- Disponibilité des ensembles de données
- 1985-06-01T00:00:00Z–2020-09-30T00:00:00Z
- Fournisseur de l'ensemble de données
- USDA Forest Service (USFS) Geospatial Technology and Applications Center (GTAC)
- Tags
Description
Ce produit fait partie de la suite de données du système de surveillance des changements de paysage (LCMS, Landscape Change Monitoring System). Il indique les classes de changement, de couverture et/ou d'occupation des sols modélisées par LCMS pour chaque année. Cette version du LCMS couvre les États-Unis contigus (CONUS) et le sud-est de l'Alaska (SEAK).
LCMS est un système de télédétection permettant de cartographier et de surveiller les changements de paysage aux États-Unis. Son objectif est de développer une approche cohérente utilisant les dernières technologies et avancées en matière de détection des changements pour produire une carte "la plus précise possible" des changements de paysage.
Les sorties incluent trois produits annuels : les changements, la couverture du sol et l'occupation du sol. Le changement concerne spécifiquement le couvert végétal et inclut la perte lente, la perte rapide (qui inclut également les changements hydrologiques tels que l'inondation ou la dessiccation) et le gain. Ces valeurs sont prédites pour chaque année de la série temporelle Landsat et servent de produits de base pour LCMS. Les cartes de couverture et d'utilisation des sols représentent la couverture des sols au niveau des formes de vie et l'utilisation des sols au niveau général pour chaque année.
Étant donné qu'aucun algorithme n'est le plus performant dans toutes les situations, LCMS utilise un ensemble de modèles comme prédicteurs, ce qui améliore la précision des cartes pour un large éventail d'écosystèmes et de processus de changement (Healey et al., 2018). La suite de cartes sur les changements de LCMS, la couverture des sols et l'utilisation des terres qui en résulte offre une représentation globale des changements de paysage aux États-Unis au cours des quatre dernières décennies.
Les couches de prédiction du modèle LCMS incluent des composites annuels Landsat et Sentinel 2, des sorties des algorithmes de détection des changements LandTrendr et CCDC, ainsi que des informations sur le terrain. Tous ces composants sont accessibles et traités à l'aide de Google Earth Engine (Gorelick et al., 2017).
Pour produire des composites annuels, les algorithmes cFmask (Zhu et Woodcock 2012), cloudScore et TDOM (Chastain et al., Les méthodes de masquage des nuages et des ombres de nuages (2019) sont appliquées aux données de réflectance au sommet de l'atmosphère de niveau 1C de Landsat Tier 1 et de Sentinel 2a et 2b. Le médoïde annuel est ensuite calculé pour résumer chaque année en un seul composite.
La série temporelle composite est segmentée temporellement à l'aide de LandTrendr (Kennedy et al., 2010 ; Kennedy et al., 2018 ; Cohen et al., 2018).
Toutes les valeurs sans nuage ni ombre de nuage sont également segmentées temporellement à l'aide de l'algorithme CCDC (Zhu et Woodcock, 2014).
Les valeurs composites brutes, les valeurs ajustées LandTrendr, les différences par paires, la durée du segment, l'amplitude et la pente du changement, ainsi que les coefficients de sinus et de cosinus de septembre de CCDC (3 premières harmoniques), les valeurs ajustées et les différences par paires, ainsi que l'altitude, la pente, le sinus de l'aspect, le cosinus de l'aspect et les indices de position topographique (Weiss, 2001) du National Elevation Dataset (NED), sont utilisés comme variables de prédiction indépendantes dans un modèle Random Forest (Breiman, 2001).
Les données de référence sont collectées à l'aide de TimeSync, un outil Web qui aide les analystes à visualiser et à interpréter l'enregistrement des données Landsat de 1984 à aujourd'hui (Cohen et al., 2010).
Autres ressources
Exemple de code plus détaillé sur l'utilisation des données LCMS.
L'explorateur de données LCMS est une application Web qui permet aux utilisateurs d'afficher, d'analyser, de résumer et de télécharger des données LCMS.
