- Disponibilidad del conjunto de datos
- 1985-06-01T00:00:00Z–2020-09-30T00:00:00Z
- Proveedor del conjunto de datos
- Centro de aplicaciones y tecnología geoespacial (GTAC) del Servicio Forestal del USDA (USFS)
- Etiquetas
Descripción
Este producto forma parte del paquete de datos del Sistema de supervisión de cambios del paisaje (LCMS). Muestra el cambio modelado por el LCMS, la cobertura del suelo o las clases de uso del suelo para cada año. Esta versión del LCMS abarca la zona continental de Estados Unidos (CONUS) y el sudeste de Alaska (SEAK).
El LCMS es un sistema basado en la detección remota para mapear y supervisar los cambios en el paisaje de todo Estados Unidos. Su objetivo es desarrollar un enfoque coherente con la tecnología más reciente y los avances en la detección de cambios para producir un mapa de los cambios en el paisaje con la "mejor disponibilidad".
Los resultados incluyen tres productos anuales: cambio, cobertura del suelo y uso del suelo. El cambio se relaciona específicamente con la cobertura vegetal y abarca la pérdida lenta, la pérdida rápida (que también incluye cambios hidrológicos, como inundaciones o desecación) y la ganancia. Estos valores se predicen para cada año de la serie temporal de Landsat y sirven como productos fundamentales para el LCMS. Los mapas de cobertura y uso del suelo representan la cobertura del suelo a nivel de formas de vida y el uso del suelo a nivel general para cada año.
Dado que ningún algoritmo funciona mejor en todas las situaciones, el LCMS utiliza un conjunto de modelos como predictores, lo que mejora la precisión del mapa en una variedad de ecosistemas y procesos de cambio (Healey et al., 2018). El conjunto resultante de mapas de cambio de LCMS, cobertura del suelo y uso del suelo ofrece una representación integral del cambio del paisaje en todo Estados Unidos durante las últimas cuatro décadas.
Las capas de predictores del modelo de LCMS incluyen composiciones anuales de Landsat y Sentinel 2, resultados de los algoritmos de detección de cambios LandTrendr y CCDC, y datos del terreno. Se accede a todos estos componentes y se procesan con Google Earth Engine (Gorelick et al., 2017).
Para producir composiciones anuales, se utilizan cFmask (Zhu y Woodcock, 2012), cloudScore y TDOM (Chastain et al., Los métodos de enmascaramiento de nubes y sombras de nubes (de 2019) se aplican a los datos de reflectancia de la capa superior de la atmósfera de nivel 1C de Landsat Tier 1 y Sentinel 2a y 2b. Luego, se calcula el medoide anual para resumir cada año en un solo compuesto.
La serie temporal compuesta se segmenta temporalmente con LandTrendr (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).
Todos los valores sin nubes ni sombras de nubes también se segmentan temporalmente con el algoritmo CCDC (Zhu y Woodcock, 2014).
Los valores compuestos sin procesar, los valores ajustados de LandTrendr, las diferencias por pares, la duración del segmento, la magnitud del cambio y la pendiente, y los coeficientes de seno y coseno del 1 de septiembre de CCDC (primeros 3 armónicos), los valores ajustados y las diferencias por pares, junto con la elevación, la pendiente, el seno del aspecto, el coseno del aspecto y los índices de posición topográfica (Weiss, 2001) del National Elevation Dataset (NED), se utilizan como variables predictoras independientes en un modelo de Random Forest (Breiman, 2001).
Los datos de referencia se recopilan con TimeSync, una herramienta basada en la Web que ayuda a los analistas a visualizar e interpretar el registro de datos de Landsat desde 1984 hasta la actualidad (Cohen et al., 2010).
Additional Resources
Un ejemplo de código más detallado sobre el uso de datos de LCMS.
El Explorador de datos del LCMS es una aplicación basada en la Web que permite a los usuarios ver, analizar, resumir y descargar datos del LCMS.
