- ডেটাসেটের উপলভ্যতা
- 1985-06-01T00:00:00Z–2020-09-30T00:00:00Z
- ডেটাসেট প্রোডিউসার
- USDA Forest Service (USFS) Geospatial Technology and Applications Center (GTAC)
- ট্যাগ
বিবরণ
এই প্রোডাক্টটি ল্যান্ডস্কেপ চেঞ্জ মনিটরিং সিস্টেম (LCMS) ডেটা স্যুটের অংশ। এটি প্রতি বছরের জন্য LCMS-মডেল করা পরিবর্তন, ল্যান্ড কভার এবং/অথবা ল্যান্ড ব্যবহারের ক্লাস দেখায়। এই LCMS ভার্সনে মার্কিন যুক্তরাষ্ট্রের সংলগ্ন অঞ্চল (CONUS) এবং দক্ষিণ-পূর্ব আলাস্কা (SEAK) কভার করা হয়েছে।
LCMS হল একটি রিমোট সেন্সিং-ভিত্তিক সিস্টেম যা মার্কিন যুক্তরাষ্ট্র জুড়ে ল্যান্ডস্কেপ পরিবর্তন ম্যাপিং এবং মনিটর করার জন্য ব্যবহার করা হয়। এর উদ্দেশ্য হল, ল্যান্ডস্কেপ পরিবর্তনের "সবচেয়ে ভালো উপলভ্য" ম্যাপ তৈরি করার জন্য পরিবর্তন শনাক্তকরণে লেটেস্ট প্রযুক্তি এবং অগ্রগতি ব্যবহার করে একটি সামঞ্জস্যপূর্ণ পদ্ধতি তৈরি করা।
আউটপুটে তিনটি বার্ষিক প্রোডাক্ট অন্তর্ভুক্ত থাকে: পরিবর্তন, ল্যান্ড কভার ও ল্যান্ড ব্যবহার। পরিবর্তনটি বিশেষভাবে গাছপালার আচ্ছাদনের সাথে সম্পর্কিত এবং এতে ধীরে ধীরে ক্ষতি, দ্রুত ক্ষতি (যার মধ্যে বন্যা বা শুকিয়ে যাওয়ার মতো হাইড্রোলজিক্যাল পরিবর্তনও অন্তর্ভুক্ত) এবং বৃদ্ধি অন্তর্ভুক্ত। এই মানগুলি Landsat টাইম সিরিজের প্রতিটি বছরের জন্য অনুমান করা হয় এবং LCMS-এর জন্য ফাউন্ডেশনাল প্রোডাক্ট হিসেবে কাজ করে। ল্যান্ড কভার ও ল্যান্ড ইউজ ম্যাপে প্রতি বছরের জন্য লাইফ-ফর্ম লেভেল ল্যান্ড কভার ও ব্রড-লেভেল ল্যান্ড ইউজ দেখানো হয়।
যেহেতু কোনও অ্যালগরিদম সব পরিস্থিতিতে সেরা পারফর্ম করে না, তাই LCMS প্রেডিক্টর হিসেবে মডেলের একটি এনসেম্বল ব্যবহার করে, যা বিভিন্ন ইকোসিস্টেম এবং পরিবর্তন প্রক্রিয়া জুড়ে ম্যাপের নির্ভুলতা উন্নত করে (হিলি এট আল., 2018). LCMS পরিবর্তন, ল্যান্ড কভার এবং ল্যান্ড ইউজ ম্যাপের ফলে প্রাপ্ত স্যুট গত চার দশক ধরে মার্কিন যুক্তরাষ্ট্র জুড়ে ল্যান্ডস্কেপ পরিবর্তনের একটি সামগ্রিক চিত্র প্রদান করে।
LCMS মডেলের প্রেডিক্টর লেয়ারে বার্ষিক Landsat ও Sentinel 2 কম্পোজিট, LandTrendr ও CCDC পরিবর্তন শনাক্তকরণ অ্যালগরিদম থেকে পাওয়া আউটপুট এবং ভূখণ্ড সম্পর্কিত তথ্য অন্তর্ভুক্ত থাকে। এইসব কম্পোনেন্ট Google Earth Engine (Gorelick et al., ২০১৭)।
বার্ষিক কম্পোজিট তৈরি করতে, cFmask (Zhu and Woodcock 2012), cloudScore এবং TDOM (Chastain et al., ২০১৯) ক্লাউড ও ক্লাউড শ্যাডো মাস্কিং পদ্ধতি Landsat Tier 1 এবং Sentinel 2a ও 2b লেভেল-1C টপ অফ অ্যাটমোস্ফিয়ার রিফ্লেক্ট্যান্স ডেটাতে প্রয়োগ করা হয়। প্রতি বছরকে একটি কম্পোজিটে সংক্ষিপ্ত করতে বার্ষিক মেডয়েড গণনা করা হয়।
LandTrendr ব্যবহার করে কম্পোজিট টাইম সিরিজ সাময়িকভাবে বিভক্ত করা হয় (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).
