Бинарная карта классификации леса TanDEM-X 50m Forest/Non-Forest Map [ссылка].
Эта глобальная карта лесов создана на основе интерферометрических данных миссии TanDEM-X. Пара спутников миссии собирали данные для создания глобальной цифровой модели рельефа в период с 2011 по 2015 год в режиме съемки с поляризацией HH. Карта лесов с пространственным разрешением 50 м находится в общем доступе и является пространственно усредненной версией оригинальных (платных) данных, имеющих разрешение 12 м.
#лес #данные
Эта глобальная карта лесов создана на основе интерферометрических данных миссии TanDEM-X. Пара спутников миссии собирали данные для создания глобальной цифровой модели рельефа в период с 2011 по 2015 год в режиме съемки с поляризацией HH. Карта лесов с пространственным разрешением 50 м находится в общем доступе и является пространственно усредненной версией оригинальных (платных) данных, имеющих разрешение 12 м.
#лес #данные
Демонстрация, показывающая, как оценить выбросы углерода, связанные с обезлесением, используя данные, предоставленные Vizzuality на Source Cooperative, и размещенные на бесплатном уровне Hugging Face [ссылка]. На карте будут показаны тонны углерода, потерянные в период с 2002 по 2022 год.
#данные #лес
#данные #лес
Оценка высоты растительного полога и содержания углерода по спутниковым данным из Google Earth Engine [ссылка]
В работе выполняется оценка высоты полога и содержания углерода в районе Малайского университета (Куала-Лумпур, Малайзия) в период с 1 апреля 2021 года по 30 июня 2021 года. На территории кампуса находится заповедный лес Римба Ильму (Лес знаний), площадью около 80 гектаров
Модели высоты полога строятся на данных Sentinel-1, Sentinel-2, NASA SRTM Digital Elevation 30m, GEDI L2A Raster Canopy Top Height и GEDI L4B Gridded Aboveground Biomass Density. Для классификации типов земного покрова используются данные ESA WorldCover 10m.
Все данные взяты из Google Earth Engine (GEE). Все вычисления также выполнены в GEE и находятся в общем доступе.
Точность результатов невысока. Но это — точка отсчёта, с которой можно начинать изучать подобные задачи.
#лес #AGB #GEE
В работе выполняется оценка высоты полога и содержания углерода в районе Малайского университета (Куала-Лумпур, Малайзия) в период с 1 апреля 2021 года по 30 июня 2021 года. На территории кампуса находится заповедный лес Римба Ильму (Лес знаний), площадью около 80 гектаров
Модели высоты полога строятся на данных Sentinel-1, Sentinel-2, NASA SRTM Digital Elevation 30m, GEDI L2A Raster Canopy Top Height и GEDI L4B Gridded Aboveground Biomass Density. Для классификации типов земного покрова используются данные ESA WorldCover 10m.
Все данные взяты из Google Earth Engine (GEE). Все вычисления также выполнены в GEE и находятся в общем доступе.
Точность результатов невысока. Но это — точка отсчёта, с которой можно начинать изучать подобные задачи.
#лес #AGB #GEE
The BioMassters — соревнование по оценке надземной биомассы леса методами машинного обучения [ссылка].
Задача BioMassters заключалась в оценке годовой биомассы участков леса размером 2560 х 2560 м, расположенных в Финляндии, с помощью ежемесячных снимков Sentinel-1 и Sentinel-2, полученных на тех же участках. В качестве исходных, использовались данные воздушного лидара и натурных измерений, ежегодно проводимых Финским лесным центром.
Соревнование состоялось в прошлом году, но его результаты находятся в открытом доступе.
🛢 Репозиторий моделей-победителей
#AGB #лес #нейронки
Задача BioMassters заключалась в оценке годовой биомассы участков леса размером 2560 х 2560 м, расположенных в Финляндии, с помощью ежемесячных снимков Sentinel-1 и Sentinel-2, полученных на тех же участках. В качестве исходных, использовались данные воздушного лидара и натурных измерений, ежегодно проводимых Финским лесным центром.
Соревнование состоялось в прошлом году, но его результаты находятся в открытом доступе.
🛢 Репозиторий моделей-победителей
#AGB #лес #нейронки
Карты высоты древесного полога с разрешением 1 метр
Глобальные данные Global Canopy Height Maps содержат информацию о высоте древесного полога с пространственным разрешением 1 м. Данные получены Meta и World Resources Institute на основе спутниковых снимков с 2009 по 2020 год и модели искусственного интеллекта DiNOv2. Средняя абсолютная ошибка (mean absolute error) оценки высоты полога составляет 2,8 м.
