全球森林碳通量（2001-2023年）数据集

最新推荐文章于 2024-06-22 23:30:00 发布
最新推荐文章于 2024-06-22 23:30:00 发布
阅读量1.1k 收藏 54
点赞数 26
分类专栏： GEE数据集专栏 文章标签： 人工智能 森林 全球 碳通量 数据集 gee 数据
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_31988139/article/details/139678580
版权

 简介

全球森林碳通量（2001-2023）
森林碳净通量表示 2001-2023 年间森林与大气之间的碳净交换量，计算方法是模型期内森林排放的碳与森林清除（或封存）的碳之间的平衡（兆克 CO2 排放量/公顷）。碳净通量的计算方法是将每个建模像素的年均总清除量减去年均总排放量；负值表示 2001 年至 2023 年期间森林是碳的净汇，正值表示森林是碳的净源。净通量的计算遵循 IPCC 国家温室气体清单指南，根据 Hansen 等人（2013 年）的全球森林变化植被变化数据，在 2000 年有森林或 2000 年至 2012 年期间有森林的每个像素点进行计算。该层反映了模型期间（2001-2023 年）的累积净通量，必须除以 23 才能得到年平均净通量；净通量值不能分配给模型的各个年份。

森林碳汇从大气中的碳清除量（固碳量）是指在2001-2023年模型期内，成熟森林和新造森林生长所捕获的累计碳量（兆克 CO2/公顷）。清除量包括地上和地下活树生物量的碳积累。根据 IPCC 第 1 级对森林剩余碳汇的假设，枯木、废弃物和土壤碳库的碳清除量假设为零。根据 IPCC 国家温室气体清单指南，在 2000 年存在森林或根据 Hansen 等人（2013 年）的全球森林变化植被损失数据在 2000 年至 2012 年期间建立森林的每个像素点，碳清除量均按 IPCC 指南计算。每个像素的碳清除量基于森林类型（如红树林、人工林）、生态区（如湿润的新热带地区）、森林年龄（如原始林、老次生林）和碳清除年数的地图。该层反映了模型期间（2001-2023 年）的累计清除量，必须除以 23 才能得到模型期间的年平均值；清除率不能分配到模型的各个年份。

森林碳排放量是指在每个模拟年份发生的林分替代森林扰动所产生的温室气体排放量（兆克 CO2 排放量/公顷，2001 年至 2022 年）。排放量包括所有相关生态系统碳库（地上生物量、地下生物量、枯木、废弃物、土壤）和温室气体（CO2、CH4、N2O）。根据 IPCC 国家温室气体清单指南，按照 Hansen 等人（2013 年）绘制的全球森林变化年度树木覆盖损失数据，在发生林分替代干扰的地方计算每个图元的排放估算值。每个图元的碳排放量基于 2000 年的碳密度，并根据 2000 年至干扰发生年之间的碳积累进行了调整。排放量反映的是总估计值，即不包括后续重新生长的碳清除量。相反，清除后重新生长产生的总碳清除量被计入伴生森林碳清除层。每个象素受扰动时的碳排放比例（排放因子）受多种因素影响，包括扰动的直接驱动因素、在观测到扰动事件的当年或之前是否观测到火灾、扰动是否发生在泥炭上等。所有排放均假定发生在扰动年份。可以使用汉森树木植被损失数据将排放量分配到特定年份。

所有这三个层都是 Harris 等人（2021 年）所描述的森林碳通量模型的一部分。本文介绍了一个估算全球森林碳通量的地理空间监测框架，该框架可帮助政府和非政府机构跟踪来自森林的温室气体通量，减少森林的排放量或增加森林的清除量。为了与 Hansen 等人（2013 年）的数据相匹配，所有输入图层都经过重新采样，分辨率均为 0.00025 x 0.00025 度。也可在全球森林观察网站上找到该数据集Interactive World Forest Map & Tree Cover Change Data | GFW

免责声明：数据集的部分或全部描述借鉴了作者提供的现有描述。

数据集更新

每年都会更新树木植被损失、树木植被损失驱动因素和烧毁面积。2023 年和 2024 年，一些模型输入数据集和常数也发生了变化，详情如下。更多信息请参阅本博文。

https://www.globalforestwatch.org/blog/data/whats-new-carbon-flux-monitoring

代码

//Visualize and load Global Forest Watch gross emissions, gross removals, and net flux from forests
//Model version 1.2.3
//Harris et al. 2021

