China's annual forest age dataset at 30 m spatial resolution from 1986 to 2022
Notice bibliographique
Résumé
This dataset presents China’s Annual Forest Age (CAFA) at 30-m resolution from 1986 to 2025 (Version 4.0). It was derived by merging forest disturbance detection using Landsat data and age mapping of undisturbed forests using machine learning methods based on forest height, climate, terrain, and Landsat data (Shang et al., 2024; Shang et al., 2023; Lin et al., 2023). The forest extent was determined by the CLCD forest cover dataset (Yang et al. 2021). Areas classified as non-forest are set to -1, and the forest age for the year in which a disturbance occurred is set to 0. We welcome any feedback on our data for future updates!Update HistoryVersion 1.0: First release of China’s 2019 forest age data (Shang et al., 2023).Version 1.1: Updated forest mask with the CLCD forest cover dataset.Version 1.2: Optimized machine learning model inputs to improve age estimation for undisturbed forests, particularly in Northeast and Southwest China.Version 1.3: Enhanced forest disturbance detection using spatial information.Version 1.4: Expanded annual forest age data to 1986–2022 with refined disturbance detection.Version 1.5: Optimized forest disturbance detection through bidirectional monitoring.Version 1.6: Added forest ages before their first forest disturbance.Version 2.0: Second release of China’s annual forest age (CAFA) dataset from 1986 to 2022 (Shang et al., 2025).Version 3.0: Extended annual forest age coverage to 2023–2025.Version 4.0: Updated forest ages by improvinig forest disturbance detection with optimal topographic correction (Yang et al., 2026).NoticePlease click Google Drive to download the full CAFA dataset from 1986 to 2025.Emails: Rong Shang (rongshang90@gmail.com, https://www.researchgate.net/profile/Rong-Shang), Jing M. Chen (jing.chen@utoronto.ca).CitationsShang R., Lin, X. Chen J.M., et al.,(2025), China's annual forest age dataset at a 30 m spatial resolution from 1986 to 2022. Earth System Science Data 17, 3219–3241. [Link]Shang R., Chen J.M., Xu M., et al.,(2023), China's current forest age structure will lead to weakened carbon sinks in the near future. The Innovation 4(6),100515. [Link]Lin, X., Shang, R.*, Chen, J.M., et al.,(2023), High-resolution forest age mapping based on forest height maps derived from GEDI and ICESat-2 space-borne lidar data. Agricultural and Forest Meteorology 339, 109592. [Link]Yang, Z., Shang, R.*, ... , Chen, J.M., (2026), Quantifying the efficacy of topographic correction for forest disturbance monitoring using Landsat time series. Under review.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».