Pour en savoir plus sur les méthodes et l'évaluation de la précision, consultez le résumé des méthodes LCMS. Pour télécharger des données, des métadonnées et des documents d'aide, consultez le Clearinghouse de données géographiques LCMS.
Contactez [sm.fs.lcms@usda.gov] pour toute question ou demande de données spécifiques.
Breiman, L., 2001. Machine learning. Springer, 45(3): 261-277 doi:10.1023/a:1017934522171
Chastain, R., Housman, I., Goldstein, J., Finco, M., et Tenneson, K., 2019. Comparaison empirique multisensorielle des caractéristiques spectrales au sommet de l'atmosphère des instruments MSI Sentinel-2A et 2B, OLI Landsat-8 et ETM Landsat-7 sur l'ensemble des États-Unis contigus. In Remote Sensing of Environment. Science Direct, 221 : 274-285 doi:10.1016/j.rse.2018.11.012
Cohen, W. B. Yang, Z., et Kennedy, R., 2010. Détection des tendances de perturbation et de récupération des forêts à l'aide de séries temporelles Landsat annuelles : 2. TimeSync : outils de calibration et de validation. 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., et Gorelick, N., 2018. Ensemble multispectral LandTrendr pour la détection des perturbations forestières. 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., Loveland, T. R. Moisen, G. G., Schroeder, T. A., Stehman, S. V., Vogelmann, J. E., Woodcock, C. E., Yang, L., et Zhu, Z., 2018. Cartographie des changements forestiers à l'aide de la généralisation empilée : une approche d'ensemble. In Remote Sensing of Environment. Science Direct, 204: 717-728 doi:10.1016/j.rse.2017.09.029
Kennedy, R. E., Yang, Z., et Cohen, W. B. 2010. Détecter les tendances des perturbations et de la régénération des forêts à l'aide de séries temporelles Landsat annuelles : 1. LandTrendr : algorithmes de segmentation temporelle. In 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., et Healey, S., 2018. Implémentation de l'algorithme LandTrendr sur Google Earth Engine. In Remote Sensing. MDPI, 10(5): 691 doi:10.3390/rs10050691
Weiss, A.D., 2001. Poster Presentation, ESRI Users Conference, San Diego, CAZhu, Z., and Woodcock, C. E. (2012). Détection des nuages et des ombres de nuages basée sur les objets dans les images Landsat. In Remote Sensing of Environment. Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028
Zhu, Z. et Woodcock, C. E., 2014. Détection et classification continues des changements de couverture terrestre à l'aide de toutes les données Landsat disponibles. In Remote Sensing of Environment. Science Direct, 144: 152-171 doi:10.1016/j.rse.2014.01.011
Bracelets
Taille des pixels
30 mètres
Bandes de fréquences
| Nom | Taille des pixels | Description |
|---|---|---|
Change |
mètres | Produit final de modification thématique du LCMS. Un total de trois classes de changement (perte lente, perte rapide et gain) sont mappées pour chaque année. Chaque classe est prédite à l'aide d'un modèle de forêt aléatoire distinct, qui génère une probabilité (proportion des arbres dans le modèle de forêt aléatoire) que le pixel appartienne à cette classe. Par conséquent, chaque pixel individuel comporte trois sorties de modèle différentes pour chaque année. Les classes finales sont attribuées à la classe de changement ayant la probabilité la plus élevée et qui est également supérieure à un seuil spécifié. Tout pixel dont la valeur est inférieure au seuil de chaque classe est attribué à la classe "Stable". |
Land_Cover |
