Natural Lands Map
Лаборатория Land & Carbon Lab в сотрудничестве с Всемирным фондом дикой природы и компанией Systemiq разработала Natural Lands Map (NLM) — карту естественного земного покрова на 2020 год с пространственным разрешением 30 метров.
NLM разграничивает естественные и искусственные почвенно-растительные покровы. Для измерения преобразования естественного покрова использованы определения естественных экосистем и естественных лесов, принятые в рамках инициативы Accountability Framework Initiative (AFi).
Карта объединила глобальные и локальные данные. В первую очередь, это глобальные данные о растительном покрове 2020 года лаборатории GLAD Университета Мэриленда и данные ESA WorldCover 2020 года. Локальные данные добавлялись в уже полученную глобальную карту, где получали приоритет над глобальными данными.
Средняя общая точность карты составляет 91,2%. Районы с локальными данными в целом лучше отражают местные ландшафты. Проблемы с точностью по некоторым территориям и земным покровам связаны с недостатком соответствующих данных. Так, на момент публикации карты не существовало глобальных данных, разграничивающих естественные луга и пастбища, в результате чего классы естественной и искусственной короткой растительности (short vegetation) оказались неточными. Аналогичным образом, во многих странах Европейского союза и в России есть лесопосадки, но нет общедоступных данных о лесопосадках, которые помогли бы лучше различать естественные и посаженные леса.
Подробности о принятых определениях и технической стороне реализации NLM приведены в:
📖 SBTN Natural Lands Map – Technical Documentation
Компании могут использовать данные NLM, чтобы оценить, не привела ли их деятельность к обезлесению (деградации леса) после 2020 года. Для этого используется класс естественных лесов (natural forests) в NLM. Однако нужно учитывать различия в определении обезлесения, между NLM и другими документами, например, European Union Deforestation Regulation (EUDR). Подробная информация об этих различиях содержится в технической документации к NLM ⬆️, а также в AFi Operational Guidance on Applying the Definitions Related to Deforestation and Conversion.
Текущая версия карты находится в открытом доступе, имеет открытый исходный код, а также доступна на Google Earth Engine:
🛢 GitHub репозиторий
🌍 GEE: SBTN Natural Lands Map v1
#лес #данные #LULC
Лаборатория Land & Carbon Lab в сотрудничестве с Всемирным фондом дикой природы и компанией Systemiq разработала Natural Lands Map (NLM) — карту естественного земного покрова на 2020 год с пространственным разрешением 30 метров.
NLM разграничивает естественные и искусственные почвенно-растительные покровы. Для измерения преобразования естественного покрова использованы определения естественных экосистем и естественных лесов, принятые в рамках инициативы Accountability Framework Initiative (AFi).
Карта объединила глобальные и локальные данные. В первую очередь, это глобальные данные о растительном покрове 2020 года лаборатории GLAD Университета Мэриленда и данные ESA WorldCover 2020 года. Локальные данные добавлялись в уже полученную глобальную карту, где получали приоритет над глобальными данными.
Средняя общая точность карты составляет 91,2%. Районы с локальными данными в целом лучше отражают местные ландшафты. Проблемы с точностью по некоторым территориям и земным покровам связаны с недостатком соответствующих данных. Так, на момент публикации карты не существовало глобальных данных, разграничивающих естественные луга и пастбища, в результате чего классы естественной и искусственной короткой растительности (short vegetation) оказались неточными. Аналогичным образом, во многих странах Европейского союза и в России есть лесопосадки, но нет общедоступных данных о лесопосадках, которые помогли бы лучше различать естественные и посаженные леса.
Подробности о принятых определениях и технической стороне реализации NLM приведены в:
📖 SBTN Natural Lands Map – Technical Documentation
Компании могут использовать данные NLM, чтобы оценить, не привела ли их деятельность к обезлесению (деградации леса) после 2020 года. Для этого используется класс естественных лесов (natural forests) в NLM. Однако нужно учитывать различия в определении обезлесения, между NLM и другими документами, например, European Union Deforestation Regulation (EUDR). Подробная информация об этих различиях содержится в технической документации к NLM ⬆️, а также в AFi Operational Guidance on Applying the Definitions Related to Deforestation and Conversion.
