Ten zbiór danych zawiera globalne roczne mapy prawdopodobieństwa występowania naturalnych i półnaturalnych łąk w latach 2000–2022 w rozdzielczości przestrzennej 30 m.
Dane te pochodzą z inicjatywy Land & Carbon Lab Global Pasture Watch. Zmapowany obszar użytków zielonych obejmuje każdy rodzaj pokrycia terenu, który zawiera co najmniej 30% niskiej roślinności suchej lub wilgotnej, zdominowanej przez trawy i rośliny zielne (o wysokości poniżej 3 m), oraz:
maksymalnie 50% pokrycia koronami drzew (o wysokości powyżej 5 m),
maksymalnie 70% – inne rośliny drzewiaste (zarośla i otwarte zarośla),
maksymalnie 50% aktywnej powierzchni upraw w mozaikowych krajobrazach pól uprawnych i innej roślinności.
Obszar łąk jest podzielony na 2 klasy:Łąki uprawne: obszary, na których trawy i inne rośliny pastewne zostały celowo posadzone i są zarządzane, a także obszary rodzimej roślinności typu łąkowego, na których wyraźnie widać aktywną i intensywną gospodarkę ukierunkowaną na konkretne zastosowania związane z działalnością człowieka, takie jak wypas zwierząt gospodarskich.
– Naturalne lub półnaturalne tereny trawiaste: stosunkowo nienaruszone rodzime tereny trawiaste lub roślinność niskopienna, takie jak stepy i tundra, a także obszary, na których w przeszłości prowadzono różnego rodzaju działalność człowieka, które mogą zawierać mieszankę gatunków rodzimych i obcych ze względu na historyczne użytkowanie gruntów i procesy naturalne.
Zazwyczaj wykazują one naturalnie wyglądające wzory zróżnicowanej roślinności i wyraźnie uporządkowane relacje hydrologiczne w całym krajobrazie.
Zastosowana metodologia uwzględniała zdjęcia GLAD Landsat ARD-2
(przetworzone na bezchmurne agregaty dwumiesięczne, patrz Consoli i in., 2024), którym towarzyszyły zmienne klimatyczne, ukształtowanie terenu i zmienne związane z bliskością, uczenie maszynowe w przestrzeni i czasie (Random Forest dla każdej klasy) oraz ponad 2,3 mln próbek referencyjnych (interpretowanych wizualnie na zdjęciach w bardzo wysokiej rozdzielczości). Do wygenerowania map klas dominujących użyto niestandardowych progów prawdopodobieństwa (na podstawie 5-krotnej przestrzennej walidacji krzyżowej oraz zrównoważonych wartości precyzji i pełności). W przypadku progów prawdopodobieństwa dla użytków rolnych i naturalnych/półnaturalnych użytków zielonych były to odpowiednio 0, 32 i 0, 42.
Ograniczenia: powierzchnia użytków zielonych jest częściowo niedoszacowana w południowo-wschodniej Afryce (Zimbabwe i Mozambik) oraz we wschodniej Australii (zarośla i lasy w ekoregionie Mulga). Na niektórych obszarach północnej Afryki, Półwyspu Arabskiego, zachodniej Australii, Nowej Zelandii, środkowej Boliwii i stanu Mato Grosso (Brazylia) grunty orne są błędnie klasyfikowane jako łąki. Z powodu awarii skanera SLC na satelicie Landsat 7 na poziomie działki widoczne są regularne pasy prawdopodobieństwa występowania użytków zielonych, zwłaszcza w 2012 roku. Wykorzystanie warstw o niższej rozdzielczości (mapy ułatwień dostępu i produkty MODIS) spowodowało wprowadzenie krzywoliniowych błędów makroskopowych (ze względu na strategię zmniejszania rozdzielczości opartą na splajnie kubicznym) w Urugwaju, południowo-zachodniej Argentynie, południowej Angoli i w regionie Sahelu w Afryce. Użytkownicy muszą znać ograniczenia i znane problemy. Powinni też dokładnie je rozważyć, aby zapewnić odpowiednie wykorzystanie map na tym początkowym etapie prognozowania. GPW aktywnie zbiera systematyczne opinie za pomocą platformy Geo-Wiki, aby weryfikować obecną wersję i ulepszać przyszłe wersje zbioru danych.
