重磅数据——GEDI L4D 数据（GEDI L4D Imputed Waveforms, Version 2）：将激光点云变为连续性30米栅格图像（高度和生物量）-北京尧图网络

GEDI L4D 插补波形数据 v2将激光雷达足迹扩展为30米连续栅格引言森林是地球碳循环的关键组成部分但精确量化全球森林的结构与碳储量一直是个巨大挑战。GEDI全球生态系统动力学调查Global Ecosystem Dynamics Investigation任务作为首个专为森林结构观测设计的星载激光雷达系统为我们提供了前所未有的高精度三维植被结构数据。然而GEDI的原始数据以离散足迹footprint的形式存在——每个直径约25米的采样点沿轨道方向间隔约60米。这种离散采样的特性虽然精度极高却难以直接用于生成连续的空间产品。本文介绍的GEDI L4D 插补波形数据 v2GEDI L4D Imputed Waveforms, Version 2正是为了解决这一难题而生。它通过机器学习方法将GEDI的高质量足迹观测“插补”到每一个30米像素上实现了从离散点到连续栅格的跨越。数据集概述属性说明数据集IDLARSE/GEDI/GEDI04_D_002时间范围2019-04-18 至 2023-03-16任务第19周至第223周空间分辨率30 米空间范围全球陆地南北纬 51.6° 之间数据生产者ORNL DAAC数据版本Version 2核心创新该产品并非简单的插值或平滑而是通过k最近邻k-NN算法利用Landsat时间序列数据为每个30米像素“匹配”一个最相似的高质量GEDI观测足迹。这意味着每个像素都获得了来自真实GEDI观测的完整波形属性。生产方法详解该产品的生成过程体现了遥感领域“时空协同”的前沿思路数据基础融合了GEDI L2A高程与高度指标、L2B冠层覆盖率和L4A地上生物量密度三个级别产品的V002/V2.1版本数据。分区建模以10 × 10 公里的图块为基本建模单元每个图块独立训练一个k-NN模型。候选的“邻居”来自以该图块为中心的至少 30 × 30 公里的支持区域。目标年份插补以2023年为中心的Landsat时间序列影像作为参考。核心输出最基本的输出是每个30米像素对应的GEDI拍摄编号通过五个字段分段传递用户可据此反查任意拍摄级属性。模型诊断每个10公里模型的诊断结果包括RMSE和Kolmogorov-Smirnov检验结果单独提供便于用户评估产品质量。波段信息所有波段的空间分辨率均为30 米。波段名称说明rh10 ~ rh98相对高度指标RH10, RH20, RH30, RH40, RH50, RH60, RH70, RH80, RH90, RH95, RH98cover_z_000冠层覆盖率agbd地上生物量密度Aboveground Biomass Densitysensitivity_a2敏感程度shot_orbit拍摄编号的轨道分量shot_beam拍摄编号的波束分量shot_future拍摄编号的未来分量shot_granule拍摄编号的粒度分量shot_index拍摄编号的拍摄索引分量QA质量评估掩码QA波段取值说明值说明0无数据像素位于区域边界之外1有效数据2无数据无法使用无云CCDC数据Earth Engine 代码示例JavaScriptCode Editor// 加载 GEDI L4D 插补波形数据 v2vardatasetee.ImageCollection(LARSE/GEDI/GEDI04_D_002);// 查看数据集信息print(Dataset:,dataset);print(Number of images:,dataset.size());// 获取最新一期数据varimagedataset.sort(system:time_start,false).first();// 选择相对高度指标例如 RH50即冠层高度中位数varrh50image.select(rh50);// 可视化参数varvisParams{min:0,max:30,palette:[green,yellow,orange,red]};// 添加到地图Map.centerObject(rh50,10);Map.addLayer(rh50,visParams,RH50 (Canopy Height Median, m));// 同时显示地上生物量密度varagbdimage.select(agbd);varagbdVis{min:0,max:300,palette:[white,lightgreen,darkgreen,brown]};Map.addLayer(agbd,agbdVis,AGBD (Mg/ha));多波段组合分析JavaScript// 加载并选择一幅影像varimageee.ImageCollection(LARSE/GEDI/GEDI04_D_002).sort(system:time_start,false).first();// 提取关键结构参数varcanopyHeightimage.select(rh98);// 近似最大冠层高度varcanopyCoverimage.select(cover_z_000);varbiomassimage.select(agbd);// 计算森林结构综合指数示例varforestStructurecanopyHeight.multiply(canopyCover).sqrt();// 可视化Map.addLayer(forestStructure,{min:0,max:20,palette:[blue,cyan,green,yellow,red]},Forest Structure Index);提取特定区域统计值JavaScript// 定义感兴趣区域例如亚马逊雨林某处varroiee.Geometry.Rectangle([-70,-10,-60,-5]);// 加载数据vardatasetee.ImageCollection(LARSE/GEDI/GEDI04_D_002);// 计算区域平均生物量varmeanBiomassdataset.select(agbd).mean().reduceRegion({reducer:ee.Reducer.mean(),geometry:roi,scale:30,maxPixels:1e9});print(Mean AGBD in ROI (Mg/ha):,meanBiomass.get(agbd));Pythongeemap / eeimporteeimportgeemap# 初始化 Earth Engineee.Initialize()# 加载数据集datasetee.ImageCollection(LARSE/GEDI/GEDI04_D_002)# 获取最新影像imagedataset.sort(system:time_start,False).first()rh50image.select(rh50)# 创建交互式地图Mapgeemap.Map()Map.centerObject(rh50,10)# 可视化参数vis_params{min:0,max:30,palette:[green,yellow,orange,red]}Map.addLayer(rh50,vis_params,RH50 (Canopy Height Median, m))Map.addLayerControl()Map应用场景该数据集可广泛应用于以下领域森林碳储量估算通过AGBD波段直接获取30米分辨率的地上生物量密度。森林高度制图利用RH系列指标RH10~RH98刻画冠层垂直结构。森林退化与恢复监测通过时间序列分析追踪森林结构变化。生物多样性评估冠层高度和覆盖率的组合可反映栖息地复杂性。碳循环模型输入为全球和区域碳模型提供高分辨率结构参数。引用与数据访问建议引用格式Seo, E., S.P. Healey, Z. Yang, R.O. Dubayah, T. De Conto, and J. Armston. 2025. GEDI L4D Imputed Waveforms, Version 2. ORNL DAAC, Oak Ridge, Tennessee, USA. https://doi.org/10.3334/ORNLDAAC/2455数据访问完整数据集含GeoTIFF文件、GeoPackage诊断文件、用户指南和算法理论文档可通过 ORNL DAAC 获取。本数据集共包含1,584个数据文件按UTM投影和半球分区组织。注意事项空间范围限制该产品仅覆盖南北纬 51.6° 之间的全球陆地范围不包含高纬度地区。插补性质每个30米像素的值来源于k-NN算法匹配的“最相似”GEDI足迹并非实际观测。虽然插补质量经过模型诊断验证但用户应注意其统计学性质。目标年份插补以2023年为中心的Landsat时间序列为参考因此产品反映的是该时段附近的森林状态。数据版本当前为Version 2相比前一版本有算法改进。使用前请确认版本信息。质量评估使用QA波段筛选有效数据QA 1避免使用无数据区域。总结GEDI L4D 插补波形数据 v2 是一项具有里程碑意义的数据产品。它将GEDI任务的高精度激光雷达观测从离散的25米足迹扩展为连续的30米全球栅格为全球森林结构研究和碳循环建模提供了前所未有的数据支持。通过融合Landsat时间序列和k-NN机器学习算法该产品在保持GEDI观测精度的同时实现了空间上的连续覆盖。无论您是从事碳循环研究、森林生态监测还是生物多样性保护该数据集都将是您工具箱中不可或缺的利器。