Текущая версия карты находится в открытом доступе, имеет открытый исходный код, а также доступна на Google Earth Engine:
🛢 GitHub репозиторий
🌍 GEE: SBTN Natural Lands Map v1
#лес #данные #LULC
Метод прогнозирования нашествия лесных насекомых-вредителей по данным спутниковых наблюдений [ссылка]
Учёные Красноярского научного центра СО РАН вместе с коллегами из Москвы и Новосибирска разработали метод прогнозирования вспышек лесных насекомых-вредителей. Он позволяют предсказать массовое размножение насекомых за два года до появления видимых повреждений деревьев.
Массовое размножение насекомых-вредителей является одной из главных причин ослабления и гибели лесов. Основным способом оценки состояния леса на больших территориях является дистанционное зондирование Земли (ДЗЗ) со спутников. Однако различные вегетационные индексы, построенные по данным ДЗЗ, диагностируют признаки ослабления деревьев лишь на поздних стадиях, когда исправить положение уже почти невозможно. Поэтому прогнозирование массового размножения насекомых и повышение устойчивости лесов должны быть основными задачами в борьбе с вредителями.
Исследования российских учёных показали, что за два года до видимых повреждений деревьев насекомыми, реакция деревьев на изменения окружающей среды, в частности на изменение температуры почвы, замедляется. В итоге, для выявления зон будущих вспышек использовались не данные мультиспектрального анализа, а реакция спектральных характеристик в ответ на изменение температуры. В роли индикатора состояния растений и их реакции на климатические условия используется чувствительности изменений вегетационного индекса NDVI к изменениям температуры поверхности земли.
Разработанная методика ⬇️ способна обнаруживать очень ранние стадии увеличения популяции насекомых, что позволит принимать своевременные меры по защите лесов.
📖 Kovalev, A., Tarasova, O., Soukhovolsky, V., & Ivanova, Y. (2024). Is It Possible to Predict a Forest Insect Outbreak? Backtesting Using Remote Sensing Data. Forests, 15(8), 1458. https://doi.org/10.3390/f15081458
#россия #лес
Учёные Красноярского научного центра СО РАН вместе с коллегами из Москвы и Новосибирска разработали метод прогнозирования вспышек лесных насекомых-вредителей. Он позволяют предсказать массовое размножение насекомых за два года до появления видимых повреждений деревьев.
Массовое размножение насекомых-вредителей является одной из главных причин ослабления и гибели лесов. Основным способом оценки состояния леса на больших территориях является дистанционное зондирование Земли (ДЗЗ) со спутников. Однако различные вегетационные индексы, построенные по данным ДЗЗ, диагностируют признаки ослабления деревьев лишь на поздних стадиях, когда исправить положение уже почти невозможно. Поэтому прогнозирование массового размножения насекомых и повышение устойчивости лесов должны быть основными задачами в борьбе с вредителями.
Исследования российских учёных показали, что за два года до видимых повреждений деревьев насекомыми, реакция деревьев на изменения окружающей среды, в частности на изменение температуры почвы, замедляется. В итоге, для выявления зон будущих вспышек использовались не данные мультиспектрального анализа, а реакция спектральных характеристик в ответ на изменение температуры. В роли индикатора состояния растений и их реакции на климатические условия используется чувствительности изменений вегетационного индекса NDVI к изменениям температуры поверхности земли.
Разработанная методика ⬇️ способна обнаруживать очень ранние стадии увеличения популяции насекомых, что позволит принимать своевременные меры по защите лесов.
📖 Kovalev, A., Tarasova, O., Soukhovolsky, V., & Ivanova, Y. (2024). Is It Possible to Predict a Forest Insect Outbreak? Backtesting Using Remote Sensing Data. Forests, 15(8), 1458. https://doi.org/10.3390/f15081458
#россия #лес
Компания Planet представила продукт для глобального мониторинга лесов [ссылка]
Продукт Forest Carbon Monitoring (FCM) компании Planet предлагает ежеквартальные оценки количества углерода, запасенного в ветвях, листьях и других надземных частях растений с разрешением 3 метра на пиксель. Кроме того, он показывает высоту полога и проективное покрытие (canopy cover) — информацию, которая необходима для добровольных углеродных рынков и для соблюдения нормативных требований по борьбе с обезлесением.
