Changes

              
    

          
          
        
        

            
f
1
{
f
1
{
            
2
  "author": "[{\"affiliation\": \"Swiss Federal Institute for Forest, 
2
  "author": "[{\"affiliation\": \"Swiss Federal Institute for Forest, 
            
3
Snow and Landscape Research WSL \", \"affiliation_02\": \"\", 
3
Snow and Landscape Research WSL \", \"affiliation_02\": \"\", 
            
4
\"affiliation_03\": \"\", \"email\": \"lars.waser@wsl.ch\", 
4
\"affiliation_03\": \"\", \"email\": \"lars.waser@wsl.ch\", 
            
5
\"given_name\": \"Lars\", \"identifier\": \"D-5937-2011\", \"name\": 
5
\"given_name\": \"Lars\", \"identifier\": \"D-5937-2011\", \"name\": 
            
6
\"Waser\"}, {\"affiliation\": \"Swiss Federal Institute for Forest, 
6
\"Waser\"}, {\"affiliation\": \"Swiss Federal Institute for Forest, 
            
7
Snow and Landscape Research WSL \", \"affiliation_02\": \"\", 
7
Snow and Landscape Research WSL \", \"affiliation_02\": \"\", 
            
8
\"affiliation_03\": \"\", \"email\": \"christian.ginzler@wsl.ch\", 
8
\"affiliation_03\": \"\", \"email\": \"christian.ginzler@wsl.ch\", 
            
9
\"given_name\": \"Christian\", \"identifier\": \"E-9544-2012\", 
9
\"given_name\": \"Christian\", \"identifier\": \"E-9544-2012\", 
            
10
\"name\": \"Ginzler\"}, {\"affiliation\": \"WSL\", \"affiliation_02\": 
10
\"name\": \"Ginzler\"}, {\"affiliation\": \"WSL\", \"affiliation_02\": 
            
11
\"\", \"affiliation_03\": \"\", \"email\": 
11
\"\", \"affiliation_03\": \"\", \"email\": 
            
12
\"achilleas.psomas@wsl.ch\", \"given_name\": \"Achilleas\", 
12
\"achilleas.psomas@wsl.ch\", \"given_name\": \"Achilleas\", 
            
13
\"identifier\": \"\", \"name\": \"Psomas\"}, {\"affiliation\": 
13
\"identifier\": \"\", \"name\": \"Psomas\"}, {\"affiliation\": 
            
14
\"WSL\", \"affiliation_02\": \"\", \"affiliation_03\": \"\", 
14
\"WSL\", \"affiliation_02\": \"\", \"affiliation_03\": \"\", 
            
15
\"email\": \"marius.rueetschi@wsl.ch\", \"given_name\": \"Marius\", 
15
\"email\": \"marius.rueetschi@wsl.ch\", \"given_name\": \"Marius\", 
            
16
\"identifier\": \"\", \"name\": \"R\\u00fcetschi\"}, {\"affiliation\": 
16
\"identifier\": \"\", \"name\": \"R\\u00fcetschi\"}, {\"affiliation\": 
            
17
\"WSL\", \"affiliation_02\": \"\", \"affiliation_03\": \"\", 
17
\"WSL\", \"affiliation_02\": \"\", \"affiliation_03\": \"\", 
            
18
\"email\": \"nataliia.rehush@wsl.ch\", \"given_name\": \"Nataliia\", 
18
\"email\": \"nataliia.rehush@wsl.ch\", \"given_name\": \"Nataliia\", 
            
19
\"identifier\": \"\", \"name\": \"Rehush\"}]",
19
\"identifier\": \"\", \"name\": \"Rehush\"}]",
            
20
  "author_email": null,
20
  "author_email": null,
            
21
  "creator_user_id": "6d44d5cd-9ac6-4100-bc2c-c02034a41b48",
21
  "creator_user_id": "6d44d5cd-9ac6-4100-bc2c-c02034a41b48",
            
22
  "date": "[{\"date\": \"2025-01-05\", \"date_type\": \"created\", 
22
  "date": "[{\"date\": \"2025-01-05\", \"date_type\": \"created\", 
            
23
\"end_date\": \"\"}]",
23
\"end_date\": \"\"}]",
            
24
  "doi": "10.16904/1000001.7",
24
  "doi": "10.16904/1000001.7",
            
25
  "extras": [
25
  "extras": [
            
26
    {
26
    {
            
27
      "key": "deprecatedResources",
27
      "key": "deprecatedResources",
            
n
28
      "value": "[\"0f22d071-5aac-4bfd-936d-89c0a56eed36\"]"
n
28
      "value": 
            
29
ac-4bfd-936d-89c0a56eed36\",\"7b6e4f37-c428-45dc-ba34-f40dd8368769\"]"
            
29
    }
30
    }
            
30
  ],
31
  ],
            
31
  "funding": "[{\"grant_number\":\"\",\"institution\":\"Federal Office 
32
  "funding": "[{\"grant_number\":\"\",\"institution\":\"Federal Office 
            
32
for the Environment (FOEN).\",\"institution_url\":\"\"}]",
33
for the Environment (FOEN).\",\"institution_url\":\"\"}]",
            
33
  "groups": [],
34
  "groups": [],
            
34
  "id": "82d763fa-123a-4648-b827-0dec02a5efbc",
35
  "id": "82d763fa-123a-4648-b827-0dec02a5efbc",
            
35
  "isopen": false,
36
  "isopen": false,
            
36
  "language": "en",
37
  "language": "en",
            
37
  "license_id": "other-undefined",
38
  "license_id": "other-undefined",
            
38
  "license_title": "Other (Specified in the description)",
39
  "license_title": "Other (Specified in the description)",
            
39
  "maintainer": "{\"affiliation\": \"Swiss Federal Institute for 
40
  "maintainer": "{\"affiliation\": \"Swiss Federal Institute for 
            
40
Forest, Snow and Landscape Research WSL \", \"email\": 
41
Forest, Snow and Landscape Research WSL \", \"email\": 
            
41
\"lars.waser@wsl.ch\", \"given_name\": \"Lars\", \"identifier\": 
42
\"lars.waser@wsl.ch\", \"given_name\": \"Lars\", \"identifier\": 
            