🌐 Данные на Google Earth Engine
📖 Tolan, J. et al. 2024. Very high resolution canopy height maps from RGB imagery using self-supervised vision transformer and convolutional decoder trained on aerial lidar. Remote Sensing of Environment, 300, p.113888. https://doi.org/10.1016/j.rse.2023.113888
📸 Глобальная карта высоты полога
#лес #AGB #данные #GEE
Глобальные данные Global Canopy Height Maps содержат информацию о высоте древесного полога с пространственным разрешением 1 м. Данные получены Meta и World Resources Institute на основе спутниковых снимков с 2009 по 2020 год и модели искусственного интеллекта DiNOv2. Средняя абсолютная ошибка (mean absolute error) оценки высоты полога составляет 2,8 м.
🌐 Данные на Google Earth Engine
📖 Tolan, J. et al. 2024. Very high resolution canopy height maps from RGB imagery using self-supervised vision transformer and convolutional decoder trained on aerial lidar. Remote Sensing of Environment, 300, p.113888. https://doi.org/10.1016/j.rse.2023.113888
📸 Глобальная карта высоты полога
#лес #AGB #данные #GEE
This media is not supported in your browser
VIEW IN TELEGRAM
Tallo: глобальная база данных аллометрических показателей деревьев
Данные о размерах и форме деревьев, такие как диаметр ствола, высота и размер кроны, лежат в основе широкого спектра экологических исследований, от разработки и проверки моделей динамики лесов до оценки запасов углерода леса, а также интеграции снимков дистанционного зондирования в программы мониторинга лесов. Добыть такие данные, особенно по отдельным регионам мира и конкретным таксономическим группам, бывает весьма непросто. База данных Tallo призвана помочь в решении этой проблемы.
Tallo — это коллекция из 498 838 геопривязанных и таксономически стандартизированных записей об отдельных деревьях, для которых были измерены диаметр ствола, высота и/или радиус кроны. Эти данные были собраны на 61 856 глобально распределенных участках, охватывающих все основные лесные и безлесные биомы. Большинство деревьев в базе данных идентифицированы до вида (88%). Tallo содержит данные для 5163 видов, распределенных по 1453 родам и 187 семействам растений. База находится в открытом доступе под лицензией CC-BY 4.0.
🛢 Данные Tallo на Zenodo
🗺 Данные Tallo на GEE
📖 Jucker, T., Fischer, F. J., Chave, J., Usoltsev, V. et al. (2022). Tallo: A global tree allometry and crown architecture database. Global Change Biology, 28(17), 5254–5268. Portico. https://doi.org/10.1111/gcb.16302
#лес #данные
Данные о размерах и форме деревьев, такие как диаметр ствола, высота и размер кроны, лежат в основе широкого спектра экологических исследований, от разработки и проверки моделей динамики лесов до оценки запасов углерода леса, а также интеграции снимков дистанционного зондирования в программы мониторинга лесов. Добыть такие данные, особенно по отдельным регионам мира и конкретным таксономическим группам, бывает весьма непросто. База данных Tallo призвана помочь в решении этой проблемы.
Tallo — это коллекция из 498 838 геопривязанных и таксономически стандартизированных записей об отдельных деревьях, для которых были измерены диаметр ствола, высота и/или радиус кроны. Эти данные были собраны на 61 856 глобально распределенных участках, охватывающих все основные лесные и безлесные биомы. Большинство деревьев в базе данных идентифицированы до вида (88%). Tallo содержит данные для 5163 видов, распределенных по 1453 родам и 187 семействам растений. База находится в открытом доступе под лицензией CC-BY 4.0.
🛢 Данные Tallo на Zenodo
🗺 Данные Tallo на GEE
📖 Jucker, T., Fischer, F. J., Chave, J., Usoltsev, V. et al. (2022). Tallo: A global tree allometry and crown architecture database. Global Change Biology, 28(17), 5254–5268. Portico. https://doi.org/10.1111/gcb.16302
#лес #данные
Оценка уровня повреждения леса вредителями по временным рядам вегетационного индекса
При анализе повреждений леса вредителями по данным дистанционного зондирования возникают две задачи: 1) обнаружение древостоев, пострадавших от вредителей и 2) оценка уровня повреждения. Для решения первой задачи бывает достаточно единственного спутникового снимка. Для оценки уровня ущерба необходимо использовать сезонный временной ряд данных ДЗЗ.
