Spatial database of planted forests in East Asia using machine learning (final products)

The shapefile depicts the distribution of planted forests in East Asia (China, Japan, ROK, and DPRK) and associated dominant tree species to the genus level. The dataset is in a shapefile where each polygon is 0.009° by 0.009° (approximately 1km²) in size within the forested area of 2020 (5m or greater in tree height) based on the FAO’s definition of “forest.” <br> For each polygon, attributes include information on planted forest, dominant tree species, and geospatial entity as follow: <strong>ID:</strong> Polygon ID <strong>Biome:</strong> Biome classes used in the study <strong>Country:</strong> Country <strong>Prc_Pln:</strong> Percent planted forest predicted by the three models (upper bound, midpoint, and lower bound). The values are means of the three models, which is the main result of our study. NA for ROK and majority of areas in Japan, where national planted forest maps were used as a final planted/natural label (see References). <strong>Prc_P_U:</strong> Percent planted forest predicted by the upper bound model. NA for ROK and majority of areas in Japan, where national planted forest maps were used as a final planted/natural label. Note that values are not always higher than Prc_Pln. <strong>Prc_P_L:</strong> Percent planted forest predicted by the lower bound model. NA for ROK and majority of areas in Japan, where national planted forest maps were used as a final planted/natural label. Note that values are not always lower than Prc_Pln. <strong>Type:</strong> “Planted” or “Natural” forests based on the main result. For our predicted percent planted forest, “Planted” if Prc_Pln is 0.5 or greater and “Natural” if Prc_Pln &lt; 0.5. For Prc_Pln = NA, national planted forest maps were used to determine if the given polygon is a planted forest, and if not, “Natural.” <strong>Typ_Upp:</strong> “Planted” or “Natural” forests based on the upper bound model. For our predicted percent planted forest, “Planted” if Prc_P_U is 0.5 or greater and “Natural” if Prc_P_Upp &lt; 0.5. For Prc_P_Upp = NA, national planted forest maps were used to determine if the given polygon is a planted forest, and if not, “Natural.” <strong>Typ_Lwr:</strong> “Planted” or “Natural” forests based on the lower bound model. For our predicted percent planted forest, “Planted” if Prc_P_L is 0.5 or greater and “Natural” if Prc_P_L &lt; 0.5. For Prc_P_L = NA, national planted forest maps were used to determine if the given polygon is a planted forest, and if not, “Natural.” <strong>Genus:</strong> For Type = “Planted”, this attribute indicates the predicted dominant genus. NA for Type = “Natural”. <strong>Gns_Upp:</strong> For Typ_Upp = “Planted”, this attribute indicates the predicted dominant genus. NA for Typ_Upp = “Natural”. <strong>Gns_Lwr:</strong> For Typ_Lwr = “Planted”, this attribute indicates the predicted dominant genus. NA for Typ_Lwr = “Natural”. <strong>Besnard_Yr:</strong> Estimated planted year based on Besnard et al. (2021) by overlay. <strong>Du_Yr:</strong> Estimated planted year based on Du et al. (2022) by overlay. <strong>Area_m2:</strong> Polygon area in square meters. <br> Planted forest in this map includes forests planted for restoration purposes, commercial plantation, and other artificial planting for other purposes, such as for landscape and disaster prevention, of all ages. <br> Raster files are available for percent planted forest, type, and dominant genus, where 1 = "Planted" and 0 = "Natural" for the type. Values are 99 for natural forests for percent planted forest and dominant genus. Numbers for dominant genera are as follows: 1 = Abies 2 = Acer 3 = Alnus 4 = Betula 5 = Carpinus 6 = Castanea 7 = Castanopsis 8 = Chamaecyparis 9 = Cryptomeria 10 = Cunninghamia 11 = Eucalyptus 12 = Fagus 13 = Ilex 14 = Larix 15 = Picea 16 = Pinus 17 = Quercus 18 = Robinia 19 = Tilia <br> References -Biodiversity Center of Japan. <em>Vegetation Survey (7)</em> https://www.biodic.go.jp/moni1000/findings/data/index_file.html (2021). -Kim, K.-M., Kim, C.-M. &amp; Jun, E. J. Study on the standard for 1:25,000 scale digital forest type map production in Korea. <em>J. Korean Assoc. Geograp. Infor. Stud</em> <strong>12</strong>, 143-151 (2009). -Besnard, S. <em>et al.</em> Mapping global forest age from forest inventories, biomass and climate data. <em>Earth Syst.</em> <em>Sci. Data</em>, <strong>13</strong>, 4881-4896 (2021). -Du, Z. et al. A global map of planting years of plantations v2. figshare https://doi.org/10.6084/m9.figshare.19070084.v2 (2022).

