USFS Landscape Change Monitoring System v2020.5 (Conterminous United States and Southeastern Alaska) [deprecated]

USFS/GTAC/LCMS/v2020-5
دردسترس بودن مجموعه داده
1985-06-01T00:00:00Z–2020-09-30T00:00:00Z
تولیدکننده مجموعه داده
تکه‌کد Earth Engine
ee.ImageCollection("USFS/GTAC/LCMS/v2020-5")
برچسب‌ها
تغییر
تشخیص تغییرات
جنگل
gtac
پوشش زمین
مشتق‌شده از لندست
کاربری زمین
کاربری زمین-پوشش زمین
lcms
redcastle-resources
rmrs
sentinel2-derived
سری زمانی
وزارت کشاورزی ایالات متحده
usfs

شرح

این محصول بخشی از مجموعه داده «سیستم پایش تغییرات چشم‌انداز» (LCMS) است. این مجموعه داده تغییرات مدل‌سازی‌شده LCMS، پوشش زمین، و/یا کلاس‌های استفاده از زمین را برای هر سال نشان می‌دهد. این نسخه LCMS ایالات متحده هم‌مرز (CONUS) و جنوب شرقی آلاسکا (SEAK) را پوشش می‌دهد.

LCMS سیستمی مبتنی بر سنجش از دور برای نقشه‌برداری و پایش تغییرات چشم‌انداز در سراسر ایالات متحده است. هدف آن توسعه رویکردی منسجم بااستفاده از جدیدترین فناوری‌ها و پیشرفت‌ها در تشخیص تغییر برای تولید «بهترین نقشه موجود» از تغییرات چشم‌انداز است.

بروندادها شامل سه محصول سالانه است: تغییر، پوشش زمین، و کاربری زمین. تغییر به‌طور خاص به پوشش گیاهی مربوط می‌شود و شامل ازدست رفتن آهسته، ازدست رفتن سریع (که شامل تغییرات هیدرولوژیکی مانند آب‌گرفتگی یا خشک شدن نیز می‌شود)، و افزایش است. این مقادیر برای هر سال از سری زمانی Landsat پیش‌بینی می‌شوند و به‌عنوان محصولات پایه‌ای برای LCMS عمل می‌کنند. نقشه‌های پوشش زمین و کاربری زمین، پوشش زمین در سطح زیست‌فرم و کاربری زمین در سطح گسترده را برای هر سال نشان می‌دهند.

چون هیچ الگوریتمی در همه شرایط بهترین عملکرد را ندارد، LCMS از مجموعه‌ای از مدل‌ها به‌عنوان پیش‌بینی‌کننده استفاده می‌کند که دقت نقشه را در طیفی از بوم‌سازگان‌ها و فرایندهای تغییر بهبود می‌بخشد (هیلی و همکاران، ‫۲۰۱۸). مجموعه حاصل از تغییرات LCMS، پوشش زمین، و نقشه‌های استفاده از زمین، تصویری جامع از تغییرات چشم‌انداز در سراسر ایالات متحده در چهار دهه گذشته ارائه می‌دهد.

لایه‌های پیش‌بینی‌کننده برای مدل LCMS شامل ترکیب‌های سالانه Landsat و Sentinel 2، خروجی‌های الگوریتم‌های تشخیص تغییر LandTrendr و CCDC، و اطلاعات زمین است. همه این مؤلفه‌ها بااستفاده از Google Earth Engine (گورلیک و همکاران، 2017).

برای تولید ترکیب‌های سالانه، cFmask (ژو و وودکاک ۲۰۱۲)، cloudScore، و TDOM (چاستین و همکاران، روش‌های ماسک‌گذاری ابر و سایه ابر (۲۰۱۹) برای داده‌های بازتابش بالای جو Landsat Tier 1 و Sentinel 2a و 2b Level-1C اعمال می‌شود. سپس مدوید سالانه محاسبه می‌شود تا هر سال را در یک ترکیب واحد خلاصه کند.

سری زمانی ترکیبی بااستفاده از LandTrendr به‌صورت موقت بخش‌بندی می‌شود (Kennedy et al., ‫۲۰۱۰؛ Kennedy و همکاران، ‫۲۰۱۸؛ Cohen و همکاران، ‫۲۰۱۸).

همه مقادیر بدون ابر و سایه ابر نیز بااستفاده از الگوریتم CCDC به‌صورت موقت بخش‌بندی می‌شوند (Zhu and Woodcock, 2014).