Одним из наиболее распространенных в Северном полушарии вредителей леса является непарный шелкопряд (Lymantria dispar L). Гусеницы этого вида объедают листву лиственных деревьев. Тем не менее, значительная часть повреждённых деревьев впоследствии восстанавливается. Именно эта особенность позволила выделить очаги поражения непарным шелкопрядом.
Учёные из Института леса имени В. Н. Сукачева СО РАН (Красноярск) с коллегами из Института систематики и экологии животных СО РАН (Новосибирск) предложили выявлять очаги размножения непарного шелкопряда по временным рядам нормализованного разностного вегетационного индекса (NDVI), построенного по данным спутника Sentinel-2.
Оказалось, что у лесов, повреждённых вредителем, вегетационный индекс падает примерно на 25–50% в конце мая - начале июня — в период наибольшей активности гусениц непарного шелкопряда. В здоровых лесах такого не наблюдается. По тому, насколько снизился индекс в поражённых лесах, можно рассчитать нанесенный вредителями урон.
Исследователи сравнили данные, полученные с помощью такого подхода, с оценками, которые дали наземные наблюдения за состоянием деревьев, и определили, что точность дистанционного метода составляет 90%.
🌳 Источник
📊 Типичная кривая сезонной динамики NDVI для повреждённого вредителем (красный цвет) и контрольного участка здорового леса (зелёный цвет) (источник)
#лес
При анализе повреждений леса вредителями по данным дистанционного зондирования возникают две задачи: 1) обнаружение древостоев, пострадавших от вредителей и 2) оценка уровня повреждения. Для решения первой задачи бывает достаточно единственного спутникового снимка. Для оценки уровня ущерба необходимо использовать сезонный временной ряд данных ДЗЗ.
Одним из наиболее распространенных в Северном полушарии вредителей леса является непарный шелкопряд (Lymantria dispar L). Гусеницы этого вида объедают листву лиственных деревьев. Тем не менее, значительная часть повреждённых деревьев впоследствии восстанавливается. Именно эта особенность позволила выделить очаги поражения непарным шелкопрядом.
Учёные из Института леса имени В. Н. Сукачева СО РАН (Красноярск) с коллегами из Института систематики и экологии животных СО РАН (Новосибирск) предложили выявлять очаги размножения непарного шелкопряда по временным рядам нормализованного разностного вегетационного индекса (NDVI), построенного по данным спутника Sentinel-2.
Оказалось, что у лесов, повреждённых вредителем, вегетационный индекс падает примерно на 25–50% в конце мая - начале июня — в период наибольшей активности гусениц непарного шелкопряда. В здоровых лесах такого не наблюдается. По тому, насколько снизился индекс в поражённых лесах, можно рассчитать нанесенный вредителями урон.
Исследователи сравнили данные, полученные с помощью такого подхода, с оценками, которые дали наземные наблюдения за состоянием деревьев, и определили, что точность дистанционного метода составляет 90%.
🌳 Источник
📊 Типичная кривая сезонной динамики NDVI для повреждённого вредителем (красный цвет) и контрольного участка здорового леса (зелёный цвет) (источник)
#лес
Новая модель оценки высоты лесного полога [ссылка]
Предлагается модель оценки высоты лесного полога в глобальном масштабе, основанная на спутниковых данных. По словам авторов, “модель использует передовые методы предварительной обработки данных, прибегает к новой функции потерь, разработанной для борьбы с неточностями геолокации, присущими наземным измерениям высоты, и использует данные миссии Shuttle Radar Topography Mission для эффективной фильтрации ошибочных меток в горных районах, повышая надежность наших прогнозов в этих районах”. Сравнение результатов с наземными данными даёт MAE = 2,43 м и RMSE = 4,73 м в целом, а также MAE = 4,45 и RMSE = 6,72 метров для деревьев высотой более пяти метров, что лучше существующих глобальных карт — этой и этой. Полученная карта высот, а также лежащий в её основе подход, должны облегчить и улучшить экологический анализ в глобальном масштабе, в том числе крупномасштабный мониторинг лесов и биомассы.
В списке авторов есть Sassan Saatchi — известный специалист в данной области.
🛢 Код и документация
1️⃣ Схема расчёта глобальных карт высоты лесного полога.
2️⃣ Визуальное сравнение фрагментов различных глобальных карт высот лесного полога (предлагаемая — Ours).