//Mosaic imageCollection into a single image
var emissions = ee.ImageCollection("projects/sat-io/open-datasets/forest_carbon_fluxes/gross_emissions").mosaic();
var removals = ee.ImageCollection("projects/sat-io/open-datasets/forest_carbon_fluxes/gross_removals").mosaic();
var net_flux = ee.ImageCollection("projects/sat-io/open-datasets/forest_carbon_fluxes/net_flux").mosaic();

// Set visualization parameters. Adjust `quantity` for breakpoints.
var emissions_intervals =
'<RasterSymbolizer>' +
' <ColorMap type="intervals" extended="false" >' +
    '<ColorMapEntry color="#f5e9ee" quantity="0" label="No Data"/>' +
    '<ColorMapEntry color="#f0d3df" quantity="50" label="Gross Emissions"/>' +
    '<ColorMapEntry color="#d8afbc" quantity="100" label="Gross Emissions"/>' +
    '<ColorMapEntry color="#d687a4" quantity="175" label="Gross Emissions"/>' +
    '<ColorMapEntry color="#c75d9d" quantity="250" label="Gross Emissions"/>' +
    '<ColorMapEntry color="#c72a80" quantity="350" label="Gross Emissions"/>' +
    '<ColorMapEntry color="#a62177" quantity="450" label="Gross Emissions"/>' +
    '<ColorMapEntry color="#96267e" quantity="550" label="Gross Emissions"/>' +
    '<ColorMapEntry color="#872782" quantity="650" label="Gross Emissions"/>' +
    '<ColorMapEntry color="#782b8a" quantity="800" label="Gross Emissions"/>' +
    '<ColorMapEntry color="#662d91" quantity="1000" label="Gross Emissions"/>' +
    '<ColorMapEntry color="#592a85" quantity="1100" label="Gross Emissions"/>' +
    '<ColorMapEntry color="#4c287a" quantity="1300" label="Gross Emissions"/>' +
    '<ColorMapEntry color="#402773" quantity="1900" label="Gross Emissions"/>' +
    '<ColorMapEntry color="#35256b" quantity="2600" label="Gross Emissions"/>' +
    '<ColorMapEntry color="#262260" quantity="3652" label="Gross Emissions"/>' +
  '</ColorMap>' +
'</RasterSymbolizer>';

var removals_intervals =
'<RasterSymbolizer>' +
 ' <ColorMap type="intervals" extended="false" >' +
    '<ColorMapEntry color="#ffecaa" quantity="0" label="Gross Removals"/>' +
    '<ColorMapEntry color="#ffe991" quantity="15" label="Gross Removals"/>' +
    '<ColorMapEntry color="#fce479" quantity="25" label="Gross Removals"/>' +
    '<ColorMapEntry color="#fcde5a" quantity="35" label="Gross Removals"/>' +
    '<ColorMapEntry color="#fcdc3a" quantity="45" label="Gross Removals"/>' +
    '<ColorMapEntry color="#f9d800" quantity="55" label="Gross Removals"/>' +
    '<ColorMapEntry color="#e8d31b" quantity="70" label="Gross Removals"/>' +
    '<ColorMapEntry color="#BAD12F" quantity="90" label="Gross Removals"/>' +
    '<ColorMapEntry color="#bfc64e" quantity="110" label="Gross Removals"/>' +
    '<ColorMapEntry color="#aac138" quantity="130" label="Gross Removals"/>' +
    '<ColorMapEntry color="#96bc3e" quantity="150" label="Gross Removals"/>' +
    '<ColorMapEntry color="#7ba53d" quantity="190" label="Gross Removals"/>' +
    '<ColorMapEntry color="#629144" quantity="250" label="Gross Removals"/>' +
    '<ColorMapEntry color="#4a8239" quantity="380" label="Gross Removals"/>' +
    '<ColorMapEntry color="#307038" quantity="700" label="Gross Removals"/>' +
    '<ColorMapEntry color="#0e6030" quantity="1500" label="Gross Removals"/>' +
  '</ColorMap>' +
'</RasterSymbolizer>';

