Tập dữ liệu này thuộc một Danh mục nhà xuất bản và không do Google Earth Engine quản lý. Hãy liên hệ với biosphere-models@google.com để báo cáo lỗi hoặc xem thêm các tập dữ liệu trong Danh mục Nature Trace. Tìm hiểu thêm về các Tập dữ liệu của nhà xuất bản.
- Chủ sở hữu danh mục
- Nature Trace
- Phạm vi cung cấp tập dữ liệu
- 2020-01-01T00:00:00Z–2020-12-31T23:59:59Z
- Nhà sản xuất tập dữ liệu
- Thẻ
Mô tả
Tập dữ liệu Forest Typology (ForTy) v1 bao gồm một bản đồ xác suất toàn cầu theo từng lớp ở độ phân giải 10 mét, bao phủ tất cả các khu vực đất liền từ vĩ độ 65°N đến 84°N cho năm 2020.
Hệ thống phân loại sáu lớp này phù hợp với các định nghĩa của FAO và Quy định của EU về chống phá rừng (EUDR):
- Lớp 1 – Rừng nguyên sinh: Rừng tự nhiên có các loài bản địa và không có dấu hiệu rõ ràng về sự xáo trộn do con người gây ra.
- Lớp 2 – Rừng tái sinh tự nhiên: Rừng chủ yếu được hình thành thông qua quá trình tái sinh tự nhiên, bao gồm cả rừng thứ sinh phục hồi sau sự xáo trộn và rừng hỗn hợp nơi quá trình tái sinh tự nhiên chiếm ưu thế.
- Lớp 3 – Rừng trồng: Rừng chủ yếu được hình thành thông qua việc trồng hoặc gieo hạt, với thời gian luân canh hoạt động vượt quá 40 năm.
- Lớp 4 – Rừng thâm canh: Rừng được quản lý thâm canh, đặc trưng bởi một hoặc hai loài, tuổi đồng đều, khoảng cách đều đặn và thời gian luân canh từ 40 năm trở xuống.
- Lớp 5 – Cây trồng và nông lâm kết hợp: Các đồn điền nông nghiệp sản xuất hàng hoá không phải là gỗ (ví dụ: cây cọ dầu, cây cao su, vườn cây ăn quả), bao gồm cả hệ thống nông lâm kết hợp. Được phân loại là đất nông nghiệp theo EUDR.
- Lớp 6 – Đất khác: Tất cả các mục đích sử dụng đất không phải là cây, thảm thực vật gỗ thưa thớt (độ che phủ tán cây < 10%), đất có cây khác, cây trong môi trường đô thị và các mảng cây nhỏ không đáp ứng ngưỡng rừng.
Bản ghi dữ liệu chính là một raster năm băng tần chứa các giá trị số nguyên 8 bit không dấu (0–250) đại diện cho các giá trị xác suất được lượng tử hoá cho mỗi lớp trong số năm loại rừng. Xác suất cho lớp thứ sáu (Đất khác) được tính là phần bù: p_other = 250 − sum(p_i). Bản đồ sử dụng hệ toạ độ Universal Transverse Mercator (UTM).
Để tính điểm xác suất của lớp thứ sáu, "Đất khác", bạn phải lấy 250 trừ đi tổng của năm xác suất đầu tiên. Bạn có thể lấy được bản đồ phân loại bằng cách gán mỗi pixel cho lớp có xác suất cao nhất (argmax). Biểu diễn xác suất cho phép người dùng áp dụng các ngưỡng tuỳ chỉnh, đánh giá độ tin cậy của dự đoán và tính toán các ước tính về độ không chắc chắn cho các ứng dụng hạ nguồn.
Dữ liệu nguồn được cung cấp dưới dạng GeoTIFF được tối ưu hoá cho đám mây (COG) được lưu trữ trên Google Cloud Storage tại gs://nature-trace/export_rasters/forest_typology_2020_v1_0/. ImageCollection của Earth Engine được hỗ trợ bởi các COG này.
Các hạn chế: Mặc dù bản đồ này cung cấp một đường cơ sở toàn cầu có giá trị, nhưng người dùng cần lưu ý một số hạn chế:
- Ngày tham chiếu tạm thời: Bản đồ thể hiện trạng thái của lớp phủ mặt đất tính đến năm 2020, dựa trên các hợp phần vệ tinh đa thời gian. Những thay đổi nhanh chóng về mục đích sử dụng đất xảy ra trong khoảng thời gian tổng hợp có thể không được ghi lại đầy đủ.
- Sự mơ hồ trong định nghĩa: Các định nghĩa dựa trên FAO làm cơ sở cho việc phân loại EUDR dựa vào ý định và lịch sử quản lý, mà không thể quan sát trực tiếp từ hình ảnh vệ tinh. Mô hình suy ra các danh mục này từ các chỉ số đại diện (chữ ký quang phổ, cấu trúc tán cây, mô hình không gian), tạo ra độ không chắc chắn không thể giảm bớt ở ranh giới lớp. Ví dụ: rừng tái sinh tự nhiên (thứ sinh) trưởng thành có thể không phân biệt được về mặt quang phổ và cấu trúc với rừng nguyên sinh không bị xáo trộn.
- Sự mơ hồ trong nông lâm kết hợp: Các hệ thống nông lâm kết hợp – nơi các loại cây trồng như ca cao hoặc cà phê mọc dưới tán cây bản địa – là một trong những lớp khó giải quyết nhất. Rừng nông lâm kết hợp ca cao và cà phê có bóng râm vẫn có thể bị phân loại sai là rừng tự nhiên ở một số khu vực.