mètres | Produit final thématique de couverture des sols LCMS. Au total, 14 classes de couverture terrestre sont cartographiées chaque année à l'aide de données de référence TimeSync et d'informations spectrales issues des images Landsat. Chaque classe est prédite à l'aide d'un modèle de forêt aléatoire distinct, qui génère une probabilité (proportion des arbres dans le modèle de forêt aléatoire) que le pixel appartienne à cette classe. Par conséquent, chaque pixel dispose de 14 sorties de modèle différentes pour chaque année, et les classes finales sont attribuées à la couverture terrestre ayant la probabilité la plus élevée. Sept des 14 classes de couverture terrestre indiquent une seule couverture terrestre, où ce type de couverture terrestre couvre la majeure partie de la zone du pixel et aucune autre classe ne couvre plus de 10 % du pixel. Il y a également sept cours mixtes. Il s'agit des pixels dans lesquels une classe de couverture terrestre supplémentaire couvre au moins 10 % du pixel. |
Land_Use |
mètres | Produit final thématique LCMS sur l'utilisation des terres. Au total, six classes d'utilisation des terres sont cartographiées chaque année à l'aide de données de référence TimeSync et d'informations spectrales issues des images Landsat. Chaque classe est prédite à l'aide d'un modèle de forêt aléatoire distinct, qui génère une probabilité (proportion des arbres dans le modèle de forêt aléatoire) que le pixel appartienne à cette classe. Pour cette raison, chaque pixel individuel comporte six sorties de modèle différentes pour chaque année, et les classes finales sont attribuées à l'utilisation des terres ayant la probabilité la plus élevée. |
Change_Raw_Probability_Slow_Loss |
mètres | Probabilité modélisée brute de perte lente (LCMS). La perte lente inclut les classes suivantes de l'interprétation du processus de modification TimeSync :
|
Change_Raw_Probability_Fast_Loss |
mètres | Probabilité modélisée brute de perte rapide (LCMS). La perte rapide inclut les classes suivantes de l'interprétation du processus de modification TimeSync :
|
Change_Raw_Probability_Gain |
mètres | Probabilité de gain modélisée brute du LCMS. Définition : terres présentant une augmentation du couvert végétal en raison de la croissance et de la succession sur une ou plusieurs années. Applicable à toutes les zones susceptibles d'exprimer un changement spectral associé à la repousse de la végétation. Dans les zones développées, la croissance peut résulter de la maturation de la végétation et/ou de l'installation de nouvelles pelouses et de nouveaux aménagements paysagers. Dans les forêts, la croissance comprend la croissance de la végétation à partir de sols nus, ainsi que le dépassement des arbres intermédiaires et codominants et/ou des herbes et arbustes situés plus bas. Les segments de croissance/récupération enregistrés après la récolte forestière passeront probablement par différentes classes de couverture terrestre à mesure que la forêt se régénérera. Pour que ces changements soient considérés comme une croissance/récupération, les valeurs spectrales doivent suivre de près une tendance à la hausse (par exemple, une pente positive qui, si elle était prolongée sur environ 20 ans, serait de l'ordre de 0,10 unité de NDVI) qui persiste pendant plusieurs années. |
Land_Cover_Raw_Probability_Trees |
mètres | Probabilité modélisée brute de LCMS pour les arbres. Définition : la majorité du pixel est constituée d'arbres vivants ou morts sur pied. |
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix |
mètres | Probabilité modélisée brute de LCMS pour le mélange d'arbustes et d'arbres de grande taille (SEAK uniquement). Définition : la majorité du pixel est constituée d'arbustes de plus d'un mètre de haut et d'au moins 10 % d'arbres vivants ou morts sur pied. |
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix |
mètres | Probabilité modélisée brute de LCMS pour le mélange d'arbustes et d'arbres. Définition : la majorité du pixel est composée d'arbustes et d'au moins 10 % d'arbres vivants ou morts sur pied. |
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix |
mètres | Probabilité modélisée brute du LCMS pour le mélange d'herbes/plantes herbacées/arbres. Définition : la majorité du pixel est composée de graminées vivaces, de plantes herbacées ou d'autres formes de végétation herbacée, et d'au moins 10 % d'arbres vivants ou morts sur pied. |