本形状文件（Shapefile）展示了东亚地区（中国、日本、大韩民国（ROK）及朝鲜民主主义人民共和国（DPRK））的人工林分布，以及关联的优势树种至属级别的信息。本数据集采用形状文件（Shapefile）格式，其中每个多边形对应2020年森林区域内的0.009°×0.009°（约1平方千米）的范围；此处森林的定义依据联合国粮食及农业组织（Food and Agriculture Organization, FAO）的标准，即树木高度≥5米的区域。

对于每个多边形，其属性涵盖人工林相关信息、优势树种及地理空间实体，具体如下：
**ID：** 多边形唯一标识符
**Biome：** 本研究采用的生物群系分类
**Country：** 所属国家
**Prc_Pln：** 由三个模型（上限、中点、下限）预测的人工林占比，其数值为三个模型的均值，为本研究的核心结果。大韩民国及日本大部分区域的该字段为无数据（NA），上述区域采用国家人工林地图作为最终的人工/天然林标签（详见参考文献）。
**Prc_P_U：** 由上限模型预测的人工林占比。大韩民国及日本大部分区域的该字段为无数据（NA），上述区域采用国家人工林地图作为最终的人工/天然林标签。需注意，该字段数值未必高于Prc_Pln。
**Prc_P_L：** 由下限模型预测的人工林占比。大韩民国及日本大部分区域的该字段为无数据（NA），上述区域采用国家人工林地图作为最终的人工/天然林标签。需注意，该字段数值未必低于Prc_Pln。
**Type：** 基于核心结果判定的森林类型，分为“人工林（Planted）”与“天然林（Natural）”。当Prc_Pln≥0.5时判定为人工林，Prc_Pln<0.5时判定为天然林；若Prc_Pln为无数据（NA），则采用国家人工林地图判定该多边形是否为人工林，否则归类为天然林。
**Typ_Upp：** 基于上限模型预测结果判定的森林类型，分为“人工林（Planted）”与“天然林（Natural）”。当Prc_P_U≥0.5时判定为人工林，Prc_P_U<0.5时判定为天然林；若Prc_P_U为无数据（NA），则采用国家人工林地图判定该多边形是否为人工林，否则归类为天然林。
**Typ_Lwr：** 基于下限模型预测结果判定的森林类型，分为“人工林（Planted）”与“天然林（Natural）”。当Prc_P_L≥0.5时判定为人工林，Prc_P_L<0.5时判定为天然林；若Prc_P_L为无数据（NA），则采用国家人工林地图判定该多边形是否为人工林，否则归类为天然林。
**Genus：** 当Type为“人工林”时，该字段表示预测得到的优势树种属；当Type为“天然林”时，该字段为无数据（NA）。
**Gns_Upp：** 当Typ_Upp为“人工林”时，该字段表示预测得到的优势树种属；当Typ_Upp为“天然林”时，该字段为无数据（NA）。
**Gns_Lwr：** 当Typ_Lwr为“人工林”时，该字段表示预测得到的优势树种属；当Typ_Lwr为“天然林”时，该字段为无数据（NA）。
**Besnard_Yr：** 通过空间叠加分析，基于Besnard等人（2021）的研究得到的人工林种植年份估算值。
**Du_Yr：** 通过空间叠加分析，基于Du等人（2022）的研究得到的人工林种植年份估算值。
**Area_m2：** 多边形面积，单位为平方米。

本数据集所涵盖的人工林，包含所有林龄的、用于生态修复、商业造林及其他人工造林用途（如景观营造与防灾减灾）的森林。

本数据集同时提供人工林占比、森林类型及优势树种属的栅格文件：其中森林类型字段中，1代表“人工林”，0代表“天然林”；人工林占比与优势树种属字段中，天然林对应的数值为99。优势树种属的数值编码规则如下：1=冷杉属（Abies）、2=槭属（Acer）、3=桤木属（Alnus）、4=桦木属（Betula）、5=鹅耳枥属（Carpinus）、6=栗属（Castanea）、7=锥属（Castanopsis）、8=扁柏属（Chamaecyparis）、9=柳杉属（Cryptomeria）、10=杉木属（Cunninghamia）、11=桉属（Eucalyptus）、12=山毛榉属（Fagus）、13=冬青属（Ilex）、14=落叶松属（Larix）、15=云杉属（Picea）、16=松属（Pinus）、17=栎属（Quercus）、18=刺槐属（Robinia）、19=椴属（Tilia）

参考文献：
1. 日本生物多样性中心. 《植被调查（第7辑）》[EB/OL]. https://www.biodic.go.jp/moni1000/findings/data/index_file.html, 2021.
2. Kim, K.-M., Kim, C.-M. & Jun, E. J. 韩国1:25000比例尺数字森林类型图制作标准研究. 《韩国地理信息研究学会期刊》, 12卷, 143-151 (2009).
3. Besnard, S. 等. 基于森林清查、生物量与气候数据的全球森林年龄制图. 《地球系统科学数据》, 13卷, 4881-4896 (2021).
4. Du, Z. 等. 全球人工林种植年份地图v2. figshare https://doi.org/10.6084/m9.figshare.19070084.v2, 2022.

搜集汇总

背景与挑战

背景概述

该数据集提供了东亚地区人工林的空间分布和主要树种属级分类的详细信息，适用于森林管理和环境研究。数据集以shapefile和栅格文件格式提供，包含多种属性信息，如人工林比例、树种属类等，基于机器学习和国家人工林地图进行预测和验证。