42
\"D-5937-2011\", \"name\": \"Waser\"}",
43
\"D-5937-2011\", \"name\": \"Waser\"}",
            
43
  "maintainer_email": null,
44
  "maintainer_email": null,
            
44
  "metadata_created": "2018-04-03T10:38:30.545175",
45
  "metadata_created": "2018-04-03T10:38:30.545175",
            
t
45
  "metadata_modified": "2025-03-09T21:30:09.522345",
t
46
  "metadata_modified": "2025-03-09T21:30:09.942671",
            
46
  "name": "forest-type-nfi",
47
  "name": "forest-type-nfi",
            
47
  "notes": "A series of Forest Type NFI datasets covering Switzerland 
48
  "notes": "A series of Forest Type NFI datasets covering Switzerland 
            
48
have been produced, and currently available for the years 2023, 2018, 
49
have been produced, and currently available for the years 2023, 2018, 
            
49
and 2016. These datasets provide the fractional representation 
50
and 2016. These datasets provide the fractional representation 
            
50
(0-100%) of the class broadleaf at the pixel level. The three datasets 
51
(0-100%) of the class broadleaf at the pixel level. The three datasets 
            
51
are based on different remote sensing data from  different time spans 
52
are based on different remote sensing data from  different time spans 
            
52
and with different spatial resolutions:\n\n- **Forest Type NFI 2023: 
53
and with different spatial resolutions:\n\n- **Forest Type NFI 2023: 
            
53
Sentinel-1/-2, 2021-2023, 10m (new dataset!)** \n- Forest Type NFI 
54
Sentinel-1/-2, 2021-2023, 10m (new dataset!)** \n- Forest Type NFI 
            
54
2018: Sentinel-1/-2, 2016-2018, 10m\n- Forest Type NFI 2016: Aerial 
55
2018: Sentinel-1/-2, 2016-2018, 10m\n- Forest Type NFI 2016: Aerial 
            
55
orthoimages, 2010-2015, 3m\n.\n---------------------\n.\n **Important 
56
orthoimages, 2010-2015, 3m\n.\n---------------------\n.\n **Important 
            
56
note:** None of the datasets is suitable for analysis at the 
57
note:** None of the datasets is suitable for analysis at the 
            
57
individual tree crown level because pixel-level fractions (e.g., of 
58
individual tree crown level because pixel-level fractions (e.g., of 
            
58
the broadleaf class) are not allocated to individual trees. Analysis 
59
the broadleaf class) are not allocated to individual trees. Analysis 
            
59
is recommended only for areas larger than 3x3 pixels, i.e. by 
60
is recommended only for areas larger than 3x3 pixels, i.e. by 
            
60
calculating the mean values, except in rare cases of homogeneous 
61
calculating the mean values, except in rare cases of homogeneous 
            
61
forest stands (either broadleaf or coniferous class).\n\n**User\u2019s 
62
forest stands (either broadleaf or coniferous class).\n\n**User\u2019s 
            
62
feedback:** \nWe are very motivated to improve the dataset further and 
63
feedback:** \nWe are very motivated to improve the dataset further and 
            
63
welcome any feedback or suggestions for corrections. Feel free to 
64
welcome any feedback or suggestions for corrections. Feel free to 
            
64
directly contact 
65
directly contact 
            
65
**lars.waser@wsl.ch**\n_________________\n.\n*Detailed 
66
**lars.waser@wsl.ch**\n_________________\n.\n*Detailed 
            
66
description:*\n\n**Forest Type NFI datasets, versions 2023 and 2018:** 
67
description:*\n\n**Forest Type NFI datasets, versions 2023 and 2018:** 
            
67
Both  datasets use a remote sensing-based approach for a countrywide 
68
Both  datasets use a remote sensing-based approach for a countrywide 
            
68
mapping of the Dominant Leaf Type (DLT) in Switzerland, classifying 
69
mapping of the Dominant Leaf Type (DLT) in Switzerland, classifying 
            
69
areas as either broadleaf or coniferous. These datasets have a spatial 
70
areas as either broadleaf or coniferous. These datasets have a spatial 
            
70
resolution of 10 m and provide the fractional representation (0-100%) 
71
resolution of 10 m and provide the fractional representation (0-100%) 
            
71
of the class broadleaf at the pixel level  (covering all areas with 
72
of the class broadleaf at the pixel level  (covering all areas with 
            
72
vegetation height > 5m version 2018, and >3 m version 2023). The 
73
vegetation height > 5m version 2018, and >3 m version 2023). The 
            
73
classification approach is based on a Random Forest (RF) classifier, 
74
classification approach is based on a Random Forest (RF) classifier, 
            
74
that combines predictors derived from multi-temporal Sentinel-1 and 
75
that combines predictors derived from multi-temporal Sentinel-1 and 
            
75
Sentinel-2 data with the SwissAlti3D terrain model. In addition to the 
76
Sentinel-2 data with the SwissAlti3D terrain model. In addition to the 
            
76
original Sentinel-2 spectral bands, vegetation indices such as GEMI, 
77
original Sentinel-2 spectral bands, vegetation indices such as GEMI, 
            
77
MSAVI2, NDVI, CLRE and CCCI were used in the final model.\nThe 
78
MSAVI2, NDVI, CLRE and CCCI were used in the final model.\nThe 
            
78
classification models were tested, trained and validated using up to 
79
classification models were tested, trained and validated using up to 
            
79
400,000 labels representing the two classes broadleaf and coniferous, 
80
400,000 labels representing the two classes broadleaf and coniferous, 
            
80
derived from aerial image delineations. For the 2023 data set, the 
81
derived from aerial image delineations. For the 2023 data set, the 
            
81
previously used labels were quality-checked for reliability and 
82
previously used labels were quality-checked for reliability and 
            
82
temporal consistency with the image data. Additionally, more labels 
83
temporal consistency with the image data. Additionally, more labels 
            
83
were collected in the regions where the previous version of the data 
84
were collected in the regions where the previous version of the data 
            
84
set performed less accurately \u2013 as reported by the 
85
set performed less accurately \u2013 as reported by the 
            
85
users.\nSimilar high model performances were achieved for both data 
86
users.\nSimilar high model performances were achieved for both data 
            