এছাড়াও, CCDC অ্যালগরিদম ব্যবহার করে সব ক্লাউড ও ক্লাউড শ্যাডো ফ্রি ভ্যালু সাময়িকভাবে সেগমেন্ট করা হয় (Zhu and Woodcock, 2014)।
র্যান্ডম ফরেস্ট (Breiman, 2001) মডেলে স্বাধীন প্রেডিক্টর ভেরিয়েবেল হিসেবে র কম্পোজিট ভ্যালু, LandTrendr ফিট করা ভ্যালু, পেয়ার-ওয়াইজ পার্থক্য, সেগমেন্টের সময়সীমা, পরিবর্তনের মাত্রা ও স্লোপ এবং CCDC ১ সেপ্টেম্বরের সাইন ও কোসাইন কো-এফিশিয়েন্ট (প্রথম ৩টি হারমোনিক), ফিট করা ভ্যালু ও পেয়ার-ওয়াইজ পার্থক্য, এর সাথে ন্যাশনাল এলিভেশন ডেটাসেট (NED) থেকে এলিভেশন, স্লোপ, সাইন অফ অ্যাস্পেক্ট, কোসাইন অফ অ্যাস্পেক্ট ও টোপোগ্রাফিক পজিশন ইনডেক্স (Weiss, 2001) ব্যবহার করা হয়।
TimeSync ব্যবহার করে রেফারেন্স ডেটা সংগ্রহ করা হয়, এটি একটি ওয়েব-ভিত্তিক টুল যা বিশ্লেষকদের ১৯৮৪ থেকে বর্তমান সময় পর্যন্ত Landsat ডেটা রেকর্ড ভিজ্যুয়ালাইজ ও ব্যাখ্যা করতে সাহায্য করে (Cohen et al., 2010).
অতিরিক্ত রিসোর্স
LCMS Data Explorer হল একটি ওয়েব-ভিত্তিক অ্যাপ্লিকেশন যা ব্যবহারকারীদের LCMS ডেটা দেখতে, বিশ্লেষণ করতে, সারসংক্ষেপ করতে এবং ডাউনলোড করতে দেয়।
পদ্ধতি ও নির্ভুলতা মূল্যায়ন সম্পর্কে আরও বিস্তারিত তথ্যের জন্য LCMS পদ্ধতির সংক্ষিপ্ত বিবরণ অথবা ডেটা ডাউনলোড, মেটাডেটা ও সহায়তা ডকুমেন্টের জন্য LCMS জিওডেটা ক্লিয়ারিংহাউস দেখুন।
কোনও প্রশ্ন বা নির্দিষ্ট ডেটার অনুরোধ থাকলে [sm.fs.lcms@usda.gov]-এ যোগাযোগ করুন।
Breiman, L., ২০০১। মেশিন লার্নিং। Springer, 45(3): 261-277 doi:10.1023/a:1017934522171
Chastain, R., Housman, I., Goldstein, J., Finco, M., and Tenneson, K., ২০১৯। মার্কিন যুক্তরাষ্ট্রের সংলগ্ন অঞ্চলে Sentinel-2A এবং 2B MSI, Landsat-8 OLI এবং Landsat-7 ETM-এর বায়ুমণ্ডলের উপরের স্তরের স্পেকট্রাল বৈশিষ্ট্যের এমপিরিক্যাল ক্রস সেন্সর তুলনা। In Remote Sensing of Environment. Science Direct, ২২১: ২৭৪-২৮৫ doi:১০.১০১৬/j.rse.২০১৮.১১.০১২
Cohen, W. B., Yang, Z., and Kennedy, R., ২০১০। Detecting trends in forest disturbance and recovery using yearly Landsat time series: 2. TimeSync - ক্যালিব্রেশন ও যাচাইকরণের টুল। In Remote Sensing of Environment. Science Direct, 114(12): 2911-2924 doi:10.1016/j.rse.2010.07.010
Cohen, W. B., Yang, Z., Healey, S. P., Kennedy, R. E., এবং Gorelick, N., ২০১৮. A LandTrendr multispectral ensemble for forest disturbance detection. In Remote Sensing of Environment. Science Direct, 205: 131-140 doi:10.1016/j.rse.2017.11.015
Healey, S. P., Cohen, W. B., Yang, Z., Kenneth Brewer, C., Brooks, E. B., Gorelick, N., Hernandez, A. J., Huang, C., Joseph Hughes, M., Kennedy, R. E., লাভল্যান্ড, টি. R., Moisen, G. G., Schroeder, T. A., Stehman, S. V., Vogelmann, J. E., Woodcock, C. E., Yang, L., and Zhu, Z., ২০১৮. স্ট্যাক করা সাধারণীকরণ ব্যবহার করে বনের পরিবর্তন ম্যাপিং: একটি এনসেম্বল পদ্ধতি। In Remote Sensing of Environment. Science Direct, 204: 717-728 doi:10.1016/j.rse.2017.09.029
