AGBD: A Global-scale Biomass Dataset

准确估算地上生物量（AGB）对应对人类面临的两大挑战——气候变化和生物多样性损失至关重要。目前卫星图像估算AGB的数据集存在局限性，要么专注于高分辨率的特定区域，要么提供低分辨率的全球覆盖。因此需要一个机器学习准备就绪、具有全球代表性和高分辨率基准的数据集。我们的研究发现，不同植被类型的生物量估算存在显著差异，强调了需要一个准确捕捉全球多样性的数据集。为填补这些空白，我们推出了一个全球分布、覆盖多种植被类型、跨越多年的综合新数据集。该数据集结合了GEDI任务的AGB参考数据和Sentinel-2、PALSAR-2图像数据，还包括预处理的高级特征，如密集的冠层高度图、高程图和土地覆盖分类图。我们还为数据集所覆盖的整个区域生成了密集的高分辨率（10m）AGB预测地图。经过严格测试，我们的数据集附带了多个基准模型，并可公开获取。使用一行代码即可轻松访问，为全球AGB估算的努力提供了坚实的基础。GitHub存储库github.com/ghjuliasialelli/AGBD是所有代码和数据的一站式商店。

本论文旨在解决全球森林生物量估计的数据集缺乏问题，提出了一种新的、全球性、高分辨率的数据集，并提供了一些基准模型。

论文的关键思路是将GEDI任务的参考数据与Sentinel-2和PALSAR-2卫星图像数据相结合，创建一个全球性的、高分辨率的、包含多种植被类型的数据集，并提供了一个密集的、高分辨率的全球森林生物量预测地图。

论文的亮点包括：使用了多种数据源，包括GEDI任务、Sentinel-2和PALSAR-2卫星图像数据；提供了一个全球性的、高分辨率的、包含多种植被类型的数据集，以及一个密集的、高分辨率的全球森林生物量预测地图；提供了多个基准模型，并公开了数据和代码。

最近在这个领域中的相关研究包括：1. 'Mapping Forest Biomass using Remote Sensing Data: A Comparison of Machine Learning and Image Processing Techniques'；2. 'Mapping Aboveground Biomass in the Amazon Basin: Exploring Sensors, Scales, and Strategies for Optimal Data Synthesis'。