Consulta el Resumen de métodos del LCMS para obtener información más detallada sobre los métodos y la evaluación de la precisión, o el Centro de intercambio de datos geográficos del LCMS para descargar datos, metadatos y documentos de asistencia.
Si tienes preguntas o solicitudes de datos específicos, comunícate con [sm.fs.lcms@usda.gov].
Breiman, L., 2001. Aprendizaje automático. Springer, 45(3): 261-277 doi:10.1023/a:1017934522171
Chastain, R., Housman, I., Goldstein, J., Finco, M., y Tenneson, K., 2019. Comparación empírica entre sensores de las características espectrales en la parte superior de la atmósfera de los sensores MSI de Sentinel-2A y 2B, OLI de Landsat-8 y ETM de Landsat-7 en el territorio continental de Estados Unidos. En Remote Sensing of Environment. Science Direct, 221: 274-285 doi:10.1016/j.rse.2018.11.012
Cohen, W. B., Yang, Z., y Kennedy, R., 2010. Detectar tendencias en la perturbación y la recuperación de los bosques con series temporales anuales de Landsat: 2. TimeSync: Herramientas para la calibración y la validación. En 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., y Gorelick, N., 2018. Es un conjunto multiespectral de LandTrendr para la detección de perturbaciones forestales. En 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., Loveland, T. R., Moisen, G. G., Schroeder, T. A., Stehman, S. V. Vogelmann, J. E., Woodcock, C. E., Yang, L., y Zhu, Z., 2018. Mapeo del cambio forestal con generalización apilada: un enfoque de ensamble. En Remote Sensing of Environment. Science Direct, 204: 717-728 doi:10.1016/j.rse.2017.09.029
Kennedy, R. E., Yang, Z., y Cohen, W. B., 2010. Detección de tendencias en la perturbación y recuperación de los bosques a través de series temporales anuales de Landsat: 1. LandTrendr: Algoritmos de segmentación temporal. En Remote Sensing of Environment. Science Direct, 114(12): 2897-2910 doi:10.1016/j.rse.2010.07.008
Kennedy, R., Yang, Z., Gorelick, N., Braaten, J., Cavalcante, L., Cohen, W., y Healey, S., 2018. Implementación del algoritmo LandTrendr en Google Earth Engine. En teledetección. MDPI, 10(5): 691 doi:10.3390/rs10050691
Weiss, A.D., 2001. Presentación de pósteres sobre el análisis de la posición topográfica y las formas del terreno, Conferencia de usuarios de ESRI, San Diego, CAZhu, Z., y Woodcock, C. E. (2012). Detección de nubes y sombras de nubes basadas en objetos en imágenes de Landsat. En Remote Sensing of Environment. Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028
Zhu, Z., and Woodcock, C. E., 2014. Detección y clasificación continuas de los cambios en la cobertura del suelo con todos los datos de Landsat disponibles En Remote Sensing of Environment. Science Direct, 144: 152-171 doi:10.1016/j.rse.2014.01.011
Bandas
Tamaño de los píxeles
30 metros
Bandas
| Nombre | Tamaño de los píxeles | Descripción |
|---|---|---|
Change |
metros | Es el producto final del cambio temático en el LCMS. Se asigna un total de tres clases de cambio (pérdida lenta, pérdida rápida y ganancia) para cada año. Cada clase se predice con un modelo de bosque aleatorio independiente, que genera una probabilidad (proporción de los árboles dentro del modelo de bosque aleatorio) de que el píxel pertenezca a esa clase. Por este motivo, los píxeles individuales tienen tres resultados de modelos diferentes para cada año. Las clases finales se asignan a la clase de cambio con la probabilidad más alta que también supera un umbral especificado. Cualquier píxel que no tenga ningún valor por encima del umbral respectivo de cada clase se asigna a la clase Estable. |
Land_Cover |