86
sets: overall accuracy = 0.96, kappa = 0.94, F1-score =0.96, precision 
87
sets: overall accuracy = 0.96, kappa = 0.94, F1-score =0.96, precision 
            
87
= 0.97, recall = 0.94 (2023), 0.95 (2018). Independent validation and 
88
= 0.97, recall = 0.94 (2023), 0.95 (2018). Independent validation and 
            
88
plausibility check included the comparison of the predicted results 
89
plausibility check included the comparison of the predicted results 
            
89
with aerial image interpretations of the National Forest Inventory 
90
with aerial image interpretations of the National Forest Inventory 
            
90
(NFI). For both data sets, deviations particularly occurred in mixed 
91
(NFI). For both data sets, deviations particularly occurred in mixed 
            
91
forest stands: over all accuracy = 0.81 (2018, 2023), kappa = 0.62 
92
forest stands: over all accuracy = 0.81 (2018, 2023), kappa = 0.62 
            
92
(2018), 0.59 (2023). For more details, see Waser et al. 
93
(2018), 0.59 (2023). For more details, see Waser et al. 
            
93
(2021).\n\n**The Forest Type NFI dataset, version 2016:** This dataset 
94
(2021).\n\n**The Forest Type NFI dataset, version 2016:** This dataset 
            
94
presents a countrywide map with the two classes broadleaf and 
95
presents a countrywide map with the two classes broadleaf and 
            
95
coniferous in Switzerland based on digital aerial imagery. The spatial 
96
coniferous in Switzerland based on digital aerial imagery. The spatial 
            
96
resolution of the data set is 3 m. The pixel values correspond to the 
97
resolution of the data set is 3 m. The pixel values correspond to the 
            
97
fraction (0-100 %) of the class broadleaf.\nThe classification 
98
fraction (0-100 %) of the class broadleaf.\nThe classification 
            
98
approach incorporates a RF classifier, predictors from multispectral 
99
approach incorporates a RF classifier, predictors from multispectral 
            
99
aerial imagery (ADS80) and the SwissAlti3D terrain model. The model 
100
aerial imagery (ADS80) and the SwissAlti3D terrain model. The model 
            
100
was tested, trained and validated using 90,000 digitized polygons and 
101
was tested, trained and validated using 90,000 digitized polygons and 
            
101
achieved an overall accuracy of 0.99 and a kappa of 0.98. Independent 
102
achieved an overall accuracy of 0.99 and a kappa of 0.98. Independent 
            
102
validation and plausibility check included the comparison of the 
103
validation and plausibility check included the comparison of the 
            
103
predicted results with aerial image interpretations of the NFI. 
104
predicted results with aerial image interpretations of the NFI. 
            
104
Significant deviations were observed, primarily due to an 
105
Significant deviations were observed, primarily due to an 
            
105
underestimation of broadleaved trees (median underestimation of 
106
underestimation of broadleaved trees (median underestimation of 
            
106
3.17%), especially in mixed forest stands. For more details, see Waser 
107
3.17%), especially in mixed forest stands. For more details, see Waser 
            
107
et al. (2017; https://doi.org/10.3390/rs9080766).\n\n",
108
et al. (2017; https://doi.org/10.3390/rs9080766).\n\n",
            
108
  "num_resources": 6,
109
  "num_resources": 6,
            
109
  "num_tags": 6,
110
  "num_tags": 6,
            
110
  "organization": {
111
  "organization": {
            
111
    "approval_status": "approved",
112
    "approval_status": "approved",
            
112
    "created": "2017-04-20T16:51:21.920128",
113
    "created": "2017-04-20T16:51:21.920128",
            
113
    "description": "We develop and apply comprehensive and robust 
114
    "description": "We develop and apply comprehensive and robust 
            
114
methods to extract and classify natural objects from continuous and 
115
methods to extract and classify natural objects from continuous and 
            
115
discrete raster datasets. Relevant features are acquired to describe 
116
discrete raster datasets. Relevant features are acquired to describe 
            
116
changes in landscape and land resources at different levels using 
117
changes in landscape and land resources at different levels using 
            
117
image data. Mathematical-statistical methods are adopted for automatic 
118
image data. Mathematical-statistical methods are adopted for automatic 
            
118
detection and description of image objects. Thus we contribute 
119
detection and description of image objects. Thus we contribute 
            
119
concepts, methods and data to describe/detect area wide changes and 
120
concepts, methods and data to describe/detect area wide changes and 
            
120
processes in the resources of landscape.\r\n\r\n### Tasks and main 
121
processes in the resources of landscape.\r\n\r\n### Tasks and main 
            
121
research\r\n\r\n* Development and application of methods to extract 
122
research\r\n\r\n* Development and application of methods to extract 
            
122
natural objects from continuous data.\r\n* Development of methods for 
123
natural objects from continuous data.\r\n* Development of methods for 
            
123
a comprehensive description of natural and anthropogenetic boundaries 
124
a comprehensive description of natural and anthropogenetic boundaries 
            
124
in continuous pattern (e.g. map signatures, vegetation transition, 
125
in continuous pattern (e.g. map signatures, vegetation transition, 
            
125
forest borders).\r\n* Development and application of methods to 
126
forest borders).\r\n* Development and application of methods to 
            
126
extract 3D-information from remotely sensed data for description of 
127
extract 3D-information from remotely sensed data for description of 
            
127
natural structures and changes. The main focus lies on wood and its 
128
natural structures and changes. The main focus lies on wood and its 
            
128
embedding/interaction within/with the landscape.\r\n* Conception and 
129
embedding/interaction within/with the landscape.\r\n* Conception and 
            
129
development of data acquisition based on high resolution remote 
130
development of data acquisition based on high resolution remote 
            
130
sensing data.\r\n* Conception, development and maintenance of the 
131
sensing data.\r\n* Conception, development and maintenance of the 
            
131
software interface in area wide data acquisition using airborne remote 
132
software interface in area wide data acquisition using airborne remote 
            
132
sensing data.\r\n* Scientific expert advice and support in the fields 
133
sensing data.\r\n* Scientific expert advice and support in the fields 
            
133
of photogrammetry and survey at WSL. Maintenance, enhancements and 
134
of photogrammetry and survey at WSL. Maintenance, enhancements and 
            
134
future development in these specific fields.\r\n* Adequate 
135
future development in these specific fields.\r\n* Adequate 
            
