Global Age Mapping Integration (GAMI)

GAMI is an updated dataset providing global forest age distributions for 2010 and 2020 with 100-meter resolution, improving upon the MPI-BGC forest age product. Utilizing machine learning, specifically XGBoost, the estimates are based on over 40,000 forest inventory plots, biomass/height data, remote sensing, and climate data. The dataset incorporates Landsat-based disturbance history and uses multiple XGBoost models with varied hyperparameters to address aleatoric and epistemic uncertainties. Twenty realizations of biomass data with controlled perturbations simulate natural variability, offering robust statistical measures and confidence intervals. Additionally, GAMI provides age class fraction products at different spatial resolutions for custom analyses.

The full description of the data and the updates to version 1.0 (Besnard, 2021, https://doi.org/10.17871/ForestAgeBGI.2021) is provided in the associated data description file.

GAMI是一套更新后的数据集，提供2010年与2020年的全球森林年龄分布数据，空间分辨率达100米，相较MPI-BGC森林年龄产品实现了性能优化。该数据集借助机器学习技术，即极限梯度提升树（XGBoost）算法进行估算，其数据基础涵盖超过4万个森林清查样地、生物量/高度数据、遥感数据与气候数据。本数据集整合了基于Landsat卫星的干扰历史数据，并通过多组超参数各异的XGBoost模型来处理随机不确定性与认知不确定性。研究人员通过对生物量数据施加可控扰动生成20组仿真实现值，以此模拟自然变异性，从而提供稳健的统计量与置信区间。此外，GAMI还提供不同空间分辨率的林龄等级占比产品，以满足定制化分析需求。

关于该数据集的完整说明以及1.0版本的更新内容（Besnard, 2021, https://doi.org/10.17871/ForestAgeBGI.2021），详见配套的数据说明文档。

搜集汇总

背景与挑战

背景概述

GAMI数据集提供2010年和2020年全球森林年龄分布的100米分辨率数据，采用机器学习方法结合多源数据估算，并包含干扰历史和不确定性分析。