metros | Producto final de cobertura del suelo temático de LCMS. Se asigna un total de 14 clases de cobertura terrestre anualmente con datos de referencia de TimeSync y la información espectral derivada de las imágenes de Landsat. Cada clase se predice con un modelo de bosque aleatorio independiente, que genera una probabilidad (proporción de los árboles dentro del modelo de bosque aleatorio) de que el píxel pertenezca a esa clase. Por este motivo, los píxeles individuales tienen 14 salidas de modelos diferentes para cada año, y las clases finales se asignan a la cobertura de la tierra con la probabilidad más alta. Siete de las 14 clases de cobertura terrestre indican una sola cobertura, en la que ese tipo de cobertura terrestre abarca la mayor parte del área del píxel y ninguna otra clase abarca más del 10% del píxel. También hay siete clases mixtas. Estos representan píxeles en los que una clase adicional de cobertura del suelo abarca al menos el 10% del píxel. |
Land_Use |
metros | Producto final temático de LCMS sobre el uso de la tierra. Se asigna un total de 6 clases de uso del suelo anualmente con datos de referencia de TimeSync y la información espectral derivada de las imágenes de Landsat. Cada clase se predice con un modelo de bosque aleatorio independiente, que genera una probabilidad (proporción de los árboles dentro del modelo de bosque aleatorio) de que el píxel pertenezca a esa clase. Por este motivo, los píxeles individuales tienen 6 resultados de modelos diferentes para cada año, y las clases finales se asignan al uso del suelo con la probabilidad más alta. |
Change_Raw_Probability_Slow_Loss |
metros | Es la probabilidad modelada sin procesar del LCMS de pérdida lenta. Se define de la siguiente manera: La pérdida lenta incluye las siguientes clases de la interpretación del proceso de cambio de TimeSync:
|
Change_Raw_Probability_Fast_Loss |
metros | Es la probabilidad modelada sin procesar del LCMS de pérdida rápida. Se define de la siguiente manera: La pérdida rápida incluye las siguientes clases de la interpretación del proceso de cambio de TimeSync:
|
Change_Raw_Probability_Gain |
metros | Es la probabilidad modelada sin procesar del aumento del LCMS. Se define como: Terreno que muestra un aumento en la cobertura vegetal debido al crecimiento y la sucesión durante uno o más años. Se aplica a todas las áreas que puedan expresar cambios espectrales asociados con el crecimiento de la vegetación. En las áreas desarrolladas, el crecimiento puede deberse a la maduración de la vegetación o a la instalación reciente de céspedes y paisajismo. En los bosques, el crecimiento incluye el crecimiento de la vegetación desde el suelo desnudo, así como el crecimiento de los árboles intermedios y codominantes y/o de los pastos y arbustos más bajos. Es probable que los segmentos de crecimiento o recuperación registrados después de la cosecha forestal pasen por diferentes clases de cobertura del suelo a medida que se regenera el bosque. Para que estos cambios se consideren crecimiento o recuperación, los valores espectrales deben seguir de cerca una tendencia creciente (p.ej., una pendiente positiva que, si se extendiera a unos 20 años, sería del orden de 0 .10 unidades de NDVI) que persista durante varios años. |
Land_Cover_Raw_Probability_Trees |
metros | Es la probabilidad modelada sin procesar del LCMS de los árboles. Se define como: La mayoría de los píxeles se componen de árboles vivos o muertos en pie. |
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix |
metros | Probabilidad modelada sin procesar del LCMS de la combinación de arbustos altos y árboles (solo en SEAK). Se define de la siguiente manera: La mayor parte del píxel está compuesta por arbustos de más de 1 m de altura y también por al menos un 10% de árboles vivos o muertos en pie. |
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix |
metros | Es la probabilidad modelada sin procesar del LCMS de la combinación de arbustos y árboles. Se define como: La mayor parte del píxel está compuesta por arbustos y también por al menos un 10% de árboles vivos o muertos en pie. |