- Sự nhầm lẫn giữa rừng trồng và rừng thâm canh: Rừng trồng có độ chính xác phân loại thấp nhất trong số tất cả các lớp rừng (F1 = 58,2%). Lớp này có thể tương tự về mặt quang phổ và cấu trúc với rừng tái sinh tự nhiên ở một đầu và với rừng thâm canh ở đầu kia, dẫn đến việc phân loại sai thường xuyên theo cả hai hướng.
- Các mảng nhỏ và ngưỡng độ che phủ tán cây: Các mảng cây riêng lẻ gần ngưỡng diện tích rừng FAO (0,5 ha) và các khu vực ở ranh giới độ che phủ tán cây (10%) vốn dĩ là mơ hồ.
- Hiệu chỉnh xác suất: Các xác suất theo từng lớp đại diện cho các đầu ra softmax trung bình của tập hợp và chưa được hiệu chỉnh sau đó. Người dùng yêu cầu xác suất được hiệu chỉnh tốt để đánh giá rủi ro định lượng nên cân nhắc việc hiệu chỉnh lại theo khu vực bằng cách sử dụng dữ liệu tham chiếu độc lập.
- Cháy rừng: Không phải lúc nào cũng có thể xác định được mục đích sử dụng đất sau một vụ cháy rừng.
- Lập bản đồ rừng nguyên sinh một cách thận trọng: Ranh giới lớp rừng nguyên sinh thận trọng gần cơ sở hạ tầng của con người. Do hiệu ứng đệm không gian kế thừa từ dữ liệu huấn luyện, mô hình này loại trừ một cách có hệ thống các rìa rừng gần đường xá, khu định cư hoặc nông nghiệp khỏi lớp rừng nguyên sinh, thường gắn nhãn chúng là rừng tái sinh tự nhiên.
- Các khu vực tạm thời không có cây: Theo định nghĩa của FAO, các khu vực tạm thời không có cây (chẳng hạn như các đồn điền mới thu hoạch đang chờ trồng lại hoặc rừng trong giai đoạn đầu phục hồi sau sự xáo trộn) vẫn được coi là rừng. Tuy nhiên, vì bản đồ này dựa vào một năm quan sát (2020), nên các khu vực này có thể xuất hiện dưới dạng không phải là rừng và bị phân loại sai là "Đất khác".
- Đại diện cho rừng trồng và rừng thâm canh: Sự khác biệt giữa rừng trồng và rừng thâm canh sử dụng ngưỡng luân canh 40 năm làm đại diện. Các tiêu chí thực sự về cường độ quản lý EUDR/FAO (ví dụ: lớp đồng tuổi, khoảng cách đều đặn) không thể quan sát trực tiếp từ hình ảnh vệ tinh.
- Bỏ qua Đất có cây khác (OWL): EUDR công nhận "Đất có cây khác" (OWL) là một danh mục riêng biệt, nhưng trong tập dữ liệu này, OWL không được giải quyết dưới dạng một lớp riêng biệt và hoàn toàn được gộp vào danh mục "Đất khác".
- Tính không đồng nhất ở cấp độ dưới pixel: Các pixel hỗn hợp, đặc biệt là ở các cảnh quan phức tạp của các hộ nông dân nhỏ, có thể làm giảm độ chính xác phân loại. Ngoài ra, mặc dù đầu ra ở độ phân giải 10 mét, nhưng độ phân giải hiệu quả của dữ liệu đầu vào của mô hình có thể thô hơn 10 mét.
Băng tần
Băng tần
Kích thước pixel: 10 mét (tất cả các băng tần)
| Tên | Tối thiểu | Tối đa | Quy mô | Kích thước pixel | Mô tả |
|---|---|---|---|---|---|
PrimaryForest |
0 | 250 | 0.004 | 10 mét | Xác suất được lượng tử hoá (số nguyên 8 bit không dấu, 0–250) rằng pixel thuộc lớp rừng nguyên sinh. |
NaturallyRegeneratingForest |
0 | 250 | 0.004 | 10 mét | Xác suất được lượng tử hoá (số nguyên 8 bit không dấu, 0–250) rằng pixel thuộc lớp rừng tái sinh tự nhiên. |
PlantedForest |
0 | 250 | 0.004 | 10 mét | Xác suất được lượng tử hoá (số nguyên 8 bit không dấu, 0–250) rằng pixel thuộc lớp rừng trồng. |
PlantationForest |
0 | 250 | 0.004 | 10 mét | Xác suất được lượng tử hoá (số nguyên 8 bit không dấu, 0–250) rằng pixel thuộc lớp rừng thâm canh. |
TreeCropsAndAgroforestry |
0 | 250 | 0.004 | 10 mét | Xác suất được lượng tử hoá (số nguyên 8 bit không dấu, 0–250) rằng pixel thuộc lớp cây trồng và nông lâm kết hợp. Xác suất cho lớp thứ sáu (Đất khác) được tính là phần bù: p_other = 250 − tổng của tất cả năm giá trị băng tần. |
Điều khoản sử dụng
Điều khoản sử dụng
Tập dữ liệu này được cấp phép theo CC-BY 4.0 và yêu cầu phải có thông tin ghi công sau: [PLACEHOLDER ATTRIBUTION].
Trích dẫn
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" (Hệ thống phân loại rừng toàn cầu ở độ phân giải 10 mét để giám sát rừng và mục đích sử dụng đất), tháng 5 năm 2026 (bản thảo: doi.org/10.31223/X58R27).
Khám phá bằng Earth Engine
Trình soạn thảo mã (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);