কেনেডি, আর. E., Yang, Z., and Cohen, W. B., ২০১০। বার্ষিক ল্যান্ডস্যাট টাইম সিরিজ ব্যবহার করে বনের ক্ষতি এবং পুনরুদ্ধারের প্রবণতা শনাক্ত করা: ১. LandTrendr - টেম্পোরাল সেগমেন্টেশন অ্যালগরিদম। In Remote Sensing of Environment. Science Direct, 114(12): 2897-2910 doi:10.1016/j.rse.2010.07.008
কেনেডি, আর., Yang, Z., Gorelick, N., Braaten, J., Cavalcante, L., Cohen, W., and Healey, S., ২০১৮. Google Earth Engine-এ LandTrendr অ্যালগরিদম প্রয়োগ করা। রিমোট সেন্সিংয়ে। MDPI, 10(5): 691 doi:10.3390/rs10050691
Weiss, A.D., ২০০১। টোপোগ্রাফিক পজিশন ও ল্যান্ডফর্ম অ্যানালিসিস পোস্টার প্রেজেন্টেশন, ESRI ব্যবহারকারীদের কনফারেন্স, সান ডিয়েগো, ক্যালিফোর্নিয়া।
Zhu, Z., and Woodcock, C. ঙ. (২০১২)। Landsat ইমেজারিতে অবজেক্ট-ভিত্তিক ক্লাউড ও ক্লাউড শ্যাডো শনাক্তকরণ। In Remote Sensing of Environment. Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028
Zhu, Z., and Woodcock, C. E., ২০১৪। উপলভ্য সব Landsat ডেটা ব্যবহার করে ল্যান্ড কভারের ক্রমাগত পরিবর্তন শনাক্তকরণ ও শ্রেণীবিন্যাস। In Remote Sensing of Environment. Science Direct, 144: 152-171 doi:10.1016/j.rse.2014.01.011
ব্যান্ড
ব্যান্ড
পিক্সেল সাইজ: ৩০ মিটার (সব ব্যান্ড)
| নাম | পিক্সেলের সাইজ | বিবরণ |
|---|---|---|
Change |
৩০ মিটার | Final thematic LCMS change product. প্রতি বছরের জন্য মোট তিনটি পরিবর্তন ক্লাস (ধীরে ধীরে ক্ষতি, দ্রুত ক্ষতি, এবং লাভ) ম্যাপ করা হয়। প্রতিটি ক্লাস আলাদা র্যান্ডম ফরেস্ট মডেল ব্যবহার করে অনুমান করা হয়, যা একটি সম্ভাবনা (র্যান্ডম ফরেস্ট মডেলের মধ্যে ট্রি-এর অনুপাত) আউটপুট করে যে পিক্সেলটি সেই ক্লাসের অন্তর্গত। এই কারণে, প্রতিটি পিক্সেলের জন্য প্রতি বছরে তিনটি আলাদা মডেল আউটপুট থাকে। চূড়ান্ত ক্লাস পরিবর্তন ক্লাসে অ্যাসাইন করা হয়, যার সম্ভাবনা সবচেয়ে বেশি এবং যা নির্দিষ্ট থ্রেশহোল্ডের উপরে। প্রতিটি ক্লাসের সংশ্লিষ্ট থ্রেশহোল্ডের উপরে কোনও ভ্যালু নেই এমন যেকোনও পিক্সেল স্টেবল ক্লাসে অ্যাসাইন করা হয়। |
Land_Cover |
৩০ মিটার | চূড়ান্ত থিমেটিক LCMS ল্যান্ড কভার প্রোডাক্ট। TimeSync রেফারেন্স ডেটা এবং Landsat ইমেজ থেকে প্রাপ্ত স্পেকট্রাল তথ্য ব্যবহার করে বার্ষিক ভিত্তিতে মোট ১৪টি ল্যান্ড কভার ক্লাস ম্যাপ করা হয়। প্রতিটি ক্লাস আলাদা র্যান্ডম ফরেস্ট মডেল ব্যবহার করে অনুমান করা হয়, যা একটি সম্ভাবনা (র্যান্ডম ফরেস্ট মডেলের মধ্যে গাছের অনুপাত) আউটপুট করে যে পিক্সেলটি সেই ক্লাসের অন্তর্গত। এর ফলে, প্রতিটি পিক্সেলের জন্য প্রতি বছর ১৪টি আলাদা মডেল আউটপুট থাকে এবং সবচেয়ে বেশি সম্ভাবনা সহ ল্যান্ড কভারের জন্য চূড়ান্ত ক্লাস অ্যাসাইন করা হয়। ১৪টি ল্যান্ড কভার ক্লাসের মধ্যে সাতটি একটি ল্যান্ড কভারকে নির্দেশ করে, যেখানে সেই ল্যান্ড কভারের ধরনটি পিক্সেলের বেশিরভাগ অংশ কভার করে এবং অন্য কোনও ক্লাস পিক্সেলের ১০%-এর বেশি কভার করে না। এছাড়াও সাতটি মিক্সড ক্লাস আছে। এগুলি এমন পিক্সেলকে দেখায় যেখানে অতিরিক্ত ল্যান্ড কভার ক্লাস পিক্সেলের অন্তত ১০% কভার করে। |