Parente, L., Sloat, L., Mesquita, V. i in. (2024)
Global Pasture Watch - Annual grassland class and extent
maps at 30-m spatial resolution (2000—2022) (Version v1)
[Zbiór danych]. Zenodo
doi:https://doi.org/10.5281/zenodo.13890401
Parente, L., Sloat, L., Mesquita, V., et al. (2024).
Annual 30-m maps of global grassland class and extent (2000–2022)
based on spatiotemporal Machine Learning, Scientific Data.
doi: http://doi.org/10.1038/s41597-024-04139-6
Ten zbiór danych zawiera globalne mapy rocznego prawdopodobieństwa występowania naturalnych i półnaturalnych terenów trawiastych w latach 2000–2022 w rozdzielczości przestrzennej 30 m. Mapa obszarów trawiastych została opracowana w ramach inicjatywy Land & Carbon Lab Global Pasture Watch. Obejmuje ona wszystkie rodzaje pokrycia terenu, które zawierają co najmniej 30% niskiej roślinności suchej lub mokrej, zdominowanej przez …
[null,null,[],[[["\u003cp\u003eThis dataset provides annual probability maps of natural/semi-natural grasslands globally from 2000 to 2022 at a 30-meter resolution.\u003c/p\u003e\n"],["\u003cp\u003eThe grassland extent is classified into two categories: cultivated and natural/semi-natural, based on vegetation characteristics and human management.\u003c/p\u003e\n"],["\u003cp\u003eThe dataset was created using Landsat imagery, environmental covariates, and machine learning, incorporating over 2.3 million reference samples.\u003c/p\u003e\n"],["\u003cp\u003eWhile generally accurate, the dataset has limitations, including potential under-prediction in certain regions and misclassification of cropland as grassland in others.\u003c/p\u003e\n"],["\u003cp\u003eThe dataset is available under a CC-BY-4.0 license and is part of the Land & Carbon Lab Global Pasture Watch initiative.\u003c/p\u003e\n"]]],["The dataset offers annual global probability maps of natural/semi-natural grasslands from 2000 to 2022, at a 30-meter resolution. It's provided by the Land & Carbon Lab Global Pasture Watch and classifies land with at least 30% low vegetation, grasses, and forbs, considering tree canopy, woody vegetation, and cropland presence. Data, based on Landsat ARD-2 images, is generated with spatiotemporal machine learning and visual reference samples. Users can access and explore the dataset through Google Earth Engine and download it from zenodo.\n"],null,["# GPW Annual Probabilities of Natural/Semi-natural Grasslands v1\n\ninfo\n\n\nThis dataset is part of a Publisher Catalog, and not managed by Google Earth Engine.\n\nContact [Land \\& Carbon Lab](https://landcarbonlab.org/subscribe)\n\nfor bugs or [view more datasets](https://developers.google.com/earth-engine/datasets/publisher/global-pasture-watch)\nfrom the Global Pasture Watch Catalog. [Learn more about Publisher datasets](/earth-engine/datasets/publisher). \n[](https://landcarbonlab.org/data/global-grassland-and-livestock-monitoring) \n\nCatalog Owner\n: Global Pasture Watch\n\nDataset Availability\n: 2000-01-01T00:00:00Z--2023-01-01T00:00:00Z\n\nDataset Provider\n:\n\n\n [Land and Carbon Lab Global Pasture Watch](https://landcarbonlab.org/data/global-grassland-and-livestock-monitoring)\n\nContact\n: [Land \\& Carbon Lab](https://landcarbonlab.org/subscribe)\n\nCadence\n: 1 Year\n\nTags\n:\n[global](/earth-engine/datasets/tags/global) [global-pasture-watch](/earth-engine/datasets/tags/global-pasture-watch) [land](/earth-engine/datasets/tags/land) [landcover](/earth-engine/datasets/tags/landcover) [landuse](/earth-engine/datasets/tags/landuse) [landuse-landcover](/earth-engine/datasets/tags/landuse-landcover) [pasture](/earth-engine/datasets/tags/pasture) [publisher-dataset](/earth-engine/datasets/tags/publisher-dataset) [rangeland](/earth-engine/datasets/tags/rangeland) [vegetation](/earth-engine/datasets/tags/vegetation) \n\n#### Description\n\nThis dataset provides global annual probability maps of natural/semi-natural\ngrassland from 2000 to 2022 at 30-m spatial resolution.