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",
            
28
      "value": 
28
      "value": 
            
29
ac-4bfd-936d-89c0a56eed36\",\"7b6e4f37-c428-45dc-ba34-f40dd8368769\"]"
29
ac-4bfd-936d-89c0a56eed36\",\"7b6e4f37-c428-45dc-ba34-f40dd8368769\"]"
            
30
    }
30
    }
            
31
  ],
31
  ],
            
32
  "funding": "[{\"grant_number\":\"\",\"institution\":\"Federal Office 
32
  "funding": "[{\"grant_number\":\"\",\"institution\":\"Federal Office 
            
33
for the Environment (FOEN).\",\"institution_url\":\"\"}]",
33
for the Environment (FOEN).\",\"institution_url\":\"\"}]",
            
34
  "groups": [],
34
  "groups": [],
            
35
  "id": "82d763fa-123a-4648-b827-0dec02a5efbc",
35
  "id": "82d763fa-123a-4648-b827-0dec02a5efbc",
            
36
  "isopen": false,
36
  "isopen": false,
            
37
  "language": "en",
37
  "language": "en",
            
38
  "license_id": "other-undefined",
38
  "license_id": "other-undefined",
            
39
  "license_title": "Other (Specified in the description)",
39
  "license_title": "Other (Specified in the description)",
            
40
  "maintainer": "{\"affiliation\": \"Swiss Federal Institute for 
40
  "maintainer": "{\"affiliation\": \"Swiss Federal Institute for 
            
41
Forest, Snow and Landscape Research WSL \", \"email\": 
41
Forest, Snow and Landscape Research WSL \", \"email\": 
            
42
\"lars.waser@wsl.ch\", \"given_name\": \"Lars\", \"identifier\": 
42
\"lars.waser@wsl.ch\", \"given_name\": \"Lars\", \"identifier\": 
            
43
\"D-5937-2011\", \"name\": \"Waser\"}",
43
\"D-5937-2011\", \"name\": \"Waser\"}",
            
44
  "maintainer_email": null,
44
  "maintainer_email": null,
            
45
  "metadata_created": "2018-04-03T10:38:30.545175",
45
  "metadata_created": "2018-04-03T10:38:30.545175",
            
n
46
  "metadata_modified": "2025-03-10T20:02:50.245761",
n
46
  "metadata_modified": "2025-03-10T20:03:25.705305",
            
47
  "name": "forest-type-nfi",
47
  "name": "forest-type-nfi",
            
48
  "notes": "A series of Forest Type NFI datasets covering Switzerland 
48
  "notes": "A series of Forest Type NFI datasets covering Switzerland 
            
49
have been produced, and currently available for the years 2023, 2018, 
49
have been produced, and currently available for the years 2023, 2018, 
            
50
and 2016. These datasets provide the probability (0-100%) of the class 
50
and 2016. These datasets provide the probability (0-100%) of the class 
            
51
broadleaf at the pixel level. While pixel values with low 
51
broadleaf at the pixel level. While pixel values with low 
            
52
probabilities correspond to the class coniferous, pixel values with 
52
probabilities correspond to the class coniferous, pixel values with 
            
53
high probabilities correspond to the class broadleaf. Pixels with 
53
high probabilities correspond to the class broadleaf. Pixels with 
            
54
values around 50% can't unambiguously be assigned to one of the two 
54
values around 50% can't unambiguously be assigned to one of the two 
            
55
classes and might belong to mixed stands. The three datasets are based 
55
classes and might belong to mixed stands. The three datasets are based 
            
56
on different remote sensing data from  different time spans and with 
56
on different remote sensing data from  different time spans and with 
            
57
different spatial resolutions:\n\n- **Forest Type NFI 2023: 
57
different spatial resolutions:\n\n- **Forest Type NFI 2023: 
            
58
Sentinel-1/-2, 2021-2023, 10m (new dataset!)** \n- Forest Type NFI 
58
Sentinel-1/-2, 2021-2023, 10m (new dataset!)** \n- Forest Type NFI 
            
59
2018: Sentinel-1/-2, 2016-2018, 10m\n- Forest Type NFI 2016: Aerial 
59
2018: Sentinel-1/-2, 2016-2018, 10m\n- Forest Type NFI 2016: Aerial 
            
60
orthoimages, 2010-2015, 3m\n.\n---------------------\n.\n **Important 
60
orthoimages, 2010-2015, 3m\n.\n---------------------\n.\n **Important 
            
61
note:** None of the datasets is suitable for analysis at the 
61
note:** None of the datasets is suitable for analysis at the 
            
62
individual tree crown level because pixel-level probabilities are not 
62
individual tree crown level because pixel-level probabilities are not 
            
63
allocated to individual trees. Analysis is recommended only for areas 
63
allocated to individual trees. Analysis is recommended only for areas 
            
64
larger than 3x3 pixels, i.e. by calculating the mean values, except in 
64
larger than 3x3 pixels, i.e. by calculating the mean values, except in 
            
65
rare cases of homogeneous forest stands (either broadleaf or 
65
rare cases of homogeneous forest stands (either broadleaf or 
            
66
coniferous).\n\n**User\u2019s feedback:** \nWe are very motivated to 
66
coniferous).\n\n**User\u2019s feedback:** \nWe are very motivated to 
            
67
improve the dataset further and welcome any feedback or suggestions 
67
improve the dataset further and welcome any feedback or suggestions 
            
68
for corrections. Feel free to directly contact 
68
for corrections. Feel free to directly contact 
            
69
**lars.waser@wsl.ch**\n_________________\n.\n*Detailed 
69
**lars.waser@wsl.ch**\n_________________\n.\n*Detailed 
            
70
description:*\n\n**Forest Type NFI datasets, versions 2023 and 2018:** 
70
description:*\n\n**Forest Type NFI datasets, versions 2023 and 2018:** 
            
71
Both  datasets use a remote sensing-based approach for a countrywide 
71
Both  datasets use a remote sensing-based approach for a countrywide 
            
72
mapping of the Dominant Leaf Type (DLT) in Switzerland, classifying 
72
mapping of the Dominant Leaf Type (DLT) in Switzerland, classifying 
            