Land_Use |
৩০ মিটার | Final thematic LCMS land use product. TimeSync রেফারেন্স ডেটা এবং Landsat ছবি থেকে প্রাপ্ত স্পেকট্রাল তথ্য ব্যবহার করে বার্ষিক ভিত্তিতে মোট ৬টি জমি ব্যবহারের ক্লাস ম্যাপ করা হয়। প্রতিটি ক্লাস আলাদা র্যান্ডম ফরেস্ট মডেল ব্যবহার করে অনুমান করা হয়, যা একটি সম্ভাবনা (র্যান্ডম ফরেস্ট মডেলের মধ্যে ট্রি-এর অনুপাত) আউটপুট করে যে পিক্সেলটি সেই ক্লাসের অন্তর্গত। এর ফলে, প্রতিটি পিক্সেলের জন্য প্রতি বছরে ৬টি আলাদা মডেল আউটপুট থাকে এবং সবচেয়ে বেশি সম্ভাবনা সহ জমি ব্যবহারের জন্য চূড়ান্ত ক্লাস অ্যাসাইন করা হয়। |
Change_Raw_Probability_Slow_Loss |
৩০ মিটার | র LCMS মডেল করা স্লো লসের সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: স্লো লসের মধ্যে TimeSync পরিবর্তন প্রসেস ইন্টারপ্রিটেশন থেকে নিম্নলিখিত ক্লাস অন্তর্ভুক্ত-
|
Change_Raw_Probability_Fast_Loss |
৩০ মিটার | র LCMS মডেল করা ফাস্ট লসের সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: Fast Loss-এ TimeSync পরিবর্তন প্রসেস ইন্টারপ্রিটেশন থেকে নিম্নলিখিত ক্লাস অন্তর্ভুক্ত-
|
Change_Raw_Probability_Gain |
৩০ মিটার | র LCMS মডেল করা গেইনের সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: এক বা একাধিক বছর ধরে বৃদ্ধি ও উত্তরাধিকারের কারণে উদ্ভিদের আচ্ছাদন বৃদ্ধি পাওয়া জমি। উদ্ভিদের পুনর্জন্মের সাথে সম্পর্কিত বর্ণালী পরিবর্তন প্রকাশ করতে পারে এমন যেকোনও এলাকার ক্ষেত্রে প্রযোজ্য। উন্নত এলাকায়, গাছপালা বড় হওয়ার কারণে এবং/অথবা নতুন লন ও ল্যান্ডস্কেপিংয়ের কারণে সবুজায়ন বাড়তে পারে। বনের ক্ষেত্রে, গাছপালা বৃদ্ধির মধ্যে রয়েছে ফাঁকা জমিতে গাছপালা জন্মানো, সেইসাথে মধ্যবর্তী এবং সহ-প্রধান গাছ এবং/অথবা নিচু ঘাস এবং গুল্মের উপরে উঠে যাওয়া। বৃদ্ধি/পুনরুদ্ধার বন কাটার পরে রেকর্ড করা সেগমেন্টগুলি সম্ভবত বিভিন্ন ল্যান্ড কভার ক্লাসের মাধ্যমে পরিবর্তিত হবে কারণ বন পুনরুৎপাদন হয়। এইসব পরিবর্তনকে বৃদ্ধি/পুনরুদ্ধার হিসেবে বিবেচনা করার জন্য, স্পেকট্রাল ভ্যালু ক্রমবর্ধমান ট্রেন্ড লাইনের (যেমন, একটি পজিটিভ স্লোপ যা ~২০ বছর পর্যন্ত বাড়ানো হলে, NDVI-এর .১০ ইউনিটের অর্ডারে থাকবে) সাথে ঘনিষ্ঠভাবে লেগে থাকতে হবে যা কয়েক বছর ধরে বজায় থাকবে। |
Land_Cover_Raw_Probability_Trees |
৩০ মিটার | গাছের র LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়: পিক্সেলের বেশিরভাগ অংশ জীবিত বা মৃত গাছের দ্বারা গঠিত। |
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix |
৩০ মিটার | লম্বা ঝোপঝাড় ও গাছের মিশ্রণের (শুধুমাত্র SEAK) র LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ ১ মিটারের বেশি উচ্চতার ঝোপঝাড় নিয়ে গঠিত এবং কমপক্ষে ১০% জীবিত বা মৃত গাছ নিয়ে গঠিত। |
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix |
৩০ মিটার | ঝোপঝাড় ও গাছের মিশ্রণের র LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ ঝোপঝাড় নিয়ে গঠিত এবং অন্তত ১০% জীবিত বা মৃত গাছ নিয়ে গঠিত। |
