- डेटासेट की उपलब्धता
- 1985-06-01T00:00:00Z–2020-09-30T00:00:00Z
- डेटासेट प्रोड्यूसर
- USDA Forest Service (USFS) Geospatial Technology and Applications Center (GTAC) Google Earth Engine
- टैग
ब्यौरा
यह प्रॉडक्ट, लैंडस्केप चेंज मॉनिटरिंग सिस्टम (एलसीएमएस) के डेटा सुइट का हिस्सा है. इसमें हर साल के लिए, एलसीएमएस से अनुमानित बदलाव, ज़मीन के इस्तेमाल और/या पेड़ों से ढकी जगह की क्लास दिखाई गई हैं. LCMS के इस वर्शन में, अमेरिका के मुख्य भूभाग (CONUS) और दक्षिण-पूर्वी अलास्का (SEAK) को शामिल किया गया है.
एलसीएमएस, रिमोट सेंसिंग पर आधारित एक सिस्टम है. इसका इस्तेमाल, अमेरिका में लैंडस्केप में हुए बदलावों को मैप करने और उन पर नज़र रखने के लिए किया जाता है. इसका मकसद, बदलाव का पता लगाने के लिए नई टेक्नोलॉजी और बेहतर तरीकों का इस्तेमाल करके, एक जैसा तरीका डेवलप करना है. इससे लैंडस्केप में हुए बदलाव का "सबसे अच्छा उपलब्ध" मैप तैयार किया जा सकता है.
इनमें तीन सालाना प्रॉडक्ट शामिल हैं: बदलाव, ज़मीन का इस्तेमाल, और पेड़-पौधों, आबादी वगैरह से ढकी जगह. बदलाव, खास तौर पर वनस्पति से जुड़ा होता है. इसमें वनस्पति का धीरे-धीरे कम होना, तेज़ी से कम होना (इसमें पानी से जुड़े बदलाव भी शामिल हैं, जैसे कि पानी का भराव या सूखापन) और बढ़ना शामिल है. इन वैल्यू का अनुमान, Landsat टाइम सीरीज़ के हर साल के लिए लगाया जाता है. साथ ही, ये LCMS के लिए बुनियादी प्रॉडक्ट के तौर पर काम करती हैं. ज़मीन के इस्तेमाल और ज़मीन के टाइप के मैप में, हर साल के लिए ज़मीन के टाइप और उसके इस्तेमाल की जानकारी दी जाती है.
कोई भी एल्गोरिदम हर स्थिति में सबसे अच्छा परफ़ॉर्म नहीं करता है. इसलिए, एलसीएमएस अनुमान लगाने के लिए मॉडल के एक ग्रुप का इस्तेमाल करता है. इससे अलग-अलग इकोसिस्टम और बदलाव की प्रोसेस में मैप की सटीकता बेहतर होती है (हीली वगैरह, 2018). एलसीएमएस में बदलाव, ज़मीन के इस्तेमाल और पेड़-पौधों, आबादी वगैरह से ढकी जगह के मैप से, पिछले चार दशकों में अमेरिका में हुए बदलावों की पूरी जानकारी मिलती है.
एलसीएमएस मॉडल के लिए अनुमान लगाने वाली लेयर में, Landsat और Sentinel 2 के सालाना कंपोज़िट, LandTrendr और CCDC के बदलाव का पता लगाने वाले एल्गोरिदम से मिले आउटपुट, और इलाके की जानकारी शामिल होती है. इन सभी कॉम्पोनेंट को Google Earth Engine (Gorelick et al., 2017).
सालाना कंपोज़िट बनाने के लिए, cFmask (Zhu and Woodcock 2012), cloudScore, और TDOM (Chastain et al., Landsat Tier 1 और Sentinel 2a और 2b Level-1C के टॉप ऑफ़ ऐटमस्फ़ियर रिफ़्लेक्टेंस डेटा पर, बादल और बादल की परछाईं को छिपाने के तरीके (2019) लागू किए जाते हैं. इसके बाद, हर साल के मेडॉइड का हिसाब लगाया जाता है, ताकि हर साल के डेटा को एक कंपोज़िट में शामिल किया जा सके.