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix |
metros | Probabilidad modelada sin procesar del LCMS de la mezcla de hierbas, hierbas y árboles. Se define como: La mayor parte del píxel está compuesta por pastos perennes, hierbas o cualquier otra forma de vegetación herbácea, y también está compuesta por al menos un 10% de árboles vivos o muertos en pie. |
Land_Cover_Raw_Probability_Barren-and-Trees-Mix |
metros | Probabilidad modelada sin procesar del LCMS de Barren and Trees Mix. Se define como: La mayor parte del píxel está compuesta por suelo desnudo expuesto por perturbaciones (p.ej., suelo descubierto por desmonte mecánico o cosecha forestal), así como áreas perennemente áridas, como desiertos, playas, afloramientos rocosos (incluidos minerales y otros materiales geológicos expuestos por actividades de minería superficial), dunas de arena, salinas y playas. Los caminos de tierra y grava también se consideran áridos y deben tener al menos un 10% de árboles vivos o muertos en pie. |
Land_Cover_Raw_Probability_Tall-Shrubs |
metros | Es la probabilidad modelada sin procesar del LCMS de arbustos altos (solo para SEAK). Se define como: La mayoría de los píxeles se compone de arbustos de más de 1 m de altura. |
Land_Cover_Raw_Probability_Shrubs |
metros | Es la probabilidad modelada sin procesar del LCMS de Shrubs. Se define como: La mayor parte del píxel está compuesta por arbustos. |
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix |
metros | Probabilidad modelada sin procesar del LCMS de la mezcla de hierbas, arbustos y plantas herbáceas. Se define como: La mayor parte del píxel está compuesta por pastos perennes, hierbas o otras formas de vegetación herbácea, y también está compuesta por al menos un 10% de arbustos. |
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix |
metros | Probabilidad modelada sin procesar del LCMS de Barren and Shrubs Mix. Se define como: La mayor parte del píxel está compuesta por suelo desnudo expuesto por perturbaciones (p.ej., suelo descubierto por desmonte mecánico o cosecha forestal), así como áreas perennemente áridas, como desiertos, playas, afloramientos rocosos (incluidos minerales y otros materiales geológicos expuestos por actividades de minería superficial), dunas de arena, salinas y playas. Los caminos de tierra y grava también se consideran áridos y deben estar compuestos por al menos un 10% de arbustos. |
Land_Cover_Raw_Probability_Grass-Forb-Herb |
metros | Es la probabilidad modelada sin procesar del LCMS de pasto, hierba o hierbácea. Se define como: La mayor parte del píxel está compuesta por pastos perennes, hierbas o alguna otra forma de vegetación herbácea. |
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix |
metros | Probabilidad modelada sin procesar del LCMS de Barren y Grass/Forb/Herb Mix. Se define como: La mayor parte del píxel está compuesta por suelo desnudo expuesto por perturbaciones (p.ej., suelo descubierto por desmonte mecánico o cosecha forestal), así como áreas perennemente áridas, como desiertos, playas, afloramientos rocosos (incluidos minerales y otros materiales geológicos expuestos por actividades de minería superficial), dunas de arena, salinas y playas. Los caminos de tierra y grava también se consideran áridos y deben estar compuestos por al menos un 10% de hierbas perennes, hierbas no gramíneas o cualquier otra forma de vegetación herbácea. |
Land_Cover_Raw_Probability_Barren-or-Impervious |
