python森林生物量（蓄积量）数据处理到随机森林估算全流程

Global Forest Biomass http://webarchive.iiasa.ac.at/Research/FOR/biomass.html This work presents a technique to downscale the aggregated results of the FRA2005 from the country level to a half degree global spatial dataset containing forest growing stock; above/belowground biomass, dead wood and total forest biomass; and above-ground, below-ground, dead wood, litter and soil carbon. The downscaling method is derived using a relationship between net primary productivity (NPP) and biomass and the relationship between human impact and biomass assuming a decrease in biomass with an increased level of human activity. The results, presented here, represent one of the first attempts to produce a consistent global spatial database at half degree resolution containing forest growing stock, biomass and carbon stock values. Kindermann, G.E., McCallum, I., Fritz, S. & Obersteiner, M. 2008. A global forest growing stock, biomass and carbon map based on FAO statistics. Silva Fennica 42(3): 387–396. # All data in ESRI ASCII grid 0.5 deg lat/lon

使用机器学习改进洪水地形的免费地形数据 作为计划要求的一部分，该研究项目探索了机器学习模型使免费数字地面模型（例如广泛使用的SRTM）更适用于洪水建模的潜力。 ，方法是去除与植被和建成区有关的垂直偏差，以获得“裸土”数字地形模型。 下图在所考虑的三个测试区域之一中可视化了其中一个模型（全卷积神经网络）的性能（即，在模型训练和验证过程中看不到的数据，用于评估模型推广到新位置的能力）。 相关的开放获取期刊文章提供了更详细的描述。 Python脚本 在此研究中使用的所有Python代码片段都在这里共享（包括准备输入数据，构建和训练三个不同的ML模型以及可视化结果），希望它们对其他从事相关工作或扩展/改进此功能的人有用方法。 请注意，此代码包含许多探索性步骤和一些死胡同，并且不是在新位置应用此方法的完善的分步模板。 脚本存储在与运行它们的虚拟环境相关的文件夹中，以及一个文本文件，该文本文件汇总