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix |
৩০ মিটার | Grass/Forb/Herb এবং Trees Mix-এর র LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ বহুবর্ষজীবী ঘাস, ফোর্বস বা অন্যান্য ধরনের ভেষজ গাছপালা নিয়ে গঠিত এবং কমপক্ষে ১০% জীবিত বা মৃত গাছ নিয়ে গঠিত। |
Land_Cover_Raw_Probability_Barren-and-Trees-Mix |
৩০ মিটার | অনুর্বর ও গাছের মিশ্রণের র LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ জুড়ে রয়েছে খালি মাটি যা কোনও কারণে উন্মুক্ত হয়ে গেছে (যেমন, যান্ত্রিকভাবে পরিষ্কার করার কারণে বা বনজ সম্পদ আহরণের কারণে উন্মুক্ত হয়ে যাওয়া মাটি), সেইসাথে চিরকাল অনুর্বর এলাকা যেমন মরুভূমি, প্লায়া, পাথুরে এলাকা (সারফেস মাইনিংয়ের কারণে উন্মুক্ত হয়ে যাওয়া খনিজ ও অন্যান্য ভূতাত্ত্বিক উপাদান সহ), বালিয়াড়ি, সল্ট ফ্ল্যাট এবং সমুদ্র সৈকত। ধুলো ও নুড়ি দিয়ে তৈরি রাস্তাও অনুর্বর হিসেবে বিবেচনা করা হয় এবং এতে অন্তত ১০% জীবিত বা মৃত গাছ থাকে। |
Land_Cover_Raw_Probability_Tall-Shrubs |
৩০ মিটার | লম্বা ঝোপঝাড়ের (শুধুমাত্র SEAK) র LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ ১ মিটারের বেশি উচ্চতার ঝোপঝাড় নিয়ে গঠিত। |
Land_Cover_Raw_Probability_Shrubs |
৩০ মিটার | শ্রাবসের র LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ ঝোপঝাড় দ্বারা গঠিত। |
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix |
৩০ মিটার | ঘাস/ফরব/ভেষজ এবং গুল্মের মিশ্রণের কাঁচা LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ বহুবর্ষজীবী ঘাস, ফোর্বস বা অন্যান্য ধরনের ভেষজ গাছপালা এবং কমপক্ষে ১০% ঝোপঝাড় নিয়ে গঠিত। |
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix |
৩০ মিটার | অনুর্বর ও ঝোপঝাড়ের মিশ্রণের র LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ জুড়ে রয়েছে খালি মাটি যা কোনও কারণে উন্মুক্ত হয়ে গেছে (যেমন, যান্ত্রিকভাবে পরিষ্কার করার কারণে বা বনজ সম্পদ আহরণের কারণে উন্মুক্ত হয়ে যাওয়া মাটি), সেইসাথে চিরকাল অনুর্বর এলাকা যেমন মরুভূমি, প্লায়া, পাথুরে এলাকা (সারফেস মাইনিংয়ের কারণে উন্মুক্ত হয়ে যাওয়া খনিজ ও অন্যান্য ভূতাত্ত্বিক উপাদান সহ), বালিয়াড়ি, সল্ট ফ্ল্যাট এবং সমুদ্র সৈকত। ধুলো ও নুড়ি দিয়ে তৈরি রাস্তাকেও অনুর্বর হিসেবে বিবেচনা করা হয় এবং এতে অন্তত ১০% ঝোপঝাড় থাকে। |
Land_Cover_Raw_Probability_Grass-Forb-Herb |
৩০ মিটার | ঘাস/ফরব/ভেষজের কাঁচা LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ বহুবর্ষজীবী ঘাস, ফোর্বস বা অন্যান্য ধরনের ভেষজ গাছপালা নিয়ে গঠিত। |
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix |
৩০ মিটার | অনুর্বর এবং ঘাস/ফর্ব/ভেষজ মিশ্রণের র LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ জুড়ে রয়েছে খালি মাটি যা কোনও কারণে উন্মুক্ত হয়ে গেছে (যেমন, যান্ত্রিক উপায়ে পরিষ্কার করার কারণে বা বনজ সম্পদ আহরণের কারণে উন্মুক্ত হয়ে যাওয়া মাটি), এর পাশাপাশি চিরকাল অনুর্বর থাকে এমন এলাকা যেমন মরুভূমি, প্লায়া, পাথুরে এলাকা (সারফেস মাইনিং অ্যাক্টিভিটির কারণে উন্মুক্ত হয়ে যাওয়া খনিজ ও অন্যান্য ভূতাত্ত্বিক উপাদান সহ), বালিয়াড়ি, লবণাক্ত সমভূমি ও সমুদ্র সৈকত। ধুলো ও নুড়ি দিয়ে তৈরি রাস্তাও অনুর্বর হিসেবে বিবেচনা করা হয় এবং এতে কমপক্ষে ১০% বহুবর্ষজীবী ঘাস, ফর্বস বা অন্যান্য ধরনের ভেষজ গাছপালা থাকে। |
Land_Cover_Raw_Probability_Barren-or-Impervious |
৩০ মিটার | অনুর্বর বা দুর্ভেদ্য হওয়ার র LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ ১) কোনও কারণে উন্মুক্ত হয়ে যাওয়া মাটি (যেমন, যান্ত্রিকভাবে পরিষ্কার করা বা বনজ সম্পদ আহরণের ফলে উন্মুক্ত হয়ে যাওয়া মাটি), সেইসাথে মরুভূমি, প্লায়া, পাথুরে আউটক্রপিং (সারফেস মাইনিংয়ের ফলে উন্মুক্ত হয়ে যাওয়া খনিজ ও অন্যান্য ভূতাত্ত্বিক উপাদান সহ), বালিয়াড়ি, সল্ট ফ্ল্যাট ও সমুদ্র সৈকতের মতো চিরকাল অনুর্বর এলাকা নিয়ে গঠিত। ধুলো ও নুড়ি দিয়ে তৈরি রাস্তাও অনুর্বর হিসেবে বিবেচনা করা হয় অথবা ২) মানুষের তৈরি এমন উপাদান যার মধ্যে জল প্রবেশ করতে পারে না, যেমন পাকা রাস্তা, ছাদ ও পার্কিং লট। |
Land_Cover_Raw_Probability_Snow-or-Ice |
৩০ মিটার | তুষার বা বরফের কাঁচা LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ তুষার বা বরফ দিয়ে ঢাকা। |
Land_Cover_Raw_Probability_Water |
৩০ মিটার | জলের র LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ জল দিয়ে তৈরি। |
Land_Use_Raw_Probability_Agriculture |
৩০ মিটার | কৃষির কাঁচা LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: খাদ্য, ফাইবার ও জ্বালানি উৎপাদনের জন্য ব্যবহৃত জমি যা গাছপালা সহ বা গাছপালা ছাড়া অবস্থায় রয়েছে। এর মধ্যে চাষ করা ও চাষ না করা শস্যক্ষেত, খড়ের জমি, ফলের বাগান, আঙুরের ক্ষেত, পশু পালনের জন্য ঘেরা জায়গা এবং ফল, বাদাম বা বেরি উৎপাদনের জন্য লাগানো এলাকা সহ আরও অনেক কিছু অন্তর্ভুক্ত। যেসব রাস্তা মূলত কৃষিকাজের জন্য ব্যবহার করা হয় (অর্থাৎ, এক শহর থেকে অন্য শহরে পাবলিক ট্রান্সপোর্টের জন্য ব্যবহার করা হয় না) সেগুলিকে কৃষি জমি হিসেবে বিবেচনা করা হয়। |
Land_Use_Raw_Probability_Developed |
৩০ মিটার | র LCMS মডেল করা উন্নত হওয়ার সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়: মানুষের তৈরি কাঠামো দ্বারা আবৃত জমি (যেমন, উচ্চ ঘনত্বের আবাসিক, বাণিজ্যিক, শিল্প, খনি বা পরিবহন), অথবা উদ্ভিদ (গাছ সহ) এবং কাঠামো (যেমন, কম ঘনত্বের আবাসিক, লন, বিনোদনমূলক সুবিধা, কবরস্থান, পরিবহন এবং ইউটিলিটি করিডোর ইত্যাদি) উভয়ের মিশ্রণ, মানুষের কার্যকলাপ দ্বারা কার্যকরীভাবে পরিবর্তিত যেকোনও জমি সহ। |
Land_Use_Raw_Probability_Forest |
৩০ মিটার | জঙ্গলের র LCMS মডেল করা সম্ভাবনা। সংজ্ঞা: এমন জমি যেখানে গাছ লাগানো হয়েছে বা প্রাকৃতিকভাবে গাছপালা জন্মেছে এবং যেখানে নিকটবর্তী সময়ে কোনও এক সময় ১০% বা তার বেশি গাছের ছায়া রয়েছে (বা থাকার সম্ভাবনা রয়েছে)। এর মধ্যে পর্ণমোচী, চিরহরিৎ এবং/অথবা মিশ্র প্রকৃতির প্রাকৃতিক বন, বনজ বৃক্ষরোপণ এবং কাঠের জলাভূমি অন্তর্ভুক্ত থাকতে পারে। |