metros | Es la probabilidad modelada sin procesar del LCMS de ser estéril o impermeable. Se define como: La mayor parte del píxel se compone de 1) suelo desnudo expuesto por perturbaciones (p.ej., suelo descubierto por desmonte mecánico o cosecha forestal), así como áreas perennemente áridas, como desiertos, playas, afloramientos rocosos (incluidos minerales y otros materiales geológicos expuestos por actividades de minería superficial), dunas de arena, salinas y playas. Los caminos de tierra y grava también se consideran estériles o 2) materiales artificiales que el agua no puede penetrar, como caminos pavimentados, techos y estacionamientos. |
Land_Cover_Raw_Probability_Snow-or-Ice |
metros | Es la probabilidad modelada sin procesar del LCMS de nieve o hielo. Se define como: La mayoría del píxel está compuesta por nieve o hielo. |
Land_Cover_Raw_Probability_Water |
metros | Es la probabilidad modelada sin procesar de Water según LCMS. Se define como: La mayor parte del píxel está compuesta de agua. |
Land_Use_Raw_Probability_Agriculture |
metros | Es la probabilidad modelada sin procesar del LCMS de Agricultura. Se define como la tierra utilizada para la producción de alimentos, fibras y combustibles, que se encuentra en estado vegetativo o no vegetativo. Esto incluye, sin limitaciones, las tierras de cultivo cultivadas y no cultivadas, las tierras de heno, los huertos, los viñedos, las operaciones de ganado confinado y las áreas plantadas para la producción de frutas, nueces o bayas. Las rutas que se usan principalmente para la agricultura (es decir, que no se usan para el transporte público de una ciudad a otra) se consideran uso de la tierra agrícola. |
Land_Use_Raw_Probability_Developed |
metros | Es la probabilidad modelada sin procesar de Developed del LCMS. Se define como la tierra cubierta por estructuras artificiales (p.ej., zonas residenciales, comerciales, industriales, mineras o de transporte de alta densidad) o una combinación de vegetación (incluidos los árboles) y estructuras (p.ej., zonas residenciales de baja densidad, céspedes, instalaciones recreativas, cementerios, corredores de transporte y servicios públicos, etc.), incluida cualquier tierra alterada funcionalmente por la actividad humana. |
Land_Use_Raw_Probability_Forest |
metros | Es la probabilidad modelada sin procesar del LCMS de Forest. Se define como la tierra que está plantada o que tiene vegetación natural y que contiene (o es probable que contenga) una cobertura arbórea del 10% o más en algún momento durante una secuencia sucesional a corto plazo. Esto puede incluir categorías mixtas, perennes o caducifolias de bosques naturales, plantaciones forestales y humedales boscosos. |
Land_Use_Raw_Probability_Non-Forest-Wetland |
metros | Es la probabilidad modelada sin procesar del LCMS de humedal no forestal. Se definen como las tierras adyacentes a una capa freática visible o dentro de ella (saturadas de forma permanente o estacional) en las que predominan los arbustos o las plantas emergentes persistentes. Estos humedales pueden estar ubicados en la costa de lagos, canales fluviales o estuarios; en llanuras de inundación de ríos; en cuencas aisladas; o en pendientes. También pueden aparecer como depresiones en las praderas, zanjas de drenaje y estanques para el ganado en paisajes agrícolas, y como islas en medio de lagos o ríos. Otros ejemplos también incluyen marismas, pantanos, ciénagas, atascaderos, turberas, depresiones, marjales y bayous. |
Land_Use_Raw_Probability_Other |
metros | Es la probabilidad modelada sin procesar de la categoría Other según el LCMS. Se define como: Terreno (independientemente de su uso) en el que la tendencia espectral o cualquier otra evidencia de respaldo sugieren que se produjo un evento de perturbación o cambio, pero no se puede determinar la causa definitiva o el tipo de cambio no cumple con ninguna de las categorías de proceso de cambio definidas anteriormente. |
Land_Use_Raw_Probability_Rangeland-or-Pasture |