#лес #AGB #данные
Предлагается модель оценки высоты лесного полога в глобальном масштабе, основанная на спутниковых данных. По словам авторов, “модель использует передовые методы предварительной обработки данных, прибегает к новой функции потерь, разработанной для борьбы с неточностями геолокации, присущими наземным измерениям высоты, и использует данные миссии Shuttle Radar Topography Mission для эффективной фильтрации ошибочных меток в горных районах, повышая надежность наших прогнозов в этих районах”. Сравнение результатов с наземными данными даёт MAE = 2,43 м и RMSE = 4,73 м в целом, а также MAE = 4,45 и RMSE = 6,72 метров для деревьев высотой более пяти метров, что лучше существующих глобальных карт — этой и этой. Полученная карта высот, а также лежащий в её основе подход, должны облегчить и улучшить экологический анализ в глобальном масштабе, в том числе крупномасштабный мониторинг лесов и биомассы.
В списке авторов есть Sassan Saatchi — известный специалист в данной области.
🛢 Код и документация
1️⃣ Схема расчёта глобальных карт высоты лесного полога.
2️⃣ Визуальное сравнение фрагментов различных глобальных карт высот лесного полога (предлагаемая — Ours).
#лес #AGB #данные
Глобальные карты потоков углерода лесов (2001–2023)
Недавнее обновление данных Global Forest Carbon Fluxes (GFCF) позволяет изучать глобальные потоки углерода лесов в период с 2001 по 2023 год. Данные разделены на чистый поток (баланс между выбросами и поглощением), поглощение (количество углерода, поглощенного лесами) и выбросы (количество углерода, высвобожденные в результате нарушений лесного покрова).
GFCF соответствуют рекомендациям МГЭИК и дают представление о том, сколько углерода хранят или высвобождают леса с течением времени.
Данные можно также найти на сайте Global Forest Watch. Информация об обновлениях доступна в блоге.
🌍 Код примера в GEE
#лес #данные #GEE #GHG
Недавнее обновление данных Global Forest Carbon Fluxes (GFCF) позволяет изучать глобальные потоки углерода лесов в период с 2001 по 2023 год. Данные разделены на чистый поток (баланс между выбросами и поглощением), поглощение (количество углерода, поглощенного лесами) и выбросы (количество углерода, высвобожденные в результате нарушений лесного покрова).
GFCF соответствуют рекомендациям МГЭИК и дают представление о том, сколько углерода хранят или высвобождают леса с течением времени.
Данные можно также найти на сайте Global Forest Watch. Информация об обновлениях доступна в блоге.
🌍 Код примера в GEE
#лес #данные #GEE #GHG
Отчет о проверке данных Planet Forest Carbon Diligence
Недавно компания Planet выпустила отчет о проверке своих данных о биомассе лесов, Diligence Validation and Intercomparison Report, в котором приведены сравнения Diligence с восемью независимыми наборами данных о биомассе лесов.
Краткие итоги отчета подвел Крис Андерсон, “главный по лесам” в компании Planet. Крис занимается оценками биомассы леса уже давно. В частности, он является соавтором методики оценки биомассы леса при помощи воздушной лидарной съемки, которая применяется для оценки проектов углеродных компенсаций Verra.
Ключевые тезисы статьи Андерсона:
Основное внимание в отчете уделяется взаимному сопоставлению, а не валидации. Валидация предполагает наличие эталонных данных, как правило, наземных измерений. Вместо этого, почти все источники данных о биомассе леса представляют собой смоделированные оценки, которые содержат погрешности. Поскольку ни один из наборов данных не является эталонным, лучший способ оценить качество продукта с данными о биомассе — сравнить его с другими известными данными о биомассе, показав, где новый продукт работает хорошо, а где плохо.
Производительность модели географически неоднородна. Пользователям не рекомендуется интерпретировать показатели производительности модели как ожидаемую точность для каждого пикселя и предлагается трактовать показатели производительности как среднюю ожидаемую точность глобального набора данных.
Моделировалась высота и сомкнутость крон, используя собственный вариант модели U-Net, разработанный для объединения данных оптических мультиспектральных и радарных данных.
Надземная биомасса моделировалась как функция высоты кроны, сомкнутости, высоты над уровнем моря и географического положения. Для моделирования использовались Boosted regression trees. Такая модель, по мысли авторов, может научиться аппроксимировать аллометрические зависимости способом, чувствительным к нескольким компонентам структуры леса.