مقادیر ترکیبی خام، مقادیر برازش‌شده LandTrendr، تفاوت‌های جفتی، مدت‌زمان بخش، میزان تغییر، و شیب، و ضرایب سینوس و کسینوس ۱ سپتامبر CCDC (۳ هارمونیک اول)، مقادیر برازش‌شده، و تفاوت‌های جفتی، به‌همراه ارتفاع، شیب، سینوس جهت شیب، کسینوس جهت شیب، و شاخص‌های موقعیت توپوگرافی (Weiss،‏ ۲۰۰۱) از «مجموعه داده‌های ارتفاع ملی» (NED)، به‌عنوان متغیرهای پیش‌بینی‌کننده مستقل در مدل «جنگل تصادفی» (Breiman،‏ ۲۰۰۱) استفاده می‌شوند.

داده‌های مرجع بااستفاده از TimeSync جمع‌آوری می‌شوند، ابزاری مبتنی بر وب که به تحلیل‌گران کمک می‌کند سابقه داده‌های Landsat را از سال ۱۹۸۴ تا کنون تجسم و تفسیر کنند (Cohen et al.، ‫۲۰۱۰).

منابع تکمیلی

اگر سؤال یا درخواست داده خاصی دارید، با [sm.fs.lcms@usda.gov] تماس بگیرید.

  • Breiman, L., ۲۰۰۱. یادگیری ماشین. Springer، ‎45(3): 261-277 doi:10.1023/a:1017934522171

  • Chastain, R., Housman, I., Goldstein, J., Finco, M., and Tenneson, K., ۲۰۱۹. مقایسه تجربی حسگرهای متقاطع Sentinel-2A و 2B MSI،‏ Landsat-8 OLI، و Landsat-7 ETM ویژگی‌های طیفی بالای جو در ایالات متحده هم‌مرز. در سنجش از دور محیط زیست. Science Direct، ۲۲۱: ۲۷۴-۲۸۵ doi:10.1016/j.rse.2018.11.012

  • Cohen, W.‎ ب.، Yang, Z., and Kennedy, R., ‫۲۰۱۰. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 2. TimeSync - ابزارهایی برای واسنجی و اعتبارسنجی. در سنجش از دور محیط. Science Direct، ‎114(12): 2911-2924 doi:10.1016/j.rse.2010.07.010

  • Cohen, W.‎ ب.، Yang, Z.,‎ Healey, S. P., Kennedy, R. E.، و Gorelick, N.، ‫۲۰۱۸. مجموعه چندطیفی LandTrendr برای تشخیص اختلال جنگل. در سنجش از دور محیط. Science Direct، ۲۰۵: ۱۳۱-۱۴۰ doi:10.1016/j.rse.2017.11.015

  • Healey, S. P., Cohen, W. ب.، Yang, Z.,‎ Kenneth Brewer, C., Brooks, E. ب.، Gorelick, N., Hernandez, A. د.، Huang, C., جوزف هیوز، ام.، Kennedy, R. ‫E.، لاولند، ت. ‫R.، Moisen, G.‎ G.، Schroeder, T. ‫A.، Stehman, S. V., Vogelmann, J. ‫E.، Woodcock, C. ‫E.، Yang, L., and Zhu, Z., ‫۲۰۱۸. نگاشت تغییرات جنگل بااستفاده از تعمیم پشته‌ای: رویکردی ترکیبی. در سنجش از دور محیط. Science Direct، 204: 717-728 doi:10.1016/j.rse.2017.09.029

  • Kennedy, R. ‫E.، Yang, Z., and Cohen, W. ب.، ‫۲۰۱۰. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 1. LandTrendr - الگوریتم‌های بخش‌بندی زمانی. در سنجش از دور محیط. 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., and Healey, S.,‎ ‫۲۰۱۸. پیاده‌سازی الگوریتم LandTrendr در Google Earth Engine. در سنجش از دور. MDPI، ‎10(5): 691 doi:10.3390/rs10050691

  • Weiss, A.D., ۲۰۰۱. ارائه پوستر تحلیل موقعیت توپوگرافی و زمین‌ریخت، کنفرانس کاربران ESRI، سن دیگو، کالیفرنیا.