73
areas as either broadleaf or coniferous. These datasets have a spatial 
73
areas as either broadleaf or coniferous. These datasets have a spatial 
            
74
resolution of 10 m and provide the probability (0-100%) of the class 
74
resolution of 10 m and provide the probability (0-100%) of the class 
            
75
broadleaf at the pixel level  (covering all areas with vegetation 
75
broadleaf at the pixel level  (covering all areas with vegetation 
            
76
height > 5m version 2018, and >3 m version 2023). The classification 
76
height > 5m version 2018, and >3 m version 2023). The classification 
            
77
approach is based on a Random Forest (RF) classifier, that combines 
77
approach is based on a Random Forest (RF) classifier, that combines 
            
78
predictors derived from multi-temporal Sentinel-1 and Sentinel-2 data 
78
predictors derived from multi-temporal Sentinel-1 and Sentinel-2 data 
            
79
with the SwissAlti3D terrain model. In addition to the original 
79
with the SwissAlti3D terrain model. In addition to the original 
            
80
Sentinel-2 spectral bands, vegetation indices such as GEMI, MSAVI2, 
80
Sentinel-2 spectral bands, vegetation indices such as GEMI, MSAVI2, 
            
81
NDVI, CLRE and CCCI were used in the final model.\nThe classification 
81
NDVI, CLRE and CCCI were used in the final model.\nThe classification 
            
82
models were tested, trained and validated using up to 400,000 labels 
82
models were tested, trained and validated using up to 400,000 labels 
            
83
representing the two classes broadleaf and coniferous, derived from 
83
representing the two classes broadleaf and coniferous, derived from 
            
84
aerial image delineations. For the 2023 data set, the previously used 
84
aerial image delineations. For the 2023 data set, the previously used 
            
85
labels were quality-checked for reliability and temporal consistency 
85
labels were quality-checked for reliability and temporal consistency 
            
86
with the image data. Additionally, more labels were collected in the 
86
with the image data. Additionally, more labels were collected in the 
            
87
regions where the previous version of the data set performed less 
87
regions where the previous version of the data set performed less 
            
88
accurately \u2013 as reported by the users.\nSimilar high model 
88
accurately \u2013 as reported by the users.\nSimilar high model 
            
89
performances were achieved for both data sets: overall accuracy = 
89
performances were achieved for both data sets: overall accuracy = 
            
90
0.96, kappa = 0.94, F1-score =0.96, precision = 0.97, recall = 0.94 
90
0.96, kappa = 0.94, F1-score =0.96, precision = 0.97, recall = 0.94 
            
91
(2023), 0.95 (2018). Independent validation and plausibility check 
91
(2023), 0.95 (2018). Independent validation and plausibility check 
            
92
included the comparison of the predicted results with aerial image 
92
included the comparison of the predicted results with aerial image 
            
93
interpretations of the National Forest Inventory (NFI). For both data 
93
interpretations of the National Forest Inventory (NFI). For both data 
            
94
sets, deviations particularly occurred in mixed forest stands: over 
94
sets, deviations particularly occurred in mixed forest stands: over 
            
95
all accuracy = 0.81 (2018, 2023), kappa = 0.62 (2018), 0.59 (2023). 
95
all accuracy = 0.81 (2018, 2023), kappa = 0.62 (2018), 0.59 (2023). 
            
96
For more details, see Waser et al. (2021).\n\n**The Forest Type NFI 
96
For more details, see Waser et al. (2021).\n\n**The Forest Type NFI 
            
97
dataset, version 2016:** This dataset presents a countrywide map with 
97
dataset, version 2016:** This dataset presents a countrywide map with 
            
98
the two classes broadleaf and coniferous in Switzerland based on 
98
the two classes broadleaf and coniferous in Switzerland based on 
            
99
digital aerial imagery. The spatial resolution of the data set is 3 m. 
99
digital aerial imagery. The spatial resolution of the data set is 3 m. 
            
100
The pixel values correspond to the probabilities (0-100 %) of the 
100
The pixel values correspond to the probabilities (0-100 %) of the 
            
101
class broadleaf.\nThe classification approach incorporates a RF 
101
class broadleaf.\nThe classification approach incorporates a RF 
            
102
classifier, predictors from multispectral aerial imagery (ADS80) and 
102
classifier, predictors from multispectral aerial imagery (ADS80) and 
            
103
the SwissAlti3D terrain model. The model was tested, trained and 
103
the SwissAlti3D terrain model. The model was tested, trained and 
            
104
validated using 90,000 digitized polygons and achieved an overall 
104
validated using 90,000 digitized polygons and achieved an overall 
            
105
accuracy of 0.99 and a kappa of 0.98. Independent validation and 
105
accuracy of 0.99 and a kappa of 0.98. Independent validation and 
            
106
plausibility check included the comparison of the predicted results 
106
plausibility check included the comparison of the predicted results 
            
107
with aerial image interpretations of the NFI. Significant deviations 
107
with aerial image interpretations of the NFI. Significant deviations 
            
108
were observed, primarily due to an underestimation of broadleaved 
108
were observed, primarily due to an underestimation of broadleaved 
            
109
trees (median underestimation of 3.17%), especially in mixed forest 
109
trees (median underestimation of 3.17%), especially in mixed forest 
            
110
stands. For more details, see Waser et al. (2017; 
110
stands. For more details, see Waser et al. (2017; 
            
111
https://doi.org/10.3390/rs9080766).\n\n",
111
https://doi.org/10.3390/rs9080766).\n\n",
            
112
  "num_resources": 7,
112
  "num_resources": 7,
            
113
  "num_tags": 7,
113
  "num_tags": 7,
            
114
  "organization": {
114
  "organization": {
            
115
    "approval_status": "approved",
115
    "approval_status": "approved",
            
116
    "created": "2017-04-20T16:51:21.920128",
116
    "created": "2017-04-20T16:51:21.920128",
            
117
    "description": "We develop and apply comprehensive and robust 
117
    "description": "We develop and apply comprehensive and robust 
            
118
methods to extract and classify natural objects from continuous and 
118
methods to extract and classify natural objects from continuous and 
            
119
discrete raster datasets. Relevant features are acquired to describe 
119
discrete raster datasets. Relevant features are acquired to describe 
            