var net_flux_intervals =
'<RasterSymbolizer>' +
' <ColorMap type="intervals" extended="false" >' +
    '<ColorMapEntry color="#0e6030" quantity="-1500" label="Net Flux"/>' +
    '<ColorMapEntry color="#307038" quantity="-700" label="Net Flux"/>' +
    '<ColorMapEntry color="#4a8239" quantity="-250" label="Net Flux"/>' +
    '<ColorMapEntry color="#629144" quantity="-180" label="Net Flux"/>' +
    '<ColorMapEntry color="#7ba53d" quantity="-150" label="Net Flux"/>' +
    '<ColorMapEntry color="#b5bf28" quantity="-120" label="Net Flux"/>' +
    '<ColorMapEntry color="#BFC64E" quantity="-100" label="Net Flux"/>' +
    '<ColorMapEntry color="#94DE26" quantity="-80" label="Net Flux"/>' +
    '<ColorMapEntry color="#B1E717" quantity="-70" label="Net Flux"/>' +
    '<ColorMapEntry color="#cfed4f" quantity="-50" label="Net Flux"/>' +
    '<ColorMapEntry color="#fce479" quantity="-30" label="Net Flux"/>' +
    '<ColorMapEntry color="#ffe991" quantity="-15" label="Net Flux"/>' +
    '<ColorMapEntry color="#ffecaa" quantity="35" label="Net Flux"/>' +
    
    '<ColorMapEntry color="#f0d3df" quantity="60" label="Net Flux"/>' +
    '<ColorMapEntry color="#d8afbc" quantity="80" label="Net Flux"/>' +
    '<ColorMapEntry color="#d687a4" quantity="100" label="Net Flux"/>' +
    '<ColorMapEntry color="#c75d9d" quantity="150" label="Net Flux"/>' +
    '<ColorMapEntry color="#c72a80" quantity="200" label="Net Flux"/>' +
    '<ColorMapEntry color="#a62177" quantity="275" label="Net Flux"/>' +
    '<ColorMapEntry color="#96267e" quantity="350" label="Net Flux"/>' +
    '<ColorMapEntry color="#872782" quantity="500" label="Net Flux"/>' +
    '<ColorMapEntry color="#782b8a" quantity="700" label="Net Flux"/>' +
    '<ColorMapEntry color="#662d91" quantity="1000" label="Net Flux"/>' +
    '<ColorMapEntry color="#4c287a" quantity="1300" label="Net Flux"/>' +
    '<ColorMapEntry color="#402773" quantity="1900" label="Net Flux"/>' +
    '<ColorMapEntry color="#35256b" quantity="2600" label="Net Flux"/>' +
    '<ColorMapEntry color="#262260" quantity="3652" label="Net Flux"/>' +
  '</ColorMap>' +
'</RasterSymbolizer>';

var snazzy = require("users/aazuspan/snazzy:styles");
snazzy.addStyle("https://snazzymaps.com/style/38/shades-of-grey", "Greyscale");

// Layers not displayed, just to get the pixel values with pixel inspector
// Pixel values represent MgCO2e/ha between 2001 and 2022
Map.addLayer(emissions, {}, 'Gross emissions (no viz)',false);
Map.addLayer(removals, {}, 'Gross removals (no viz)',false);
Map.addLayer(net_flux, {}, 'Net flux (no viz)',false);

// Layers displayed
Map.addLayer(emissions.sldStyle(emissions_intervals), {}, 'Gross emissions (Mg CO2e/ha between 2001 and 2023)');
Map.addLayer(removals.sldStyle(removals_intervals), {}, 'Gross removals (Mg CO2e/ha between 2001 and 2023)');
Map.addLayer(net_flux.sldStyle(net_flux_intervals), {}, 'Net flux (Mg CO2e/ha between 2001 and 2023)');

代码链接

https://code.earthengine.google.com/?scriptPath=users/sat-io/awesome-gee-catalog-examples:agriculture-vegetation-forestry/GLOBAL-FOREST-CARBON-FLUXES

结果

引用

Harris, N.L., Gibbs, D.A., Baccini, A. et al. Global maps of twenty-first century forest carbon fluxes. Nat. Clim. Chang. 11, 234–240 (2021).
https://doi.org/10.1038/s41558-020-00976-6

许可

全球森林碳通量（2001-2023 年）》产品免费提供，无使用限制。有关完整的许可证信息，请参阅《知识共享署名 4.0 国际许可证》。使用这些数据集的出版物、模型和数据产品必须包含适当的致谢，包括引用数据集和期刊文章，如以下引用。

Created by: Harris, N.L., Gibbs, D.A., Baccini, A. et al

Curated in GEE by: Samapriya Roy

Keywords: Carbon emissions, forest change, climate, carbon

Last updated on GEE: 2024-06-06

更新日期

  • Major updates were discussed in the blog
  • Updated to year 2023
  • Updated to year 2022
  • Images were converted to Image Collections