重磅数据——GEDI L4D 数据（GEDI L4D Imputed Waveforms, Version 2）：将激光点云变为连续性30米栅格图像（高度和生物量）

相关推荐

CentOS6.5 虚拟机部署 iSCSI 存储 + multipath 多路径完整实操

一文讲透 Spring AOP、Bean 作用域与事务：从代理机制到事务失效

MHY_Scanner 扫码登录器实战指南：从屏幕监控到直播抢码的自动化方案

更多资讯

安卓玩转Unity重制版头文字D3：800×600分辨率调优实战

环形队列与自适应总线：高实时日志系统的硬件级优化

SpringBoot相册系统毕业设计实战：从搭建到一键打包

Unity开发者的iOS Native广告接入指南：AppLovin Max避坑实战

JSP教学管理系统从零到答辩：三层架构、数据库设计与避坑指南

Context-Mode实战：如何让大模型在正确的上下文中工作

今日更新

基于sEMG与IMU的手语手势识别：从数据采集到实时部署避坑指南

装配车间MES落地指南：SimpleMES工单流转、BOM与齐套检查实战

AI获客怎样减少重复线索？意客AI的原文复用与版本筛选

本周精选

CMOS设计三大物理效应：体效应、沟道长度调制与亚阈值导电

微信小程序在线阅读毕设全解析：Java后端+MySQL+避坑实战

Android音频问题五层分析法：从App到Codec的系统化诊断

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？