120
changes in landscape and land resources at different levels using 
120
changes in landscape and land resources at different levels using 
            
121
image data. Mathematical-statistical methods are adopted for automatic 
121
image data. Mathematical-statistical methods are adopted for automatic 
            
122
detection and description of image objects. Thus we contribute 
122
detection and description of image objects. Thus we contribute 
            
123
concepts, methods and data to describe/detect area wide changes and 
123
concepts, methods and data to describe/detect area wide changes and 
            
124
processes in the resources of landscape.\r\n\r\n### Tasks and main 
124
processes in the resources of landscape.\r\n\r\n### Tasks and main 
            
125
research\r\n\r\n* Development and application of methods to extract 
125
research\r\n\r\n* Development and application of methods to extract 
            
126
natural objects from continuous data.\r\n* Development of methods for 
126
natural objects from continuous data.\r\n* Development of methods for 
            
127
a comprehensive description of natural and anthropogenetic boundaries 
127
a comprehensive description of natural and anthropogenetic boundaries 
            
128
in continuous pattern (e.g. map signatures, vegetation transition, 
128
in continuous pattern (e.g. map signatures, vegetation transition, 
            
129
forest borders).\r\n* Development and application of methods to 
129
forest borders).\r\n* Development and application of methods to 
            
130
extract 3D-information from remotely sensed data for description of 
130
extract 3D-information from remotely sensed data for description of 
            
131
natural structures and changes. The main focus lies on wood and its 
131
natural structures and changes. The main focus lies on wood and its 
            
132
embedding/interaction within/with the landscape.\r\n* Conception and 
132
embedding/interaction within/with the landscape.\r\n* Conception and 
            
133
development of data acquisition based on high resolution remote 
133
development of data acquisition based on high resolution remote 
            
134
sensing data.\r\n* Conception, development and maintenance of the 
134
sensing data.\r\n* Conception, development and maintenance of the 
            
135
software interface in area wide data acquisition using airborne remote 
135
software interface in area wide data acquisition using airborne remote 
            
136
sensing data.\r\n* Scientific expert advice and support in the fields 
136
sensing data.\r\n* Scientific expert advice and support in the fields 
            
137
of photogrammetry and survey at WSL. Maintenance, enhancements and 
137
of photogrammetry and survey at WSL. Maintenance, enhancements and 
            
138
future development in these specific fields.\r\n* Adequate 
138
future development in these specific fields.\r\n* Adequate 
            
139
presentation of scientific results on national level and in noted 
139
presentation of scientific results on national level and in noted 
            
140
international journals and at international 
140
international journals and at international 
            
141
congresses/workshops/symposia.\r\n\r\n__Further information__: 
141
congresses/workshops/symposia.\r\n\r\n__Further information__: 
            
142
l/organization/research-units/landscape-dynamics/remote-sensing.html",
142
l/organization/research-units/landscape-dynamics/remote-sensing.html",
            
143
    "id": "5243fbb4-e4e6-4779-9672-32a7ef33d5f9",
143
    "id": "5243fbb4-e4e6-4779-9672-32a7ef33d5f9",
            
144
    "image_url": "",
144
    "image_url": "",
            
145
    "is_organization": true,
145
    "is_organization": true,
            
146
    "name": "remote-sensing",
146
    "name": "remote-sensing",
            
147
    "state": "active",
147
    "state": "active",
            
148
    "title": "Remote Sensing",
148
    "title": "Remote Sensing",
            
149
    "type": "organization"
149
    "type": "organization"
            
150
  },
150
  },
            
151
  "owner_org": "5243fbb4-e4e6-4779-9672-32a7ef33d5f9",
151
  "owner_org": "5243fbb4-e4e6-4779-9672-32a7ef33d5f9",
            
152
  "private": false,
152
  "private": false,
            
153
  "publication": "{\"publication_year\": \"2025\", \"publisher\": 
153
  "publication": "{\"publication_year\": \"2025\", \"publisher\": 
            
154
\"National Forest Inventory (NFI)\"}",
154
\"National Forest Inventory (NFI)\"}",
            
155
  "publication_state": "published",
155
  "publication_state": "published",
            
156
  "related_datasets": "",
156
  "related_datasets": "",
            
157
  "related_publications": "wsl:28243\nWaser, L. T., Ginzler, C., & 
157
  "related_publications": "wsl:28243\nWaser, L. T., Ginzler, C., & 
            
158
Rehush, N. (2017). Wall-to-wall tree type mapping from countrywide 
158
Rehush, N. (2017). Wall-to-wall tree type mapping from countrywide 
            
159
airborne remote sensing surveys. Remote Sensing, 9(8), 766 (24 pp.). 
159
airborne remote sensing surveys. Remote Sensing, 9(8), 766 (24 pp.). 
            
160
https://doi.org/10.3390/rs9080766",
160
https://doi.org/10.3390/rs9080766",
            
161
  "relationships_as_object": [],
161
  "relationships_as_object": [],
            
162
  "relationships_as_subject": [],
162
  "relationships_as_subject": [],
            
163
  "resource_type": "dataset",
163
  "resource_type": "dataset",
            
164
  "resource_type_general": "dataset",
164
  "resource_type_general": "dataset",
            
165
  "resources": [
165
  "resources": [
            
166
    {
166
    {
            
167
      "cache_last_updated": null,
167
      "cache_last_updated": null,
            
168
      "cache_url": null,
168
      "cache_url": null,
            
169
      "created": "2021-04-23T08:02:00.149511",
169
      "created": "2021-04-23T08:02:00.149511",
            
170
      "description": "\n **Important note:**  This dataset is NOT 
170
      "description": "\n **Important note:**  This dataset is NOT 
            
171
suitable for analysis at the individual tree crown level because 
171
suitable for analysis at the individual tree crown level because 
            
172
probabilities at pixel-level (e.g., of the broadleaf class) are not 
172
probabilities at pixel-level (e.g., of the broadleaf class) are not 
            
173
allocated to individual trees. Analysis is recommended only for areas 
173
allocated to individual trees. Analysis is recommended only for areas 
            
174
larger than 3x3 pixels, i.e. by calculating the mean values, except in 
174
larger than 3x3 pixels, i.e. by calculating the mean values, except in 
            
175
rare cases of homogeneous forest stands (either broadleaf or 
175
rare cases of homogeneous forest stands (either broadleaf or 
            
176
coniferous class). \n\nThis dataset uses a remote sensing-based 
176
coniferous class). \n\nThis dataset uses a remote sensing-based 
            
177
approach for a countrywide mapping of the Dominant Leaf Type (DLT) in 
177
approach for a countrywide mapping of the Dominant Leaf Type (DLT) in 
            
178
Switzerland, classifying areas as either broadleaf or coniferous. 
178
Switzerland, classifying areas as either broadleaf or coniferous. 
            