网址推荐

0代码在线构建地图应用

Mapmost官网

机器学习

https://www.cbedai.net/xg 

此星光明
关注
  • 26
    点赞
  • 踩
  • 54
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
长白山红松阔叶林碳水通量观测数据集（2003-2010）
04-23
描述 森林是陆地生态系统的主体部分。它在生长过程中吸收大量CO2并发生水热交换...该数据集可为分析中国温带森林生态系统碳源汇功能及其对全球变化的响应提供重要的科学知识和数据基础。 数据量： 83.09 MB 文件数： 64
1990–2015年亚洲区域典型陆地生态系统碳通量组分数据集.xls
09-11
1990–2015年亚洲区域典型陆地生态系统碳通量组分数据集.xls
基于MODIS的全球海洋真光层底颗粒有机碳通量月度数据集（2003-2018）.rar
03-20
基于MODIS的全球海洋真光层底颗粒有机碳通量月度数据集（2003-2018）.rar
2013–2015年元江干热河谷生态站碳水通量观测数据集.zip
09-11
2013–2015年元江干热河谷生态站碳水通量观测数据集.zip
高通量藻类细胞检测数据集.zip
02-10
计算机视觉数据集，想预览内容可私信作者
内积知识点小记
liujianjun1536500976的专栏
06-21 428
对于两个向量a = [a₁, a₂,…, aₙ]和b = [b₁, b₂,…, bₙ]，它们的点积定义为：a·b = a₁b₁ + a₂b₂ + … + aₙbₙ。使用矩阵乘法，把（纵列）向量当作n×1 矩阵，点积也可以写为：a·b = (a^T) * b，这里的a^T指示矩阵a的转置。
Midjourney绘画提示词精选：提升AI艺术创作的秘诀
最新发布
weixin_42132035的博客
06-22 333
在AI艺术创作领域，MidJourney作为一款强大的绘画生成工具，受到了越来越多艺术家和设计师的青睐。通过提供简洁但富有创意的提示词，可以帮助MidJourney生成令人惊叹的艺术作品。在本文中，我们将分享一些精选的MidJourney绘画提示词，助你在AI艺术创作中取得更好的效果。
[机器学习算法]线性回归
藓类少女的博客
06-18 570
Lasso回归：与岭回归类似，但使用的是模型参数的绝对值之和乘以 α。Lasso 回归不仅可以限制系数的大小，还可以将某些不重要的特征的系数缩小甚至置零，从而实现了自动的特征选择。通过实际的案例和练习来加深对线性回归算法的理解。例如，使用公开数据集进行房价预测，可以通过调整模型参数和处理数据来优化模型。3. 处理异常值和多重共线性：清理数据以及使用技术手段处理数据中的异常值和特征之间的相关性。评估线性回归模型的性能是理解其有效性的关键。这些概念构成了理解线性回归模型的基础。
【CVPR2021】LoFTR：基于Transformers的无探测器的局部特征匹配方法
yohnyang的博客
06-18 944
【CVPR2021】LoFTR：基于Transformers的无探测器的局部特征匹配方法
基于自编码器的心电图信号异常检测（Python）
weixin_39402231的博客
06-17 544
使用的数据集来自PTB心电图数据库，包括14552个心电图记录，包括两类：正常心跳和异常心跳，采样频率为125Hz。
大模型基础——从零实现一个Transformer(5)
fan_fan_feng的专栏
06-18 371
上一篇文章已经把Encoder模块和Decoder模块都已经实现了，接下来来实现完整的Transformer。
随机森林算法详解
甜盐的博客
06-19 936
随机森林（Random Forest）是一种集成学习方法，通过构建多个决策树并将它们的预测结果结合起来，来提高模型的准确性和稳定性。随机森林在分类和回归任务中都表现出色，广泛应用于各类机器学习问题。本文将详细介绍随机森林的原理、特点、优缺点、常见应用场景以及示例代码。
无监督学习：从理论到实践的全面指南
TechLead的专栏
06-19 966
本文深入讲解了无监督学习中的K-means、层次聚类、密度聚类、PCA、t-SNE和自编码器算法，涵盖其原理、数学基础、实现步骤及应用实例，并提供了详细的代码示例。
AI数字人结合OLED透明屏在哪些领域有优势
起鸿OLED方案商
06-19 222
通过透明屏展示患者的病历信息和检查结果，医生可以更加直观地了解患者的情况。通过OLED透明屏展示AI数字人，能够吸引顾客的注意力，并通过语音、手势等方式与顾客进行互动，提高广告的趣味性和参与度。AI数字人可以作为智能家居的控制中心，通过透明屏展示家居设备的工作状态和控制选项，方便用户进行智能家居的管理和控制。透明屏的特性使得AI数字人能够与背后的实际物品或景色相融合，创造出独特的视觉效果，增强广告的创新性和吸引力。AI数字人具有高度的可定制性，可以根据用户的喜好和需求提供定制化的娱乐内容和服务。
论文浅尝 | 基于生成模型的多模态实体链接
开放知识图谱
06-21 387