  • Zhu, Z., and Woodcock, C. ث. (2012). تشخیص ابر و سایه ابر مبتنی بر شیء در تصاویر Landsat. در سنجش از دور محیط. Science Direct، ۱۱۸: ۸۳-۹۴ doi:10.1016/j.rse.2011.10.028

  • Zhu, Z., and Woodcock, C. ‫E.، ‫۲۰۱۴. تشخیص و طبقه‌بندی مداوم تغییرات پوشش زمین بااستفاده از همه داده‌های دردسترس Landsat. در سنجش از دور محیط. Science Direct، ۱۴۴: ۱۵۲-۱۷۱ doi:10.1016/j.rse.2014.01.011

باند

باند

اندازه پیکسل: ۳۰ متر (همه باندها)

نام اندازه پیکسل شرح
Change ‫۳۰ متر

محصول نهایی تغییر موضوعی LCMS. درمجموع سه کلاس تغییر (کاهش آهسته، کاهش سریع، و افزایش) برای هر سال نگاشت می‌شود. هر کلاس بااستفاده از مدل «جنگل تصادفی» جداگانه‌ای پیش‌بینی می‌شود که احتمال (نسبت درخت‌ها در مدل «جنگل تصادفی») تعلق پیکسل به آن کلاس را خروجی می‌دهد. به همین دلیل، پیکسل‌های مجزا سه خروجی مدل متفاوت برای هر سال دارند. کلاس‌های نهایی به کلاس تغییری اختصاص داده می‌شوند که بالاترین احتمال را دارد و همچنین بالاتر از آستانه مشخص‌شده است. هر پیکسلی که مقداری بالاتر از آستانه مربوط به هر کلاس نداشته باشد به کلاس «پایدار» اختصاص داده می‌شود.
Land_Cover ‫۳۰ متر

محصول نهایی پوشش زمین LCMS موضوعی. درمجموع ۱۴ کلاس پوشش زمین به‌صورت سالانه بااستفاده از داده‌های مرجع TimeSync و اطلاعات طیفی برگرفته از تصاویر Landsat نقشه‌برداری می‌شود. هر کلاس بااستفاده از یک مدل «جنگل تصادفی» جداگانه پیش‌بینی می‌شود که احتمال (نسبت درختان در مدل «جنگل تصادفی») تعلق پیکسل به آن کلاس را خروجی می‌دهد. به همین دلیل، پیکسل‌های تکی ۱۴ خروجی مدل متفاوت برای هر سال دارند و کلاس‌های نهایی به پوشش زمینی با بالاترین احتمال اختصاص داده می‌شوند. هفت کلاس از ۱۴ کلاس پوشش زمین نشان‌دهنده یک پوشش زمین واحد هستند، که در آن نوع پوشش زمین بیشتر مساحت پیکسل را پوشش می‌دهد و هیچ کلاس دیگری بیش‌از ۱۰٪ پیکسل را پوشش نمی‌دهد. همچنین هفت کلاس مختلط وجود دارد. این‌ها پیکسل‌هایی را نشان می‌دهند که در آن‌ها یک کلاس پوشش زمین اضافی حداقل ۱۰٪ از پیکسل را پوشش می‌دهد.
Land_Use ‫۳۰ متر

محصول نهایی موضوعی استفاده از زمین LCMS. درمجموع ۶ کلاس کاربری زمین به‌صورت سالانه بااستفاده از داده‌های مرجع TimeSync و اطلاعات طیفی برگرفته از تصاویر Landsat نقشه‌برداری می‌شود. هر کلاس بااستفاده از یک مدل «جنگل تصادفی» جداگانه پیش‌بینی می‌شود که احتمال (نسبت درختان در مدل «جنگل تصادفی») تعلق پیکسل به آن کلاس را خروجی می‌دهد. به همین دلیل، پیکسل‌های مجزا ۶ خروجی مدل متفاوت برای هر سال دارند و کلاس‌های نهایی به کاربری زمینی با بالاترین احتمال اختصاص داده می‌شوند.
Change_Raw_Probability_Slow_Loss ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام برای «کاهش آهسته». تعریف: «ازدست رفتن آهسته» شامل کلاس‌های زیر از تفسیر فرایند تغییر TimeSync است-

  • کاهش ساختاری - زمینی که درختان یا سایر پوشش‌های گیاهی چوبی آن به‌دلیل شرایط نامساعد رشد ناشی از عوامل غیرانسانی یا غیرمکانیکی به‌طور فیزیکی تغییر کرده است. این نوع ازدست رفتن معمولاً باید روندی در سیگنال(های) طیفی ایجاد کند (مثلاً کاهش NDVI، کاهش رطوبت، افزایش SWIR، و غیره)، اما این روند می‌تواند نامحسوس باشد. کاهش ساختاری در محیط‌های پوشش گیاهی چوبی رخ می‌دهد که احتمالاً ناشی از حشرات، بیماری، خشکسالی، باران اسیدی، و غیره است. کاهش ساختاری می‌تواند شامل رویدادهای برگ‌ریزی باشد که منجر به مرگ نمی‌شود، مانند هجوم پروانه کولی و کرم غنچه صنوبر که ممکن است ظرف ۱ یا ۲ سال بهبود یابد.