179
These datasets have a spatial resolution of 10 m and provide the 
179
These datasets have a spatial resolution of 10 m and provide the 
            
180
probabilities (0-100%) of the class broadleaf at the pixel level 
180
probabilities (0-100%) of the class broadleaf at the pixel level 
            
181
(covering areas with vegetation height > 5m).\nThe classification 
181
(covering areas with vegetation height > 5m).\nThe classification 
            
182
approach is based on a Random Forest (RF) classifier, that combines 
182
approach is based on a Random Forest (RF) classifier, that combines 
            
183
predictors derived from multi-temporal Sentinel-1 and Sentinel-2 data 
183
predictors derived from multi-temporal Sentinel-1 and Sentinel-2 data 
            
184
with the SwissAlti3D terrain model. The models were calibrated using 
184
with the SwissAlti3D terrain model. The models were calibrated using 
            
185
digitized training polygons and independently validated data from the 
185
digitized training polygons and independently validated data from the 
            
186
National Forest Inventory (NFI). Whereas high model overall accuracies 
186
National Forest Inventory (NFI). Whereas high model overall accuracies 
            
187
(0.97) and kappa (0.96) were achieved, the comparison of the Forest 
187
(0.97) and kappa (0.96) were achieved, the comparison of the Forest 
            
188
Type NFI 2018 map with independent NFI data revealed deviations in 
188
Type NFI 2018 map with independent NFI data revealed deviations in 
            
189
mixed stands.\n\nThe dataset 'Forest Type NFI 2018' is freely 
189
mixed stands.\n\nThe dataset 'Forest Type NFI 2018' is freely 
            
190
available on request (lars.waser@wsl.ch).\n\n",
190
available on request (lars.waser@wsl.ch).\n\n",
            
191
      "doi": "10.16904/1000001.6",
191
      "doi": "10.16904/1000001.6",
            
192
      "format": "geotiff",
192
      "format": "geotiff",
            
193
      "hash": "",
193
      "hash": "",
            
194
      "id": "5a18924a-ef5a-4af2-a391-b0056a0874bb",
194
      "id": "5a18924a-ef5a-4af2-a391-b0056a0874bb",
            
195
      "last_modified": "2025-03-10T21:02:49.852000",
195
      "last_modified": "2025-03-10T21:02:49.852000",
            
196
      "metadata_modified": "2025-03-10T20:02:50.251236",
196
      "metadata_modified": "2025-03-10T20:02:50.251236",
            
197
      "mimetype": null,
197
      "mimetype": null,
            
198
      "mimetype_inner": null,
198
      "mimetype_inner": null,
            
199
      "name": "Forest Type NFI 2018",
199
      "name": "Forest Type NFI 2018",
            
200
      "package_id": "82d763fa-123a-4648-b827-0dec02a5efbc",
200
      "package_id": "82d763fa-123a-4648-b827-0dec02a5efbc",
            
201
      "position": 0,
201
      "position": 0,
            
202
      "resource_size": "{\"size_value\":\"\",\"size_units\":\"\"}",
202
      "resource_size": "{\"size_value\":\"\",\"size_units\":\"\"}",
            
203
      "resource_type": null,
203
      "resource_type": null,
            
204
      "restricted": 
204
      "restricted": 
            
205
\"same_organization\",\"allowed_users\":\"\",\"shared_secret\":\"\"}",
205
\"same_organization\",\"allowed_users\":\"\",\"shared_secret\":\"\"}",
            
206
      "size": 191049626,
206
      "size": 191049626,
            
207
      "state": "active",
207
      "state": "active",
            
208
      "url": 
208
      "url": 
            
209
18924a-ef5a-4af2-a391-b0056a0874bb/download/forest-type-nfi-2018.tif",
209
18924a-ef5a-4af2-a391-b0056a0874bb/download/forest-type-nfi-2018.tif",
            
210
      "url_type": "upload"
210
      "url_type": "upload"
            
211
    },
211
    },
            
212
    {
212
    {
            
213
      "cache_last_updated": null,
213
      "cache_last_updated": null,
            
214
      "cache_url": null,
214
      "cache_url": null,
            
215
      "created": "2021-03-27T04:57:32.557727",
215
      "created": "2021-03-27T04:57:32.557727",
            
216
      "description": "This dataset presents a countrywide map with the 
216
      "description": "This dataset presents a countrywide map with the 
            
217
two classes broadleaf and coniferous in Switzerland based on digital 
217
two classes broadleaf and coniferous in Switzerland based on digital 
            
218
aerial imagery. The spatial resolution of the data set is 3 m. The 
218
aerial imagery. The spatial resolution of the data set is 3 m. The 
            
219
pixel values correspond to the fraction (0-100 %) of the class 
219
pixel values correspond to the fraction (0-100 %) of the class 
            
220
broadleaf.\nThe classification approach incorporates a RF classifier, 
220
broadleaf.\nThe classification approach incorporates a RF classifier, 
            
221
predictors from multispectral aerial imagery (ADS80) and the 
221
predictors from multispectral aerial imagery (ADS80) and the 
            
222
SwissAlti3D terrain model. The model was tested, trained and validated 
222
SwissAlti3D terrain model. The model was tested, trained and validated 
            
223
using 90,000 digitized polygons and achieved an overall accuracy of 
223
using 90,000 digitized polygons and achieved an overall accuracy of 
            
224
0.99 and a kappa of 0.98. Independent validation and plausibility 
224
0.99 and a kappa of 0.98. Independent validation and plausibility 
            
225
check included the comparison of the predicted results with aerial 
225
check included the comparison of the predicted results with aerial 
            
226
image interpretations of the NFI. Significant deviations were 
226
image interpretations of the NFI. Significant deviations were 
            
227
observed, primarily due to an underestimation of broadleaved trees 
227
observed, primarily due to an underestimation of broadleaved trees 
            
228
(median underestimation of 3.17%), especially in mixed forest stands. 
228
(median underestimation of 3.17%), especially in mixed forest stands. 
            