Land_Cover_Raw_Probability_Barren-and-Trees-Mix |
mètres | Probabilité modélisée brute de la couverture terrestre LCMS pour les zones "Barren" (Dénudé) et "Trees Mix" (Forêt mixte). Définition : la majorité du pixel est constituée de sol nu exposé par des perturbations (par exemple, sol découvert par défrichage mécanique ou exploitation forestière), ainsi que de zones stériles pérennes telles que les déserts, les playas, les affleurements rocheux (y compris les minéraux et autres matériaux géologiques exposés par les activités minières de surface), les dunes de sable, les salines et les plages. Les routes en terre et en gravier sont également considérées comme stériles et comprennent également au moins 10 % d'arbres vivants ou morts sur pied. |
Land_Cover_Raw_Probability_Tall-Shrubs |
mètres | Probabilité modélisée brute LCMS des arbustes de grande taille (SEAK uniquement). Définition : la majorité du pixel est constituée d'arbustes de plus d'un mètre de haut. |
Land_Cover_Raw_Probability_Shrubs |
mètres | Probabilité modélisée brute de la couverture terrestre LCMS pour les arbustes. Définition : la majorité du pixel est composée d'arbustes. |
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix |
mètres | Probabilité modélisée brute LCMS du mélange d'herbes, de plantes herbacées et d'arbustes. Définition : la majorité du pixel est composée de graminées vivaces, de plantes herbacées ou d'autres formes de végétation herbacée, et d'au moins 10 % d'arbustes. |
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix |
mètres | Probabilité modélisée brute de la couverture terrestre LCMS pour le mélange de zones dénudées et d'arbustes. Définition : la majorité du pixel est constituée de sol nu exposé par des perturbations (par exemple, sol découvert par défrichage mécanique ou exploitation forestière), ainsi que de zones stériles pérennes telles que les déserts, les playas, les affleurements rocheux (y compris les minéraux et autres matériaux géologiques exposés par les activités minières de surface), les dunes de sable, les salines et les plages. Les routes en terre et en gravier sont également considérées comme arides et comprennent au moins 10 % d'arbustes. |
Land_Cover_Raw_Probability_Grass-Forb-Herb |
mètres | Probabilité brute modélisée par LCMS pour Grass/Forb/Herb. Définition : la majorité du pixel est composée de graminées vivaces, de plantes herbacées ou d'autres formes de végétation herbacée. |
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix |
mètres | Probabilité modélisée brute LCMS de la catégorie "Barren" (Stérile) et du mélange "Grass/Forb/Herb" (Graminées/Plantes herbacées). Définition : la majorité du pixel est constituée de sol nu exposé par des perturbations (par exemple, sol découvert par défrichage mécanique ou exploitation forestière), ainsi que de zones pérennes stériles telles que les déserts, les playas, les affleurements rocheux (y compris les minéraux et autres matériaux géologiques exposés par les activités minières de surface), les dunes de sable, les salines et les plages. Les routes en terre et en gravier sont également considérées comme arides et sont également composées d'au moins 10 % de graminées vivaces, de plantes herbacées ou d'autres formes de végétation herbacée. |
Land_Cover_Raw_Probability_Barren-or-Impervious |
mètres | Probabilité brute de stérilité ou d'imperméabilité modélisée par LCMS. Définition : la majorité du pixel est composée de 1) sol nu exposé par une perturbation (par exemple, sol découvert par un défrichage mécanique ou une exploitation forestière), ainsi que de zones perpétuellement stériles telles que les déserts, les playas, les affleurements rocheux (y compris les minéraux et autres matériaux géologiques exposés par les activités minières de surface), les dunes de sable, les salines et les plages. Les routes en terre et en gravier sont également considérées comme stériles ou 2) les matériaux artificiels que l'eau ne peut pas pénétrer, tels que les routes goudronnées, les toits et les parkings. |