  • کاهش طیفی - قطعه زمینی که سیگنال طیفی آن روندی را در یک یا چند باند یا شاخص طیفی نشان می‌دهد (مثلاً کاهش NDVI، کاهش رطوبت، افزایش SWIR، و غیره). مثال‌ها شامل مواردی است که: الف) پوشش گیاهی غیرجنگلی/غیرچوبی روندی را نشان می‌دهد که نشان‌دهنده کاهش است (مثلاً کاهش NDVI، کاهش رطوبت، افزایش SWIR، و غیره)، یا ب) پوشش گیاهی چوبی روند کاهشی را نشان می‌دهد که به ازدست رفتن پوشش گیاهی چوبی مربوط نیست، مانند زمانی که تاج درختان بالغ بسته می‌شود و درنتیجه سایه افزایش می‌یابد، زمانی که ترکیب گونه‌ها از مخروطیان به پهن‌برگان تغییر می‌کند، یا زمانی که یک دوره خشک (برخلاف خشکسالی شدیدتر و حادتر) باعث کاهش ظاهری شادابی می‌شود، اما هیچ ماده چوبی یا سطح برگی ازبین نمی‌رود.
Change_Raw_Probability_Fast_Loss ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام از «ازدست رفتن سریع». تعریف: «ازدست دادن سریع» شامل کلاس‌های زیر از تفسیر فرایند تغییر TimeSync است-

  • آتش‌سوزی - زمینی که به‌دلیل آتش‌سوزی تغییر کرده است، صرف‌نظر از علت اشتعال (طبیعی یا انسان‌زاد)، شدت، یا کاربری زمین.

  • برداشت - زمین جنگلی که درختان، درختچه‌ها، یا سایر پوشش‌های گیاهی آن به‌وسیله عوامل انسانی قطع یا برداشته شده است. نمونه‌های آن عبارت‌اند از قطع کامل درختان، چوب‌بری نجات پس‌از آتش‌سوزی یا شیوع حشرات، تنک کردن، و دیگر دستورالعمل‌های مدیریت جنگل (مثلاً برداشت درختان پناه/ درختان بذر).

  • مکانیکی - زمین غیرجنگلی که درختان، درختچه‌ها، یا سایر پوشش‌های گیاهی آن به‌طور مکانیکی با زنجیر، خراشیدن، اره کردن بوته‌ها، بولدوزر، یا هر روش دیگری برای حذف پوشش گیاهی غیرجنگلی قطع یا برداشته شده است.

  • باد/یخ - زمینی (صرف‌نظر از کاربری) که پوشش گیاهی آن به‌دلیل بادهای ناشی از توفند، گردباد، توفان، و دیگر رویدادهای آب‌وهوایی نامساعد ازجمله باران منجمد ناشی از توفان‌های یخ تغییر کرده است.

  • آب‌شناسی - زمینی که سیلاب به‌طور قابل‌توجهی پوشش چوبی یا سایر عناصر پوشش زمین را بدون توجه به کاربری زمین تغییر داده است (مثلاً مخلوط‌های جدیدی از شن و پوشش گیاهی در داخل و اطراف بستر رودخانه پس‌از سیل).

  • آوار - زمینی (صرف‌نظر از کاربرد آن) که به‌دلیل حرکت طبیعی مواد مرتبط با رانش زمین، بهمن، آتشفشان، جریان آوار، و غیره تغییر کرده است.