Ежеквартальные данные FCM начинаются с 2021 года.
FCM создан с помощью методов машинного обучения и основывается на снимках группировки Planet, состоящей из примерно 130 спутников, а также данных авиационных и космических лидаров, спутников Sentinel-2, Landsat и ALOS-PALSAR-2.
Planet ожидает, что данные FCM будут использоваться для получения углеродных кредитов и компенсаций, а также при проверке соблюдения требований EUDR — регламент Европейского союза о продукции, не подверженной обезлесению, который вступит в силу 30 декабря 2024 года.
В прошлом году Planet выпустила продукт Forest Carbon Diligence с пространственным разрешением 30 метров, который имеет сходный состав, но не использует данных спутников Planet.
🗺 Пример слоя данных Forest Carbon Monitoring для региона Путамайо в Амазонии (источник).
#planet #лес #AGB
Продукт Forest Carbon Monitoring (FCM) компании Planet предлагает ежеквартальные оценки количества углерода, запасенного в ветвях, листьях и других надземных частях растений с разрешением 3 метра на пиксель. Кроме того, он показывает высоту полога и проективное покрытие (canopy cover) — информацию, которая необходима для добровольных углеродных рынков и для соблюдения нормативных требований по борьбе с обезлесением.
Ежеквартальные данные FCM начинаются с 2021 года.
FCM создан с помощью методов машинного обучения и основывается на снимках группировки Planet, состоящей из примерно 130 спутников, а также данных авиационных и космических лидаров, спутников Sentinel-2, Landsat и ALOS-PALSAR-2.
Planet ожидает, что данные FCM будут использоваться для получения углеродных кредитов и компенсаций, а также при проверке соблюдения требований EUDR — регламент Европейского союза о продукции, не подверженной обезлесению, который вступит в силу 30 декабря 2024 года.
В прошлом году Planet выпустила продукт Forest Carbon Diligence с пространственным разрешением 30 метров, который имеет сходный состав, но не использует данных спутников Planet.
🗺 Пример слоя данных Forest Carbon Monitoring для региона Путамайо в Амазонии (источник).
#planet #лес #AGB
Унифицированная модель глубокого обучения для глобального прогнозирования надземной биомассы, высоты и покрытия полога по мультисенсорным спутниковым данным
В 📖 препринте, подготовленном сотрудниками американской компании Descartes Labs, представлена методика, использующая мультисенсорные мультиспектральные снимки с разрешением 10 метров и модель на основе глубокого обучения, которая позволяет прогнозировать плотность надземной биомассы (AGBD), высоту полога (CH), проективное покрытие (canopy cover, CC), а также оценивать неопределенность каждой из трёх величин.
В качестве входных данных модели используются отражательная способность Sentinel-2, коэффициент обратного рассеяния Sentinel-1 и ЦМР SRTM. Модель обучена на миллионах глобальных измерений GEDI-L2/L4.
Авторы проверили возможности модели, развернув её на всей территории земного шара в 2023 году, а также ежегодно с 2016 по 2023 год на отдельных территориях. Модель достигла средней абсолютной ошибки (MAE) для AGBD (CH, CC) в 26,1 млн/га (3,7 м, 9,9%) и среднеквадратичной ошибки в 50,6 млн/га (5,4 м, 15,8%) на глобальном тестовом наборе данных, демонстрируя значительное улучшение по сравнению с ранее опубликованными результатами.
🗺 Карта плотности надземной биомассы (AGBD) на 2023 год (источник).
#AGB #лес
В 📖 препринте, подготовленном сотрудниками американской компании Descartes Labs, представлена методика, использующая мультисенсорные мультиспектральные снимки с разрешением 10 метров и модель на основе глубокого обучения, которая позволяет прогнозировать плотность надземной биомассы (AGBD), высоту полога (CH), проективное покрытие (canopy cover, CC), а также оценивать неопределенность каждой из трёх величин.
