- 資料集可用性
- 2019-04-17T00:00:00Z–2023-03-16T00:00:00Z
- 資料集來源
- 點陣化：Google 和美國森林服務局生態遙測應用實驗室 (LARSE) 網格化 GEDI 植被結構指標和生物質密度
- 標記
說明
這個資料集包含近乎全球的分析就緒多解析度網格植被結構指標，這些指標衍生自 NASA 全球生態系統動態調查 (GEDI) 第 2 級和第 4A 級產品，與直徑 25 公尺的雷射雷達足跡相關聯。這個資料集僅根據 GEDI 光達資料，全面呈現近乎全球的植被結構，包括整個垂直剖面，並以獨立資料驗證。
GEDI 感應器安裝在國際太空站 (ISS) 上，會使用八道雷射光束，在地球表面上沿軌道間隔 60 公尺，橫軌道間隔 600 公尺，測量南北緯約 52 度之間的地面海拔高度和植被結構。2019 年 4 月 17 日至 2023 年 3 月 16 日期間，GEDI 分別取得 110 億和 77 億個適用於測量地面海拔和植被結構的優質波形。
除了許多標準的 L2 和 L4A 拍攝指標，我們還衍生出幾項額外指標，這些指標可能特別適用於地球系統模型中的碳和水循環程序，以及森林管理、生物多樣性建模和棲地評估。變數包括樹冠高度、樹冠覆蓋率、植物面積指數、樹葉高度多樣性，以及 5 公尺地層的植物面積體積密度。詳情請參閱「Gridded GEDI Vegetation Structure Metrics and Biomass Density」。
每項 GEDI 拍攝指標都包含八項統計資料：平均值、平均值的自舉標準差、中位數、標準差、四分位數間距、第 95 個百分位數、香農多樣性指數和拍攝次數。我們採用與 GEDI L4B Gridded Aboveground Biomass Density 2.1 版一致的優質拍攝內容篩選方法。相較於對應的 GEDI L3 資料集，這個資料集提供多種空間解析度，以及多個時間週期 (每年和整個任務期間) 的額外格狀指標。
這個資料集提供 GEDI 拍攝指標，並以三種空間解析度 (1 公里、6 公里和 12 公里) 匯總成點陣格線。這個資料集使用 12 公里的像素大小。
頻帶
像素大小
12000 公尺
頻帶
| 名稱 | 像素大小 | 說明 |
|---|---|---|
mean |
公尺 | 像素內 GEDI 拍攝指標值的平均值 |
meanbse |
公尺 | 使用自助法重取樣計算出的平均值標準誤。 我們建立了 100 個自助啟動樣本，每個樣本包含 70% 的隨機選取鏡頭。標準差是使用自助抽樣樣本的平均值計算得出。(只有在格狀空間儲存格中至少有 10 個 GEDI 拍攝結果時，才會計算這項指標)。 |
median |
公尺 | 像素內 GEDI 拍攝指標值的中位數 (第 50 個百分位數)。 |
sd |
公尺 | 像素內 GEDI 拍攝指標值的標準差。 |
iqr |
公尺 | 像素內 GEDI 拍攝指標值的四分位數間距 (第 75 百分位數減去第 25 百分位數)。 |
p95 |
公尺 | 像素內 GEDI 拍攝指標值的第 95 個百分位數值。 |
shan |
公尺 | 像素內 GEDI 拍攝指標值的香農多樣性指數 (H)。計算方式：-1(sum(plog(p)))，其中 p 是每個資料夾的 GEDI 拍攝值比例。 |
countf |
公尺 | 像素內的 GEDI 拍攝指標值數量。我們使用 30 公尺的子格，選取每個 30 公尺子格單元中 (暫時) 取得的第一個 GEDI 拍攝結果。 |
使用條款
使用條款
這個資料集屬於公有領域，可供使用及散布，不受任何限制。詳情請參閱 NASA 的地球科學資料與資訊政策。
引用內容
Burns, P.、Hakkenberg, C.R. & Goetz, S.J. Multi-resolution gridded maps of vegetation structure from GEDI. Sci Data 11, 881 (2024). doi:10.1038/s41597-024-03668-4
使用 Earth Engine 探索
程式碼編輯器 (JavaScript)
var palettes = require('users/gena/packages:palettes'); // GEDI image collections at different spatial resolutions var ic_1k = ee.ImageCollection('LARSE/GEDI/GRIDDEDVEG_002/V1/1KM') var ic_6k = ee.ImageCollection('LARSE/GEDI/GRIDDEDVEG_002/V1/6KM') var ic_12k = ee.ImageCollection('LARSE/GEDI/GRIDDEDVEG_002/V1/12KM') // slopeshade basemap var elev = ee.Image('MERIT/DEM/v1_0_3').select('dem') var slope = ee.Terrain.slope(elev) Map.setCenter(92.319, 27.129, 8) Map.addLayer( slope, {min: 0, max: 40, palette: ['ffffff', '000000']}, 'Slopeshade') var opac = 0.7 // View various measurement count metrics from 2019 to 2023 // "va" in the asset name corresponds to the count of high-quality, leaf-on // vegetation measurements by GEDI var i_counts_1k_19to23 = ee.Image( 'LARSE/GEDI/GRIDDEDVEG_002/COUNTS/V1/1KM/gediv002_counts_va_20190417_20230316') // Number of GEDI laser shots (i.e. footprints) per 1km pixel Map.addLayer( i_counts_1k_19to23.select('shots_count'), {min: 0, max: 200, palette: palettes.matplotlib.magma[7]}, 'Shot count per 1km pixel, 2019 to 2023', 0, opac) // Number of ISS orbits (with valid GEDI shots) per 1km pixel Map.addLayer( i_counts_1k_19to23.select('orbits_uniq'), {min: 0, max: 10, palette: palettes.matplotlib.plasma[7]}, 'Unique orbits per 1km pixel, 2019 to 2023', 0, opac) // The Nearest Neighbor Index (Evans et al. 2023), a proxy for quantifying // spatial clustering/dispersion of GEDI shots