  • سایر - زمینی (صرف‌نظر از کاربرد آن) که روند طیفی یا سایر شواهد مؤید آن نشان می‌دهد که اختلال یا رویداد تغییری در آن رخ داده است اما علت قطعی آن قابل‌تعیین نیست یا نوع تغییر با هیچ‌یک از دسته‌های فرایند تغییر تعریف‌شده در بالا مطابقت ندارد.
Change_Raw_Probability_Gain ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام برای «افزایش». تعریف: زمینی که به‌دلیل رشد و توالی درطول یک یا چند سال، افزایش پوشش گیاهی را نشان می‌دهد. قابل اعمال برای هر منطقه‌ای که ممکن است تغییر طیفی مرتبط با رشد مجدد پوشش گیاهی را نشان دهد. در مناطق توسعه‌یافته، رشد می‌تواند ناشی از بلوغ پوشش گیاهی و/یا چمن‌ها و محوطه‌سازی‌های جدید باشد. در جنگل‌ها، رشد شامل رشد پوشش گیاهی از زمین برهنه و همچنین رشد درختان میانی و هم‌غالب و/یا علف‌ها و بوته‌های پایین‌تر است. بخش‌های رشد/بهبود ثبت‌شده پس‌از برداشت جنگل احتمالاً با بازسازی جنگل از کلاس‌های مختلف پوشش زمین عبور خواهند کرد. برای اینکه این تغییرات به‌عنوان رشد/بهبود درنظر گرفته شوند، مقادیر طیفی باید به‌طور دقیق از خط روند افزایشی پیروی کنند (مثلاً شیب مثبت که اگر تا حدود ۲۰ سال ادامه یابد، در حدود ۰٫۱۰ واحد NDVI خواهد بود) که برای چندین سال ادامه دارد.
Land_Cover_Raw_Probability_Trees ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام برای درختان. تعریف: بخش عمده پیکسل از درختان زنده یا درختان مرده ایستاده تشکیل شده است.
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام برای ترکیب درختچه‌های بلند و درختان (فقط SEAK). تعریف: بخش عمده پیکسل از درختچه‌هایی با ارتفاع بیش‌از ۱ متر تشکیل شده است و همچنین حداقل ‎٪۱۰ آن از درختان زنده یا درختان مرده ایستاده تشکیل شده است.
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام برای ترکیب بوته‌ها و درختان. به‌صورت زیر تعریف می‌شود: اکثر پیکسل‌ها از درختچه‌ها تشکیل شده‌اند و همچنین حداقل ‎٪۱۰ از درختان زنده یا مرده ایستاده تشکیل شده‌اند.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام برای ترکیب چمن/ علف/ گیاه و درخت. به‌صورت زیر تعریف می‌شود: بخش عمده پیکسل از علف‌های چندساله، گیاهان پهن‌برگ، یا سایر انواع پوشش گیاهی علفی تشکیل شده است و همچنین حداقل ‎٪۱۰ آن از درختان زنده یا ایستاده مرده تشکیل شده است.
Land_Cover_Raw_Probability_Barren-and-Trees-Mix ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام برای ترکیب زمین بایر و درختان. تعریف: بخش عمده پیکسل از خاک برهنه تشکیل شده است که به‌دلیل اختلال (مثلاً خاک بدون پوشش ناشی از پاک‌سازی مکانیکی یا برداشت جنگل) نمایان شده است، و همچنین مناطق همیشه بایر مانند بیابان‌ها، پلایاها، برون‌زدهای سنگی (ازجمله مواد معدنی و سایر مواد زمین‌شناسی که به‌دلیل فعالیت‌های استخراج سطحی نمایان شده‌اند)، تپه‌های شنی، کویرهای نمک، و سواحل. جاده‌های خاکی و شنی نیز بایر محسوب می‌شوند و حداقل ۱۰٪ از آن‌ها را درختان زنده یا مرده ایستاده تشکیل می‌دهند.
Land_Cover_Raw_Probability_Tall-Shrubs ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام برای درختچه‌های بلند (فقط SEAK). به‌صورت زیر تعریف می‌شود: بخش عمده پیکسل از درختچه‌هایی با ارتفاع بیش‌از ۱ متر تشکیل شده است.
