Ten zbiór danych jest częścią Katalogu wydawców i nie jest zarządzany przez Google Earth Engine. W przypadku błędów skontaktuj się z Land & Carbon Lab. Więcej zbiorów danych znajdziesz w katalogu Global Pasture Watch. Więcej informacji o zbiorach danych wydawcy
- Właściciel katalogu
- Global Pasture Watch
- Dostępność zbioru danych
- 2000-01-01T00:00:00Z–2023-01-01T00:00:00Z
- Dostawca zbioru danych
- Land and Carbon Lab Global Pasture Watch
- Kontakt
- Land & Carbon Lab
- Cykl
- 1 rok
- Tagi
Opis
Ten zbiór danych zawiera globalne roczne mapy klas dominujących użytków zielonych (uprawianych i naturalnych/półnaturalnych) z lat 2000–2022 w rozdzielczości przestrzennej 30 m. Mapa zasięgu użytków zielonych, opracowana w ramach inicjatywy Land & Carbon Lab Global Pasture Watch, obejmuje wszystkie rodzaje pokrycia terenu, które zawierają co najmniej 30% niskiej roślinności suchej lub wilgotnej, zdominowanej przez trawy i rośliny zielne (o wysokości poniżej 3 m) oraz:
- maksymalnie 50% pokrycia koronami drzew (o wysokości powyżej 5 m),
- maksymalnie 70% – inne rośliny drzewiaste (zarośla i otwarte zarośla),
- maksymalnie 50% aktywnej pokrywy gruntów ornych na mozaikowych obszarach krajobrazu złożonych z gruntów ornych i innej roślinności.
Obszar łąk został podzielony na 2 klasy:Łąki uprawne: obszary, na których trawy i inne rośliny pastewne zostały celowo posadzone i są zarządzane, a także obszary rodzimej roślinności typu łąkowego, na których wyraźnie widać aktywną i intensywną gospodarkę ukierunkowaną na konkretne zastosowania związane z działalnością człowieka, takie jak wypas zwierząt gospodarskich. – Naturalne lub półnaturalne tereny trawiaste: stosunkowo nienaruszone rodzime tereny trawiaste lub roślinność o niewielkiej wysokości, takie jak stepy i tundra, a także obszary, na których w przeszłości prowadzono różnego rodzaju działalność człowieka, które mogą zawierać mieszankę gatunków rodzimych i obcych ze względu na historyczne użytkowanie gruntów i procesy naturalne. Zazwyczaj wykazują one naturalnie wyglądające wzory zróżnicowanej roślinności i wyraźnie uporządkowane relacje hydrologiczne w całym krajobrazie.
Zastosowana metodologia uwzględniała zdjęcia GLAD Landsat ARD-2 (przetworzone na bezchmurne agregaty dwumiesięczne, patrz Consoli i in., 2024), którym towarzyszyły zmienne klimatyczne, ukształtowanie terenu i zmienne związane z bliskością, uczenie maszynowe w przestrzeni i czasie (Random Forest dla każdej klasy) oraz ponad 2,3 mln próbek referencyjnych (interpretowanych wizualnie na zdjęciach w bardzo wysokiej rozdzielczości). Do wygenerowania map klas dominujących użyto niestandardowych progów prawdopodobieństwa (na podstawie 5-krotnej przestrzennej walidacji krzyżowej oraz zrównoważonych wartości precyzji i pełności). W przypadku progów prawdopodobieństwa dla użytków rolnych i naturalnych/półnaturalnych użytków zielonych były to odpowiednio 0,32 i 0,42.
Ograniczenia: powierzchnia użytków zielonych jest częściowo niedoszacowana w południowo-wschodniej Afryce (Zimbabwe i Mozambik) oraz we wschodniej Australii (zarośla i lasy w ekoregionie Mulga). Na niektórych obszarach Afryki Północnej, Półwyspu Arabskiego, Australii Zachodniej, Nowej Zelandii, środkowej Boliwii i stanu Mato Grosso (Brazylia) grunty orne są błędnie klasyfikowane jako łąki. Z powodu awarii skanera SLC na satelicie Landsat 7 na poziomie działki widoczne są regularne pasy prawdopodobieństwa występowania użytków zielonych, zwłaszcza w 2012 roku. Wykorzystanie warstw o niższej rozdzielczości (mapy dostępności i produkty MODIS) spowodowało wystąpienie w Urugwaju, południowo-zachodniej Argentynie, południowej Angoli i regionie Sahelu w Afryce krzywoliniowych błędów makroskopowych (z powodu strategii skalowania w dół opartej na splajnie kubicznym). Użytkownicy muszą znać ograniczenia i znane problemy. Powinni też dokładnie je rozważyć, aby zapewnić odpowiednie wykorzystanie map na tym początkowym etapie prognozowania. GPW aktywnie zbiera systematyczne opinie za pomocą platformy Geo-Wiki, aby weryfikować obecną wersję i ulepszać przyszłe wersje zbioru danych.
Więcej informacji znajdziesz w Parente et. al, 2024, Zenodo i witrynie Global Pasture Watch w GitHubie.
Pasma
Pasma
| Nazwa | Minimum | Maksimum | Rozmiar piksela | Opis |
|---|---|---|---|---|
dominant_class |
0 | 2 | 30 metrów | Dominująca klasa pochodząca z map lasów losowych i map prawdopodobieństwa. |
Tabela klasy dominant_class
| Wartość | Kolor | Opis |
|---|---|---|
| 0 | #ffffff | Inne |
| 1 | #ffcd73 | Uprawiane łąki |
| 2 | #ff9916 | Naturalne lub półnaturalne tereny trawiaste |
Właściwości obrazu
Właściwości obrazu
| Nazwa | Typ | Opis |
|---|---|---|
| wersja | PRZ | Wersja usługi |
Warunki usługi
Warunki usługi
Cytaty
Parente, L., Sloat, L., Mesquita, V. i in. (2024) Global Pasture Watch - Annual grassland class and extent maps at 30-m spatial resolution (2000—2022) (Version v1) [Zbiór danych]. Zenodo doi:https://doi.org/10.5281/zenodo.13890401
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. doi: http://doi.org/10.1038/s41597-024-04139-6
DOI
Odkrywanie za pomocą Earth Engine
Edytor kodu (JavaScript)
Map.setCenter(-49.265188, -16.602052, 4); var domi_grassland = ee.ImageCollection( "projects/global-pasture-watch/assets/ggc-30m/v1/grassland_c" ) var visParams = {"opacity":1, "min":1,"max":2,"palette":["ffcd73","ff9916"]}; var domi_grassland_2022 = domi_grassland.filterDate('2022-01-01', '2023-01-01').first(); Map.addLayer( domi_grassland_2022.selfMask(), visParams, 'Dominant grassland class (2022)' ); var domi_grassland_2000 = domi_grassland.filterDate('2000-01-01', '2001-01-01').first(); Map.addLayer( domi_grassland_2000.selfMask(), visParams, 'Dominant grassland class (2000)' );