В качестве входных данных модели используются отражательная способность Sentinel-2, коэффициент обратного рассеяния Sentinel-1 и ЦМР SRTM. Модель обучена на миллионах глобальных измерений GEDI-L2/L4.
Авторы проверили возможности модели, развернув её на всей территории земного шара в 2023 году, а также ежегодно с 2016 по 2023 год на отдельных территориях. Модель достигла средней абсолютной ошибки (MAE) для AGBD (CH, CC) в 26,1 млн/га (3,7 м, 9,9%) и среднеквадратичной ошибки в 50,6 млн/га (5,4 м, 15,8%) на глобальном тестовом наборе данных, демонстрируя значительное улучшение по сравнению с ранее опубликованными результатами.
🗺 Карта плотности надземной биомассы (AGBD) на 2023 год (источник).
#AGB #лес
Семинар “Продуктивность экосистем в условиях меняющегося климата. Роль и возможности лесных экосистем”
Кафедра международных комплексных проблем природопользования и экологии МГИМО и научный консорциум “РИТМ углерода” запустили серию Исследовательских семинаров “Продуктивность экосистем в условиях меняющегося климата”. В сентябре прошёл первый семинар на тему: “Роль и возможности лесных экосистем”.
Участники обсудили современные вызовы, связанные с изменением климата, рассмотрели существующие решения в области устойчивого управления лесами для уменьшения негативного воздействия на окружающую среду.
▶️ Видеозапись семинара
С докладами выступили:
🟣 Лукина Наталья Васильевна, д.б.н., член-корр. РАН, директор ЦЭПЛ РАН, руководитель консорциума "РИТМ углерода". Тема: "Роль лесов в регулировании климата"
🟣 Горнов Алексей Владимирович, к.б.н., заместитель директора ЦЭПЛ РАН, заместитель руководителя консорциума "РИТМ углерода". Тема: "Старовозрастные леса и углерод"
🟣 Кузнецова Анастасия Игоревна, к.б.н., н.с. лаборатории климаторегулирующих функций лесов ЦЭПЛ РАН. Тема: "Влияние растительности на запасы углерода почв"
🟣 Каганов Владимир Владимирович, н.с. лаборатории структурно-функциональной организации и устойчивости лесных экосистем ЦЭПЛ РАН, участник рабочей группы "Степи и луга" консорциума "РИТМ углерода". Тема: "Лесоразведение в южных регионах России: история, перспективы и новые вызовы"
🟣 Графова Дарья, студентка 3 курса кафедры МКППиЭ МГИМО МИД России. Тема: "Роль лесоклиматических проектов в адаптации к изменению климата"
🟣 Куракова Анастасия, студентка 2 курса кафедры МКППиЭ МГИМО МИД России, активистка MGG. Тема: "Методика изучения роли микоризных систем в передаче фотоассимилятов деревьев саженцам подлеска для развития рациональных подходов к лесопользованию и лесовосстановлению России"
Модератор семинара: Рязанова Наталья Евгеньевна, к.г.н., доцент кафедры международных комплексных проблем природопользования и экологии МГИМО МИД России.
Источник
#россия #лес
Кафедра международных комплексных проблем природопользования и экологии МГИМО и научный консорциум “РИТМ углерода” запустили серию Исследовательских семинаров “Продуктивность экосистем в условиях меняющегося климата”. В сентябре прошёл первый семинар на тему: “Роль и возможности лесных экосистем”.
Участники обсудили современные вызовы, связанные с изменением климата, рассмотрели существующие решения в области устойчивого управления лесами для уменьшения негативного воздействия на окружающую среду.