\nProduced by Land \\&\nCarbon Lab Global Pasture Watch initiative, the mapped grassland extent\nincludes any land cover type, which contains at least 30% of dry or wet\nlow vegetation, dominated by grasses and forbs (less than 3 meters)\nand a:\n\n- maximum of 50% tree canopy cover (greater than 5 meters),\n- maximum of 70% of other woody vegetation (scrubs and open shrubland), and\n- maximum of 50% active cropland cover in mosaic landscapes of cropland \\& other vegetation.\n\nThe grassland extent is classified into two classes:\n- **Cultivated grassland** : Areas where grasses and other forage plants have\nbeen intentionally planted and managed, as well as areas of native\ngrassland-type vegetation where they clearly exhibit active and\nheavy management for specific human-directed uses, such as directed\ngrazing of livestock.\n- **Natural/Semi-natural grassland**: Relatively undisturbed native\ngrasslands/short-height vegetation, such as steppes and tundra,\nas well as areas that have experienced varying degrees of human\nactivity in the past, which may contain a mix of native and\nintroduced species due to historical land use and natural processes.\nIn general, they exhibit natural-looking patterns of varied vegetation\nand clearly ordered hydrological relationships throughout the landscape.\n\nThe implemented methodology considered [GLAD Landsat ARD-2 images](https://glad.umd.edu/ard) (processed into cloud-free bi-monthly\naggregates, see [Consoli et al, 2024](https://doi.org/10.7717/peerj.18585)\n), accompanied by climatic, landform and proximity covariates,\nspatiotemporal machine learning (per-class Random Forest) and over\n2.3 million reference samples (visually interpreted in Very High\nResolution imagery). Custom probability thresholds (based on five-fold\nspatial cross-validation and balanced precision and recall values)\nwere used to derive dominant class maps, 0.32 and 0.42 for\ncultivated and natural/semi-natural grassland probability thresholds, respectively.\n\n**Limitations:** Grassland extent is partly under-predicted in southeastern\nAfrica (Zimbabwe and Mozambique) and in eastern Australia (shrublands and\nwoodlands of the Mulga ecoregion). Cropland is misclassified as grassland\nin parts of northern Africa, the Arabian Peninsula, Western Australia,\nNew Zealand, the center of Bolivia, and Mato Grosso state (Brazil). Due\nto the Landsat 7 SLC failure, regular stripes of grassland probabilities\nare visible at parcel-level, particularly in the year 2012. The usage of\ncoarser resolution layers (accessibility maps and MODIS products)\nintroduced curvilinear macroscopic errors (due to the downscaling\nstrategy based on cubicspline) in Uruguay, Southwest Argentina, South\nof Angola and in the Sahel region in Africa. Users need to be aware\nof the limitations and known issues; whilst considering them\ncarefully to ensure appropriate use of maps at this initial prediction\nstage. GPW is working actively to collect systematic feedback via the [Geo-Wiki\nplatform](https://www.geo-wiki.org), validate the current version\nand improve future versions of the dataset.