135
presentation of scientific results on national level and in noted 
136
presentation of scientific results on national level and in noted 
            
136
international journals and at international 
137
international journals and at international 
            
137
congresses/workshops/symposia.\r\n\r\n__Further information__: 
138
congresses/workshops/symposia.\r\n\r\n__Further information__: 
            
138
l/organization/research-units/landscape-dynamics/remote-sensing.html",
139
l/organization/research-units/landscape-dynamics/remote-sensing.html",
            
139
    "id": "5243fbb4-e4e6-4779-9672-32a7ef33d5f9",
140
    "id": "5243fbb4-e4e6-4779-9672-32a7ef33d5f9",
            
140
    "image_url": "",
141
    "image_url": "",
            
141
    "is_organization": true,
142
    "is_organization": true,
            
142
    "name": "remote-sensing",
143
    "name": "remote-sensing",
            
143
    "state": "active",
144
    "state": "active",
            
144
    "title": "Remote Sensing",
145
    "title": "Remote Sensing",
            
145
    "type": "organization"
146
    "type": "organization"
            
146
  },
147
  },
            
147
  "owner_org": "5243fbb4-e4e6-4779-9672-32a7ef33d5f9",
148
  "owner_org": "5243fbb4-e4e6-4779-9672-32a7ef33d5f9",
            
148
  "private": false,
149
  "private": false,
            
149
  "publication": "{\"publication_year\": \"2025\", \"publisher\": 
150
  "publication": "{\"publication_year\": \"2025\", \"publisher\": 
            
150
\"National Forest Inventory (NFI)\"}",
151
\"National Forest Inventory (NFI)\"}",
            
151
  "publication_state": "published",
152
  "publication_state": "published",
            
152
  "related_datasets": "",
153
  "related_datasets": "",
            
153
  "related_publications": "wsl:28243\nWaser, L. T., Ginzler, C., & 
154
  "related_publications": "wsl:28243\nWaser, L. T., Ginzler, C., & 
            
154
Rehush, N. (2017). Wall-to-wall tree type mapping from countrywide 
155
Rehush, N. (2017). Wall-to-wall tree type mapping from countrywide 
            
155
airborne remote sensing surveys. Remote Sensing, 9(8), 766 (24 pp.). 
156
airborne remote sensing surveys. Remote Sensing, 9(8), 766 (24 pp.). 
            
156
https://doi.org/10.3390/rs9080766",
157
https://doi.org/10.3390/rs9080766",
            
157
  "relationships_as_object": [],
158
  "relationships_as_object": [],
            
158
  "relationships_as_subject": [],
159
  "relationships_as_subject": [],
            
159
  "resource_type": "dataset",
160
  "resource_type": "dataset",
            
160
  "resource_type_general": "dataset",
161
  "resource_type_general": "dataset",
            
161
  "resources": [
162
  "resources": [
            
162
    {
163
    {
            
163
      "cache_last_updated": null,
164
      "cache_last_updated": null,
            
164
      "cache_url": null,
165
      "cache_url": null,
            
165
      "created": "2021-04-23T08:02:00.149511",
166
      "created": "2021-04-23T08:02:00.149511",
            
166
      "description": "\n **Important note:**  This dataset is NOT 
167
      "description": "\n **Important note:**  This dataset is NOT 
            
167
suitable for analysis at the individual tree crown level because 
168
suitable for analysis at the individual tree crown level because 
            
168
pixel-level fractions (e.g., of the broadleaf class) are not allocated 
169
pixel-level fractions (e.g., of the broadleaf class) are not allocated 
            
169
to individual trees. Analysis is recommended only for areas larger 
170
to individual trees. Analysis is recommended only for areas larger 
            
170
than 3x3 pixels, i.e. by calculating the mean values, except in rare 
171
than 3x3 pixels, i.e. by calculating the mean values, except in rare 
            
171
cases of homogeneous forest stands (either broadleaf or coniferous 
172
cases of homogeneous forest stands (either broadleaf or coniferous 
            
172
class). \n\nThis dataset uses a remote sensing-based approach for a 
173
class). \n\nThis dataset uses a remote sensing-based approach for a 
            
173
countrywide mapping of the Dominant Leaf Type (DLT) in Switzerland, 
174
countrywide mapping of the Dominant Leaf Type (DLT) in Switzerland, 
            
174
classifying areas as either broadleaf or coniferous. These datasets 
175
classifying areas as either broadleaf or coniferous. These datasets 
            
175
have a spatial resolution of 10 m and provide the fractional 
176
have a spatial resolution of 10 m and provide the fractional 
            
176
representation (0-100%) of the class broadleaf at the pixel level 
177
representation (0-100%) of the class broadleaf at the pixel level 
            
177
(covering areas with vegetation height > 5m).\nThe classification 
178
(covering areas with vegetation height > 5m).\nThe classification 
            
178
approach is based on a Random Forest (RF) classifier, that combines 
179
approach is based on a Random Forest (RF) classifier, that combines 
            
179
predictors derived from multi-temporal Sentinel-1 and Sentinel-2 data 
180
predictors derived from multi-temporal Sentinel-1 and Sentinel-2 data 
            
180
with the SwissAlti3D terrain model. The models were calibrated using 
181
with the SwissAlti3D terrain model. The models were calibrated using 
            
181
digitized training polygons and independently validated data from the 
182
digitized training polygons and independently validated data from the 
            
182
National Forest Inventory (NFI). Whereas high model overall accuracies 
183
National Forest Inventory (NFI). Whereas high model overall accuracies 
            
183
(0.97) and kappa (0.96) were achieved, the comparison of the tree type 
184
(0.97) and kappa (0.96) were achieved, the comparison of the tree type 
            
184
map with independent NFI data revealed deviations in mixed 
185
map with independent NFI data revealed deviations in mixed 
            
185
stands.\n\nThe dataset 'Forest Type NFI 2018' is available on request 
186
stands.\n\nThe dataset 'Forest Type NFI 2018' is available on request 
            
