Ten zbiór danych jest częścią katalogu wydawcy i nie jest zarządzany przez Google Earth Engine. W przypadku błędów skontaktuj się z zespołem pod adresem biosphere-models@google.com lub wyświetl więcej zbiorów danych z katalogu Nature Trace. Więcej informacji o zbiorach danych wydawcy.
- Właściciel katalogu
- Nature Trace
- Dostępność zbioru danych
- 2020-01-01T00:00:00Z–2020-12-31T23:59:59Z
- Producent zbioru danych
- Tagi
Opis
Zbiór danych Forest Typology (ForTy) v1 to globalna mapa prawdopodobieństwa dla każdej klasy w rozdzielczości 10 m, obejmująca wszystkie obszary lądowe między 65°S a 84°N w 2020 r.
Typologia 6 klas jest zgodna z definicjami FAO i rozporządzenia UE w sprawie wylesiania (EUDR):
- Klasa 1 – las pierwotny: las naturalny z gatunkami rodzimymi, bez widocznych oznak zaburzeń spowodowanych przez człowieka.
- Klasa 2 – las odnawiający się naturalnie: lasy, które powstały głównie w wyniku naturalnego odnowienia, w tym lasy wtórne odrastające po zaburzeniach i lasy mieszane, w których dominuje naturalne odnowienie.
- Klasa 3 – las sadzony: lasy, które powstały głównie w wyniku sadzenia lub siewu, z okresem rotacji operacyjnej przekraczającym 40 lat.
- Klasa 4 – las plantacyjny: intensywnie zarządzane lasy, w których występuje 1 lub 2 gatunki, drzewa są w tym samym wieku i rosną w regularnych odstępach, a okres rotacji wynosi 40 lat lub mniej.
- Klasa 5 – uprawy drzew i agroleśnictwo: plantacje rolne produkujące inne surowce niż drewno (np. olej palmowy, kauczuk, sady owocowe), w tym systemy agroleśne. Zgodnie z EUDR klasyfikowane jako użytki rolne.
- Klasa 6 – inne grunty: wszystkie grunty nieleśne, rzadka roślinność drzewiasta (pokrycie korony < 10%), inne grunty leśne, drzewa w środowisku miejskim i małe skupiska drzew, które nie spełniają progów leśnych.
Główny rekord danych to raster 5-pasmowy zawierający niepodpisane 8-bitowe wartości całkowite (0–250) reprezentujące skwantyzowane wartości prawdopodobieństwa dla każdej z 5 klas typów lasów. Prawdopodobieństwo dla 6 klasy (inne grunty) jest obliczane jako dopełnienie: p_other = 250 − sum(p_i). Mapa korzysta z układu UTM.
Aby uzyskać wynik prawdopodobieństwa dla 6 klasy „Inne grunty”, należy odjąć od 250 sumę 5 pierwszych prawdopodobieństw. Mapę kategorii można utworzyć, przypisując każdy piksel do klasy o najwyższym prawdopodobieństwie (argmax). Reprezentacja prawdopodobieństwa umożliwia użytkownikom stosowanie niestandardowych progów, ocenianie wiarygodności prognoz i obliczanie szacunków niepewności w aplikacjach niższego poziomu.
Dane źródłowe są udostępniane jako pliki Cloud Optimized GeoTIFF (COG) przechowywane w Google Cloud Storage pod adresem gs://nature-trace/export_rasters/forest_typology_2020_v1_0/. Kolekcja obrazów Earth Engine jest oparta na tych plikach COG.
Ograniczenia: chociaż ta mapa stanowi cenną globalną linię bazową, użytkownicy powinni pamiętać o kilku ograniczeniach:
- Data odniesienia: mapa przedstawia stan pokrycia terenu w 2020 r. na podstawie kompozytów satelitarnych z wielu okresów. Szybkie zmiany w użytkowaniu gruntów, które zaszły w okresie kompozycji, mogą nie zostać w pełni uwzględnione.
- Niejednoznaczność definicji: definicje oparte na FAO, które są podstawą klasyfikacji EUDR, opierają się na zamiarach i historii zarządzania, których nie można bezpośrednio zaobserwować na zdjęciach satelitarnych. Model wnioskuje te kategorie na podstawie wskaźników zastępczych (sygnatury spektralne, struktura korony, wzorce przestrzenne), co wprowadza nieusuwalną niepewność na granicach klas. Na przykład dojrzałe lasy odnawiające się naturalnie (wtórne) mogą być spektralnie i strukturalnie nie do odróżnienia od nienaruszonych lasów pierwotnych.
- Niejednoznaczność agroleśnictwa: mieszane systemy agroleśne, w których uprawy drzew, takie jak kakao czy kawa, rosną pod rodzimą koroną, należą do najtrudniejszych do rozróżnienia klas. W niektórych regionach zacienione agroleśnictwo kakao i kawy może być nadal błędnie klasyfikowane jako las naturalny.