\n\n**For more information see [Parente et. al, 2024](http://doi.org/10.1038/s41597-024-04139-6),\n[Zenodo](https://zenodo.org/records/13890401) and\n\u003chttps://github.com/wri/global-pasture-watch\u003e**\n\n### Bands\n\n**Bands**\n\n| Name | Min | Max | Pixel Size | Description |\n|---------------|-----|-----|------------|---------------------------------------------------------------------------------|\n| `probability` | 0 | 100 | 30 meters | Natural/Semi-natural grassland probability value derived through Random Forest. |\n\n### Image Properties\n\n**Image Properties**\n\n| Name | Type | Description |\n|---------|------|-----------------|\n| version | INT | Product version |\n\n### Terms of Use\n\n**Terms of Use**\n\n[CC-BY-4.0](https://spdx.org/licenses/CC-BY-4.0.html)\n\n### Citations\n\nCitations:\n\n- Parente, L., Sloat, L., Mesquita, V., et al. (2024)\n Global Pasture Watch - Annual grassland class and extent\n maps at 30-m spatial resolution (2000---2022) (Version v1)\n \\[Data set\\]. Zenodo\n [doi:https://doi.org/10.5281/zenodo.13890401](https://doi.org/10.5281/zenodo.13890401)\n- Parente, L., Sloat, L., Mesquita, V., et al. (2024).\n Annual 30-m maps of global grassland class and extent (2000--2022)\n based on spatiotemporal Machine Learning, Scientific Data.\n [doi: http://doi.org/10.1038/s41597-024-04139-6](http://doi.org/10.1038/s41597-024-04139-6)\n\n### DOIs\n\n- \u003chttps://doi.org/10.1038/s41597-024-04139-6\u003e\n- \u003chttps://doi.org/10.5281/zenodo.13890401\u003e\n\n### Explore with Earth Engine\n\n| **Important:** Earth Engine is a platform for petabyte-scale scientific analysis and visualization of geospatial datasets, both for public benefit and for business and government users. Earth Engine is free to use for research, education, and nonprofit use. To get started, please [register for Earth Engine access.](https://console.cloud.google.com/earth-engine)\n\n### Code Editor (JavaScript)\n\n```javascript\nMap.setCenter(63.72366666, 38.30182604, 4);\n\nvar nat_semi_grassland = ee.ImageCollection(\n \"projects/global-pasture-watch/assets/ggc-30m/v1/nat-semi-grassland_p\"\n)\nvar min_prob = 42 // Probability threshold\nvar visParams = {min: 15, max: 85, palette: 'f7f1e5,af8260,803d3b,322c2b'}\n\nvar nat_semi_grassland_2022 = nat_semi_grassland.filterDate('2022-01-01', '2023-01-01').first();\nMap.addLayer(\n nat_semi_grassland_2022.mask(nat_semi_grassland_2022.gte(min_prob)), \n visParams, 'Natural/Semi-natural grassland prob. (2022)'\n);\n\nvar nat_semi_grassland_2000 = nat_semi_grassland.filterDate('2000-01-01', '2001-01-01').first();\nMap.addLayer(\n nat_semi_grassland_2000.mask(nat_semi_grassland_2000.gte(min_prob)), \n visParams, 'Natural/Semi-natural grassland prob. (2000)'\n);\n```\n[Open in Code Editor](https://code.earthengine.google.com/?scriptPath=Examples:Datasets/global-pasture-watch/projects_global-pasture-watch_assets_ggc-30m_v1_nat-semi-grassland_p) \n[GPW Annual Probabilities of Natural/Semi-natural Grasslands v1](/earth-engine/datasets/catalog/projects_global-pasture-watch_assets_ggc-30m_v1_nat-semi-grassland_p) \nThis dataset provides global annual probability maps of natural/semi-natural grassland from 2000 to 2022 at 30-m spatial resolution. Produced by Land \\& Carbon Lab Global Pasture Watch initiative, the mapped grassland extent includes any land cover type, which contains at least 30% of dry or wet low vegetation, dominated by ... \nprojects/global-pasture-watch/assets/ggc-30m/v1/nat-semi-grassland_p, global,global-pasture-watch,land,landcover,landuse,landuse-landcover,pasture,publisher-dataset,rangeland,vegetation \n2000-01-01T00:00:00Z/2023-01-01T00:00:00Z \n-90 -180 90 180 \nGoogle Earth Engine \nhttps://developers.google.com/earth-engine/datasets\n\n- [https://doi.org/10.5281/zenodo.13890401](https://doi.org/https://landcarbonlab.org/data/global-grassland-and-livestock-monitoring)\n- [https://doi.org/10.5281/zenodo.13890401](https://doi.org/https://developers.google.com/earth-engine/datasets/catalog/projects_global-pasture-watch_assets_ggc-30m_v1_nat-semi-grassland_p)"]]