186
(lars.waser@wsl.ch).\n\n",
187
(lars.waser@wsl.ch).\n\n",
            
187
      "doi": "10.16904/1000001.6",
188
      "doi": "10.16904/1000001.6",
            
188
      "format": "geotiff",
189
      "format": "geotiff",
            
189
      "hash": "",
190
      "hash": "",
            
190
      "id": "5a18924a-ef5a-4af2-a391-b0056a0874bb",
191
      "id": "5a18924a-ef5a-4af2-a391-b0056a0874bb",
            
191
      "last_modified": "2025-03-07T08:14:12.880000",
192
      "last_modified": "2025-03-07T08:14:12.880000",
            
192
      "metadata_modified": "2025-03-07T07:14:13.227379",
193
      "metadata_modified": "2025-03-07T07:14:13.227379",
            
193
      "mimetype": null,
194
      "mimetype": null,
            
194
      "mimetype_inner": null,
195
      "mimetype_inner": null,
            
195
      "name": "Forest Type NFI 2018",
196
      "name": "Forest Type NFI 2018",
            
196
      "package_id": "82d763fa-123a-4648-b827-0dec02a5efbc",
197
      "package_id": "82d763fa-123a-4648-b827-0dec02a5efbc",
            
197
      "position": 0,
198
      "position": 0,
            
198
      "resource_size": "{\"size_value\":\"\",\"size_units\":\"\"}",
199
      "resource_size": "{\"size_value\":\"\",\"size_units\":\"\"}",
            
199
      "resource_type": null,
200
      "resource_type": null,
            
200
      "restricted": 
201
      "restricted": 
            
201
\"same_organization\",\"allowed_users\":\"\",\"shared_secret\":\"\"}",
202
\"same_organization\",\"allowed_users\":\"\",\"shared_secret\":\"\"}",
            
202
      "size": 191049626,
203
      "size": 191049626,
            
203
      "state": "active",
204
      "state": "active",
            
204
      "url": 
205
      "url": 
            
205
18924a-ef5a-4af2-a391-b0056a0874bb/download/forest-type-nfi-2018.tif",
206
18924a-ef5a-4af2-a391-b0056a0874bb/download/forest-type-nfi-2018.tif",
            
206
      "url_type": "upload"
207
      "url_type": "upload"
            
207
    },
208
    },
            
208
    {
209
    {
            
209
      "cache_last_updated": null,
210
      "cache_last_updated": null,
            
210
      "cache_url": null,
211
      "cache_url": null,
            
211
      "created": "2021-03-27T04:57:32.557727",
212
      "created": "2021-03-27T04:57:32.557727",
            
212
      "description": "This dataset presents a countrywide map with the 
213
      "description": "This dataset presents a countrywide map with the 
            
213
two classes broadleaf and coniferous in Switzerland based on digital 
214
two classes broadleaf and coniferous in Switzerland based on digital 
            
214
aerial imagery. The spatial resolution of the data set is 3 m. The 
215
aerial imagery. The spatial resolution of the data set is 3 m. The 
            
215
pixel values correspond to the fraction (0-100 %) of the class 
216
pixel values correspond to the fraction (0-100 %) of the class 
            
216
broadleaf.\nThe classification approach incorporates a RF classifier, 
217
broadleaf.\nThe classification approach incorporates a RF classifier, 
            
217
predictors from multispectral aerial imagery (ADS80) and the 
218
predictors from multispectral aerial imagery (ADS80) and the 
            
218
SwissAlti3D terrain model. The model was tested, trained and validated 
219
SwissAlti3D terrain model. The model was tested, trained and validated 
            
219
using 90,000 digitized polygons and achieved an overall accuracy of 
220
using 90,000 digitized polygons and achieved an overall accuracy of 
            
220
0.99 and a kappa of 0.98. Independent validation and plausibility 
221
0.99 and a kappa of 0.98. Independent validation and plausibility 
            
221
check included the comparison of the predicted results with aerial 
222
check included the comparison of the predicted results with aerial 
            
222
image interpretations of the NFI. Significant deviations were 
223
image interpretations of the NFI. Significant deviations were 
            
223
observed, primarily due to an underestimation of broadleaved trees 
224
observed, primarily due to an underestimation of broadleaved trees 
            
224
(median underestimation of 3.17%), especially in mixed forest stands. 
225
(median underestimation of 3.17%), especially in mixed forest stands. 
            
225
For more details, see Waser et al. (2017).\n\nData 'Forest Type NFI 
226
For more details, see Waser et al. (2017).\n\nData 'Forest Type NFI 
            
226
2016' available on request (lars.waser@wsl.ch).",
227
2016' available on request (lars.waser@wsl.ch).",
            
227
      "doi": "10.16904/1000001.3",
228
      "doi": "10.16904/1000001.3",
            
228
      "format": "geotiff",
229
      "format": "geotiff",
            
229
      "hash": "",
230
      "hash": "",
            
230
      "id": "0f22d071-5aac-4bfd-936d-89c0a56eed36",
231
      "id": "0f22d071-5aac-4bfd-936d-89c0a56eed36",
            
231
      "last_modified": "2025-03-06T14:38:42.823000",
232
      "last_modified": "2025-03-06T14:38:42.823000",
            
232
      "metadata_modified": "2025-03-06T13:38:43.468367",
233
      "metadata_modified": "2025-03-06T13:38:43.468367",
            
233
      "mimetype": null,
234
      "mimetype": null,
            
234
      "mimetype_inner": null,
235
      "mimetype_inner": null,
            
235
      "name": "Forest Type NFI 2016",
236
      "name": "Forest Type NFI 2016",
            
236
      "package_id": "82d763fa-123a-4648-b827-0dec02a5efbc",
237
      "package_id": "82d763fa-123a-4648-b827-0dec02a5efbc",
            
237
      "position": 1,
238
      "position": 1,
            
238
      "resource_size": "{\"size_value\":\"3\",\"size_units\":\"gb\"}",
239
      "resource_size": "{\"size_value\":\"3\",\"size_units\":\"gb\"}",
            
239
      "resource_type": null,
240
      "resource_type": null,
            
240
      "restricted": 
241
      "restricted": 
            
241
\"same_organization\",\"allowed_users\":\"\",\"shared_secret\":\"\"}",
242
\"same_organization\",\"allowed_users\":\"\",\"shared_secret\":\"\"}",
            
242
      "size": 69,
243
      "size": 69,
            
243
      "state": "active",
244
      "state": "active",
            
244
      "url": "",
245
      "url": "",
            
245
      "url_type": ""
246
      "url_type": ""
            
246
    },
247
    },
            
247
    {
248
    {
            
248
      "cache_last_updated": null,
249
      "cache_last_updated": null,
            
249
      "cache_url": null,
250
      "cache_url": null,
            
250
      "created": "2018-04-03T10:42:10.760550",
251
      "created": "2018-04-03T10:42:10.760550",
            
251
      "description": "Waser, L. T., Ginzler, C., & Rehush, N. (2017). 
252
      "description": "Waser, L. T., Ginzler, C., & Rehush, N. (2017). 
            