笔记整理：郭凌冰，浙江大学博士，研究方向为知识图谱链接：https://arxiv.org/abs/2306.127251. 动机多模态实体链接（Multimodal Entity Linking，MEL）旨在将带有多模态上下文的提及映射到知识库（如维基百科）中的参考实体。现有的MEL方法主要侧重于设计复杂的多模态交互机制，并需要对所有模型参数进行微调，这在大型语言模型（LLM）时代可能成本过高且...
智能建筑与物联网技术：重塑未来空间的智慧交响曲
GIS数据转换器的博客
06-19 406
在21世纪的建筑领域，智能建筑已经成为城市发展的新地标，而物联网技术（IoT）正是驱动这一变革的核心引擎。下面大家一起窥探智能建筑与物联网技术结合的奇妙世界，探讨其广泛应用与未来发展趋势。
AI产品组件——TTS产品
06-19 333
女声：晓晓，多语言版，针对中文发音时，某些数字如条目里的数字项，会进行英语发音，需要加语言限制zh-CN。流式语音切分时，SSE模式，“1.顺”要切分成“1，顺”才能正常阅读，否则读的效果很差。科大讯飞TTS，声音略为僵硬，参考链接：https://www.xfyun.cn/solutions/train，发音人不能自由选择，费用较贵，2万/年。特别拟人的目前还没看到，Seed-TTS是个良好的选择，目前尚未完全可用，可保持关注。男声：MasaruMultilingual，找到中文发音，效果也不错。
MetaGPT: Merging Large Language Models Using Model Exclusive Task Arithmetic
weixin_41046245的博客
06-18 1036
背景: 论文开头提到了大型语言模型（如GPT-4）的出现，这些模型在经过预训练后，可以通过微调来适应特定的任务。然而，这样做的一个缺点是，每当有新任务出现时，就需要重新训练或微调模型，这既耗时又耗费资源。问题: 作者们指出，现有的方法在实现最优性能、计算效率和数据隐私方面存在局限。特别是当涉及到大规模语言模型时，这些局限变得更加明显。方法: 为了解决这些问题，作者们提出了MetaGPT。这是一种基于“任务算术”的方法，它通过调整预训练模型的权重来提升模型在多个任务上的性能。
2024.06.19【读书笔记】丨生物信息学与功能基因组学（第十五章 真菌基因组 第四部分）【AI测试版】
06-19 373
本章的第四部分深入讨论了真菌基因组学的未来趋势、挑战和应用前景。特别关注了基因组学在理解真菌生物学、促进医学和工业发展中的潜力，以及真菌基因组学在生物多样性研究中的作用。第四部分提供了对真菌基因组学未来发展的全面展望，包括技术进步带来的新机遇、研究中需要克服的挑战以及基因组学在不同领域的应用前景。真菌基因组学的发展不仅将增进我们对真菌这一重要生物群体的理解，也将为人类社会带来实际的益处。
帮我写一段python程序，画出2023年3月10日水汽通量
06-01
为了画出2023年3月10日水汽通量，您需要获取地球上大气中的水汽通量数据，并使用Python中的数据可视化库绘制图表。以下是一个基本的Python程序，可以使用ERA5数据集下载2023年3月10日的水汽通量数据，并使用Matplotlib绘制一个简单的图表： ```python import cdsapi import numpy as np import matplotlib.pyplot as plt # 下载ERA5数据 c = cdsapi.Client() c.retrieve( 'reanalysis-era5-single-levels', { 'product_type': 'reanalysis', 'variable': 'total_column_water_vapour', 'year': '2023', 'month': '03', 'day': '10', 'time': '12:00', 'format': 'netcdf' }, 'download.nc') # 读取数据 from netCDF4 import Dataset data = Dataset('download.nc') # 提取水汽通量数据 water_vapor = data.variables['tcwv'][0, :, :] # 绘制图表 plt.imshow(water_vapor, cmap='jet') plt.colorbar() plt.title('Water vapor column, 10 March 2023') plt.show() ``` 在这个程序中，我们使用CDS API下载ERA5数据集中的水汽通量数据，并读取下载的数据文件。然后，我们提取出水汽通量数据，并使用Matplotlib的imshow函数绘制图表。最后，我们添加了一个颜色条和标题，并使用show函数显示图表。 请注意，此程序只是一个简单示例，您可以根据需要进行修改和扩展。您还需要安装一些必要的Python库，如cdsapi、netCDF4和Matplotlib。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

此星光明

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值