metros | Es la probabilidad modelada sin procesar del LCMS de pastizales o pastos. Se define de la siguiente manera: Esta clase incluye cualquier área que cumpla con una de las siguientes condiciones: a) Tierras de pastoreo, donde la vegetación es una combinación de pastos, arbustos, hierbas y plantas similares a pastos nativos que surgen en gran medida de factores y procesos naturales, como la lluvia, la temperatura, la altitud y el fuego, aunque la gestión limitada puede incluir la quema controlada y el pastoreo de herbívoros domésticos y silvestres; o b) Pastos, donde la vegetación puede variar desde pastos, hierbas y plantas herbáceas mixtos y en gran medida naturales hasta una vegetación más controlada dominada por especies de pastos que se han sembrado y controlado para mantener una casi monocultura. |
Cambiar tabla de clase
| Valor | Color | Descripción |
|---|---|---|
| 1 | #3d4551 | Estable |
| 2 | #f39268 | Pérdida lenta |
| 3 | #d54309 | Fast Loss |
| 4 | #00a398 | Ganancia |
| 5 | #1b1716 | Máscara de área sin procesar |
Tabla de la clase Land_Cover
| Valor | Color | Descripción |
|---|---|---|
| 1 | #005e00 | Árboles |
| 2 | #008000 | Tall Shrubs & Trees Mix (solo para SEAK) |
| 3 | #00cc00 | Mezcla de arbustos y árboles |
| 4 | #b3ff1a | Mezcla de hierbas, pastos y árboles |
| 5 | #99ff99 | Barren & Trees Mix |
| 6 | #b30088 | Arbustos altos (solo en SEAK) |
| 7 | #e68a00 | Matorrales |
| 8 | #ffad33 | Mezcla de hierbas, arbustos y pastos |
| 9 | #ffe0b3 | Barren & Shrubs Mix |
| 10 | #ffff00 | Pasto/hierba/planta herbácea |
| 11 | #aa7700 | Barren & Grass/Forb/Herb Mix |
| 12 | #d3bf9b | Estéril o impermeable |
| 13 | #ffffff | Nieve o hielo |
| 14 | #4780f3 | Agua |
| 15 | #1b1716 | Máscara de área sin procesar |
Tabla de la clase Land_Use
| Valor | Color | Descripción |
|---|---|---|
| 1 | #efff6b | Agricultura |
| 2 | #ff2ff8 | Desarrollado |
| 3 | #1b9d0c | Bosque |
| 4 | #97ffff | Humedal no boscoso |
| 5 | #a1a1a1 | Otro |
| 6 | #c2b34a | Pastizales |
| 7 | #1b1716 | Máscara de área sin procesar |
Propiedades de imágenes
Propiedades de imágenes
| Nombre | Tipo | Descripción |
|---|---|---|
| study_area | STRING | Actualmente, LCMS cubre CONUS y el sudeste de Alaska. En el futuro cercano, se expandirá para incluir todos los estados y territorios de EE.UU. Valores posibles: "SEAK" o "CONUS" |
Condiciones de Uso
Condiciones de Uso
El Servicio Forestal del USDA no ofrece ninguna garantía, expresa o implícita, incluidas las garantías de comerciabilidad y adecuación para un fin determinado, ni asume ninguna responsabilidad legal por la exactitud, confiabilidad, integridad o utilidad de estos datos geoespaciales, ni por el uso inadecuado o incorrecto de estos datos geoespaciales. Estos datos geoespaciales y los mapas o gráficos relacionados no son documentos legales y no deben usarse como tales. Los datos y los mapas no se pueden usar para determinar el título, la propiedad, las descripciones o los límites legales, la jurisdicción legal ni las restricciones que puedan existir en terrenos públicos o privados. Es posible que los peligros naturales se representen o no en los datos y los mapas, y los usuarios de la tierra deben tener la debida precaución. Los datos son dinámicos y pueden cambiar con el tiempo. El usuario es responsable de verificar las limitaciones de los datos geoespaciales y de usarlos según corresponda.
Estos datos se recopilaron con fondos del Gobierno de EE.UU. y se pueden usar sin permisos ni tarifas adicionales. Si usas estos datos en una publicación, presentación o cualquier otro producto de investigación, usa la siguiente cita:
Servicio Forestal del USDA. 2021. USFS Landscape Change Monitoring System, versión 2020.5. Salt Lake City, Utah.
Citas
Servicio Forestal del USDA. 2021. USFS Landscape Change Monitoring System, versión 2020.5. Salt Lake City, Utah
Explora con Earth Engine
Editor de código (JavaScript)
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);