229
For more details, see Waser et al. (2017).\n\nData 'Forest Type NFI 
229
For more details, see Waser et al. (2017).\n\nData 'Forest Type NFI 
            
230
2016' available on request (lars.waser@wsl.ch).",
230
2016' available on request (lars.waser@wsl.ch).",
            
231
      "doi": "10.16904/1000001.3",
231
      "doi": "10.16904/1000001.3",
            
232
      "format": "geotiff",
232
      "format": "geotiff",
            
233
      "hash": "",
233
      "hash": "",
            
234
      "id": "0f22d071-5aac-4bfd-936d-89c0a56eed36",
234
      "id": "0f22d071-5aac-4bfd-936d-89c0a56eed36",
            
235
      "last_modified": "2025-03-06T14:38:42.823000",
235
      "last_modified": "2025-03-06T14:38:42.823000",
            
236
      "metadata_modified": "2025-03-06T13:38:43.468367",
236
      "metadata_modified": "2025-03-06T13:38:43.468367",
            
237
      "mimetype": null,
237
      "mimetype": null,
            
238
      "mimetype_inner": null,
238
      "mimetype_inner": null,
            
239
      "name": "Forest Type NFI 2016",
239
      "name": "Forest Type NFI 2016",
            
240
      "package_id": "82d763fa-123a-4648-b827-0dec02a5efbc",
240
      "package_id": "82d763fa-123a-4648-b827-0dec02a5efbc",
            
241
      "position": 1,
241
      "position": 1,
            
242
      "resource_size": "{\"size_value\":\"3\",\"size_units\":\"gb\"}",
242
      "resource_size": "{\"size_value\":\"3\",\"size_units\":\"gb\"}",
            
243
      "resource_type": null,
243
      "resource_type": null,
            
244
      "restricted": 
244
      "restricted": 
            
245
\"same_organization\",\"allowed_users\":\"\",\"shared_secret\":\"\"}",
245
\"same_organization\",\"allowed_users\":\"\",\"shared_secret\":\"\"}",
            
246
      "size": 69,
246
      "size": 69,
            
247
      "state": "active",
247
      "state": "active",
            
248
      "url": "",
248
      "url": "",
            
249
      "url_type": ""
249
      "url_type": ""
            
250
    },
250
    },
            
251
    {
251
    {
            
252
      "cache_last_updated": null,
252
      "cache_last_updated": null,
            
253
      "cache_url": null,
253
      "cache_url": null,
            
254
      "created": "2018-04-03T10:42:10.760550",
254
      "created": "2018-04-03T10:42:10.760550",
            
255
      "description": "Waser, L. T., Ginzler, C., & Rehush, N. (2017). 
255
      "description": "Waser, L. T., Ginzler, C., & Rehush, N. (2017). 
            
256
Wall-to-Wall Tree Type Mapping from Countrywide Airborne Remote 
256
Wall-to-Wall Tree Type Mapping from Countrywide Airborne Remote 
            
257
Sensing Surveys. Remote Sensing, 9(8), 766. 
257
Sensing Surveys. Remote Sensing, 9(8), 766. 
            
258
https://doi.org/10.3390/rs9080766",
258
https://doi.org/10.3390/rs9080766",
            
259
      "doi": "10.3390/rs9080766",
259
      "doi": "10.3390/rs9080766",
            
260
      "format": "PDF",
260
      "format": "PDF",
            
261
      "hash": "",
261
      "hash": "",
            
262
      "id": "98ae863c-1ba1-444f-b535-cd4f512c4227",
262
      "id": "98ae863c-1ba1-444f-b535-cd4f512c4227",
            
263
      "last_modified": "2025-03-04T23:05:32.264000",
263
      "last_modified": "2025-03-04T23:05:32.264000",
            
264
      "metadata_modified": "2025-03-04T22:05:32.666679",
264
      "metadata_modified": "2025-03-04T22:05:32.666679",
            
265
      "mimetype": null,
265
      "mimetype": null,
            
266
      "mimetype_inner": null,
266
      "mimetype_inner": null,
            
267
      "name": "Research Article",
267
      "name": "Research Article",
            
268
      "package_id": "82d763fa-123a-4648-b827-0dec02a5efbc",
268
      "package_id": "82d763fa-123a-4648-b827-0dec02a5efbc",
            
269
      "position": 2,
269
      "position": 2,
            
270
      "resource_size": 
270
      "resource_size": 
            
271
"{\"size_value\":\"100\",\"size_units\":\"kb\"}",
271
"{\"size_value\":\"100\",\"size_units\":\"kb\"}",
            
272
      "resource_type": null,
272
      "resource_type": null,
            
273
      "restricted": 
273
      "restricted": 
            
274
{\"level\":\"public\",\"allowed_users\":\"\",\"shared_secret\":\"\"}",
274
{\"level\":\"public\",\"allowed_users\":\"\",\"shared_secret\":\"\"}",
            
275
      "size": null,
275
      "size": null,
            
276
      "state": "active",
276
      "state": "active",
            
277
      "url": 
277
      "url": 
            
278
"https://www.dora.lib4ri.ch/wsl/islandora/object/wsl:14162",
278
"https://www.dora.lib4ri.ch/wsl/islandora/object/wsl:14162",
            
279
      "url_type": null
279
      "url_type": null
            
280
    },
280
    },
            
281
    {
281
    {
            
282
      "cache_last_updated": null,
282
      "cache_last_updated": null,
            
283
      "cache_url": null,
283
      "cache_url": null,
            
284
      "created": "2018-04-03T13:06:34.033220",
284
      "created": "2018-04-03T13:06:34.033220",
            
285
      "description": "Sample illustration of the Forest Type NFI 
285
      "description": "Sample illustration of the Forest Type NFI 
            