252
Wall-to-Wall Tree Type Mapping from Countrywide Airborne Remote 
253
Wall-to-Wall Tree Type Mapping from Countrywide Airborne Remote 
            
253
Sensing Surveys. Remote Sensing, 9(8), 766. 
254
Sensing Surveys. Remote Sensing, 9(8), 766. 
            
254
https://doi.org/10.3390/rs9080766",
255
https://doi.org/10.3390/rs9080766",
            
255
      "doi": "10.3390/rs9080766",
256
      "doi": "10.3390/rs9080766",
            
256
      "format": "PDF",
257
      "format": "PDF",
            
257
      "hash": "",
258
      "hash": "",
            
258
      "id": "98ae863c-1ba1-444f-b535-cd4f512c4227",
259
      "id": "98ae863c-1ba1-444f-b535-cd4f512c4227",
            
259
      "last_modified": "2025-03-04T23:05:32.264000",
260
      "last_modified": "2025-03-04T23:05:32.264000",
            
260
      "metadata_modified": "2025-03-04T22:05:32.666679",
261
      "metadata_modified": "2025-03-04T22:05:32.666679",
            
261
      "mimetype": null,
262
      "mimetype": null,
            
262
      "mimetype_inner": null,
263
      "mimetype_inner": null,
            
263
      "name": "Research Article",
264
      "name": "Research Article",
            
264
      "package_id": "82d763fa-123a-4648-b827-0dec02a5efbc",
265
      "package_id": "82d763fa-123a-4648-b827-0dec02a5efbc",
            
265
      "position": 2,
266
      "position": 2,
            
266
      "resource_size": 
267
      "resource_size": 
            
267
"{\"size_value\":\"100\",\"size_units\":\"kb\"}",
268
"{\"size_value\":\"100\",\"size_units\":\"kb\"}",
            
268
      "resource_type": null,
269
      "resource_type": null,
            
269
      "restricted": 
270
      "restricted": 
            
270
{\"level\":\"public\",\"allowed_users\":\"\",\"shared_secret\":\"\"}",
271
{\"level\":\"public\",\"allowed_users\":\"\",\"shared_secret\":\"\"}",
            
271
      "size": null,
272
      "size": null,
            
272
      "state": "active",
273
      "state": "active",
            
273
      "url": 
274
      "url": 
            
274
"https://www.dora.lib4ri.ch/wsl/islandora/object/wsl:14162",
275
"https://www.dora.lib4ri.ch/wsl/islandora/object/wsl:14162",
            
275
      "url_type": null
276
      "url_type": null
            
276
    },
277
    },
            
277
    {
278
    {
            
278
      "cache_last_updated": null,
279
      "cache_last_updated": null,
            
279
      "cache_url": null,
280
      "cache_url": null,
            
280
      "created": "2018-04-03T13:06:34.033220",
281
      "created": "2018-04-03T13:06:34.033220",
            
281
      "description": "Sample illustration of the Forest Type NFI 
282
      "description": "Sample illustration of the Forest Type NFI 
            
282
dataset.",
283
dataset.",
            
283
      "doi": "",
284
      "doi": "",
            
284
      "format": "JPEG",
285
      "format": "JPEG",
            
285
      "hash": "",
286
      "hash": "",
            
286
      "id": "7b6e4f37-c428-45dc-ba34-f40dd8368769",
287
      "id": "7b6e4f37-c428-45dc-ba34-f40dd8368769",
            
287
      "last_modified": "2025-03-09T22:30:09.166000",
288
      "last_modified": "2025-03-09T22:30:09.166000",
            
288
      "metadata_modified": "2025-03-09T21:30:09.529289",
289
      "metadata_modified": "2025-03-09T21:30:09.529289",
            
289
      "mimetype": "image/jpeg",
290
      "mimetype": "image/jpeg",
            
290
      "mimetype_inner": null,
291
      "mimetype_inner": null,
            
291
      "name": "Thumbnail",
292
      "name": "Thumbnail",
            
292
      "package_id": "82d763fa-123a-4648-b827-0dec02a5efbc",
293
      "package_id": "82d763fa-123a-4648-b827-0dec02a5efbc",
            
293
      "position": 3,
294
      "position": 3,
            
294
      "resource_size": "{\"size_value\":\"\",\"size_units\":\"\"}",
295
      "resource_size": "{\"size_value\":\"\",\"size_units\":\"\"}",
            
295
      "resource_type": null,
296
      "resource_type": null,
            
296
      "restricted": 
297
      "restricted": 
            
297
{\"level\":\"public\",\"allowed_users\":\"\",\"shared_secret\":\"\"}",
298
{\"level\":\"public\",\"allowed_users\":\"\",\"shared_secret\":\"\"}",
            
298
      "size": 3072776,
299
      "size": 3072776,
            
299
      "state": "active",
300
      "state": "active",
            
300
      "url": 
301
      "url": 
            
301
e4f37-c428-45dc-ba34-f40dd8368769/download/forest_type_thumbnail.jpg",
302
e4f37-c428-45dc-ba34-f40dd8368769/download/forest_type_thumbnail.jpg",
            
302
      "url_type": "upload"
303
      "url_type": "upload"
            
303
    },
304
    },
            
304
    {
305
    {
            
305
      "cache_last_updated": null,
306
      "cache_last_updated": null,
            
306
      "cache_url": null,
307
      "cache_url": null,
            
307
      "created": "2025-03-04T22:11:00.261394",
308
      "created": "2025-03-04T22:11:00.261394",
            
308
      "description": "Waser, L. T., R\u00fcetschi, M., Psomas, A., 
309
      "description": "Waser, L. T., R\u00fcetschi, M., Psomas, A., 
            
