- دردسترس بودن مجموعه داده
- 2019-04-17T00:00:00Z–2023-03-16T00:00:00Z
- تولیدکننده مجموعه داده
- شطرنجیسازی: Google و USFS Laboratory for Applications of Remote Sensing in Ecology (LARSE)
- پردازشگر مجموعه داده
- Gridded GEDI Vegetation Structure Metrics and Biomass Density
- برچسبها
شرح
این مجموعه داده شامل سنجههای ساختار پوشش گیاهی شبکهای چندوضوحی، آماده تحلیل، و تقریباً جهانی است که از محصولات سطح ۲ و ۴A «بررسی پویایی بومسازگان جهانی» (GEDI) ناسا مرتبط با ردپای لیدار با قطر ۲۵ متر بهدست آمده است. این مجموعه داده نمایشی جامع از ساختار پوشش گیاهی تقریباً جهانی ارائه میدهد که شامل کل نمایه عمودی است، صرفاً براساس لیدار GEDI است، و با دادههای مستقل اعتبارسنجی شده است.
حسگر GEDI که روی ایستگاه فضایی بینالمللی (ISS) نصب شده است، از هشت پرتو لیزر با فاصله ۶۰ متر درطول مسیر و ۶۰۰ متر درعرض مسیر روی سطح زمین استفاده میکند تا ارتفاع زمین و ساختار پوشش گیاهی را بین تقریباً ۵۲ درجه عرض جغرافیایی شمالی و جنوبی اندازهگیری کند. بین ۱۷ آوریل ۲۰۱۹ و ۱۶ مارس ۲۰۲۳، GEDI بهترتیب ۱۱ و ۷٫۷ میلیارد شکل موج باکیفیت مناسب برای اندازهگیری ارتفاع زمین و ساختار پوشش گیاهی بهدست آورد.
In addition to many of the standard L2 and L4A shot metrics, several additional metrics have been derived which may be particularly useful for applications in carbon and water cycling processes in earth system models, as well as forest management, biodiversity modeling, and habitat assessment. متغیرها شامل ارتفاع تاجپوشه، پوشش تاجپوشه، شاخص مساحت گیاه، تنوع ارتفاع شاخوبرگ، و چگالی حجم مساحت گیاه در لایههای ۵ متری است. برای اطلاعات بیشتر، به Gridded GEDI Vegetation Structure Metrics and Biomass Density مراجعه کنید.
Eight statistics are included for each GEDI shot metric: mean, bootstrapped standard error of the mean, median, standard deviation, interquartile range, 95th percentile, Shannon's diversity index, and shot count. از روش فیلتر کردن عکس باکیفیت که با GEDI L4B Gridded Aboveground Biomass Density، نسخه ۲.۱ مطابقت دارد استفاده شد. درمقایسه با مجموعه داده GEDI L3 مربوطه، این مجموعه داده سنجههای شبکهای بیشتری را در وضوحهای فضایی متعدد و در چندین دوره زمانی (سالانه و کل مدت مأموریت) ارائه میدهد.
این مجموعه داده سنجههای شلیک GEDI را ارائه میدهد که در شبکههای شطرنجی در سه وضوح فضایی ۱ کیلومتر، ۶ کیلومتر، و ۱۲ کیلومتر جمعآوری شدهاند. این مجموعه داده از اندازه پیکسل ۶ کیلومتر استفاده میکند.
باند
باند
اندازه پیکسل: ۶۰۰۰ متر (همه باندها)
| نام | اندازه پیکسل | شرح |
|---|---|---|
mean |
۶۰۰۰ متر | میانگین مقادیر سنجه شلیک GEDI در یک پیکسل |
meanbse |
۶۰۰۰ متر | خطای استاندارد میانگین محاسبهشده بااستفاده از نمونهگیری مجدد بوتاسترپ. ۱۰۰ نمونه خودراهانداز ایجاد شد؛ هر نمونه شامل ۷۰٪ از عکسها بود که بهطور تصادفی انتخاب شده بودند. خطای استاندارد بااستفاده از میانگین نمونههای خودراهاندازیشده محاسبه شد. (فقط زمانی محاسبه میشود که حداقل ۱۰ شات GEDI در سلول شبکه وجود داشته باشد.) |
median |
۶۰۰۰ متر | مقدار میانه (صدک ۵۰) مقادیر سنجه شلیک GEDI در یک پیکسل. |
sd |
۶۰۰۰ متر | انحراف معیار مقادیر سنجه شلیک GEDI در یک پیکسل. |
iqr |
۶۰۰۰ متر | دامنه میانچارکی (صدک ۷۵ منهای صدک ۲۵) مقادیر سنجه شلیک GEDI در یک پیکسل. |
p95 |
۶۰۰۰ متر | مقدار صدک ۹۵ مقادیر سنجه شلیک GEDI در یک پیکسل. |
shan |
۶۰۰۰ متر | شاخص تنوع شانون (H) از مقادیر سنجه شلیک GEDI در یک پیکسل. بهصورت زیر محاسبه میشود:-1(sum(plog(p))) که در آن p نسبت مقادیر شلیک GEDI در هر سطل است. |
countf |
۶۰۰۰ متر | تعداد مقادیر سنجه شلیک GEDI در یک پیکسل. از یک زیرشبکه ۳۰ متری برای انتخاب اولین شات GEDI (ازنظر زمانی) که در هر سلول زیرشبکه ۳۰ متری بهدست آمده بود استفاده شد. |
شرایط استفاده
شرایط استفاده
این مجموعه داده در دامنه عمومی است و بدون محدودیت در استفاده و توزیع دردسترس است. برای اطلاعات بیشتر، خطمشی اطلاعات و دادههای علوم زمین ناسا را ببینید.
نقلقولها
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
کاوش با Earth Engine
ویرایشگر کد (جاوا اسکریپت)
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)