286
dataset.",
286
dataset.",
            
287
      "doi": "",
287
      "doi": "",
            
288
      "format": "JPEG",
288
      "format": "JPEG",
            
289
      "hash": "",
289
      "hash": "",
            
290
      "id": "7b6e4f37-c428-45dc-ba34-f40dd8368769",
290
      "id": "7b6e4f37-c428-45dc-ba34-f40dd8368769",
            
291
      "last_modified": "2025-03-09T22:30:09.166000",
291
      "last_modified": "2025-03-09T22:30:09.166000",
            
292
      "metadata_modified": "2025-03-09T21:30:09.529289",
292
      "metadata_modified": "2025-03-09T21:30:09.529289",
            
293
      "mimetype": "image/jpeg",
293
      "mimetype": "image/jpeg",
            
294
      "mimetype_inner": null,
294
      "mimetype_inner": null,
            
295
      "name": "Thumbnail",
295
      "name": "Thumbnail",
            
296
      "package_id": "82d763fa-123a-4648-b827-0dec02a5efbc",
296
      "package_id": "82d763fa-123a-4648-b827-0dec02a5efbc",
            
297
      "position": 3,
297
      "position": 3,
            
298
      "resource_size": "{\"size_value\":\"\",\"size_units\":\"\"}",
298
      "resource_size": "{\"size_value\":\"\",\"size_units\":\"\"}",
            
299
      "resource_type": null,
299
      "resource_type": null,
            
300
      "restricted": 
300
      "restricted": 
            
301
{\"level\":\"public\",\"allowed_users\":\"\",\"shared_secret\":\"\"}",
301
{\"level\":\"public\",\"allowed_users\":\"\",\"shared_secret\":\"\"}",
            
302
      "size": 3072776,
302
      "size": 3072776,
            
303
      "state": "active",
303
      "state": "active",
            
304
      "url": 
304
      "url": 
            
305
e4f37-c428-45dc-ba34-f40dd8368769/download/forest_type_thumbnail.jpg",
305
e4f37-c428-45dc-ba34-f40dd8368769/download/forest_type_thumbnail.jpg",
            
306
      "url_type": "upload"
306
      "url_type": "upload"
            
307
    },
307
    },
            
308
    {
308
    {
            
309
      "cache_last_updated": null,
309
      "cache_last_updated": null,
            
310
      "cache_url": null,
310
      "cache_url": null,
            
311
      "created": "2025-03-04T22:11:00.261394",
311
      "created": "2025-03-04T22:11:00.261394",
            
312
      "description": "Waser, L. T., R\u00fcetschi, M., Psomas, A., 
312
      "description": "Waser, L. T., R\u00fcetschi, M., Psomas, A., 
            
313
Small, D., & Rehush, N. (2021). Mapping dominant leaf type based on 
313
Small, D., & Rehush, N. (2021). Mapping dominant leaf type based on 
            
314
combined Sentinel-1/-2 data \u2013 Challenges for mountainous 
314
combined Sentinel-1/-2 data \u2013 Challenges for mountainous 
            
315
countries. ISPRS Journal of Photogrammetry and Remote Sensing, 180, 
315
countries. ISPRS Journal of Photogrammetry and Remote Sensing, 180, 
            
316
209-226. https://doi.org/10.1016/j.isprsjprs.2021.08.017",
316
209-226. https://doi.org/10.1016/j.isprsjprs.2021.08.017",
            
317
      "doi": "",
317
      "doi": "",
            
318
      "format": "PDF",
318
      "format": "PDF",
            
319
      "hash": "",
319
      "hash": "",
            
320
      "id": "659800b6-060e-40cb-9771-e46d71cba3e1",
320
      "id": "659800b6-060e-40cb-9771-e46d71cba3e1",
            
321
      "last_modified": "2025-03-04T23:13:18.542000",
321
      "last_modified": "2025-03-04T23:13:18.542000",
            
322
      "metadata_modified": "2025-03-04T22:13:18.960670",
322
      "metadata_modified": "2025-03-04T22:13:18.960670",
            
323
      "mimetype": null,
323
      "mimetype": null,
            
324
      "mimetype_inner": null,
324
      "mimetype_inner": null,
            
325
      "name": "Research Article",
325
      "name": "Research Article",
            
326
      "package_id": "82d763fa-123a-4648-b827-0dec02a5efbc",
326
      "package_id": "82d763fa-123a-4648-b827-0dec02a5efbc",
            
327
      "position": 4,
327
      "position": 4,
            
328
      "resource_size": 
328
      "resource_size": 
            
329
"{\"size_value\":\"400\",\"size_units\":\"kb\"}",
329
"{\"size_value\":\"400\",\"size_units\":\"kb\"}",
            
330
      "resource_type": null,
330
      "resource_type": null,
            
331
      "restricted": 
331
      "restricted": 
            
332
{\"level\":\"public\",\"allowed_users\":\"\",\"shared_secret\":\"\"}",
332
{\"level\":\"public\",\"allowed_users\":\"\",\"shared_secret\":\"\"}",
            
333
      "size": null,
333
      "size": null,
            
334
      "state": "active",
334
      "state": "active",
            
335
      "url": 
335
      "url": 
            
336
"https://www.dora.lib4ri.ch/wsl/islandora/object/wsl:28243",
336
"https://www.dora.lib4ri.ch/wsl/islandora/object/wsl:28243",
            
337
      "url_type": null
337
      "url_type": null
            
338
    },
338
    },
            
339
    {
339
    {
            
340
      "cache_last_updated": null,
340
      "cache_last_updated": null,
            
341
      "cache_url": null,
341
      "cache_url": null,
            
342
      "created": "2025-03-06T13:23:45.237260",
342
      "created": "2025-03-06T13:23:45.237260",
            
343
      "description": "\n**Important note:** This dataset is NOT 
343
      "description": "\n**Important note:** This dataset is NOT 
            
344
suitable for analysis at the individual tree crown level because 
344
suitable for analysis at the individual tree crown level because 
            
n
345
probabilities at the pixel level  (e.g., of the broadleaf class) are 
n
345
probabilities at the pixel level (e.g., of the broadleaf class) are 
            
346
not allocated to individual trees. Analysis is recommended only for 
346
not allocated to individual trees. Analysis is recommended only for 
            
347
areas larger than 3x3 pixels, i.e. by calculating the mean values, 
347
areas larger than 3x3 pixels, i.e. by calculating the mean values, 
            
348
except in rare cases of homogeneous forest stands (either broadleaf or 
348
except in rare cases of homogeneous forest stands (either broadleaf or 
            
349
coniferous class).\n\nThis dataset uses a remote sensing-based 
349
coniferous class).\n\nThis dataset uses a remote sensing-based 
            
350
approach for a countrywide mapping of the Dominant Leaf Type (DLT) in 
350
approach for a countrywide mapping of the Dominant Leaf Type (DLT) in 
            
351
Switzerland, classifying areas as either broadleaf or coniferous. 
351
Switzerland, classifying areas as either broadleaf or coniferous. 
            