▶️ Видеозапись семинара
С докладами выступили:
🟣 Лукина Наталья Васильевна, д.б.н., член-корр. РАН, директор ЦЭПЛ РАН, руководитель консорциума "РИТМ углерода". Тема: "Роль лесов в регулировании климата"
🟣 Горнов Алексей Владимирович, к.б.н., заместитель директора ЦЭПЛ РАН, заместитель руководителя консорциума "РИТМ углерода". Тема: "Старовозрастные леса и углерод"
🟣 Кузнецова Анастасия Игоревна, к.б.н., н.с. лаборатории климаторегулирующих функций лесов ЦЭПЛ РАН. Тема: "Влияние растительности на запасы углерода почв"
🟣 Каганов Владимир Владимирович, н.с. лаборатории структурно-функциональной организации и устойчивости лесных экосистем ЦЭПЛ РАН, участник рабочей группы "Степи и луга" консорциума "РИТМ углерода". Тема: "Лесоразведение в южных регионах России: история, перспективы и новые вызовы"
🟣 Графова Дарья, студентка 3 курса кафедры МКППиЭ МГИМО МИД России. Тема: "Роль лесоклиматических проектов в адаптации к изменению климата"
🟣 Куракова Анастасия, студентка 2 курса кафедры МКППиЭ МГИМО МИД России, активистка MGG. Тема: "Методика изучения роли микоризных систем в передаче фотоассимилятов деревьев саженцам подлеска для развития рациональных подходов к лесопользованию и лесовосстановлению России"
Модератор семинара: Рязанова Наталья Евгеньевна, к.г.н., доцент кафедры международных комплексных проблем природопользования и экологии МГИМО МИД России.
Источник
#россия #лес
VK Видео
Видеозапись семинара «Продуктивность экосистем в условиях меняющегося климата. Роль и возможности лесных экосистем»
Кафедра международных комплексных проблем природопользования и экологии МГИМО и научный консорциум «РИТМ углерода» запустили серию Исследовательских семинаров под общим названием «Продуктивность экосистем в условиях меняющегося климата». В сентябре прошёл…
This media is not supported in your browser
VIEW IN TELEGRAM
Global Natural and Planted Forests
Глобальные данные Global Natural and Planted Forests представляют собой карту естественных и посаженных лесов по состоянию на 2021 год с пространственным разрешением 30 метров.
Карта создана на основе более 70 миллионов образцов обучающих данных, полученных из снимков Landsat (1985–2021 гг.). Используется метод обнаружения изменений во временных рядах, примененный к снимкам Landsat и позволяющий отличать посаженные леса от естественных лесов на основе частоты нарушений. Локально-адаптивная классификация методом “случайного леса” обеспечила общую точность 85%, что позволяет использовать данные для глобальной оценки лесных ресурсов.
Данные отображаются в виде карты, на которой:
🟢 Зеленые пиксели обозначают естественные леса,
🟡 Желтые пиксели обозначают посаженные (искусственные) леса,
⚪️ Другие цвета обозначают безлесные территории.
Данные на:
🛢 Zenodo
🌍 Google Earth Engine
📖 Xiao, Yuelong, Qunming Wang, and Hankui K. Zhang. Global Natural and Planted Forests Mapping at Fine Spatial Resolution of 30 m. Journal of Remote Sensing 4 (2024): 0204. https://doi.org/10.34133/remotesensing.0204
#лес #данные #GEE
Глобальные данные Global Natural and Planted Forests представляют собой карту естественных и посаженных лесов по состоянию на 2021 год с пространственным разрешением 30 метров.
Карта создана на основе более 70 миллионов образцов обучающих данных, полученных из снимков Landsat (1985–2021 гг.). Используется метод обнаружения изменений во временных рядах, примененный к снимкам Landsat и позволяющий отличать посаженные леса от естественных лесов на основе частоты нарушений. Локально-адаптивная классификация методом “случайного леса” обеспечила общую точность 85%, что позволяет использовать данные для глобальной оценки лесных ресурсов.
Данные отображаются в виде карты, на которой:
🟢 Зеленые пиксели обозначают естественные леса,
🟡 Желтые пиксели обозначают посаженные (искусственные) леса,
⚪️ Другие цвета обозначают безлесные территории.