Land_Cover_Raw_Probability_Shrubs ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام برای بوته‌ها. تعریف: بخش عمده پیکسل از درختچه‌ها تشکیل شده است.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام برای مخلوط علف/گیاه پهن‌برگ/گیاه علفی و درختچه. به این صورت تعریف می‌شود: بخش عمده پیکسل از علف‌های چندساله، گیاهان پهن‌برگ، یا دیگر انواع پوشش گیاهی علفی تشکیل شده است و همچنین حداقل ۱۰٪ آن از درختچه‌ها تشکیل شده است.
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام برای «مخلوط زمین بایر و بوته‌زار». تعریف: بخش عمده پیکسل از خاک برهنه تشکیل شده است که به‌دلیل اختلال (مثلاً خاک بدون پوشش ناشی از پاک‌سازی مکانیکی یا برداشت جنگل) نمایان شده است، و همچنین مناطق همیشه بایر مانند بیابان‌ها، پلایاها، برون‌زدهای سنگی (ازجمله مواد معدنی و سایر مواد زمین‌شناسی که به‌دلیل فعالیت‌های استخراج سطحی نمایان شده‌اند)، تپه‌های شنی، کویرهای نمک، و سواحل. جاده‌های خاکی و شنی نیز بایر محسوب می‌شوند و حداقل ۱۰٪ از آن‌ها را بوته‌ها تشکیل می‌دهند.
Land_Cover_Raw_Probability_Grass-Forb-Herb ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام برای علف/ گیاه پهن‌برگ/ گیاه دارویی. به این صورت تعریف می‌شود: بخش عمده پیکسل از علف‌های چندساله، علف‌های پهن‌برگ، یا دیگر انواع پوشش گیاهی علفی تشکیل شده است.
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام برای «زمین بایر» و «مخلوط علف/ پهن‌برگ/ گیاه». به این صورت تعریف می‌شود: بیشتر پیکسل از خاک برهنه تشکیل شده است که دراثر اختلال نمایان شده است (مثلاً خاک بدون پوشش دراثر پاک‌سازی مکانیکی یا برداشت جنگل)، و همچنین مناطق همیشه بایر مانند بیابان‌ها، کویرها، برون‌زدگی‌های سنگی (ازجمله مواد معدنی و سایر مواد زمین‌شناسی که دراثر فعالیت‌های معدن‌کاری سطحی نمایان شده‌اند)، تپه‌های شنی، دشت‌های نمکی، و سواحل. جاده‌های خاکی و شنی نیز بایر محسوب می‌شوند و حداقل ۱۰٪ از آن‌ها را علف‌های چندساله، علف‌های پهن‌برگ، یا سایر انواع پوشش گیاهی علفی تشکیل می‌دهد.
Land_Cover_Raw_Probability_Barren-or-Impervious ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام برای «بایر» یا «نفوذناپذیر». به این صورت تعریف می‌شود: بخش عمده پیکسل شامل ۱) خاک برهنه نمایان‌شده به‌دلیل اختلال (مثلاً خاک بدون پوشش به‌دلیل پاک‌سازی مکانیکی یا برداشت جنگل)، و همچنین مناطق همیشه بایر مانند بیابان‌ها، پلایاها، برون‌زدهای سنگی (ازجمله مواد معدنی و سایر مواد زمین‌شناسی نمایان‌شده به‌دلیل فعالیت‌های استخراج سطحی)، تپه‌های شنی، کویرهای نمک، و سواحل است. جاده‌های خاکی و شنی نیز بایر درنظر گرفته می‌شوند یا ۲) مواد مصنوعی که آب نمی‌تواند در آن‌ها نفوذ کند، مانند جاده‌های آسفالت‌شده، سقف‌ها، و پارکینگ‌ها.
Land_Cover_Raw_Probability_Snow-or-Ice ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام برای برف یا یخ. تعریف: بخش عمده پیکسل از برف یا یخ تشکیل شده است.
Land_Cover_Raw_Probability_Water ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام برای آب. به این صورت تعریف می‌شود: بخش عمده پیکسل از آب تشکیل شده است.
