-
巴西森林圖像資料集 2008：視覺基本地圖
這項資料集提供巴西的影像基本地圖，解析度最高可達 5 公尺，主要是在 2008 年擷取，可協助實施《巴西森林法》。這項影像集是由 SPOT 2、4 和 5 衛星資料合成，是高解析度替代方案，可取代… brazil deforestation forest-code google rgb satellite-imagery -
象牙海岸 BNETD 2020 年地貌圖
象牙海岸 BNETD 2020 年土地覆蓋圖是由象牙海岸政府透過國家機構 (國家研究辦公室技術與發展中心地理資訊與數位中心 (BNETD-CIGN)) 製作，並獲得歐盟的技術和資金支援。方法是… 分類 森林砍伐 森林 土地覆蓋 土地利用與土地覆蓋 -
FORMA 警示門檻
世界資源研究所 (WRI) 的附註：WRI 決定停止更新 FORMA 快訊，目的是簡化全球森林監測的使用者體驗，並減少重複內容。我們發現 Terra-i 和 GLAD 的使用頻率較高。此外，以 GLAD 為標準進行比較後，發現 Terra-i 的效能優於 FORMA。 daily deforestation fire forest forma gfw -
FORMA 警示
世界資源研究所 (WRI) 的附註：WRI 決定停止更新 FORMA 快訊，目的是簡化全球森林監測的使用者體驗，並減少重複內容。我們發現 Terra-i 和 GLAD 的使用頻率較高。此外，以 GLAD 為標準進行比較後，發現 Terra-i 的效能優於 FORMA。 daily deforestation fire forest forma gfw -
FORMA 原始輸出 FIRMS
世界資源研究所 (WRI) 的附註：WRI 決定停止更新 FORMA 快訊，目的是簡化全球森林監測的使用者體驗，並減少重複內容。我們發現 Terra-i 和 GLAD 的使用頻率較高。此外，以 GLAD 為標準進行比較後，發現 Terra-i 的效能優於 FORMA。 daily deforestation fire forest forma gfw -
FORMA 原始輸出 NDVI
世界資源研究所 (WRI) 的附註：WRI 決定停止更新 FORMA 快訊，目的是簡化全球森林監測的使用者體驗，並減少重複內容。我們發現 Terra-i 和 GLAD 的使用頻率較高。此外，以 GLAD 為標準進行比較後，發現 Terra-i 的效能優於 FORMA。 daily deforestation forest forest-biomass forma gfw -
FORMA 植被 T 統計資料
世界資源研究所 (WRI) 的附註：WRI 決定停止更新 FORMA 快訊，目的是簡化全球森林監測的使用者體驗，並減少重複內容。我們發現 Terra-i 和 GLAD 的使用頻率較高。此外，以 GLAD 為標準進行比較後，發現 Terra-i 的效能優於 FORMA。 daily deforestation forest forest-biomass forma gfw -
Forest Persistence v0
這張圖片提供每個像素的分數 (介於 [0, 1] 之間)，指出像素區域在 2020 年是否為未受干擾的森林。這些分數的解析度為 30 公尺，是透過證據匯集法產生，結合了多個森林… biodiversity conservation deforestation eudr forest-biomass forestdatapartnership -
森林類型 (ForTy) 2020 年第 1.0 版
森林類型 (ForTy) 第 1 版資料集包含 2020 年全球各類別的機率地圖，解析度為 10 公尺，涵蓋緯度 65°S 至 84°N 之間的所有陸地區域。這六個類別的分類方式符合聯合國糧食及農業組織 (FAO) 和歐盟森林砍伐法規 (EUDR) 的定義：第 1 類… alphaearth-derived biodiversity climate conservation deforestation eudr -
2020 年全球天然林
「2020 年全球天然林」提供 2020 年全球天然林機率地圖，解析度為 10 公尺。開發這個圖層，是為了支援歐盟《森林砍伐法規》(EUDR) 等計畫，以及其他森林保育和監測工作。地圖… biodiversity climate conservation deforestation eudr forest -
WRI/Google DeepMind Global Drivers of Forest Loss 2001-2022 v1.0
這項資料集以 1 公里解析度，繪製 2001 年至 2022 年全球樹木覆蓋面積減少的主要原因。這項資料由世界資源研究所 (WRI) 和 Google DeepMind 製作，是使用全球類神經網路模型 (ResNet) 訓練而成，訓練資料集是從全球各地收集的樣本。 agriculture deforestation forest forest-biomass google landandcarbon -
WRI/Google DeepMind Global Drivers of Forest Loss 2001-2023 v1.1
這項資料集以 1 公里解析度，繪製 2001 年至 2023 年全球樹木覆蓋面積減少的主要原因。這項資料由世界資源研究所 (WRI) 和 Google DeepMind 製作，採用以一組收集的樣本訓練的全球類神經網路模型 (ResNet) 開發而成。 agriculture deforestation forest forest-biomass google landandcarbon -
WRI/Google DeepMind Global Drivers of Forest Loss 2001-2024 v1.2
這項資料集以 1 公里解析度，繪製 2001 年至 2024 年全球樹木覆蓋面積減少的主要原因。這項資料由世界資源研究所 (WRI) 和 Google DeepMind 製作，是使用全球類神經網路模型 (ResNet) 開發而成，該模型以一組收集的樣本進行訓練，… agriculture deforestation forest forest-biomass google landandcarbon -
WRI/Google DeepMind Global Drivers of Forest Loss 2001-2025 v1.3
這項資料集以 1 公里解析度，繪製 2001 年至 2025 年全球樹木覆蓋面積減少的主要原因。這項資料由世界資源研究所 (WRI) 和 Google DeepMind 製作，採用全球類神經網路模型 (ResNet) 開發，並以一組收集的樣本進行訓練。 agriculture deforestation forest forest-biomass google landandcarbon