Данные на:
🛢 Zenodo
🌍 Google Earth Engine
📖 Xiao, Yuelong, Qunming Wang, and Hankui K. Zhang. Global Natural and Planted Forests Mapping at Fine Spatial Resolution of 30 m. Journal of Remote Sensing 4 (2024): 0204. https://doi.org/10.34133/remotesensing.0204
#лес #данные #GEE
Выделение значимых спектральных диапазонов для анализа состояния хвойных лесов
📖 Мартинов А.О., Ломако А.А., Литвинович Г. С. Выделение значимых спектральных каналов для анализа состояния хвойных лесов
Задача обнаружения болезней леса на ранних стадиях актуальна и сложна. Часто, по данным ДЗЗ болезнь можно обнаружить лишь тогда, когда предпринимать что-либо уже поздно. Причем это касается не только наблюдений из космоса, но и с БПЛА. В последнем случае, одна из причин состоит в том, что камеры БПЛА не имеют достаточного числа спектральных каналов, необходимых для диагностики состояния леса.
Ученые из Института прикладных физических проблем имени А.Н. Севченко Белорусского государственного университета (Минск, Беларусь) задались целью выделить диапазоны длин волн в спектре отражения, которые позволят обнаружить усыхание елей на ранних стадиях 1️⃣.
Более восьми тысяч спектров, зарегистрированных при помощи беспилотного комплекса авиационного спектрометрирования (БЕКАС) были представлены в пространстве главных компонент. Это позволило провести предварительную классификацию без обучения, убрать спектры, не относящиеся к елям, и выделить для дальнейшего анализа более пяти тысяч спектров елей разной степени усыхания.
Затем выборка спектров была разделена по степени усыхания, с использованием размеченных лесопатологами данных.
К размеченной выборке (около двух тысяч спектров) применили алгоритм классификации Random Forest, который позволяет выделить наиболее значимые для классификации признаки (в нашем случае — спектральные диапазоны). В результате были выделены 2️⃣ наиболее значимые спектральные диапазоны, которые можно использовать в съемочной аппаратуре для обнаружения усыхания хвои на ранних стадиях.
👨🏻🏫 Презентация
Интересно было бы взглянуть на применение других 1) методов классификации (например, XGBoost), 2) способов оценки влиятельности признаков в Random Forest (например, treeinterpreter). Значимые диапазоны, полученные разными методами, должны совпадать или хотя бы в значительной степени пересекаться.
#лес
📖 Мартинов А.О., Ломако А.А., Литвинович Г. С. Выделение значимых спектральных каналов для анализа состояния хвойных лесов
Задача обнаружения болезней леса на ранних стадиях актуальна и сложна. Часто, по данным ДЗЗ болезнь можно обнаружить лишь тогда, когда предпринимать что-либо уже поздно. Причем это касается не только наблюдений из космоса, но и с БПЛА. В последнем случае, одна из причин состоит в том, что камеры БПЛА не имеют достаточного числа спектральных каналов, необходимых для диагностики состояния леса.
Ученые из Института прикладных физических проблем имени А.Н. Севченко Белорусского государственного университета (Минск, Беларусь) задались целью выделить диапазоны длин волн в спектре отражения, которые позволят обнаружить усыхание елей на ранних стадиях 1️⃣.
Более восьми тысяч спектров, зарегистрированных при помощи беспилотного комплекса авиационного спектрометрирования (БЕКАС) были представлены в пространстве главных компонент. Это позволило провести предварительную классификацию без обучения, убрать спектры, не относящиеся к елям, и выделить для дальнейшего анализа более пяти тысяч спектров елей разной степени усыхания.
Затем выборка спектров была разделена по степени усыхания, с использованием размеченных лесопатологами данных.
К размеченной выборке (около двух тысяч спектров) применили алгоритм классификации Random Forest, который позволяет выделить наиболее значимые для классификации признаки (в нашем случае — спектральные диапазоны). В результате были выделены 2️⃣ наиболее значимые спектральные диапазоны, которые можно использовать в съемочной аппаратуре для обнаружения усыхания хвои на ранних стадиях.
👨🏻🏫 Презентация
Интересно было бы взглянуть на применение других 1) методов классификации (например, XGBoost), 2) способов оценки влиятельности признаков в Random Forest (например, treeinterpreter). Значимые диапазоны, полученные разными методами, должны совпадать или хотя бы в значительной степени пересекаться.