Land_Use_Raw_Probability_Agriculture ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام برای کشاورزی. تعریف: زمینی که برای تولید غذا، الیاف، و سوخت استفاده می‌شود و در وضعیت پوشش گیاهی یا بدون پوشش گیاهی است. این شامل اما نه محدود به زمین‌های زراعی کشت‌شده و کشت‌نشده، زمین‌های یونجه، باغ‌های میوه، تاکستان‌ها، عملیات دامداری محصور، و مناطق کاشته‌شده برای تولید میوه، آجیل، یا توت است. جاده‌هایی که عمدتاً برای استفاده کشاورزی استفاده می‌شوند (یعنی برای حمل‌ونقل عمومی از شهری به شهر دیگر استفاده نمی‌شوند) به‌عنوان کاربری زمین کشاورزی درنظر گرفته می‌شوند.
Land_Use_Raw_Probability_Developed ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام برای «توسعه‌یافته». به این صورت تعریف می‌شود: زمینی که با سازه‌های دست‌ساز بشر پوشانده شده است (مثلاً مسکونی با تراکم بالا، تجاری، صنعتی، معدن، یا حمل‌ونقل)، یا ترکیبی از پوشش گیاهی (ازجمله درختان) و سازه‌ها (مثلاً مسکونی با تراکم پایین، چمن‌زار، تأسیسات تفریحی، گورستان، راهروهای حمل‌ونقل و تأسیسات، و غیره)، ازجمله هر زمینی که ازنظر عملکردی با فعالیت‌های انسانی تغییر کرده باشد.
Land_Use_Raw_Probability_Forest ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام برای جنگل. تعریف: زمینی که کاشته شده یا به‌طور طبیعی پوشش گیاهی دارد و در زمانی درطول توالی جانشینی کوتاه‌مدت، دارای ۱۰٪ یا بیشتر تاج‌پوش است (یا احتمالاً خواهد بود). این می‌تواند شامل دسته‌های برگ‌ریز، همیشه‌سبز، و/یا مختلط جنگل طبیعی، جنگل‌های مزرعه‌ای، و تالاب‌های چوبی باشد.
Land_Use_Raw_Probability_Non-Forest-Wetland ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام برای تالاب غیرجنگلی. تعریف: زمین‌های مجاور یا درون یک سفره آب مرئی (که به‌طور دائمی یا فصلی اشباع شده‌اند) که تحت سلطه درختچه‌ها یا گیاهان آبزی دائمی هستند. این تالاب‌ها ممکن است در ساحل دریاچه‌ها، کانال‌های رودخانه، یا دهانه رودها، در دشت‌های سیلابی رودخانه، در حوضه‌های آبریز مجزا، یا در دامنه‌ها واقع شده باشند. همچنین ممکن است به‌صورت چاله‌های چمن‌زار، خندق‌های زهکشی، و حوضچه‌های ذخیره آب در چشم‌اندازهای کشاورزی و همچنین به‌صورت جزایری در وسط دریاچه‌ها یا رودخانه‌ها ظاهر شوند. نمونه‌های دیگر شامل مرداب، باتلاق، لجن‌زار، لجن‌زار، باتلاق، لجن‌زار، باتلاق، و آب‌گذر است.
Land_Use_Raw_Probability_Other ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام برای «دیگر». به‌صورت زیر تعریف می‌شود: زمینی (صرف‌نظر از کاربرد آن) که روند طیفی یا سایر شواهد مؤید آن نشان می‌دهد که رویداد اختلال یا تغییری در آن رخ داده است اما علت قطعی آن را نمی‌توان تعیین کرد یا نوع تغییر با هیچ‌یک از دسته‌های فرایند تغییر تعریف‌شده در بالا مطابقت ندارد.
Land_Use_Raw_Probability_Rangeland-or-Pasture ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام برای مرتع یا چراگاه. به‌صورت زیر تعریف می‌شود: این کلاس شامل هر منطقه‌ای است که یا الف.) مرتع، جایی که پوشش گیاهی ترکیبی از علف‌های بومی، درختچه‌ها، علف‌های پهن‌برگ و گیاهان علف‌مانند است که عمدتاً از عوامل و فرایندهای طبیعی مانند بارندگی، دما، ارتفاع و آتش‌سوزی ناشی می‌شوند، اگرچه مدیریت محدود ممکن است شامل سوزاندن تجویز‌شده و همچنین چرای گیاه‌خواران اهلی و وحشی باشد؛ یا ب.) چراگاه، جایی که پوشش گیاهی ممکن است از علف‌های مخلوط و عمدتاً طبیعی، گیاهان پهن‌برگ و گیاهان دارویی تا پوشش گیاهی مدیریت‌شده‌تر تحت سلطه گونه‌های علفی که کاشته شده‌اند و برای حفظ تک‌کشتی مدیریت می‌شوند، متغیر باشد.