- Nieporozumienia dotyczące lasów sadzonych: lasy sadzone wykazują najniższą dokładność klasyfikacji spośród wszystkich klas lasów (F1 = 58,2%). Ta klasa może być spektralnie i strukturalnie podobna do lasów odnawiających się naturalnie z jednej strony i do lasów plantacyjnych z drugiej, co powoduje częste błędne klasyfikacje w obu kierunkach.
- Małe obszary i próg pokrycia korony: odizolowane skupiska drzew w pobliżu progu obszaru leśnego FAO (0,5 ha) i obszary na granicy pokrycia korony (10%) są z natury niejednoznaczne.
- Kalibracja prawdopodobieństwa: prawdopodobieństwa dla każdej klasy reprezentują średnie wyniki softmax i nie zostały skalibrowane post-hoc. Użytkownicy, którzy potrzebują dobrze skalibrowanych prawdopodobieństw do ilościowej oceny ryzyka, powinni rozważyć regionalną ponowną kalibrację przy użyciu niezależnych danych referencyjnych.
- Pożary: nie zawsze można określić użytkowanie gruntów po pożarze.
- Konserwatywne mapowanie lasów pierwotnych: granica klasy lasów pierwotnych jest konserwatywna w pobliżu infrastruktury ludzkiej. Ze względu na efekt buforowania przestrzennego odziedziczony po danych treningowych model systematycznie wyklucza z klasy lasów pierwotnych krawędzie lasów w pobliżu dróg, osad lub rolnictwa, często oznaczając je jako lasy odnawiające się naturalnie.
- Obszary tymczasowo pozbawione drzew: zgodnie z definicjami FAO obszary tymczasowo pozbawione drzew (takie jak niedawno zebrane plantacje czekające na ponowne zasadzenie lub lasy w początkowej fazie regeneracji po zaburzeniach) są nadal uważane za lasy. Ponieważ jednak ta mapa opiera się na obserwacjach z jednego roku (2020), obszary te mogą być traktowane jako nieleśne i błędnie klasyfikowane jako „Inne grunty”.
- Zastępcze dane dotyczące lasów sadzonych i plantacyjnych: rozróżnienie między lasami sadzonymi a plantacyjnymi wykorzystuje jako zastępcze dane próg rotacji operacyjnej wynoszący 40 lat. Prawdziwe kryteria intensywności zarządzania EUDR/FAO (np. klasa drzew w tym samym wieku, regularne odstępy) nie są bezpośrednio widoczne na zdjęciach satelitarnych.
- Pominięcie innych gruntów leśnych: EUDR uznaje „inne grunty leśne” za odrębną kategorię, ale w tym zbiorze danych nie są one traktowane jako osobna klasa i są w całości włączone do kategorii „Inne grunty”.
- Heterogeniczność subpikselowa: piksele mieszane, zwłaszcza w złożonych krajobrazach drobnych gospodarstw, mogą zmniejszać dokładność klasyfikacji. Ponadto, chociaż dane wyjściowe mają rozdzielczość 10 m, efektywna rozdzielczość danych wejściowych modelu może być niższa niż 10 m.
Pasma
Pasma
Rozmiar piksela: 10 metrów (wszystkie pasma)
| Nazwa | Minimum | Maks. | Skala | Rozmiar piksela | Opis |
|---|---|---|---|---|---|
PrimaryForest |
0 | 250 | 0,004 | 10 metrów | Skwantyzowane prawdopodobieństwo (niepodpisana 8-bitowa liczba całkowita, 0–250), że piksel należy do klasy lasów pierwotnych. |
NaturallyRegeneratingForest |
0 | 250 | 0,004 | 10 metrów | Skwantyzowane prawdopodobieństwo (niepodpisana 8-bitowa liczba całkowita, 0–250), że piksel należy do klasy lasów odnawiających się naturalnie. |
PlantedForest |
0 | 250 | 0,004 | 10 metrów | Skwantyzowane prawdopodobieństwo (niepodpisana 8-bitowa liczba całkowita, 0–250), że piksel należy do klasy lasów sadzonych. |
PlantationForest |
0 | 250 | 0,004 | 10 metrów | Skwantyzowane prawdopodobieństwo (niepodpisana 8-bitowa liczba całkowita, 0–250), że piksel należy do klasy lasów plantacyjnych. |
TreeCropsAndAgroforestry |
0 | 250 | 0,004 | 10 metrów | Skwantyzowane prawdopodobieństwo (niepodpisana 8-bitowa liczba całkowita, 0–250), że piksel należy do klasy upraw drzew i agroleśnictwa. Prawdopodobieństwo dla 6 klasy (inne grunty) jest obliczane jako dopełnienie: p_other = 250 − suma wartości wszystkich 5 pasm. |
Warunki korzystania z usługi
Warunki korzystania z usługi
Ten zbiór danych jest udostępniany na licencji CC BY 4.0 i wymaga podania następującego atrybutu: [PLACEHOLDER ATTRIBUTION].
Cytaty
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”, maj 2026 r. (preprint: doi.org/10.31223/X58R27).
Odkrywaj za pomocą Earth Engine
Edytor kodu (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);