全球森林碳通量(2001-2023年)数据集

 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 

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mfbz.cn/a/727020.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

【PB案例学习笔记】-20制作一个超链接按钮

写在前面 这是PB案例学习笔记系列文章的第19篇&#xff0c;该系列文章适合具有一定PB基础的读者。 通过一个个由浅入深的编程实战案例学习&#xff0c;提高编程技巧&#xff0c;以保证小伙伴们能应付公司的各种开发需求。 文章中设计到的源码&#xff0c;小凡都上传到了gite…

【机器学习】基于稀疏识别方法的洛伦兹混沌系统预测

1. 引言 1.1. DNN模型的来由 从数据中识别非线性动态学意味着什么&#xff1f; 假设我们有时间序列数据&#xff0c;这些数据来自一个&#xff08;非线性&#xff09;动态学系统。 识别一个系统意味着基于数据推断该系统的控制方程。换句话说&#xff0c;就是找到动态系统方…

生成式AI时代,数据存储管理与成本如何不失控?

无数据&#xff0c;不AI。 由生成式AI掀起的这一次人工智能浪潮&#xff0c;对企业的产品、服务乃至商业模式都有着颠覆性的影响。因此&#xff0c;在多云、大数据、生成式AI等多元技术的驱动下&#xff0c;数据要素变得愈发重要的同时&#xff0c;企业对于数据存储的需求也在…

LabVIEW开发扫描隧道显微镜

扫描隧道显微镜利用量子隧穿效应&#xff0c;通过一个极细的探针在样品表面上进行扫描&#xff0c;测量隧穿电流的变化&#xff0c;以得到样品表面的原子级别图像。探针与样品之间的距离非常小&#xff08;约1纳米&#xff09;&#xff0c;隧穿电流对距离变化极其敏感&#xff…

全能AI客户端:ChatGPT Web Midjourney Proxy,AI绘画+GPT4o对话

这绝对是目前最全能的 AI 客户端&#xff0c;ui 界面集成 ChatGPT AI 对话、Midjourney AI 画图、Suno AI 音乐等等市面主流的 AI 功能&#xff0c;只需绑定一个 API key 即可使用全部 AI 功能&#xff0c;Midjourney 甚至比官方好用几倍&#xff01; 项目简介 ChatGPT Web Mi…

【嵌入式开发】STM32+USB的快速开发

目录 一、概述 二、STM32+USB开发流程 2.1 建立新的工程 2.2 系统配置 2.3 时钟配置 2.4 操作系统 2.5 选择USB配置 2.6 在USB_HOST中选择支持的子类(class) 2.7 Clock 配置 三、注意事项 3.1 应用驱动配置 3.2 上电调试基础工作 一、概述 USB作为大家耳熟能详的…

【上海交大】博士生年度进展报告模板

上海交通大学 博士生年度进展报告模板 比较不好找&#xff0c;在交我办中发起申请流程后才能看到链接&#xff0c;链接如下&#xff1a; https://www.gs.sjtu.edu.cn/xzzx/pygl/15

【Python】使用OpenCV特征匹配检测图像中的【特定水印】

如果没有方向 往哪里走都是前方 做自己的光 不需要多亮 曾受过的伤 会长出翅膀 大雨冲刷过的天空会更加明亮 流过泪的眼睛也一样 做自己的光 悄悄的发亮 逆风的方向 更容易飞翔 世界怎样在于你凝视它的目光 那未曾谋面过的远方 或许就在身旁 &#x1f3b5…

洗地机哪个品牌好?四大实力拔尖单品力荐

洗地机哪个品牌好呢&#xff1f;想必姐妹们肯定觉得保持家里清洁是非常重要的&#xff0c;但是每天打扫卫生真的会让人整个都要疯狂&#xff0c;这不&#xff0c;救星洗地机就能派上用场了&#xff0c;干垃圾湿垃圾统统都能一次清理干净。只需轻轻一推&#xff0c;就能把扫地、…

SEO之预估流量及价值(二)

初创企业搭建网站的朋友看1号文章&#xff1b;想学习云计算&#xff0c;怎么入门看2号文章谢谢支持&#xff1a; 1、我给不会敲代码又想搭建网站的人建议 2、新手上云 &#xff08;接上一篇。。。。&#xff09; 2、点击率 搜索结果页面各排名位置点击率也不精确。前面介绍的…