Land_Cover_Raw_Probability_Snow-or-Ice |
mètres | Probabilité brute modélisée par LCMS de neige ou de verglas. Définition : la majorité du pixel est composée de neige ou de glace. |
Land_Cover_Raw_Probability_Water |
mètres | Probabilité modélisée brute de présence d'eau dans LCMS. Définition : la majorité du pixel est constituée d'eau. |
Land_Use_Raw_Probability_Agriculture |
mètres | Probabilité modélisée brute de l'agriculture dans LCMS. Définition : terres utilisées pour la production d'aliments, de fibres et de combustibles, qu'elles soient végétalisées ou non. Cela inclut, sans s'y limiter, les terres cultivées et non cultivées, les prairies, les vergers, les vignobles, les élevages intensifs et les zones plantées pour la production de fruits, de noix ou de baies. Les routes principalement utilisées pour l'agriculture (c'est-à-dire qui ne sont pas utilisées pour les transports en commun d'une ville à une autre) sont considérées comme des terres agricoles. |
Land_Use_Raw_Probability_Developed |
mètres | Probabilité brute de développement modélisée par LCMS. Défini comme : terres recouvertes de structures artificielles (par exemple, zones résidentielles, commerciales, industrielles, minières ou de transport à forte densité) ou d'un mélange de végétation (y compris des arbres) et de structures (par exemple, zones résidentielles à faible densité, pelouses, installations récréatives, cimetières, corridors de transport et de services publics, etc.), y compris toute terre fonctionnellement modifiée par l'activité humaine. |
Land_Use_Raw_Probability_Forest |
mètres | Probabilité modélisée brute de la forêt par LCMS. Définition : terre plantée ou naturellement végétalisée, qui contient (ou est susceptible de contenir) une couverture arborée de 10 % ou plus à un moment donné au cours d'une séquence de succession à court terme. Cela peut inclure des catégories de forêts naturelles, de plantations forestières et de zones humides boisées (feuillus, conifères et/ou mixtes). |
Land_Use_Raw_Probability_Non-Forest-Wetland |
mètres | Probabilité modélisée brute de zones humides non forestières (LCMS). Définition : terres adjacentes à une nappe phréatique visible ou situées à l'intérieur (saturées de façon permanente ou saisonnière), dominées par des arbustes ou des plantes émergentes persistantes. Ces zones humides peuvent être situées en bordure de lacs, de chenaux fluviaux ou d'estuaires, sur des plaines inondables, dans des bassins versants isolés ou sur des pentes. Elles peuvent également se présenter sous la forme de nids-de-poule de prairie, de fossés de drainage et de mares d'élevage dans les paysages agricoles, et peuvent également apparaître sous la forme d'îles au milieu des lacs ou des rivières. D'autres exemples incluent également les marais, les tourbières, les marécages, les bourbiers, les muskegs, les fossés, les fens et les bayous. |
Land_Use_Raw_Probability_Other |
mètres | Probabilité modélisée brute de la catégorie "Autre" dans LCMS. Définition : terres (quelle que soit leur utilisation) où la tendance spectrale ou d'autres preuves suggèrent qu'un événement de perturbation ou de changement s'est produit, mais dont la cause définitive ne peut pas être déterminée ou dont le type de changement ne correspond à aucune des catégories de processus de changement définies ci-dessus. |
Land_Use_Raw_Probability_Rangeland-or-Pasture |