#лес
This media is not supported in your browser
VIEW IN TELEGRAM
Forest Data Partnership опубликовал карту ненарушенных лесов, а также карты распространения какао, масличной пальмы и каучукового дерева
Forest Data Partnership (FDP) — консорциум, объединяющий промышленников, правительственные и некоммерческие организации, заявленная цель которого: остановить и обратить вспять потерю лесов в результате производства сырьевых товаров.
FDP опубликовал на Google Earth Engine карту ненарушенных лесов, а также карты распространения какао, масличной пальмы и каучукового дерева:
🌲 Forest Persistence — карта ненарушенных лесов мира по состоянию на 2020 год. Дает оценку (в диапазоне [0, 1]), которая показывает, занята ли площадь пикселя ненарушенным лесом. Пространственное разрешение — 30 м.
🌴 Palm Probability model 2024a — ежегодные карты распространения масличной пальмы с 2020 по 2023 год. Данные представлены в виде вероятности наличия пальмы в пикселе карты. Модель обеспечивает глобальную точность 92% (при пороге вероятности 0,5). Пространственное разрешение — 10 м. Следующие карты построены по той же методике и с тем же разрешением.
🍃 Cocoa Probability model 2024a — ежегодные карты распространения какао 2020–2023 гг.
🌳 Rubber Tree Probability model 2024a — ежегодные карты распространения каучукового дерева 2020–2023 гг.
🌍 Скрипт GEE
В качестве исходных данных для моделей использованы годовые композиты снимков Sentinel-1, Sentinel-2, ALOS PALSAR-2, а также данные цифровых моделей рельефа Jaxa (AW3D30) и Copernicus (GLO-30).
🖥 Модели реализованы в TensorFlow и находятся в открытом доступе на GitHub.
🔗 Популярное описание результатов на Medium
📖 Описание методики построения карт: https://arxiv.org/pdf/2405.09530
#данные #GEE #лес #сельхоз
Forest Data Partnership (FDP) — консорциум, объединяющий промышленников, правительственные и некоммерческие организации, заявленная цель которого: остановить и обратить вспять потерю лесов в результате производства сырьевых товаров.
FDP опубликовал на Google Earth Engine карту ненарушенных лесов, а также карты распространения какао, масличной пальмы и каучукового дерева:
🌲 Forest Persistence — карта ненарушенных лесов мира по состоянию на 2020 год. Дает оценку (в диапазоне [0, 1]), которая показывает, занята ли площадь пикселя ненарушенным лесом. Пространственное разрешение — 30 м.
🌴 Palm Probability model 2024a — ежегодные карты распространения масличной пальмы с 2020 по 2023 год. Данные представлены в виде вероятности наличия пальмы в пикселе карты. Модель обеспечивает глобальную точность 92% (при пороге вероятности 0,5). Пространственное разрешение — 10 м. Следующие карты построены по той же методике и с тем же разрешением.
🍃 Cocoa Probability model 2024a — ежегодные карты распространения какао 2020–2023 гг.
🌳 Rubber Tree Probability model 2024a — ежегодные карты распространения каучукового дерева 2020–2023 гг.
🌍 Скрипт GEE
В качестве исходных данных для моделей использованы годовые композиты снимков Sentinel-1, Sentinel-2, ALOS PALSAR-2, а также данные цифровых моделей рельефа Jaxa (AW3D30) и Copernicus (GLO-30).
🖥 Модели реализованы в TensorFlow и находятся в открытом доступе на GitHub.
🔗 Популярное описание результатов на Medium
📖 Описание методики построения карт: https://arxiv.org/pdf/2405.09530
#данные #GEE #лес #сельхоз
MapBiomas: спутниковое картографирование Бразилии
MapBiomas — сеть НПО, университетов, лабораторий и технологических стартапов, начавшая свою работу в Бразилии в 2015 году.
