- 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 1 公里、6 公里和 12 公里三種空間解析度匯總成點陣格線。這個資料集使用 6 公里的像素大小。
頻帶
Pixel Size
6000 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)