352
These datasets have a spatial resolution of 10 m and provide the 
352
These datasets have a spatial resolution of 10 m and provide the 
            
353
probabilities (0-100%) of the class broadleaf at the pixel level 
353
probabilities (0-100%) of the class broadleaf at the pixel level 
            
354
(covering areas with vegetation height > 3m).\nThe classification 
354
(covering areas with vegetation height > 3m).\nThe classification 
            
355
approach is based on a Random Forest (RF) classifier, that combines 
355
approach is based on a Random Forest (RF) classifier, that combines 
            
356
predictors derived from multi-temporal Sentinel-1 and Sentinel-2 data 
356
predictors derived from multi-temporal Sentinel-1 and Sentinel-2 data 
            
357
with the SwissAlti3D terrain model. The models were calibrated using 
357
with the SwissAlti3D terrain model. The models were calibrated using 
            
358
digitized training polygons and independently validated data from the 
358
digitized training polygons and independently validated data from the 
            
359
National Forest Inventory (NFI). Whereas high model overall accuracies 
359
National Forest Inventory (NFI). Whereas high model overall accuracies 
            
n
360
(0.97) and kappa (0.96) were achieved, the comparison of the forest 
n
360
(0.97) and kappa (0.96) were achieved, the comparison of the Forest 
            
361
type NFI map with independent NFI data revealed deviations in mixed 
361
Type NFI 2023 map with independent NFI data revealed deviations in 
            
362
stands.\n\nThe dataset 'Forest Type NFI 2023' is freely available on 
362
mixed stands.\n\nThe dataset 'Forest Type NFI 2023' is freely 
            
363
request (lars.waser@wsl.ch).",
363
available on request (lars.waser@wsl.ch).",
            
364
      "doi": "",
364
      "doi": "",
            
365
      "format": "geotif",
365
      "format": "geotif",
            
366
      "hash": "",
366
      "hash": "",
            
367
      "id": "884141d9-164a-4088-bc3a-5b4d4bb53d8f",
367
      "id": "884141d9-164a-4088-bc3a-5b4d4bb53d8f",
            
t
368
      "last_modified": "2025-03-10T21:02:01.560000",
t
368
      "last_modified": "2025-03-10T21:03:25.330000",
            
369
      "metadata_modified": "2025-03-10T20:02:01.951897",
369
      "metadata_modified": "2025-03-10T20:03:25.710500",
            
370
      "mimetype": "image/tiff",
370
      "mimetype": "image/tiff",
            
371
      "mimetype_inner": null,
371
      "mimetype_inner": null,
            
372
      "name": "Forest Type NFI 2023",
372
      "name": "Forest Type NFI 2023",
            
373
      "package_id": "82d763fa-123a-4648-b827-0dec02a5efbc",
373
      "package_id": "82d763fa-123a-4648-b827-0dec02a5efbc",
            
374
      "position": 5,
374
      "position": 5,
            
375
      "resource_size": "{\"size_value\":\"\",\"size_units\":\"\"}",
375
      "resource_size": "{\"size_value\":\"\",\"size_units\":\"\"}",
            
376
      "resource_type": null,
376
      "resource_type": null,
            
377
      "restricted": 
377
      "restricted": 
            
378
\"same_organization\",\"allowed_users\":\"\",\"shared_secret\":\"\"}",
378
\"same_organization\",\"allowed_users\":\"\",\"shared_secret\":\"\"}",
            
379
      "size": 3329049504,
379
      "size": 3329049504,
            
380
      "state": "active",
380
      "state": "active",
            
381
      "url": 
381
      "url": 
            
382
-4088-bc3a-5b4d4bb53d8f/download/waldmischungsgrad_2023_10m_2056.tif",
382
-4088-bc3a-5b4d4bb53d8f/download/waldmischungsgrad_2023_10m_2056.tif",
            
383
      "url_type": "upload"
383
      "url_type": "upload"
            
384
    },
384
    },
            
385
    {
385
    {
            
386
      "cache_last_updated": null,
386
      "cache_last_updated": null,
            
387
      "cache_url": null,
387
      "cache_url": null,
            
388
      "created": "2025-03-09T21:36:32.049910",
388
      "created": "2025-03-09T21:36:32.049910",
            
389
      "description": "Preview of the dataset Forest Type NFI 2023.",
389
      "description": "Preview of the dataset Forest Type NFI 2023.",
            
390
      "doi": "",
390
      "doi": "",
            
391
      "format": "JPEG",
391
      "format": "JPEG",
            
392
      "hash": "",
392
      "hash": "",
            
393
      "id": "d0eefe2f-2ce9-4c48-91aa-c99fe0bb2a67",
393
      "id": "d0eefe2f-2ce9-4c48-91aa-c99fe0bb2a67",
            
394
      "last_modified": "2025-03-09T22:37:56.389000",
394
      "last_modified": "2025-03-09T22:37:56.389000",
            
395
      "metadata_modified": "2025-03-09T21:37:56.740956",
395
      "metadata_modified": "2025-03-09T21:37:56.740956",
            
396
      "mimetype": "image/jpeg",
396
      "mimetype": "image/jpeg",
            
397
      "mimetype_inner": null,
397
      "mimetype_inner": null,
            
398
      "name": "Dataset preview ",
398
      "name": "Dataset preview ",
            
399
      "package_id": "82d763fa-123a-4648-b827-0dec02a5efbc",
399
      "package_id": "82d763fa-123a-4648-b827-0dec02a5efbc",
            