Land_Use_Raw_Probability_Non-Forest-Wetland |
৩০ মিটার | বনভূমি নয় এমন জলাভূমির র LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়: দৃশ্যমান ওয়াটার টেবিলের (স্থায়ী বা মরশুমিভাবে স্যাচুরেটেড) সংলগ্ন বা মধ্যে অবস্থিত জমি যেখানে ঝোপঝাড় বা স্থায়ীভাবে উদীয়মান গাছপালা বেশি থাকে। এই জলাভূমিগুলি হ্রদ, নদীর চ্যানেল বা মোহনার তীরের দিকে; নদীর প্লাবনভূমিতে; বিচ্ছিন্ন ক্যাচমেন্টে; বা ঢালে অবস্থিত হতে পারে। এছাড়াও, এগুলি প্রেইরি পোটহোল, ড্রেনেজ ডিচ এবং কৃষি ল্যান্ডস্কেপে স্টক পন্ড হিসেবে দেখা যেতে পারে এবং হ্রদ বা নদীর মাঝখানে দ্বীপ হিসেবেও দেখা যেতে পারে। অন্যান্য উদাহরণের মধ্যে জলাভূমি, পঙ্কিল ভূমি, জলা, চোরাবালি, মাস্কেগ, স্লু, ফেন এবং বাউও অন্তর্ভুক্ত। |
Land_Use_Raw_Probability_Other |
৩০ মিটার | অন্যান্যর র LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: জমি (ব্যবহার যাই হোক না কেন) যেখানে স্পেকট্রাল ট্রেন্ড বা অন্যান্য সহায়ক প্রমাণ থেকে বোঝা যায় যে কোনও বিঘ্ন বা পরিবর্তন ঘটেছে কিন্তু নির্দিষ্ট কারণ নির্ধারণ করা যায়নি বা পরিবর্তনের ধরন উপরে সংজ্ঞায়িত পরিবর্তন প্রক্রিয়ার কোনও বিভাগের সাথে মেলে না। |
Land_Use_Raw_Probability_Rangeland-or-Pasture |
৩০ মিটার | রেঞ্জল্যান্ড বা চারণভূমির র LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: এই ক্লাসে এমন যেকোনও এলাকা অন্তর্ভুক্ত যা হয় ক.) রেঞ্জল্যান্ড, যেখানে গাছপালা হল দেশীয় ঘাস, গুল্ম, ফোর্বস এবং ঘাসের মতো উদ্ভিদের মিশ্রণ যা মূলত বৃষ্টিপাত, তাপমাত্রা, উচ্চতা এবং আগুনের মতো প্রাকৃতিক কারণ এবং প্রক্রিয়া থেকে উদ্ভূত হয়, যদিও সীমিত ব্যবস্থাপনার মধ্যে নির্ধারিত পোড়ানোর পাশাপাশি গৃহপালিত এবং বন্য তৃণভোজী প্রাণীদের চারণ অন্তর্ভুক্ত থাকতে পারে; অথবা খ.) চারণভূমি, যেখানে গাছপালা মিশ্র, মূলত প্রাকৃতিক ঘাস, ফোর্বস এবং ভেষজ থেকে শুরু করে আরও বেশি পরিচালিত গাছপালা পর্যন্ত হতে পারে যেখানে ঘাসের প্রজাতিগুলি বীজ বপন করা হয়েছে এবং প্রায় মনোকালচার বজায় রাখার জন্য পরিচালিত হয়েছে। |
ক্লাস টেবিল পরিবর্তন করুন
| মান | রঙ | বিবরণ |
|---|---|---|
| 1 | #3d4551 | আস্তাবল |
| 2 | #f39268 | স্লো লস |
| 3 | #d54309 | দ্রুত ওজন কমানো |
| 4 | #00a398 | অর্জন |
| 5 | #1b1716 | নন-প্রসেসিং এরিয়া মাস্ক |
Land_Cover Class Table
| মান | রঙ | বিবরণ |
|---|---|---|
| 1 | #০০৫e০০ | গাছ |
| 2 | #০০৮০০০ | লম্বা গুল্ম ও গাছের মিশ্রণ (শুধুমাত্র SEAK) |
| 3 | #00cc00 | ঝোপ ও গাছপালা মিক্স |
| 4 | #b3ff1a | ঘাস/ফর্ব/ভেষজ ও গাছের মিশ্রণ |
| 5 | #99ff99 | অনুর্বর জমি ও গাছপালা মিক্স |
| 6 | #b30088 | লম্বা ঝোপ (শুধু SEAK) |
| 7 | #e68a00 | ঝোপ |
| 8 | #ffad33 | ঘাস/ফর্ব/ভেষজ ও গুল্মের মিশ্রণ |
| 9 | #ffe0b3 | অনুর্বর ও ঝোপঝাড়ের মিক্স |
| 10 | #ffff00 | ঘাস/ফরব/ভেষজ |
| 11 | #aa7700 | অনুর্বর ও ঘাস/ফরব/ভেষজ মিক্স |
