此数据集属于发布商目录，并非由 Google Earth Engine 管理。 如需报告 bug 或查看 Global Pasture Watch 目录中的更多数据集，请与 Land & Carbon Lab 联系。详细了解发布商数据集。
- 目录所有者
- Global Pasture Watch
- 数据集可用时间
- 2000-01-01T00:00:00Z–2025-01-01T00:00:00Z
- 数据集提供方
- Land and Carbon Lab Global Pasture Watch
- 联系人
- Land & Carbon Lab
- 频率
- 1 年
- 标记
说明
此数据集提供了 2000 年全球植被高度中位数，空间分辨率为 30 米。 该数据集由 Land & Carbon Lab 的 Global Pasture Watch 计划生成，提供自 2000 年以来全球植被高度中位数（第 50 百分位数）值，空间分辨率为 30 米。该数据集基于 ICESat-2 ATL08 植被回波高度中位数，并使用每两个月汇总一次的 GLAD Landsat ARD（集合 2），通过机器学习（集成梯度提升树）进行建模（请参阅 Consoli 等人，2024）并结合其他协变量，包括地形海拔 (GEDTM30)、几何平均温度、MODIS 长期温度和水汽。
该数据集最初旨在支持监测开放生态系统（草原、开放灌木丛、热带草原、苔原），现已全面覆盖所有陆地生态系统。因此，森林生态系统的中位高度值不应被解读为冠层顶部。如需与其他现有冠层高度产品进行比较，请访问应用 GPW Height Comparison Toolkit (GPW-HCT)。
OpenLandMap STAC 中提供了 90% 预测区间值（第 5 和第 95 百分位数）的估计值。
逐像素趋势分析是使用 GEE 应用实时计算的。
限制：
植被异质性：在以草本覆盖为主的景观中，中位高度对灌木和树木较为敏感。 专注于草本生物量的用户应考虑使用分数覆盖图来解决子像素混合问题。未来版本可能会纳入 ICESat-2 的垂直结构信息，以便更好地分离木本覆盖。
年内和季节性模式：当前的 ICESat-2 数据密度不足以绘制草地生态系统中常见的季节性高度变化。需要增加激光雷达采集次数或提高持续测量的采样密度，以捕获更频繁的快照，从而更好地监测年内变化和干扰，包括放牧、火灾和采伐。
数据限制和不确定性：训练数据仅限于强光束、夜间测量，以最大限度地减少信号噪声，并应用了额外的过滤条件，但这并不能完全解释 ICESat-2 任务中所有数据不确定性的来源。此外，云层和烟雾会阻碍信号穿透，从而增加某些区域的不确定性。 具体而言，2019 年的模型性能略低于近年，这可能与 ICESat-2 任务初期的数据可用性和质量差异有关。
难以检测极矮植被：激光雷达传感器（包括 ICESat-2）难以准确测量极矮的冠层，尤其是在植被稀疏或地面部分遮挡的情况下。训练数据无法识别距离地面不到 50 厘米的植被，这可能会导致高估最矮或最稀疏土地覆盖（例如湿地盐田）的高度。
低估最大高度：经过训练的机器学习模型表现出向均值回归的趋势，导致预测区间过于狭窄且过于乐观。由于植被高度在上限极端值处被低估，因此在解读森林非常高大的区域的绝对值时应谨慎，但相对模式和趋势仍然具有参考价值。
独立验证有限：虽然已根据 ICESat-2 数据（测试集）进行了验证，但仍需使用机载或无人机激光雷达进行更广泛的验证，才能全面评估区域级数据集的质量。
如需了解详情，请参阅 Hunter 等人2025、 Zenodo 和 Global Pasture Watch GitHub 网站
频段
波段
像素大小：30 米（所有波段）
| 名称 | 单位 | 最小值 | 最大值 | 缩放系数 | 像素尺寸 | 说明 |
|---|---|---|---|---|---|---|
height |
m | 0 | 10 | 0.1 | 30 米 | 植被高度中位数 |
图片属性
图像属性
| 名称 | 类型 | 说明 |
|---|---|---|
| 版本 | INT | 产品版本 |
使用条款
使用条款
引用
Parente, L., Hunter, M.、Ho, Y.、Bonannella, C. el al. (2025). Global Pasture Watch - 空间分辨率为 30 米的年度矮植被高度地图（2000 年至 2022 年）（版本 v1）[数据集]。Zenodo. doi:https://doi.org/10.5281/zenodo.15198654
Hunter, M.O.、Parente, L., Ho, Yf. et al. (2025) Global 30-m annual median vegetation height maps (2000—2022) based on ICESat-2 data and Machine Learning. 《科学数据》12, 1470。 doi: https://doi.org/10.1038/s41597-025-05739-6
DOI
通过 Earth Engine 探索
代码编辑器 (JavaScript)
Map.setCenter(-49.265188, -16.602052, 4); var short_veg_height_m = ee.ImageCollection("projects/global-pasture-watch/assets/gsvh-30m/v1/short-veg-height_m"), style = {"opacity":1,"bands":["height"],"min":0,"max":10,"palette":["#fcffa4","#f98d0a","#bb3755","#57106e","#000004"]}; var SCALE_FACTOR = 0.1 var svhVis = {min: 0, max: 10, palette: "fcffa4,f98d0a,bb3755,57106e,000004"} var svh = ee.ImageCollection( "projects/global-pasture-watch/assets/gsvh-30m/v1/short-veg-height_m" ) var svh2024 = svh.filterDate('2024-01-01', '2025-01-01').first().multiply(SCALE_FACTOR); Map.addLayer(svh2024, svhVis, 'Median vegetation height (2024)'); var svh2000 = svh.filterDate('2000-01-01', '2001-01-01').first().multiply(SCALE_FACTOR); Map.addLayer(svh2000, svhVis, 'Median vegetation height (2000)');