400
      "position": 6,
400
      "position": 6,
            
401
      "resource_size": "{\"size_value\":\"\",\"size_units\":\"\"}",
401
      "resource_size": "{\"size_value\":\"\",\"size_units\":\"\"}",
            
402
      "resource_type": null,
402
      "resource_type": null,
            
403
      "restricted": 
403
      "restricted": 
            
404
{\"level\":\"public\",\"allowed_users\":\"\",\"shared_secret\":\"\"}",
404
{\"level\":\"public\",\"allowed_users\":\"\",\"shared_secret\":\"\"}",
            
405
      "size": 138211,
405
      "size": 138211,
            
406
      "state": "active",
406
      "state": "active",
            
407
      "url": 
407
      "url": 
            
408
ce/d0eefe2f-2ce9-4c48-91aa-c99fe0bb2a67/download/foresttype-2023.jpg",
408
ce/d0eefe2f-2ce9-4c48-91aa-c99fe0bb2a67/download/foresttype-2023.jpg",
            
409
      "url_type": "upload"
409
      "url_type": "upload"
            
410
    }
410
    }
            
411
  ],
411
  ],
            
412
  "spatial": 
412
  "spatial": 
            
413
inates\":[[[-175,-85],[-175,85],[175,85],[175,-85],[-175,-85]]]}]}]}",
413
inates\":[[[-175,-85],[-175,85],[175,85],[175,-85],[-175,-85]]]}]}]}",
            
414
  "spatial_info": "Switzerland",
414
  "spatial_info": "Switzerland",
            
415
  "state": "active",
415
  "state": "active",
            
416
  "subtitle": "",
416
  "subtitle": "",
            
417
  "tags": [
417
  "tags": [
            
418
    {
418
    {
            
419
      "display_name": "BROADLEAF PROBABILITY",
419
      "display_name": "BROADLEAF PROBABILITY",
            
420
      "id": "b2c1c2b5-27cf-4439-870b-bf797970a6a6",
420
      "id": "b2c1c2b5-27cf-4439-870b-bf797970a6a6",
            
421
      "name": "BROADLEAF PROBABILITY",
421
      "name": "BROADLEAF PROBABILITY",
            
422
      "state": "active",
422
      "state": "active",
            
423
      "vocabulary_id": null
423
      "vocabulary_id": null
            
424
    },
424
    },
            
425
    {
425
    {
            
426
      "display_name": "DOMINANT LEAFTYPE",
426
      "display_name": "DOMINANT LEAFTYPE",
            
427
      "id": "1b334234-4bd0-44d4-bb78-039fe70bab90",
427
      "id": "1b334234-4bd0-44d4-bb78-039fe70bab90",
            
428
      "name": "DOMINANT LEAFTYPE",
428
      "name": "DOMINANT LEAFTYPE",
            
429
      "state": "active",
429
      "state": "active",
            
430
      "vocabulary_id": null
430
      "vocabulary_id": null
            
431
    },
431
    },
            
432
    {
432
    {
            
433
      "display_name": "FOREST",
433
      "display_name": "FOREST",
            
434
      "id": "90cd0d8f-8df0-4b78-ac11-6e38c2a22106",
434
      "id": "90cd0d8f-8df0-4b78-ac11-6e38c2a22106",
            
435
      "name": "FOREST",
435
      "name": "FOREST",
            
436
      "state": "active",
436
      "state": "active",
            
437
      "vocabulary_id": null
437
      "vocabulary_id": null
            
438
    },
438
    },
            
439
    {
439
    {
            
440
      "display_name": "FOREST INVENTORY",
440
      "display_name": "FOREST INVENTORY",
            
441
      "id": "d1b2883f-be82-426b-8a5e-fd6d36bc2855",
441
      "id": "d1b2883f-be82-426b-8a5e-fd6d36bc2855",
            
442
      "name": "FOREST INVENTORY",
442
      "name": "FOREST INVENTORY",
            
443
      "state": "active",
443
      "state": "active",
            
444
      "vocabulary_id": null
444
      "vocabulary_id": null
            
445
    },
445
    },
            
446
    {
446
    {
            
447
      "display_name": "FOREST TYPE",
447
      "display_name": "FOREST TYPE",
            
448
      "id": "52ad8bb3-8ec8-4e9d-8798-858d7662c3e4",
448
      "id": "52ad8bb3-8ec8-4e9d-8798-858d7662c3e4",
            
449
      "name": "FOREST TYPE",
449
      "name": "FOREST TYPE",
            
450
      "state": "active",
450
      "state": "active",
            
451
      "vocabulary_id": null
451
      "vocabulary_id": null
            
452
    },
452
    },
            
453
    {
453
    {
            
454
      "display_name": "NFI",
454
      "display_name": "NFI",
            
455
      "id": "0a74eb64-cf7b-42df-b2d4-1a5ad8171458",
455
      "id": "0a74eb64-cf7b-42df-b2d4-1a5ad8171458",
            
456
      "name": "NFI",
456
      "name": "NFI",
            
457
      "state": "active",
457
      "state": "active",
            
458
      "vocabulary_id": null
458
      "vocabulary_id": null
            
459
    },
459
    },
            
460
    {
460
    {
            
461
      "display_name": "REMOTE SENSING",
461
      "display_name": "REMOTE SENSING",
            
462
      "id": "1bc9d51e-2500-44a7-857b-13710a59e4be",
462
      "id": "1bc9d51e-2500-44a7-857b-13710a59e4be",
            
463
      "name": "REMOTE SENSING",
463
      "name": "REMOTE SENSING",
            
464
      "state": "active",
464
      "state": "active",
            
465
      "vocabulary_id": null
465
      "vocabulary_id": null
            
466
    }
466
    }
            
467
  ],
467
  ],
            
468
  "title": "Forest Type NFI",
468
  "title": "Forest Type NFI",
            
469
  "type": "dataset",
469
  "type": "dataset",
            
470
  "url": null,
470
  "url": null,
            
471
  "version": "2023"
471
  "version": "2023"
            
472
}
472
}