| 12 | #d3bf9b | অনুর্বর বা দুর্ভেদ্য |
| 13 | #ffffff | বরফ বা তুষার |
| 14 | #4780f3 | জল |
| 15 | #1b1716 | নন-প্রসেসিং এরিয়া মাস্ক |
Land_Use Class Table
| মান | রঙ | বিবরণ |
|---|---|---|
| 1 | #efff6b | কৃষি |
| 2 | #ff2ff8 | ডেভেলপ করা হয়েছে |
| 3 | #1b9d0c | বন |
| 4 | #97ffff | বনভূমি নয় এমন জলাভূমি |
| 5 | #a1a1a1 | অন্যান্য |
| 6 | #c2b34a | রেঞ্জল্যান্ড বা চারণভূমি |
| 7 | #1b1716 | নন-প্রসেসিং এরিয়া মাস্ক |
ছবির প্রপার্টি
ছবির প্রপার্টি
| নাম | ধরন | বিবরণ |
|---|---|---|
| study_area | STRING | LCMS বর্তমানে CONUS এবং দক্ষিণ-পূর্ব আলাস্কা কভার করে। অদূর ভবিষ্যতে এটি মার্কিন যুক্তরাষ্ট্রের সমস্ত রাজ্য এবং অঞ্চল অন্তর্ভুক্ত করার জন্য প্রসারিত হবে। সম্ভাব্য ভ্যালু: 'SEAK' বা 'CONUS' |
ব্যবহারের শর্তাদি
ব্যবহারের শর্তাবলী
USDA Forest Service কোনও ওয়ারেন্টি দেয় না, তা ব্যক্ত বা উহ্য যাই হোক না কেন, যার মধ্যে কোনও নির্দিষ্ট উদ্দেশ্যে উপযোগিতা ও উপযুক্ততার ওয়ারেন্টিও অন্তর্ভুক্ত, এবং এই জিওস্পেশিয়াল ডেটার নির্ভুলতা, নির্ভরযোগ্যতা, সম্পূর্ণতা বা উপযোগিতা অথবা এই জিওস্পেশিয়াল ডেটার অনুপযুক্ত বা ভুল ব্যবহারের জন্য কোনও আইনি দায় বা দায়িত্ব গ্রহণ করে না। এই জিওস্পেশিয়াল ডেটা এবং সম্পর্কিত ম্যাপ বা গ্রাফিক্স কোনও আইনি ডকুমেন্ট নয় এবং সেইভাবে ব্যবহার করার জন্য তৈরি করা হয়নি। ডেটা এবং ম্যাপগুলি শিরোনাম, মালিকানা, আইনি বিবরণ বা সীমানা, আইনি এখতিয়ার বা সর্বজনীন বা ব্যক্তিগত জমিতে প্রযোজ্য হতে পারে এমন বিধিনিষেধ নির্ধারণ করতে ব্যবহার করা যাবে না। প্রাকৃতিক বিপদ ডেটা এবং ম্যাপে দেখানো হতে পারে বা নাও হতে পারে এবং জমি ব্যবহারকারীদের যথাযথ সতর্কতা অবলম্বন করা উচিত। ডেটা ডাইনামিক এবং সময়ের সাথে সাথে পরিবর্তিত হতে পারে। জিওস্পেশিয়াল ডেটার সীমাবদ্ধতা যাচাই করা এবং সেই অনুযায়ী ডেটা ব্যবহার করার দায়িত্ব ব্যবহারকারীর।
মার্কিন যুক্তরাষ্ট্রের সরকারের থেকে পাওয়া ফান্ড ব্যবহার করে এই ডেটা সংগ্রহ করা হয়েছে এবং অতিরিক্ত অনুমতি বা ফি ছাড়াই এটি ব্যবহার করা যাবে। আপনি যদি কোনও প্রকাশনা, প্রেজেন্টেশন বা অন্য কোনও রিসার্চ প্রোডাক্টে এই ডেটা ব্যবহার করেন, তাহলে নিম্নলিখিত উদ্ধৃতি ব্যবহার করুন:
USDA Forest Service. ২০২১. USFS ল্যান্ডস্কেপ চেঞ্জ মনিটরিং সিস্টেম ভার্সন ২০২০.৫। সল্ট লেক সিটি, উটাহ।
উদ্ধৃতি
USDA Forest Service. ২০২১. USFS ল্যান্ডস্কেপ চেঞ্জ মনিটরিং সিস্টেম ভার্সন 2020.5. সল্ট লেক সিটি, উটাহ।
Earth Engine-এর সাহায্যে এক্সপ্লোর করুন
কোড এডিটর (জাভাস্ক্রিপ্ট)
var dataset = ee.ImageCollection('USFS/GTAC/LCMS/v2020-5'); var lcms = dataset.filterDate('2020', '2021') // range: [1985, 2020] .filter('study_area == "CONUS"') // or "SEAK" .first(); Map.addLayer(lcms.select('Land_Cover'), {}, 'Land Cover'); Map.addLayer(lcms.select('Land_Use'), {}, 'Land Use'); Map.addLayer(lcms.select('Change'), {}, 'Vegetation Change', false); Map.setCenter(-98.58, 38.14, 4);