中国植被功能型图(1km分辨率)

简介:

植被功能型(PFT)是根据植物种的生态系统功能及其资源利用方式而对宠大的植物种进行的组合,每一种植被功能型共享相似的植物属性,是将植物种的多样性简化为植物功能和结构的多样性,用以预测全球变化情景下生态系统结构与功能的变化。前言 -- 人工智能教程

目前,植被功能型已被广泛用于生物地理模型、生物地球化学模型、陆面过程模型和全球动态植被模型,如美国国家大气研究中心(NCAR)的陆面过程模型已经将原来用土地覆盖信息变为应用植被功能型图(Bonan et al., 2002)。植被功能型已经被用于动态全球植被模型(DGVM)中,用以预测全球变化情景下生态系统结构与功能的变化。

植被功能型指的是根据植被在生态系统中的作用和影响,将植被分类成不同的类型。通常,植被的功能型包括以下几个方面:

  1. 光合作用型:包括一些能够进行光合作用的植物,如树木、草本植物等。

  2. 土壤保护型:这类植被可以减缓水流速度,降低水土流失,保护土壤。

  3. 水源保护型:这类植被可以促进水分渗透和蓄水,从而维护水源。

  4. 气候调节型:这类植被可以吸收大量二氧化碳,减少温室气体的排放,改善气候环境。

  5. 生态修复型:这类植被在修复受损生态系统、重建生态环境方面具有重要作用。

这些功能型并不是互相独立的,而是相互交叉影响的。例如,树木既能进行光合作用,又能够保护土壤、调节气候、修复生态等。因此,在实际应用中,需要根据具体的生态系统和环境特点,综合考虑各种植被功能型的作用和利弊,选择最合适的植被类型。

数据集ID:

TPDC/PFTS_CHINA_1KM

时间范围: 2000年-2000年

范围: 全国

来源: 国家青藏高原科学数据中心

复制代码段:

var images = pie.ImageCollection("TPDC/PFTS_CHINA_1KM")

波段:

| 名称 | 类型 | 空间分辨率 | 时间分辨率 | 无效值 | 植被功能分类体系 |

B1 Byte 1000m 255 1, 温带常绿针叶树 2, 北方常绿针叶树 3, 落叶针叶树 4, 热带常绿阔叶树 5, 温带常绿阔叶树 6, 热带落叶阔叶树 7, 温带落叶阔叶树 8, 寒带落叶阔叶树 9, 温带常绿阔叶灌木 10, 温带落叶阔叶灌木 11, 寒带落叶阔叶灌木 12, 北极C3草 13, C3草 14, C4草 15, 作物 16, 永久湿地 17, 城市和建筑用地 18, 雪与冰 19, 荒地或低植被覆盖地 20, 水体

|------|--------|------|
| date | string | 影像日期 |

代码:

javascript 复制代码
var img = pie.ImageCollection("TPDC/PFTS_CHINA_1KM").select('B1').first()
print(img);
//设定颜色预览组合
var visParams = {min:0,max:14,

    palette: ['#3B4CC0','#6F91F2','#A9C5FC','#DDDDDD','#F6B69B','#E6745B','#B40426','#ffffd9','#edf8b1','#c7e9b4','#7fcdbb','#41b6c4','#1d91c0','#225ea8','#253494','#081d58']
};
//定位地图中心
Map.setCenter(107.9, 34.2, 3);
//加载影像
Map.addLayer(img, visParams, "img");

数据引用:

冉有华,李新.(2019).中国植被功能型图(1 km).国家青藏高原科学数据中心,DOI: 10.11888/Ecolo.tpdc.270101.CSTR:18406.11.Ecolo.tpdc.270101

文章引用:

  1. Ran, Y.H., Li, X., Lu, L., Li, Z.Y. (2012). Large-scale land cover mapping with the integration of multi-source information based on the Dempster-Shafer theory. International Journal of Geographical Information Science,26(1),169-191,10.1080/13658816.2011.577745.

2.冉有华,&马瀚青.(2016).中国2000年1km植物功能型分布图.遥感技术与应用,31(4),827-832

相关推荐
ai小陈2 小时前
PyTorch DataLoader数据加载性能排查:GPU利用率低的实操指南
人工智能·pytorch·python·深度学习·ai·gpu算力
测试者家园3 小时前
为什么意图驱动测试是自动化测试的下一站,而不是替代品
自动化测试·软件测试·人工智能·持续测试·ai赋能·智能化测试·软件测试变革
D202020204 小时前
TikTok Shop禁止AI语音直播落地后,跨境卖家如何通过达秘合规调整带货内容
人工智能
像风一样自由20205 小时前
20.Milvus常见问题检索不到维度错误和数据一致性
人工智能·大模型·milvus
现代野蛮人5 小时前
【深度学习实验】—— 基于 LSTM 与 Optuna 调参的丙型肝炎预测
人工智能·深度学习·lstm
支支დ5 小时前
VO by Vercel 前端特定优势:为什么它是构建 AI 应用的新范式
前端·人工智能
ZGIAI5 小时前
ZGI 让那些"等你去处理"的事,真正跑起来
人工智能·架构
ZGIAI5 小时前
ZGI:别再做Agent Demo了,先问问它在业务里能不能撑过下周三
人工智能·架构
香芋芋圆5 小时前
AI 冲击内卷之下,普通前端如何破局?WebGIS—— 低门槛突围赛道
前端·javascript·人工智能·学习·职场发展
m0_614523555 小时前
完整教程|输入一句描述,能不能直接生成一段可以继续剪辑的视频:写结构化描述到生成短样片
人工智能·音视频