Set data ini adalah bagian dari Katalog Penayang, dan tidak dikelola oleh Google Earth Engine. Hubungi biosphere-models@google.com untuk melaporkan bug atau melihat set data lainnya dari Katalog Nature Trace. Pelajari lebih lanjut set data Penayang.
- Pemilik Katalog
- Nature Trace
- Ketersediaan Set Data
- 2020-01-01T00:00:00Z–2020-12-31T23:59:59Z
- Produsen Set Data
- Tag
Deskripsi
Set data Forest Typology (ForTy) v1 terdiri dari peta probabilitas per kelas global pada resolusi 10 m yang mencakup semua area daratan antara garis lintang 65°LS dan 84°LU untuk tahun 2020.
Tipologi enam kelas selaras dengan definisi FAO dan Peraturan Uni Eropa tentang Pemberantasan Deforestasi (EUDR):
- Kelas 1 – Hutan Primer: Hutan alami dengan spesies asli tanpa indikasi gangguan yang disebabkan oleh manusia yang terlihat.
- Kelas 2 – Hutan yang Beregenerasi Secara Alami: Hutan yang sebagian besar terbentuk melalui regenerasi alami, termasuk hutan sekunder yang pulih dari gangguan dan hutan campuran yang didominasi regenerasi alami.
- Kelas 3 – Hutan yang Ditanami: Hutan yang dibangun terutama melalui penanaman atau penyemaian, dengan periode rotasi operasional lebih dari 40 tahun.
- Kelas 4 – Hutan Perkebunan: Hutan yang dikelola secara intensif yang dicirikan oleh satu atau dua spesies, usia yang sama, jarak yang teratur, dan periode rotasi 40 tahun atau kurang.
- Kelas 5 – Tanaman Perkebunan dan Agroforestri: Perkebunan pertanian yang menghasilkan komoditas selain kayu (misalnya, kelapa sawit, karet, kebun buah), termasuk sistem agroforestri. Diklasifikasikan sebagai penggunaan lahan pertanian berdasarkan EUDR.
- Kelas 6 – Lahan Lainnya: Semua penggunaan lahan non-pohon, vegetasi berkayu jarang (cakupan tajuk < 10%), lahan berhutan lainnya, pohon di lingkungan perkotaan, dan petak pohon kecil yang tidak memenuhi batas hutan.
Kumpulan data utama adalah raster lima band yang berisi nilai bilangan bulat 8-bit tidak bertanda (0–250) yang merepresentasikan nilai probabilitas terkuantisasi untuk setiap lima kelas jenis hutan. Probabilitas untuk kelas keenam (Lahan lainnya) diperoleh sebagai pelengkap: p_other = 250 − sum(p_i). Peta menggunakan sistem koordinat Universal Transverse Mercator (UTM).
Untuk mendapatkan skor probabilitas kelas keenam, "Negara lain", Anda harus mengurangi 250 dengan jumlah dari lima probabilitas pertama. Peta kategoris dapat diperoleh dengan menetapkan setiap piksel ke class dengan probabilitas tertinggi (argmax). Representasi probabilitas memungkinkan pengguna menerapkan nilai minimum kustom, menilai keyakinan prediksi, dan menghitung estimasi ketidakpastian untuk aplikasi hilir.
Data sumber disediakan sebagai GeoTIFF yang Dioptimalkan untuk Cloud (COG) yang disimpan
di Google Cloud Storage di
gs://nature-trace/export_rasters/forest_typology_2020_v1_0/. Earth Engine ImageCollection didukung oleh COG ini.
Batasan: Meskipun peta ini memberikan tolok ukur global yang berharga, pengguna harus menyadari beberapa batasan:
- Tanggal referensi temporal: Peta ini menampilkan kondisi tutupan lahan per tahun 2020, berdasarkan komposit satelit multi-temporal. Perubahan penggunaan lahan yang cepat yang terjadi dalam periode komposit mungkin tidak sepenuhnya terekam.
- Ambiguitas definisi: Definisi berbasis FAO yang mendasari klasifikasi EUDR mengandalkan maksud dan histori pengelolaan, yang tidak dapat diamati secara langsung dari citra satelit. Model menyimpulkan kategori ini dari indikator proxy (tanda tangan spektral, struktur kanopi, pola spasial), yang menimbulkan ketidakpastian yang tidak dapat direduksi pada batas kelas. Misalnya, hutan sekunder yang beregenerasi secara alami dan matang dapat secara spektral dan struktural tidak dapat dibedakan dari hutan primer yang tidak terganggu.
- Ambiguitas agroforestri: Sistem agroforestri campuran—tempat tanaman pohon seperti kakao atau kopi tumbuh di bawah kanopi asli—adalah salah satu kelas yang paling sulit diselesaikan. Agroforestri kakao dan kopi yang teduh masih dapat diklasifikasikan secara keliru sebagai hutan alami di beberapa wilayah.
- Kebingungan hutan yang ditanami: Hutan yang ditanami menunjukkan akurasi klasifikasi terendah di antara semua kelas hutan (F1 = 58,2%). Kelas ini dapat secara spektral dan struktural serupa dengan hutan yang beregenerasi secara alami di satu sisi dan dengan hutan perkebunan di sisi lainnya, sehingga sering terjadi salah klasifikasi di kedua arah.
- Petak kecil dan cakupan kanopi ambang batas: Petak pohon terisolasi di dekat ambang batas area hutan FAO (0,5 ha) dan area di batas cakupan kanopi (10%) pada dasarnya ambigu.
- Kalibrasi probabilitas: Probabilitas per kelas mewakili output softmax rata-rata ensemble dan belum dikalibrasi post-hoc. Pengguna yang memerlukan probabilitas yang dikalibrasi dengan baik untuk penilaian risiko kuantitatif harus mempertimbangkan kalibrasi ulang regional menggunakan data referensi independen.