🗺 MapBiomas проводит ежегодное картографирование:
* почвенно-растительного покрова/землепользования (Land Use and Cover Maps, Land Use and Land Cover 10 Meters Maps)
* содержания органических веществ в почве (Soil Carbon Stock Maps)
* орошаемых земель (Irrigation Maps)
* состояния пастбищ (Pasture Vigor Condition Maps)
* предприятий по добыче полезных ископаемых (Mining Maps)
* вторичных лесов (Secundary Vegetation Maps)
* обезлесения и деградации леса (Deforestation Maps, Degradation Maps)
* коралловых рифов (Coral Reefs Maps)
* городской застройки (Urban Areas Maps)
и ежемесячный мониторинг:
* поверхностных вод (Water Surface Maps)
* гарей (Fire Scars Maps)
Большинство карт строится по данным спутников 🛰 Landsat в период с 1985 по 2023 год и имеет пространственное разрешение 30 метров.
🌳 С помощью сервиса мониторинга обезлесения MapBiomas Alerta (https://plataforma.alerta.mapbiomas.org/mapa) еженедельно проверяются и составляются отчеты по каждому случаю обезлесения, обнаруженному в Бразилии с января 2019 года.
MapBiomas Alerta использует интегральные предупреждения об обезлесении, основанные на использовании метода GLAD-L и данные нескольких национальных систем предупреждений об обезлесении. Пространственное разрешение варьируется, в зависимости от используемой системы предупреждений.
Информация о точности карт в целом и по отдельным классам почвенно-растительного покрова/землепользования для каждого года представлена на странице оценки точности. Более подробную информацию о методе можно найти на 🔗 сайте.
🖥 У MapBiomas есть API (в том числе, у MapBiomas Alerta).
Данные MapBiomas (https://data.mapbiomas.org) распространяются под свободной лицензией Creative Commons CC-BY-SA.
Как правило, экспортировать из MapBiomas можно:
* ежемесячные отчеты (Excel)
* временные ряды за многолетний период (CSV)
* статистику по штатам
Данные MapBiomas Alerta экспортируются в виде шейпфайлов.
#данные #лес #сельхоз #бразилия #вода #пожары
MapBiomas — сеть НПО, университетов, лабораторий и технологических стартапов, начавшая свою работу в Бразилии в 2015 году.
🗺 MapBiomas проводит ежегодное картографирование:
* почвенно-растительного покрова/землепользования (Land Use and Cover Maps, Land Use and Land Cover 10 Meters Maps)
* содержания органических веществ в почве (Soil Carbon Stock Maps)
* орошаемых земель (Irrigation Maps)
* состояния пастбищ (Pasture Vigor Condition Maps)
* предприятий по добыче полезных ископаемых (Mining Maps)
* вторичных лесов (Secundary Vegetation Maps)
* обезлесения и деградации леса (Deforestation Maps, Degradation Maps)
* коралловых рифов (Coral Reefs Maps)
* городской застройки (Urban Areas Maps)
и ежемесячный мониторинг:
* поверхностных вод (Water Surface Maps)
* гарей (Fire Scars Maps)
Большинство карт строится по данным спутников 🛰 Landsat в период с 1985 по 2023 год и имеет пространственное разрешение 30 метров.
🌳 С помощью сервиса мониторинга обезлесения MapBiomas Alerta (https://plataforma.alerta.mapbiomas.org/mapa) еженедельно проверяются и составляются отчеты по каждому случаю обезлесения, обнаруженному в Бразилии с января 2019 года.
MapBiomas Alerta использует интегральные предупреждения об обезлесении, основанные на использовании метода GLAD-L и данные нескольких национальных систем предупреждений об обезлесении. Пространственное разрешение варьируется, в зависимости от используемой системы предупреждений.
Информация о точности карт в целом и по отдельным классам почвенно-растительного покрова/землепользования для каждого года представлена на странице оценки точности. Более подробную информацию о методе можно найти на 🔗 сайте.
🖥 У MapBiomas есть API (в том числе, у MapBiomas Alerta).
Данные MapBiomas (https://data.mapbiomas.org) распространяются под свободной лицензией Creative Commons CC-BY-SA.
Как правило, экспортировать из MapBiomas можно:
* ежемесячные отчеты (Excel)
* временные ряды за многолетний период (CSV)
* статистику по штатам
Данные MapBiomas Alerta экспортируются в виде шейпфайлов.
#данные #лес #сельхоз #бразилия #вода #пожары