Этот набор данных является частью каталога издателей и не управляется Google Earth Engine. Для сообщений об ошибках обращайтесь по адресу biosphere-models@google.com или просмотрите другие наборы данных из каталога Nature Trace. Узнайте больше о наборах данных издателей .
- Владелец каталога
- Природный след
- Доступность набора данных
- 2020-01-01T00:00:00Z–2020-12-31T23:59:59Z
- Производитель наборов данных
- Теги
Описание
Набор данных Forest Typology (ForTy) v1 представляет собой глобальную карту вероятности для каждого класса с разрешением 10 м, охватывающую все территории суши между 65° южной широты и 84° северной широты за 2020 год.
Шестиклассовая типология соответствует определениям ФАО и Регламента ЕС о вырубке лесов (EUDR):
- Класс 1 – Первичный лес: Естественный лес из местных видов деревьев без видимых признаков антропогенного воздействия.
- Класс 2 – Естественно возобновляющиеся леса: леса, преимущественно сформированные в результате естественного возобновления, включая вторичные леса, восстанавливающиеся после нарушений, и смешанные леса, где преобладает естественное возобновление.
- Класс 3 – Искусственно созданные леса: леса, созданные преимущественно путем посадки или посева, с периодом севооборота, превышающим 40 лет.
- Класс 4 – Плантационные леса: Интенсивно управляемые леса, характеризующиеся наличием одного или двух видов деревьев, однородным возрастом, равномерным расстоянием между деревьями и периодом ротации 40 лет или менее.
- Класс 5 – Древесные культуры и агролесоводство: Сельскохозяйственные плантации, производящие товары, отличные от древесины (например, масличная пальма, каучук, фруктовые сады), включая агролесоводческие системы. Классифицируются как сельскохозяйственное использование земель в соответствии с Регламентом ЕС о землепользовании.
- Класс 6 – Прочие земли: все виды землепользования, не связанные с деревьями, редкая древесная растительность (сомкнутость крон < 10%), другие лесные массивы, деревья в городской среде и небольшие участки деревьев, не соответствующие лесным критериям.
Основной набор данных представляет собой пятиканальный растр, содержащий беззнаковые 8-битные целочисленные значения (0–250), представляющие квантованные значения вероятности для каждого из пяти классов типов лесов. Вероятность для шестого класса (Другие земли) получается как дополнение: p_other = 250 − sum(p_i). Карта использует универсальную поперечную проккардовскую систему (UTM).
Чтобы получить вероятностный балл шестого класса, «Другие земли», необходимо вычесть из 250 сумму первых пяти вероятностей. Категориальную карту можно построить, присвоив каждому пикселю класс с наибольшей вероятностью (argmax). Вероятностное представление позволяет пользователям применять пользовательские пороговые значения, оценивать достоверность прогноза и вычислять оценки неопределенности для последующих приложений.
Исходные данные предоставляются в виде оптимизированных для облачного хранилища файлов GeoTIFF (COG), хранящихся в Google Cloud Storage по gs://nature-trace/export_rasters/forest_typology_2020_v1_0/ . Коллекция изображений Earth Engine ImageCollection поддерживается этими файлами COG.
Ограничения: Хотя эта карта предоставляет ценную глобальную базовую информацию, пользователям следует учитывать ряд ограничений:
- Временная привязка: Карта отражает состояние земельного покрова по состоянию на 2020 год на основе многовременных спутниковых снимков. Быстрые изменения землепользования, происходящие в течение периода создания снимков, могут быть отражены не в полной мере.
- Неоднозначность определений: основанные на определениях ФАО, лежащие в основе классификации EUDR, опираются на цели управления и историю, которые не могут быть непосредственно обнаружены на спутниковых снимках. Модель выводит эти категории на основе косвенных индикаторов (спектральные характеристики, структура полога, пространственные закономерности), что вносит неустранимую неопределенность на границах классов. Например, зрелые естественно возобновляющиеся (вторичные) леса могут быть спектрально и структурно неотличимы от нетронутых первичных лесов.
- Неоднозначность в агролесоводстве: смешанные агролесоводческие системы, где под естественным пологом растут древесные культуры, такие как какао или кофе, относятся к числу наиболее сложных для классификации. В некоторых регионах затененные какао- и кофейные агролеса все еще могут быть ошибочно классифицированы как естественный лес.
- Ошибки классификации искусственных лесов: Искусственные леса демонстрируют самую низкую точность классификации среди всех классов лесов (F1 = 58,2%). Этот класс может быть спектрально и структурно схожим с естественно возобновляющимися лесами с одной стороны и с плантационными лесами с другой, что приводит к частым ошибкам классификации в обоих направлениях.