- Kebakaran hutan: Penggunaan lahan setelah kebakaran hutan tidak selalu dapat ditentukan.
- Pemetaan hutan primer konservatif: Batas kelas hutan primer bersifat konservatif di dekat infrastruktur manusia. Karena efek buffering spasial yang diwarisi dari data pelatihan, model secara sistematis mengecualikan tepi hutan di dekat jalan, permukiman, atau pertanian dari kelas hutan primer, dan sering kali melabelinya sebagai hutan yang beregenerasi secara alami.
- Area yang sementara tidak memiliki stok: Berdasarkan definisi FAO, area yang sementara tidak memiliki stok (seperti perkebunan yang baru dipanen dan menunggu penanaman kembali atau hutan dalam pemulihan awal pasca-gangguan) masih dianggap sebagai hutan. Namun, karena peta ini mengandalkan pengamatan selama satu tahun (2020), area ini mungkin muncul sebagai non-hutan dan salah diklasifikasikan sebagai "Lahan Lainnya".
- Proxy hutan tanaman vs. perkebunan: Perbedaan antara hutan tanaman dan perkebunan menggunakan nilai minimum rotasi operasional 40 tahun sebagai proxy. Kriteria intensitas pengelolaan EUDR/FAO yang sebenarnya (misalnya, kelas dengan usia yang sama, jarak yang teratur) tidak dapat diamati secara langsung dari gambar satelit.
- Penghilangan Lahan Berhutan Lainnya (OWL): EUDR mengakui "Lahan Berhutan Lainnya" (OWL) sebagai kategori yang berbeda, tetapi dalam set data ini, OWL tidak diselesaikan sebagai kelas terpisah dan sepenuhnya termasuk dalam kategori "Lahan Lainnya".
- Heterogenitas sub-piksel: Piksel campuran, terutama di lanskap petani kecil yang kompleks, dapat mengurangi presisi klasifikasi. Selain itu, meskipun outputnya berada pada 10 m, resolusi efektif data input model mungkin lebih kasar dari 10 m.
Band
Band
Ukuran piksel: 10 meter (semua band)
| Nama | Min | Maks | Skala | Ukuran Piksel | Deskripsi |
|---|---|---|---|---|---|
PrimaryForest |
0 | 250 | 0,004 | 10 meter | Probabilitas terkuantisasi (bilangan bulat 8-bit yang tidak bertanda, 0–250) bahwa piksel termasuk dalam kelas hutan primer. |
NaturallyRegeneratingForest |
0 | 250 | 0,004 | 10 meter | Probabilitas terkuantisasi (bilangan bulat 8-bit tanpa tanda, 0–250) bahwa piksel termasuk dalam kelas hutan yang beregenerasi secara alami. |
PlantedForest |
0 | 250 | 0,004 | 10 meter | Probabilitas terkuantisasi (bilangan bulat 8-bit tidak bertanda, 0–250) bahwa piksel termasuk dalam kelas hutan yang ditanami. |
PlantationForest |
0 | 250 | 0,004 | 10 meter | Probabilitas terkuantisasi (bilangan bulat 8-bit tidak bertanda, 0–250) bahwa piksel termasuk dalam kelas hutan perkebunan. |
TreeCropsAndAgroforestry |
0 | 250 | 0,004 | 10 meter | Probabilitas terkuantisasi (bilangan bulat 8-bit tidak bertanda, 0–250) bahwa piksel termasuk dalam kelas tanaman pohon dan agroforestri. Peluang untuk kelas keenam (Lahan lainnya) diperoleh sebagai pelengkap: p_other = 250 − jumlah semua nilai lima band. |
Persyaratan Penggunaan
Persyaratan Penggunaan
Set data ini dilisensikan berdasarkan CC-BY 4.0 dan memerlukan atribusi berikut: [ATRIBUSI PLACEHOLDER].
Kutipan
Maxim Neumann, Anton Raichuk, Peter Potapov, Myroslava Lesiv, Matthew Overlan, Melanie Rey, Ravindran Rajakumar, Michelangelo Conserva, Radost Stanimirova, Michelle Sims, Sarah Carter, Elizabeth Goldman, Yuchang Jiang, Linus Scheibenreif, Ivelina Georgieva, Maria Shchepashchenko, Steffen Fritz, Nicholas Clinton, Charlotte Stanton, Dan Morris, Drew Purves: "Global forest typology at 10-meter resolution for forest and land-use monitoring", Mei 2026 (preprint: doi.org/10.31223/X58R27).
Mengeksplorasi dengan Earth Engine
Editor Kode (JavaScript)
var dataset = ee.ImageCollection( 'projects/nature-trace/assets/forest_typology/forest_typology_2020_v1_0_collection') .mosaic(); // Compute argmax class: 1=Primary, 2=Naturally Regenerating, // 3=Planted, 4=Plantation, 5=Tree Crops & Agroforestry, 6=Other land. var b5 = ee.Image(250).subtract(dataset.select([0, 1, 2, 3, 4]).reduce('sum')); var classified = dataset.addBands(b5).toArray().arrayArgmax().arrayGet([0]).add(1); // Palette: Primary=dark green, Naturally Regenerating=light green, // Planted=blue, Plantation=pink, TreeCrops=orange, Other=yellow. var colors = ['1B7837', '7FBF7B', '1D91C0', 'E65FA9', 'E6AB02', 'FDE278']; Map.addLayer( classified, {min: 1, max: 6, palette: colors}, 'Forest Typology 2020 (v1)'); Map.setOptions('HYBRID'); Map.setCenter(116.21, -33.31, 12);