कंपोज़िट टाइम सीरीज़ को LandTrendr का इस्तेमाल करके, समय के हिसाब से सेगमेंट किया जाता है (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).
CCDC एल्गोरिदम (Zhu and Woodcock, 2014) का इस्तेमाल करके, बादल और बादलों की छाया से मुक्त सभी वैल्यू को समय के हिसाब से सेगमेंट किया जाता है.
रैंडम फ़ॉरेस्ट (ब्रायमन, 2001) मॉडल में, इन वैल्यू का इस्तेमाल इंडिपेंडेंट प्रेडिक्टर वैरिएबल के तौर पर किया जाता है: रॉ कंपोज़िट वैल्यू, LandTrendr फ़िट की गई वैल्यू, पेयरवाइज़ अंतर, सेगमेंट की अवधि, बदलाव की मात्रा, और स्लोप. साथ ही, CCDC के सितंबर 1 के साइन और कोसाइन कोएफ़िशिएंट (पहले तीन हार्मोनिक), फ़िट की गई वैल्यू, और पेयरवाइज़ अंतर. इसके अलावा, नेशनल एलिवेशन डेटासेट (एनईडी) से ऊंचाई, स्लोप, ऐस्पेक्ट का साइन, ऐस्पेक्ट का कोसाइन, और टोपोग्राफ़िक पोज़िशन इंडेक्स (वाइस, 2001).
रेफ़रंस डेटा को TimeSync का इस्तेमाल करके इकट्ठा किया जाता है. यह वेब पर आधारित एक टूल है. इससे विश्लेषक, 1984 से अब तक के Landsat डेटा रिकॉर्ड को विज़ुअलाइज़ और इंटरप्रेट कर पाते हैं (Cohen et al., 2010).
अन्य संसाधन
एलसीएमएस डेटा का इस्तेमाल करने से जुड़ा कोड का ज़्यादा जानकारी वाला उदाहरण.
एलसीएमएस डेटा एक्सप्लोरर एक वेब ऐप्लिकेशन है. यह उपयोगकर्ताओं को एलसीएमएस डेटा देखने, उसका विश्लेषण करने, उसकी खास जानकारी देखने, और उसे डाउनलोड करने की सुविधा देता है.
तरीकों और सटीकता के आकलन के बारे में ज़्यादा जानकारी के लिए, कृपया एलसीएमएस के तरीकों के बारे में खास जानकारी देखें. इसके अलावा, डेटा डाउनलोड, मेटाडेटा, और सहायता से जुड़े दस्तावेज़ों के लिए, एलसीएमएस जियोडेटा क्लियरिंगहाउस देखें.
किसी भी सवाल या डेटा के बारे में खास अनुरोध करने के लिए, [sm.fs.lcms@usda.gov] से संपर्क करें.
Breiman, L., 2001. मशीन लर्निंग. Springer, 45(3): 261-277 doi:10.1023/a:1017934522171
चैस्टेन, आर., हौसमैन, आई., गोल्डस्टीन, जे., फ़िंचो, एम॰, और टेनेसन, के॰, 2019. यह इमेज, अमेरिका के उन सभी राज्यों के लिए तैयार की गई है जिनकी सीमा कम से कम एक अन्य राज्य से जुड़ी हुई है. इसमें, सेंटिनल-2A और 2B MSI, Landsat-8 OLI, और Landsat-7 ETM के टॉप ऑफ़ ऐटमस्फ़ियर स्पेक्ट्रल की तुलना की गई है. पर्यावरण की रिमोट सेंसिंग में. Science Direct, 221: 274-285 doi:10.1016/j.rse.2018.11.012
Cohen, W. B., Yang, Z., and Kennedy, R., 2010. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 2. TimeSync - कैलिब्रेशन और पुष्टि करने के लिए टूल. In Remote Sensing of Environment. Science Direct, 114(12): 2911-2924 doi:10.1016/j.rse.2010.07.010
Cohen, W. B., यांग ज़ेड., हीली, एस॰ पी॰, कैनेडी, आर॰ ई॰, और गोरेलिक, एन॰, 2018. जंगल में होने वाली गड़बड़ी का पता लगाने के लिए, LandTrendr मल्टीस्पेक्ट्रल एनसेंबल. पर्यावरण की रिमोट सेंसिंग में. Science Direct, 205: 131-140 doi:10.1016/j.rse.2017.11.015