思科ospf+rip重发布配置命令

——————————————————————————————————————————— 基础配置 R1 Router>en #进入配置模式 Router#conf #进入配置模式 Router(config)#h…

初识C++ · 继承(1)

目录 前言&#xff1a; 1 继承的概念和定义 2 基类与子类的赋值转换 3 继承中的作用域 4 派生类的默认成员函数 4.1 构造函数 4.2 拷贝构造 4.3 赋值重载 4.4 析构函数 前言&#xff1a; 对于面向对象这门语言的三大特性 -> 封装 继承 多态&#xff0c;我们已经学…

数电逻辑门电路分析和Digital仿真

文章目录 1. 逻辑门电路 2. 非门&#xff08;NOT Gate&#xff09; 3. 与门&#xff08;AND Gate&#xff09; 4. 或门&#xff08;OR Gate&#xff09; 5. 与非门&#xff08;NAND Gate&#xff09; 6. 或非门&#xff08;NOR Gate&#xff09; 7. 异或门&#xff08;XO…

Java面试八股之什么是mybatis流式查询

什么是mybatis流式查询 Mybatis流式查询是一种处理大量数据的有效方法&#xff0c;它允许你以低内存消耗的方式来处理查询结果。传统的查询操作会一次性将所有数据加载到内存中&#xff0c;如果数据量非常大&#xff0c;可能会导致OutOfMemoryError&#xff08;OOM&#xff09…

Matlab个性化绘图第3期—带三维球标记的折线图

前段时间有会员在群里问该如何绘制下面这种带三维球标记的折线图&#xff1a; 本期内容就来分享一下带三维球标记的折线图的Matlab绘制思路。 先来看一下成品效果&#xff1a; 特别提示&#xff1a;本期内容『数据代码』已上传资源群中&#xff0c;加群的朋友请自行下载。有需…

Shell脚本、相关命令;重定向、管道符、变量相关命令讲解

目录 Shell脚本 概念 执行命令流程的交互区别 交互式 非交互式 Shell脚本应用场景 Shell的作用 Shell的作用 —— 命令解释器&#xff0c;“翻译官” 列出系统中全部解释器 实验 脚本的基本书写格式和执行命令 在子bash下执行脚本 指定解释器的方式执行脚本 指定…

苹果入局AI手机 iOS 18将应用AI功能

当三星、华为等国内外手机厂商都在卷着造AI手机时&#xff0c;智能手机大佬苹果那边确一直没什么动静。直到今年5月&#xff0c;距离苹果 WWDC24 全球开发者大会还有十多天时&#xff0c;长期关注苹果的博社记者Mark Gurman放料&#xff0c;iOS 18系统中将会应用一些AI功能。 从…

JavaScript妙笔生花:打造沉浸式中国象棋游戏体验

前言 随着信息技术的飞速发展&#xff0c;Web开发领域也出现了翻天覆地的变化。JavaScript作为前端开发中不可或缺的编程语言&#xff0c;其重要性不言而喻。而当我们谈论到利用JavaScript打造一款沉浸式的中国象棋游戏体验时&#xff0c;我们不仅仅是在开发一个游戏&#xff0…

本地大模型服务 Ollama:从安装到使用

文章目录 前言一、下载安装1.1 官网安装1.2 压缩包安装1.3 docker 安装二、命令行使用2.1 常用命令2.2 模型列表2.3 使用三、Open-WebUI3.1 安装3.2 修改语言3.3 使用参考前言 Ollama 是专为在本地机器上便捷部署和运行大型语言模型(LLM)而设计的开源框架,它有如下几个特点…

SAP_FICO模块-获利能力段新增特征字段

业务背景&#xff1a; 公司有启用获利能力分析功能&#xff0c;有一个销售订单接口&#xff0c;是通过第三方销售订单管理平台推送数据到SAP的&#xff0c;用户希望对接新增一个编号ID到销售订单上&#xff0c;并且可以用KE24/KE30报表查看显示&#xff1b; 对于我这么一个后勤…