:00 - 2023-01-01T00:00:00
Dataset Provider
Contact
Contact information not available.
Collection Snippet
ee.ImageCollection("projects/global-pasture-watch/assets/ggc-30m/v1/cultiv-grassland_p")
变量
Bands Table
Name | Description | Min | Max | Resolution |
---|---|---|---|---|
probability |
Cultivated grassland probability value derived through Random Forest. |
0 | 100 | 30 meters |
Name | Type | Description |
---|---|---|
version | Int |
Product version |
代码
结果
引用
Parente, L., Sloat, L., Mesquita, V., et al. (2024) Global Pasture Watch - Annual grassland class and extent maps at 30-m spatial resolution (2000—2022) (Version v1) [Data set]. Zenodo
Parente, L., Sloat, L., Mesquita, V., et al. (2024). Annual 30-m maps of global grassland class and extent (2000–2022) based on spatiotemporal Machine Learning, Scientific Data.
许可
知识星球
机器学习
干旱监测平台
【声明】本内容来自华为云开发者社区博主,不代表华为云及华为云开发者社区的观点和立场。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
作者其他文章
评论(0)