309
Small, D., & Rehush, N. (2021). Mapping dominant leaf type based on 
310
Small, D., & Rehush, N. (2021). Mapping dominant leaf type based on 
            
310
combined Sentinel-1/-2 data \u2013 Challenges for mountainous 
311
combined Sentinel-1/-2 data \u2013 Challenges for mountainous 
            
311
countries. ISPRS Journal of Photogrammetry and Remote Sensing, 180, 
312
countries. ISPRS Journal of Photogrammetry and Remote Sensing, 180, 
            
312
209-226. https://doi.org/10.1016/j.isprsjprs.2021.08.017",
313
209-226. https://doi.org/10.1016/j.isprsjprs.2021.08.017",
            
313
      "doi": "",
314
      "doi": "",
            
314
      "format": "PDF",
315
      "format": "PDF",
            
315
      "hash": "",
316
      "hash": "",
            
316
      "id": "659800b6-060e-40cb-9771-e46d71cba3e1",
317
      "id": "659800b6-060e-40cb-9771-e46d71cba3e1",
            
317
      "last_modified": "2025-03-04T23:13:18.542000",
318
      "last_modified": "2025-03-04T23:13:18.542000",
            
318
      "metadata_modified": "2025-03-04T22:13:18.960670",
319
      "metadata_modified": "2025-03-04T22:13:18.960670",
            
319
      "mimetype": null,
320
      "mimetype": null,
            
320
      "mimetype_inner": null,
321
      "mimetype_inner": null,
            
321
      "name": "Research Article",
322
      "name": "Research Article",
            
322
      "package_id": "82d763fa-123a-4648-b827-0dec02a5efbc",
323
      "package_id": "82d763fa-123a-4648-b827-0dec02a5efbc",
            
323
      "position": 4,
324
      "position": 4,
            
324
      "resource_size": 
325
      "resource_size": 
            
325
"{\"size_value\":\"400\",\"size_units\":\"kb\"}",
326
"{\"size_value\":\"400\",\"size_units\":\"kb\"}",
            
326
      "resource_type": null,
327
      "resource_type": null,
            
327
      "restricted": 
328
      "restricted": 
            
328
{\"level\":\"public\",\"allowed_users\":\"\",\"shared_secret\":\"\"}",
329
{\"level\":\"public\",\"allowed_users\":\"\",\"shared_secret\":\"\"}",
            
329
      "size": null,
330
      "size": null,
            
330
      "state": "active",
331
      "state": "active",
            
331
      "url": 
332
      "url": 
            
332
"https://www.dora.lib4ri.ch/wsl/islandora/object/wsl:28243",
333
"https://www.dora.lib4ri.ch/wsl/islandora/object/wsl:28243",
            
333
      "url_type": null
334
      "url_type": null
            
334
    },
335
    },
            
335
    {
336
    {
            
336
      "cache_last_updated": null,
337
      "cache_last_updated": null,
            
337
      "cache_url": null,
338
      "cache_url": null,
            
338
      "created": "2025-03-06T13:23:45.237260",
339
      "created": "2025-03-06T13:23:45.237260",
            
339
      "description": "\n**Important note:** This dataset is NOT 
340
      "description": "\n**Important note:** This dataset is NOT 
            
340
suitable for analysis at the individual tree crown level because 
341
suitable for analysis at the individual tree crown level because 
            
341
pixel-level fractions (e.g., of the broadleaf class) are not allocated 
342
pixel-level fractions (e.g., of the broadleaf class) are not allocated 
            
342
to individual trees. Analysis is recommended only for areas larger 
343
to individual trees. Analysis is recommended only for areas larger 
            
343
than 3x3 pixels, i.e. by calculating the mean values, except in rare 
344
than 3x3 pixels, i.e. by calculating the mean values, except in rare 
            
344
cases of homogeneous forest stands (either broadleaf or coniferous 
345
cases of homogeneous forest stands (either broadleaf or coniferous 
            
345
class).\n\nThis dataset uses a remote sensing-based approach for a 
346
class).\n\nThis dataset uses a remote sensing-based approach for a 
            
346
countrywide mapping of the Dominant Leaf Type (DLT) in Switzerland, 
347
countrywide mapping of the Dominant Leaf Type (DLT) in Switzerland, 
            
347
classifying areas as either broadleaf or coniferous. These datasets 
348
classifying areas as either broadleaf or coniferous. These datasets 
            
348
have a spatial resolution of 10 m and provide the fractional 
349
have a spatial resolution of 10 m and provide the fractional 
            
349
representation (0-100%) of the class broadleaf at the pixel level 
350
representation (0-100%) of the class broadleaf at the pixel level 
            
350
(covering areas with vegetation height > 3m).\nThe classification 
351
(covering areas with vegetation height > 3m).\nThe classification 
            
351
approach is based on a Random Forest (RF) classifier, that combines 
352
approach is based on a Random Forest (RF) classifier, that combines 
            
352
predictors derived from multi-temporal Sentinel-1 and Sentinel-2 data 
353
predictors derived from multi-temporal Sentinel-1 and Sentinel-2 data 
            
353
with the SwissAlti3D terrain model. The models were calibrated using 
354
with the SwissAlti3D terrain model. The models were calibrated using 
            
354
digitized training polygons and independently validated data from the 
355
digitized training polygons and independently validated data from the 
            
355
National Forest Inventory (NFI). Whereas high model overall accuracies 
356
National Forest Inventory (NFI). Whereas high model overall accuracies 
            
356
(0.97) and kappa (0.96) were achieved, the comparison of the tree type 
357
(0.97) and kappa (0.96) were achieved, the comparison of the tree type 
            
357
map with independent NFI data revealed deviations in mixed 
358
map with independent NFI data revealed deviations in mixed 
            
358
stands.\n\nThe dataset 'Forest Type NFI 2018' is available on request 
359
stands.\n\nThe dataset 'Forest Type NFI 2018' is available on request 
            
359
(lars.waser@wsl.ch).",
360
(lars.waser@wsl.ch).",
            
360
      "doi": "",
361
      "doi": "",
            
361
      "format": "geotif",
362
      "format": "geotif",
            
362
      "hash": "",
363
      "hash": "",
            
363
      "id": "884141d9-164a-4088-bc3a-5b4d4bb53d8f",
364
      "id": "884141d9-164a-4088-bc3a-5b4d4bb53d8f",
            
