این مجموعه داده بخشی از «کاتالوگ ناشر» است و توسط Google Earth Engine مدیریت نمی‌شود. برای گزارش اشکال با Land & Carbon Lab تماس بگیرید یا مجموعه داده‌های بیشتری از «کاتالوگ دیده‌بان جهانی مرتع» مشاهده کنید. درباره مجموعه‌داده‌های «ناشر» بیشتر بدانید.
- مالک کاتالوگ
- Global Pasture Watch
- دردسترس بودن مجموعه داده
- 2000-01-01T00:00:00Z–2023-01-01T00:00:00Z
- تولیدکننده مجموعه داده
- Land and Carbon Lab Global Pasture Watch
- تماس
- Land & Carbon Lab
- توالی
- ۱ سال
- برچسب‌ها
شرح
این مجموعه داده نقشه‌های احتمال سالانه جهانی از علفزارهای طبیعی/نیمه‌طبیعی را از سال ۲۰۰۰ تا ۲۰۲۲ با وضوح فضایی ۳۰ متری ارائه می‌دهد. این نقشه که توسط ابتکار Land & Carbon Lab Global Pasture Watch تولید شده است، وسعت چمنزارها را نشان می‌دهد و شامل هر نوع پوشش زمینی است که حداقل ۳۰٪ آن را پوشش گیاهی کم‌ارتفاع خشک یا مرطوب تشکیل می‌دهد، که عمدتاً شامل علف‌ها و گیاهان علفی (کمتر از ۳ متر) است و:
- حداکثر ٪۵۰ پوشش تاج‌پوشه درخت (بیشتر از ۵ متر)،
- حداکثر ۷۰٪ از سایر پوشش‌های گیاهی چوبی (بوته‌زارها و درختچه‌زارهای باز)، و
- حداکثر ۵۰٪ پوشش زمین زراعی فعال در چشم‌اندازهای موزاییکی زمین زراعی و سایر پوشش‌های گیاهی.
وسعت علفزار به دو کلاس طبقه‌بندی می‌شود: - علفزار کشت‌شده: مناطقی که علف‌ها و سایر گیاهان علوفه‌ای به‌طور عمدی کاشته و مدیریت شده‌اند، و همچنین مناطقی با پوشش گیاهی بومی از نوع علفزار که به‌وضوح مدیریت فعال و سنگینی را برای مصارف خاص تحت هدایت انسان، مانند چرای هدایت‌شده دام، نشان می‌دهند. - چمنزار طبیعی/نیمه‌طبیعی: چمنزارهای بومی/پوشش گیاهی کوتاه نسبتاً دست‌نخورده، مانند استپ‌ها و توندرا، و همچنین مناطقی که در گذشته درجات مختلفی از فعالیت‌های انسانی را تجربه کرده‌اند، که ممکن است به‌دلیل استفاده تاریخی از زمین و فرایندهای طبیعی، حاوی ترکیبی از گونه‌های بومی و معرفی‌شده باشند. به‌طور کلی، آن‌ها الگوهای طبیعی از پوشش گیاهی متنوع و روابط آب‌شناسی به‌وضوح منظم را در سراسر چشم‌انداز نشان می‌دهند.
روش‌شناسی اجراشده تصاویر GLAD Landsat ARD-2 (پردازش‌شده به مجموعه‌های دوماهه بدون ابر، به Consoli et al, 2024 مراجعه کنید) را درنظر گرفت که با متغیرهای کمکی اقلیمی، زمین‌ریختی، و مجاورتی، یادگیری ماشین فضایی-زمانی (جنگل تصادفی برای هر کلاس)، و بیش‌از ۲٫۳ میلیون نمونه مرجع (تفسیرشده به‌صورت بصری در تصاویر با وضوح بسیار بالا) همراه بود. آستانه‌های احتمال سفارشی (براساس اعتبارسنجی متقاطع فضایی پنج‌گانه و مقادیر متوازن دقت و فراخوانی) برای به‌دست آوردن نقشه‌های کلاس غالب استفاده شدند، به‌ترتیب ۰٫۳۲ و ۰٫۴۲ برای آستانه‌های احتمال علفزار کشت‌شده و طبیعی/نیمه‌طبیعی.