Map.addLayer( i_counts_1k_19to23.select('shots_nni'), {min: 0.5, max: 1.5, palette: palettes.colorbrewer.RdBu[7]}, 'Shot nearest neighbor index per 1km pixel, 2019 to 2023', 0, opac) // View several GEDI vegetation structure metrics at 1km spatial res. // For GEDI metric descriptions see Table 1 at // https://daac.ornl.gov/GEDI/guides/GEDI_HighQuality_Shots_Rasters.html // Relative height of the 98th percentile of returned energy (RH98), a proxy for // tree canopy height var i_rh98_1k_19to23 = ee.Image( 'LARSE/GEDI/GRIDDEDVEG_002/V1/1KM/gediv002_rh-98-a0_vf_20190417_20230316') // display the median value of GEDI RH98 measurements per 1km pixel, masking out // values less than 3 consider using a threshold of 10 shots per 1km pixel. More // shots generally yield more accurate estimates of the aggregation statistics // (different bands) var i_rh98_1k_19to23_med = i_rh98_1k_19to23.select('median') var rh98_pal = palettes.crameri.bamako[10].reverse() Map.addLayer( i_rh98_1k_19to23_med.updateMask(i_rh98_1k_19to23_med.gte(3).and( i_rh98_1k_19to23.select('countf').gte(10))), {min: 3, max: 40, palette: rh98_pal}, 'Median RH98 per 1km pixel, 2019 to 2023', 1, opac) // Standard deviation of RH98 per 1km pixel. Captures variability of GEDI // measurements and vegetation heterogeneity Map.addLayer( i_rh98_1k_19to23.select('sd').updateMask(i_rh98_1k_19to23_med.gte(3).and( i_rh98_1k_19to23.select('countf').gte(10))), {min: 2, max: 20, palette: palettes.cmocean.Curl[7]}, 'SD of RH98 per 1km pixel, 2019 to 2023', 0, opac) // Foliage height diversity of the 1m vertical Plant Area Index (PAI) profile var i_fhd_1k_19to23 = ee.Image( 'LARSE/GEDI/GRIDDEDVEG_002/V1/1KM/gediv002_fhd-pai-1m-a0_vf_20190417_20230316') Map.addLayer( i_fhd_1k_19to23.select('median').updateMask(i_rh98_1k_19to23_med.gte(3).and( i_rh98_1k_19to23.select('countf').gte(10))), {min: 1.2, max: 3.2, palette: palettes.matplotlib.viridis[7].reverse()}, 'Median FHD per 1km pixel, 2019 to 2023', 0, opac) // The height above ground associated with the peak of the vertical Plant Area // Volume Density (PAVD) profile var i_pavdmaxh_19to23 = ee.Image( 'LARSE/GEDI/GRIDDEDVEG_002/V1/1KM/gediv002_pavd-max-h_vf_20190417_20230316') Map.addLayer( i_pavdmaxh_19to23.select('mean').updateMask(i_rh98_1k_19to23_med.gte(3).and( i_pavdmaxh_19to23.select('countf').gte(10))), {min: 0, max: 25, palette: palettes.cmocean.Haline[7].reverse()}, 'Mean Height of Max. PAVD, 2019 to 2023', 0, opac) // 1km coverage is not great in the low latitudes, try 6 or 12km for a more // continuous depiction var i_rh98_6k_19to23 = ee.Image( 'LARSE/GEDI/GRIDDEDVEG_002/V1/6KM/gediv002_rh-98-a0_vf_20190417_20230316') // display the median value of GEDI RH98 measurements per 6km pixel, masking out // values less than 3 consider using a threshold of 100 shots per 6km pixel. // More shots generally yield more accurate estimates of the aggregation // statistics (different bands) var i_rh98_6k_19to23_med = i_rh98_6k_19to23.select('median') Map.addLayer( i_rh98_6k_19to23_med.updateMask(i_rh98_6k_19to23_med.gte(3).and( i_rh98_6k_19to23.select('countf').gte(100))), {min: 3, max: 40, palette: rh98_pal}, 'Median RH98 per 6km pixel, 2019 to 2023', 0, opac)