🐏1990年至2020年青藏高原年度高分辨率放牧强度图
《Earth System Science Data》，ESSD 是一本国际性、跨学科的期刊，主要发表关于原始研究数据（数据集）的文章，旨在促进对高质量数据的再利用，这些数据对地球系统科学有益。期刊鼓励提交原始数据或具有重要贡献潜力的数据集合。ESSD 包括常规长度的文章、简短通讯（例如对数据集的补充）以及评论文章和特刊。
https://www.earth-system-science-data.net/
英文题目：Annual high-resolution grazing-intensity maps on the Qinghai–Tibet Plateau from 1990 to 2020
中文译名：1990 年至 2020 年青藏高原年度高分辨率放牧强度图
发布时间：2024年11月7日
发表期刊：Earth System Science Data
第一作者：Jia Zhou et al
第一单位：中国科学院成都生物研究所
DOI：10.5194/essd-16-5171-2024
放牧活动是青藏高原（QTP）草地保护面临的最大挑战之一，了解放牧强度的时空变化对于制定有效的草地管理政策至关重要。为此，本研究提供了首个1990年至2020年青藏高原年度高分辨率放牧强度数据集（GDGI），数据集分辨率达到100米，为草地可持续利用和环境影响评估提供了基础数据支持。
本研究利用五种常用的机器学习算法，开发了一个牧畜空间化模型，基于地形、气候、植被和社会经济等七个关键因子，将县级牧畜普查数据空间化至100米分辨率。研究表明，极限树（ET）模型在表达环境因子与放牧强度之间的复杂非线性关系方面表现最佳，其平均绝对误差为0.081羊单位/公顷，优于其他模型21.58%到414.60%。
从1990年至2020年，青藏高原的放牧强度呈现出明显的时空异质性。1990年至1997年，放牧强度保持较高且稳定，随后在1997至2001年间发生急剧下降，2001年后波动变化。数据表明，放牧活动的剧烈变化可能与政策和环境因素密切相关。
极限树（ET）模型以其优越的性能成功捕捉了放牧强度的空间异质性，且在准确性评估中显示出与其他现有数据集相比的显著优势。模型评估表明，GDGI数据集的决定系数（R²）超过0.8，显示出极高的可靠性和精确度。
该数据集的高分辨率（100米）使其能够详细捕捉到青藏高原的放牧强度变化，并为草地资源的合理利用、环境影响评估和可持续发展提供了宝贵的信息基础。与现有的青藏高原放牧分布图相比，GDGI在时空尺度和精确度上均表现优异。
【数据获取】
青藏高原 1990 年至 2020 年的年度网格化放牧强度地图可通过以下链接访问：
https://doi.org/10.5281/zenodo.10851119
每张地图按年份分类并以 GeoTIFF 格式记录，值以 表示。这些数据集的空间分辨率为 100 米，时间分辨率为年度，采用 WGS 1984 Albers 地理坐标系。
通过应用极限树机器学习算法，本研究生成了青藏高原的年度高分辨率放牧强度图集，为草地管理和环境保护提供了重要数据支持。该数据集涵盖了1990年至2020年的放牧强度变化，具有极高的空间和时间分辨率。通过与其他现有数据集的比较，GDGI数据集证明了其在精确度和可靠性上的优势，能够为后续研究和草地可持续管理提供坚实的基础。
图1. 青藏高原地理分区图与草原植被叠加。
图2. 使用不同方法和源产品创建放牧强度图的流程图。
图3. 模型预测的县级牲畜数量和普查放牧数据的散点图。图4. 1990年至2020年ET预测放牧强度结果的精度(100米）。
图5. 基于ET和蒙特卡洛方法的放牧强度图不确定性分析。
图6. 使用112个现场掠射强度记录在像素尺度上验证 GDGI 数据集。
图7. 使用乡镇级牲畜普查数据验证 GDGI 数据集。图8. 使用1990年至2020年的普查放牧数据验证GDGI地图。
图9. 2001年和2015年不同放牧数据集的比较。
表1. 本研究中使用的牲畜数据摘要。
表2. 影响青藏高原放牧活动的因素总结。
表3. 基于相同验证数据集的五种机器学习模型的映射精度比较。
表4. 本研究的地图导出参数摘要以及覆盖青藏高原的其他七个公共网格牲畜数据集。
E N D
获取方式：关注我们的微信公众“地学韦丰吉司长”。后台回复关键字“20241108-1”，即可直接获取原文PDF。（提示：关键字要完整）
免责申明
本推送文章（数据）来源于公开渠道，我们已注明相关信息来源，版权归原作者或出处所有。本推文仅用于学术交流和信息分享。欢迎广大学者们转发本号发布的内容，可留言或后台私信韦丰小编进行授权，转载请注明出处，侵删。