محدودیت‌ها: وسعت علفزارها در جنوب شرقی افریقا (زیمبابوه و موزامبیک) و در شرق استرالیا (بوته‌زارها و جنگل‌های بوم‌ناحیه مولگا) تا حدودی کمتر از حد واقعی پیش‌بینی شده است. زمین‌های زراعی در بخش‌هایی از شمال آفریقا، شبه‌جزیره عربستان، استرالیای غربی، نیوزیلند، مرکز بولیوی، و ایالت ماتو گروسو (برزیل) به‌اشتباه به‌عنوان علفزار طبقه‌بندی شده‌اند. به‌دلیل خرابی Landsat 7 SLC، نوارهای منظم احتمال وجود علفزار در سطح قطعه زمین، به‌ویژه در سال ۲۰۱۲، قابل‌مشاهده است. استفاده از لایه‌های تفکیک‌پذیری درشت‌تر (نقشه‌های دسترسی‌پذیری و محصولات MODIS) خطاهای ماکروسکوپی منحنی‌خطی (به‌دلیل استراتژی کاهش مقیاس براساس اسپلاین مکعبی) را در اروگوئه، جنوب غربی آرژانتین، جنوب آنگولا، و منطقه ساحل در آفریقا ایجاد کرد. کاربران باید از محدودیت‌ها و مشکلات شناخته‌شده آگاه باشند و درعین‌حال آن‌ها را به‌دقت درنظر بگیرند تا از استفاده مناسب از نقشه‌ها در این مرحله پیش‌بینی اولیه اطمینان حاصل کنند. GPW به‌طور فعال در تلاش است تا بازخوردهای سیستماتیک را ازطریق پلاتفرم Geo-Wiki جمع‌آوری کند، نسخه فعلی را اعتبارسنجی کند، و نسخه‌های آینده مجموعه داده را بهبود بخشد.
برای اطلاعات بیشتر، Parente et. al, 2024، Zenodo و سایت Global Pasture Watch GitHub را ببینید
باند
باند
اندازه پیکسل: ۲۷٫۸۳ متر (همه باندها)
| نام | دقیقه | Max | اندازه پیکسل | شرح |
|---|---|---|---|---|
probability |
0 | 100 | ۲۷٫۸۳ متر | مقدار احتمال وجود علفزار طبیعی/ نیمه‌طبیعی که ازطریق «جنگل تصادفی» به‌دست آمده است. |
مشخصات تصویر
ویژگی‌های تصویر
| نام | نوع | شرح |
|---|---|---|
| نسخه | INT | نسخه محصول |
شرایط استفاده
شرایط استفاده
نقل‌قول‌ها
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 doi:https://doi.org/10.5281/zenodo.13890401
Parente, L., Sloat, L., Mesquita, V., et al. (2024). نقشه‌های سالانه ۳۰ متری از کلاس و گستره علفزارهای جهانی (۲۰۰۰–۲۰۲۲) براساس یادگیری ماشین فضا-زمان، داده‌های علمی. doi: http://doi.org/10.1038/s41597-024-04139-6
شناسه دیجیتال شیء
کاوش با Earth Engine
ویرایشگر کد (جاوا اسکریپت)
Map.setCenter(63.72366666, 38.30182604, 4); var nat_semi_grassland = ee.ImageCollection( "projects/global-pasture-watch/assets/ggc-30m/v1/nat-semi-grassland_p" ) var min_prob = 42 // Probability threshold var visParams = {min: 15, max: 85, palette: 'f7f1e5,af8260,803d3b,322c2b'} var nat_semi_grassland_2022 = nat_semi_grassland.filterDate('2022-01-01', '2023-01-01').first(); Map.addLayer( nat_semi_grassland_2022.mask(nat_semi_grassland_2022.gte(min_prob)), visParams, 'Natural/Semi-natural grassland prob. (2022)' ); var nat_semi_grassland_2000 = nat_semi_grassland.filterDate('2000-01-01', '2001-01-01').first(); Map.addLayer( nat_semi_grassland_2000.mask(nat_semi_grassland_2000.gte(min_prob)), visParams, 'Natural/Semi-natural grassland prob. (2000)' );