- Небольшие участки и пороговое значение площади лесного покрова: изолированные участки деревьев вблизи порогового значения площади лесов ФАО (0,5 га) и участки на границе площади лесного покрова (10%) по своей природе являются неоднозначными.
- Калибровка вероятностей: Вероятности для каждого класса представляют собой усредненные по ансамблю выходные данные функции softmax и не были откалиброваны постфактум. Пользователям, которым требуются хорошо откалиброванные вероятности для количественной оценки риска, следует рассмотреть возможность региональной перекалибровки с использованием независимых эталонных данных.
- Лесные пожары: После лесного пожара не всегда возможно определить землепользование.
- Консервативное картирование первичных лесов: Граница класса первичных лесов устанавливается консервативно вблизи объектов человеческой инфраструктуры. Из-за пространственного буферного эффекта, унаследованного от обучающих данных, модель систематически исключает из класса первичных лесов опушки лесов вблизи дорог, населенных пунктов или сельскохозяйственных угодий, часто помечая их как естественно возобновляющиеся.
- Временно незасаженные территории: Согласно определениям ФАО, временно незасаженные территории (такие как недавно вырубленные плантации, ожидающие повторной посадки, или леса на ранней стадии восстановления после нарушений) по-прежнему считаются лесами. Однако, поскольку эта карта основана на данных наблюдений за один год (2020), эти территории могут отображаться как нелесные и быть ошибочно классифицированы как «Другие земли».
- Различие между искусственными и плантационными лесами определяется с помощью условного обозначения: для определения различий между искусственными и плантационными лесами используется оперативный 40-летний цикл лесопользования. Истинные критерии интенсивности управления по классификации EUDR/FAO (например, одновозрастные деревья, равномерное расстояние между саженцами) не могут быть непосредственно обнаружены на спутниковых снимках.
- Исключение категории «Другие лесные массивы» (OWL): В EUDR категория «Другие лесные массивы» (OWL) выделена в отдельную категорию, но в данном наборе данных OWL не рассматривается как отдельный класс и полностью включена в категорию «Другие массивы».
- Субпиксельная неоднородность: Смешанные пиксели, особенно в сложных ландшафтах мелких фермерских хозяйств, могут снижать точность классификации. Кроме того, хотя выходное разрешение составляет 10 м, эффективное разрешение входных данных модели может быть ниже 10 м.
Группы
Группы
Размер пикселя: 10 метров (все диапазоны)
| Имя | Мин | Макс | Шкала | Размер пикселя | Описание |
|---|---|---|---|---|---|
PrimaryForest | 0 | 250 | 0,004 | 10 метров | Квантованная вероятность (беззнаковое 8-битное целое число, 0–250) того, что пиксель принадлежит к основному классу леса. |
NaturallyRegeneratingForest | 0 | 250 | 0,004 | 10 метров | Квантованная вероятность (беззнаковое 8-битное целое число, 0–250) того, что пиксель принадлежит к классу естественно восстанавливающихся лесов. |
PlantedForest | 0 | 250 | 0,004 | 10 метров | Квантованная вероятность (беззнаковое 8-битное целое число, 0–250) того, что пиксель принадлежит к классу искусственного леса. |
PlantationForest | 0 | 250 | 0,004 | 10 метров | Квантованная вероятность (беззнаковое 8-битное целое число, 0–250) того, что пиксель принадлежит к классу плантационных лесов. |
TreeCropsAndAgroforestry | 0 | 250 | 0,004 | 10 метров | Квантованная вероятность (беззнаковое 8-битное целое число, 0–250) того, что пиксель принадлежит к классу древесных культур и агролесоводства. Вероятность для шестого класса (Другие земли) получается как дополнение: p_other = 250 − сумма значений всех пяти полос. |
Условия эксплуатации
Условия эксплуатации
Данный набор данных распространяется под лицензией CC-BY 4.0 и требует указания следующего авторства: [PLACEHOLDER ATTRIBUTION].
Цитаты
Максим Нойманн, Антон Райчук, Петр Потапов, Мирослава Лесив, Мэтью Оверлан, Мелани Рей, Равиндран Раджакумар, Микеланджело Консерва, Радост Станимирова, Мишель Симс, Сара Картер, Элизабет Голдман, Ючан Цзян, Линус Шайбенрайф, Ивелина Георгиева, Мария Щепащенко, Штеффен Фриц, Николас Клинтон, Шарлотта Стэнтон, Дэн Моррис, Дрю Пурвес: «Глобальная типология лесов с разрешением 10 метров для мониторинга лесов и землепользования», май 2026 г. (препринт: doi.org/10.31223/X58R27 ).
Исследуйте мир с помощью Earth Engine.
Редактор кода (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);