Традиционной проблемой является удаление облаков и дымки из мультиспектральных снимков. Был разработан агрессивный алгоритм маскировки облаков, который понижал рейтинг пикселей вблизи краев облаков. В результате пользователи могут видеть циклические буферы (circular buffers) в областях, где пиксели были заполнены наблюдениями более низкого качества. Чтобы смягчить этот эффект, разработчики предоставляют набор данных с оценкой качества пикселей, а также ресурс по дням года, который можно использовать для фильтрации и удаления наблюдений низкого качества или наблюдений из отдаленных периодов года.
“Будучи аспирантом-всезнайкой, я часто ворчал по поводу глобальных данных, которые выглядели точными везде и нигде”, пишет Андерсон. На практике очень сложно создать глобальный продукт с одинаковым качеством из-за сложного взаимодействия пространственных и временных отклонений, различий в измерениях и подходов к оптимизации параметров. Разработчики Diligence подошли к этой проблеме с практическими рекомендациями, предоставив подробный анализ погрешностей модели и указав районы, где точность прогноза самая низкая (например, в азиатских палеотропиках). Одним из способов, которым пользователи могут решить проблему точности, является обучение собственных локальных моделей биомассы, используя данные о высоте и сомкнутости крон, предоставляемые Diligence.
#лес #AGB
Недавно компания Planet выпустила отчет о проверке своих данных о биомассе лесов, Diligence Validation and Intercomparison Report, в котором приведены сравнения Diligence с восемью независимыми наборами данных о биомассе лесов.
Краткие итоги отчета подвел Крис Андерсон, “главный по лесам” в компании Planet. Крис занимается оценками биомассы леса уже давно. В частности, он является соавтором методики оценки биомассы леса при помощи воздушной лидарной съемки, которая применяется для оценки проектов углеродных компенсаций Verra.
Ключевые тезисы статьи Андерсона:
Основное внимание в отчете уделяется взаимному сопоставлению, а не валидации. Валидация предполагает наличие эталонных данных, как правило, наземных измерений. Вместо этого, почти все источники данных о биомассе леса представляют собой смоделированные оценки, которые содержат погрешности. Поскольку ни один из наборов данных не является эталонным, лучший способ оценить качество продукта с данными о биомассе — сравнить его с другими известными данными о биомассе, показав, где новый продукт работает хорошо, а где плохо.
Производительность модели географически неоднородна. Пользователям не рекомендуется интерпретировать показатели производительности модели как ожидаемую точность для каждого пикселя и предлагается трактовать показатели производительности как среднюю ожидаемую точность глобального набора данных.
Моделировалась высота и сомкнутость крон, используя собственный вариант модели U-Net, разработанный для объединения данных оптических мультиспектральных и радарных данных.
Надземная биомасса моделировалась как функция высоты кроны, сомкнутости, высоты над уровнем моря и географического положения. Для моделирования использовались Boosted regression trees. Такая модель, по мысли авторов, может научиться аппроксимировать аллометрические зависимости способом, чувствительным к нескольким компонентам структуры леса.
Традиционной проблемой является удаление облаков и дымки из мультиспектральных снимков. Был разработан агрессивный алгоритм маскировки облаков, который понижал рейтинг пикселей вблизи краев облаков. В результате пользователи могут видеть циклические буферы (circular buffers) в областях, где пиксели были заполнены наблюдениями более низкого качества. Чтобы смягчить этот эффект, разработчики предоставляют набор данных с оценкой качества пикселей, а также ресурс по дням года, который можно использовать для фильтрации и удаления наблюдений низкого качества или наблюдений из отдаленных периодов года.
“Будучи аспирантом-всезнайкой, я часто ворчал по поводу глобальных данных, которые выглядели точными везде и нигде”, пишет Андерсон. На практике очень сложно создать глобальный продукт с одинаковым качеством из-за сложного взаимодействия пространственных и временных отклонений, различий в измерениях и подходов к оптимизации параметров. Разработчики Diligence подошли к этой проблеме с практическими рекомендациями, предоставив подробный анализ погрешностей модели и указав районы, где точность прогноза самая низкая (например, в азиатских палеотропиках). Одним из способов, которым пользователи могут решить проблему точности, является обучение собственных локальных моделей биомассы, используя данные о высоте и сомкнутости крон, предоставляемые Diligence.
#лес #AGB
planet.widen.net
Planet-UserDocumentation-ForestCarbonValidation.pdf