364
      "last_modified": "2025-03-07T08:15:14.960000",
365
      "last_modified": "2025-03-07T08:15:14.960000",
            
365
      "metadata_modified": "2025-03-07T07:15:15.294902",
366
      "metadata_modified": "2025-03-07T07:15:15.294902",
            
366
      "mimetype": "image/tiff",
367
      "mimetype": "image/tiff",
            
367
      "mimetype_inner": null,
368
      "mimetype_inner": null,
            
368
      "name": "Forest Type NFI 2023",
369
      "name": "Forest Type NFI 2023",
            
369
      "package_id": "82d763fa-123a-4648-b827-0dec02a5efbc",
370
      "package_id": "82d763fa-123a-4648-b827-0dec02a5efbc",
            
370
      "position": 5,
371
      "position": 5,
            
371
      "resource_size": "{\"size_value\":\"\",\"size_units\":\"\"}",
372
      "resource_size": "{\"size_value\":\"\",\"size_units\":\"\"}",
            
372
      "resource_type": null,
373
      "resource_type": null,
            
373
      "restricted": 
374
      "restricted": 
            
374
\"same_organization\",\"allowed_users\":\"\",\"shared_secret\":\"\"}",
375
\"same_organization\",\"allowed_users\":\"\",\"shared_secret\":\"\"}",
            
375
      "size": 3329049504,
376
      "size": 3329049504,
            
376
      "state": "active",
377
      "state": "active",
            
377
      "url": 
378
      "url": 
            
378
-4088-bc3a-5b4d4bb53d8f/download/waldmischungsgrad_2023_10m_2056.tif",
379
-4088-bc3a-5b4d4bb53d8f/download/waldmischungsgrad_2023_10m_2056.tif",
            
379
      "url_type": "upload"
380
      "url_type": "upload"
            
380
    }
381
    }
            
381
  ],
382
  ],
            
382
  "spatial": 
383
  "spatial": 
            
383
inates\":[[[-175,-85],[-175,85],[175,85],[175,-85],[-175,-85]]]}]}]}",
384
inates\":[[[-175,-85],[-175,85],[175,85],[175,-85],[-175,-85]]]}]}]}",
            
384
  "spatial_info": "Switzerland",
385
  "spatial_info": "Switzerland",
            
385
  "state": "active",
386
  "state": "active",
            
386
  "subtitle": "",
387
  "subtitle": "",
            
387
  "tags": [
388
  "tags": [
            
388
    {
389
    {
            
389
      "display_name": "DOMINANT LEAFTYPE",
390
      "display_name": "DOMINANT LEAFTYPE",
            
390
      "id": "1b334234-4bd0-44d4-bb78-039fe70bab90",
391
      "id": "1b334234-4bd0-44d4-bb78-039fe70bab90",
            
391
      "name": "DOMINANT LEAFTYPE",
392
      "name": "DOMINANT LEAFTYPE",
            
392
      "state": "active",
393
      "state": "active",
            
393
      "vocabulary_id": null
394
      "vocabulary_id": null
            
394
    },
395
    },
            
395
    {
396
    {
            
396
      "display_name": "FOREST",
397
      "display_name": "FOREST",
            
397
      "id": "90cd0d8f-8df0-4b78-ac11-6e38c2a22106",
398
      "id": "90cd0d8f-8df0-4b78-ac11-6e38c2a22106",
            
398
      "name": "FOREST",
399
      "name": "FOREST",
            
399
      "state": "active",
400
      "state": "active",
            
400
      "vocabulary_id": null
401
      "vocabulary_id": null
            
401
    },
402
    },
            
402
    {
403
    {
            
403
      "display_name": "FOREST INVENTORY",
404
      "display_name": "FOREST INVENTORY",
            
404
      "id": "d1b2883f-be82-426b-8a5e-fd6d36bc2855",
405
      "id": "d1b2883f-be82-426b-8a5e-fd6d36bc2855",
            
405
      "name": "FOREST INVENTORY",
406
      "name": "FOREST INVENTORY",
            
406
      "state": "active",
407
      "state": "active",
            
407
      "vocabulary_id": null
408
      "vocabulary_id": null
            
408
    },
409
    },
            
409
    {
410
    {
            
410
      "display_name": "FOREST TYPE",
411
      "display_name": "FOREST TYPE",
            
411
      "id": "52ad8bb3-8ec8-4e9d-8798-858d7662c3e4",
412
      "id": "52ad8bb3-8ec8-4e9d-8798-858d7662c3e4",
            
412
      "name": "FOREST TYPE",
413
      "name": "FOREST TYPE",
            
413
      "state": "active",
414
      "state": "active",
            
414
      "vocabulary_id": null
415
      "vocabulary_id": null
            
415
    },
416
    },
            
416
    {
417
    {
            
417
      "display_name": "NFI",
418
      "display_name": "NFI",
            
418
      "id": "0a74eb64-cf7b-42df-b2d4-1a5ad8171458",
419
      "id": "0a74eb64-cf7b-42df-b2d4-1a5ad8171458",
            
419
      "name": "NFI",
420
      "name": "NFI",
            
420
      "state": "active",
421
      "state": "active",
            
421
      "vocabulary_id": null
422
      "vocabulary_id": null
            
422
    },
423
    },
            
423
    {
424
    {
            
424
      "display_name": "REMOTE SENSING",
425
      "display_name": "REMOTE SENSING",
            
425
      "id": "1bc9d51e-2500-44a7-857b-13710a59e4be",
426
      "id": "1bc9d51e-2500-44a7-857b-13710a59e4be",
            
426
      "name": "REMOTE SENSING",
427
      "name": "REMOTE SENSING",
            
427
      "state": "active",
428
      "state": "active",
            
428
      "vocabulary_id": null
429
      "vocabulary_id": null
            
429
    }
430
    }
            
430
  ],
431
  ],
            
431
  "title": "Forest Type NFI",
432
  "title": "Forest Type NFI",
            
432
  "type": "dataset",
433
  "type": "dataset",
            
433
  "url": null,
434
  "url": null,
            
434
  "version": "2023"
435
  "version": "2023"
            
435
}
436
}