mètres | Probabilité brute modélisée par LCMS pour les prairies ou les pâturages. Définition : cette classe inclut toute zone qui est a.) Les terres de parcours, où la végétation est un mélange d'herbes, d'arbustes, de plantes herbacées et de plantes graminoïdes indigènes, qui proviennent en grande partie de facteurs et de processus naturels tels que les précipitations, la température, l'altitude et les incendies, bien qu'une gestion limitée puisse inclure des brûlages dirigés ainsi que le pâturage par des herbivores domestiques et sauvages ; ou b.) Pâturage, où la végétation peut aller de graminées, de plantes herbacées et d'herbes mélangées et largement naturelles à une végétation plus gérée dominée par des espèces de graminées qui ont été semées et gérées pour maintenir une quasi-monoculture. |
Modifier le tableau des cours
| Valeur | Couleur | Description |
|---|---|---|
| 1 | #3d4551 | Stable |
| 2 | #f39268 | Perte lente |
| 3 | #d54309 | Perte rapide |
| 4 | #00a398 | Gain |
| 5 | #1b1716 | Masque de zone non traitée |
Tableau des classes de couverture terrestre
| Valeur | Couleur | Description |
|---|---|---|
| 1 | #005e00 | Arbres |
| 2 | #008000 | Mélange d'arbustes et d'arbres de grande taille (SEAK uniquement) |
| 3 | #00cc00 | Mélange d'arbustes et d'arbres |
| 4 | #b3ff1a | Mélange d'herbes, de plantes herbacées et d'arbres |
| 5 | #99ff99 | Barren & Trees Mix |
| 6 | #b30088 | Arbustes hauts (Asie du Sud-Est uniquement) |
| 7 | #e68a00 | Arbustes |
| 8 | #ffad33 | Mélange d'herbes, de plantes herbacées et d'arbustes |
| 9 | #ffe0b3 | Mélange de zones arides et d'arbustes |
| 10 | #ffff00 | Graminées/Plantes herbacées |
| 11 | #aa7700 | Mélange de plantes herbacées/herbes/plantes à fleurs et à feuilles stériles |
| 12 | #d3bf9b | Stérile ou imperméable |
| 13 | #ffffff | Neige ou verglas |
| 14 | #4780f3 | Eau |
| 15 | #1b1716 | Masque de zone non traitée |
Tableau des classes d'utilisation des terres
| Valeur | Couleur | Description |
|---|---|---|
| 1 | #efff6b | Agriculture |
| 2 | #ff2ff8 | Développé |
| 3 | #1b9d0c | Forêt |
| 4 | #97ffff | Zone humide non forestière |
| 5 | #a1a1a1 | Autre |
| 6 | #c2b34a | Pâturage |
| 7 | #1b1716 | Masque de zone non traitée |
Propriétés des images
Propriétés de l'image
| Nom | Type | Description |
|---|---|---|
| study_area | STRING | LCMS couvre actuellement les États-Unis continentaux et le sud-est de l'Alaska. Elle sera bientôt disponible dans tous les États et territoires des États-Unis. Valeurs possibles : "SEAK" ou "CONUS" |
Conditions d'utilisation
Conditions d'utilisation
Le service forestier de l'USDA ne fournit aucune garantie, explicite ou implicite, y compris les garanties de qualité marchande et d'adéquation à un usage particulier, et n'assume aucune responsabilité légale quant à l'exactitude, la fiabilité, l'exhaustivité ou l'utilité de ces données géospatiales, ni quant à leur utilisation inappropriée ou incorrecte. Ces données géospatiales et les cartes ou graphiques associés ne sont pas des documents juridiques et ne sont pas destinés à être utilisés comme tels. Les données et les cartes ne peuvent pas être utilisées pour déterminer le titre, la propriété, les descriptions ou les limites légales, la juridiction légale ni les restrictions qui peuvent être en place sur les terrains publics ou privés. Les risques naturels peuvent ou non être représentés sur les données et les cartes. Les utilisateurs des terres doivent faire preuve de prudence. Les données sont dynamiques et peuvent changer au fil du temps. Il incombe à l'utilisateur de vérifier les limites des données géospatiales et de les utiliser en conséquence.
Ces données ont été collectées grâce à des fonds du gouvernement américain et peuvent être utilisées sans autorisation ni frais supplémentaires. Si vous utilisez ces données dans une publication, une présentation ou un autre produit de recherche, veuillez utiliser la citation suivante :
Services forestiers américains (USDA). 2021. USFS Landscape Change Monitoring System version 2020.5. Salt Lake City, Utah.
Citations
Services forestiers américains (USDA). 2021. USFS Landscape Change Monitoring System, version 2020.5. Salt Lake City, Utah.
Explorer avec Earth Engine
Éditeur de code (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);