projectresilience/ELUC-committed

Project Resilience Emissions from Land-Use Change Dataset数据集包含了土地利用变化对CO2排放的估计数据，数据来源于Bookkeeping of Land-Use Emissions (BLUE)模型和Land-Use Harmonization Project 2 (LUH2)。数据集按纬度、经度和时间索引，每行包含特定年份的土地利用情况、土地利用变化以及该年份结束时的承诺碳排放量（以吨碳/公顷为单位）。数据集还包括单元格面积、所在国家名称等信息，并提供了详细的土地利用类型分类。该数据集用于支持土地利用规划的研究，并在多个国际会议和研讨会上进行了展示。

The Project Resilience Emissions from Land-Use Change Dataset contains estimated data on CO₂ emissions induced by land-use change, which is sourced from the Bookkeeping of Land-Use Emissions (BLUE) model and the Land-Use Harmonization Project 2 (LUH2). The dataset is indexed by latitude, longitude and time. Each row includes land use status, land use change occurring in a specific year, and the committed carbon emissions (in tons of carbon per hectare) at the end of that year. Additionally, the dataset provides supplementary information such as grid cell area and the name of the country where the cell is situated, alongside detailed land use type classifications. This dataset supports research related to land-use planning and has been presented at multiple international conferences and seminars.

原始信息汇总

Project Resilience Emissions from Land-Use Change Dataset

数据集概述

• 名称: Project Resilience Emissions from Land-Use Change Dataset
• 语言: 英语
• 大小类别: 10M<n<100M
• 标签: 气候

配置

• 配置名称: default
• 数据文件:
  • 分割: train
  • 路径: data/train-*

数据集信息

特征

• ELUC_diff: float32
• c3ann: float32
• c3ann_diff: float32
• c3nfx: float32
• c3nfx_diff: float32
• c3per: float32
• c3per_diff: float32
• c4ann: float32
• c4ann_diff: float32
• c4per: float32
• c4per_diff: float32
• cell_area_diff: float32
• pastr: float32
• pastr_diff: float32
• primf: float32
• primf_diff: float32
• primn: float32
• primn_diff: float32
• range: float32
• range_diff: float32
• secdf: float32
• secdf_diff: float32
• secdn: float32
• secdn_diff: float32
• urban: float32
• urban_diff: float32
• ELUC: float32
• cell_area: float32
• country: float64
• crop: float32
• crop_diff: float32
• country_name: string
• time: int64
• lat: float64
• lon: float64

分割

• 名称: train
• 字节数: 6837499488
• 样本数: 41630020

大小

• 下载大小: 3195082319
• 数据集大小: 6837499488

搜集汇总

数据集介绍

构建方式

在土地利用变化与碳排放研究领域，Project Resilience Emissions from Land-Use Change Dataset（ELUC-committed）的构建体现了多源数据融合与精细化处理。该数据集整合了土地利用变化数据与碳排放估算，原始数据来源于土地利用协调项目第二版（LUH2）提供的网格化土地利用变化信息，以及基于簿记模型（BLUE）计算的承诺碳排放量。构建过程中，通过空间索引将两个原始数据文件进行连接，并对时间序列进行对齐处理，确保土地利用变化与碳排放数据在年份上保持一致。同时，将多种作物类型数据聚合为统一字段，并为每个网格单元添加了所属国家名称，最终形成以纬度、经度和时间为索引的结构化数据集。

特点

该数据集在气候与环境科学领域展现出显著的数据完整性与时空连续性。其核心特征在于提供了1850年至2022年间全球范围的网格化承诺碳排放量，空间分辨率达到0.25度，覆盖了多种土地利用类型，包括原始森林、次生植被、农田、牧场及城市用地等。数据集不仅包含各类土地的年际变化量，还特别强调了承诺碳排放的概念，即将土地利用变化事件及其后续所有碳通量归因于事件发生年份。这种设计使得数据能够更准确地反映人类活动对碳循环的长期影响，为深入分析土地利用变化与碳排放的时空动态提供了坚实基础。

使用方法

在应对气候变化的机器学习应用中，该数据集为土地规划与碳管理研究提供了关键数据支持。研究人员可通过加载数据集，利用其经纬度与时间索引，分析特定区域或全球范围内的土地利用变化趋势及其碳排放效应。数据集适用于构建预测模型，评估不同土地管理政策对碳排放的潜在影响，或用于训练机器学习算法以发现可持续的土地利用策略。使用时可结合国家名称字段进行区域对比研究，或利用网格面积数据将碳排放量转换为区域总量估算，从而支持从局部到全球尺度的气候政策分析与决策制定。

背景与挑战

背景概述

在应对全球气候变化的科学探索中，土地利用变化产生的碳排放是评估碳收支与制定减排策略的核心变量。Project Resilience Emissions from Land-Use Change (ELUC-committed) 数据集应运而生，由国际电信联盟（ITU）支持的“Project Resilience”项目于2023年前后构建并发布，其核心研究旨在量化因土地利用活动而“承诺”的长期二氧化碳排放。该数据集整合了土地利用变化模型（LUH2）与簿记模型（BLUE）的权威数据，为机器学习领域，特别是在NeurIPS 2023气候机器学习研讨会上的相关研究，提供了高时空分辨率的网格化分析基础，对深化理解人类活动对碳循环的长期影响、支持土地规划与可持续发展目标（SDGs）具有重要科学价值。

当前挑战

该数据集致力于解决土地利用变化碳排放的精确量化与归因这一复杂领域问题，其核心挑战在于如何准确模拟和整合不同土地类型转换后长达数十年的碳通量动态，并将这些“承诺排放”合理归因于初始扰动年份。在构建过程中，挑战主要源于多源异构数据的融合与处理，包括将LUH2的土地利用变化网格数据与BLUE模型的承诺排放估算进行时空对齐与连接，并确保不同作物类型等细分土地类别的数据聚合与一致性处理。此外，处理长达172年（1850-2022年）的全球高分辨率（0.25°）数据，在保证数据完整性与计算可行性方面也构成了显著的技术挑战。

常用场景

经典使用场景

在气候变化与土地利用研究领域，该数据集为量化碳排放与土地覆盖变迁的关联提供了精细化的时空网格数据。其经典使用场景在于支持机器学习模型训练，特别是强化学习算法，以模拟不同土地管理策略对碳排放的长期影响。通过整合土地利用变化与承诺碳排放数据，研究者能够构建动态环境模型，评估政策干预下碳通量的演变轨迹，从而为可持续土地规划提供数据驱动的决策依据。

解决学术问题

该数据集有效解决了全球碳循环研究中土地利用变化碳排放归因的复杂性问题。传统方法难以精确追踪历史土地转换事件引发的长期碳通量，而本数据集通过承诺碳排放概念，将多年累积的碳排放归因于初始土地变化年份，提升了排放责任分配的时空准确性。其意义在于为气候模型提供了更可靠的输入参数，推动了碳预算估算的精细化，对实现《巴黎协定》温控目标具有关键科学价值。

衍生相关工作

围绕该数据集衍生的经典工作包括NeurIPS 2023研讨会发表的《发现土地利用规划的有效政策》研究，该工作利用数据集训练强化学习智能体，探索最小化碳排放的土地配置策略。此外，基于数据集开发的决策支持平台已在联合国人工智能造福人类峰会上展示，推动了跨学科合作，催生了多项融合气候科学、地理信息与机器学习的前沿研究项目。