تغییر جدول کلاس

مقدار رنگ شرح
1 #3d4551

پایدار
2 #f39268

باخت آهسته
3 #d54309

باخت سریع
4 #00a398

سود
5 #1b1716

ماسک ناحیه غیرپردازشی

جدول کلاس Land_Cover

مقدار رنگ شرح
1 #005e00

درخت
2 #008000

ترکیب درختان و بوته‌های بلند (فقط SEAK)
3 #00cc00

مخلوط بوته و درخت
4 #b3ff1a

ترکیب چمن/گیاه پهن‌برگ/گیاه علفی و درخت
5 #99ff99

ترکیب Barren & Trees
6 #b30088

درختچه‌های بلند (فقط SEAK)
7 #e68a00

درختچه‌ها
8 #ffad33

ترکیب چمن/گیاه پهن‌برگ/گیاه دارویی و بوته
9 #ffe0b3

ترکیب بایر و درختچه
10 #ffff00

علف/ گیاه پهن‌برگ/ گیاه دارویی
11 #aa7700

ترکیب زمین بایر و چمن/گیاه پهن‌برگ/گیاه دارویی
12 #d3bf9b

بایر یا نفوذناپذیر
13 #ffffff

برف یا یخبندان
14 #4780f3

آب
15 #1b1716

ماسک ناحیه غیرپردازشی

جدول کلاس Land_Use

مقدار رنگ شرح
1 #efff6b

کشاورزی
2 #ff2ff8

توسعه‌یافته
3 #1b9d0c

جنگل
4 #97ffff

تالاب غیرجنگلی
5 #a1a1a1

غیره
6 #c2b34a

مرتع یا چراگاه
7 #1b1716

ماسک ناحیه غیرپردازشی

مشخصات تصویر

ویژگی‌های تصویر

نام نوع شرح
study_area رشته

LCMS درحال‌حاضر CONUS و جنوب شرقی آلاسکا را پوشش می‌دهد. در آینده نزدیک، این برنامه گسترش خواهد یافت تا همه ایالت‌ها و قلمروهای ایالات متحده را دربرگیرد.

مقادیر ممکن: «SEAK» یا «CONUS»

شرایط استفاده

شرایط استفاده

«سرویس جنگل‌داری وزارت کشاورزی ایالات متحده» هیچ ضمانتی، صریح یا ضمنی، ازجمله ضمانت‌های قابلیت فروش و مناسب بودن برای هدفی خاص، ارائه نمی‌دهد و هیچ‌گونه مسئولیت یا تعهد قانونی درقبال صحت، قابلیت اطمینان، کامل بودن، یا سودمندی این داده‌های زمین‌مکانی، یا درقبال استفاده نادرست یا اشتباه از این داده‌های زمین‌مکانی برعهده نمی‌گیرد. این داده‌های زمین‌مکانی و نقشه‌ها یا گرافیک‌های مرتبط اسناد قانونی نیستند و نباید به‌عنوان چنین اسنادی استفاده شوند. از این داده‌ها و نقشه‌ها نباید برای تعیین عنوان، مالکیت، توصیف‌ها یا مرزهای قانونی، حوزه قضایی قانونی، یا محدودیت‌هایی که ممکن است در زمین‌های عمومی یا خصوصی وجود داشته باشد استفاده شود. ممکن است خطرات طبیعی در داده‌ها و نقشه‌ها نشان داده شده یا نشده باشد و کاربران زمین باید احتیاط لازم را به‌عمل آورند. داده‌ها پویا هستند و ممکن است درطول زمان تغییر کنند. کاربر مسئول است محدودیت‌های داده‌های زمین‌مکانی را بررسی کند و از داده‌ها به‌طور مقتضی استفاده کند.

این داده‌ها بااستفاده از بودجه دولت ایالات متحده جمع‌آوری شده‌اند و می‌توانند بدون اجازه‌ها یا هزینه‌های اضافی استفاده شوند. اگر از این داده‌ها در نشریه، ارائه، یا محصول پژوهشی دیگری استفاده می‌کنید، لطفاً از نقل‌قول زیر استفاده کنید:

USDA Forest Service. ۲۰۲۱. نسخه ۲۰۲۰.۵ «سیستم نظارت بر تغییر چشم‌انداز USFS». سالت لیک سیتی، یوتا.

نقل‌قول‌ها

نقل‌قول‌ها:

  • USDA Forest Service. ۲۰۲۱. USFS Landscape Change Monitoring System نسخه ۲۰۲۰.۵. سالت لیک سیتی، یوتا.

کاوش با Earth Engine

ویرایشگر کد (جاوا اسکریپت)

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);
باز کردن در «ویرایشگر کد»
این محصول بخشی از مجموعه داده «سیستم پایش تغییرات چشم‌انداز» (LCMS) است. این مجموعه داده تغییرات مدل‌سازی‌شده LCMS، پوشش زمین، و/یا کلاس‌های استفاده از زمین را برای هر سال نشان می‌دهد. این نسخه LCMS ایالات متحده هم‌مرز (CONUS) و جنوب شرقی آلاسکا (SEAK) را پوشش می‌دهد. LCMS سیستمی مبتنی بر سنجش از دور برای نقشه‌برداری و پایش چشم‌انداز است …
USFS/GTAC/LCMS/v2020-5, change,change-detection,forest,gtac,landcover,landsat-derived,landuse,landuse-landcover,lcms,redcastle-resources,rmrs,sentinel2-derived,time-series,usda,usfs
1985-06-01T00:00:00Z/2020-09-30T00:00:00Z
20.38379 -135.286387 52.459364 -56.446306
Google Earth Engine