हीली, एस॰ पी॰, कोहेन, डब्ल्यू॰ B., यांग ज़ेड., कैनथ ब्रूअर, सी॰, ब्रूक्स, ई. B., गोरेलिक, एन., हर्नांडेज़, ए. J., हुआंग, सी॰, जोसेफ़ ह्यूज़, एम॰, कैनेडी, आर॰ E., लवलैंड, टी॰ R., मोइसन, जी॰ जी॰, श्रोडर, टी. A., स्टीमन, एस. वी॰, वोगेलमैन, जे॰ E., वुडकॉक, सी॰ E., यांग, एल., और झू, ज़ेड., 2018. स्टैक किए गए सामान्यीकरण का इस्तेमाल करके, जंगल में हुए बदलावों की मैपिंग: एक साथ काम करने का तरीका. पर्यावरण की रिमोट सेंसिंग में. Science Direct, 204: 717-728 doi:10.1016/j.rse.2017.09.029
Kennedy, R. E., Yang, Z., and Cohen, W. B., 2010. हर साल Landsat टाइम सीरीज़ का इस्तेमाल करके, जंगल में होने वाली गड़बड़ी और उसके ठीक होने के ट्रेंड का पता लगाना: 1. LandTrendr - Temporal segmentation algorithms. In Remote Sensing of Environment. Science Direct, 114(12): 2897-2910 doi:10.1016/j.rse.2010.07.008
केनेडी, आर., यांग ज़ेड., गोरेलिक, एन., ब्रेटन, जे., कैवलकैंट, एल., कोहेन, डब्ल्यू॰, और हीली, एस॰, 2018. Google Earth Engine पर LandTrendr एल्गोरिदम लागू किया गया. रिमोट सेंसिंग में. MDPI, 10(5): 691 doi:10.3390/rs10050691
वाइस, ए॰डी॰, 2001. Topographic position and landforms analysis Poster Presentation, ESRI Users Conference, San Diego, CA.
Zhu, Z., and Woodcock, C. ई॰ (2012). Landsat की इमेज में, ऑब्जेक्ट के आधार पर बादल और बादल की परछाई का पता लगाना. पर्यावरण की रिमोट सेंसिंग में. Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028
Zhu, Z., and Woodcock, C. E., 2014. उपलब्ध सभी Landsat डेटा का इस्तेमाल करके, ज़मीन के इस्तेमाल और पेड़-पौधों, आबादी वगैरह से ढकी जगह में लगातार हो रहे बदलावों का पता लगाना और उन्हें कैटगरी में बांटना. In Remote Sensing of Environment. Science Direct, 144: 152-171 doi:10.1016/j.rse.2014.01.011
बैंड
पिक्सल का साइज़
30 मीटर
बैंड
| नाम | पिक्सल का साइज़ | ब्यौरा |
|---|---|---|
Change |
मीटर | एलसीएमएस में बदलाव करने वाला फ़ाइनल प्रॉडक्ट. हर साल के लिए, बदलाव की तीन क्लास (धीरे-धीरे कम होना, तेज़ी से कम होना, और बढ़ना) मैप की जाती हैं. हर क्लास का अनुमान लगाने के लिए, अलग-अलग रैंडम फ़ॉरेस्ट मॉडल का इस्तेमाल किया जाता है. ये मॉडल, इस बात की संभावना (रैंडम फ़ॉरेस्ट मॉडल में मौजूद ट्री का अनुपात) दिखाते हैं कि पिक्सल उस क्लास से जुड़ा है. इस वजह से, हर साल के लिए अलग-अलग पिक्सल के तीन अलग-अलग मॉडल आउटपुट होते हैं. फ़ाइनल क्लास, बदलाव की उस क्लास को असाइन की जाती है जिसकी संभावना सबसे ज़्यादा होती है. साथ ही, यह संभावना तय की गई थ्रेशोल्ड से ज़्यादा होती है. जिस पिक्सल की वैल्यू, हर क्लास के थ्रेशोल्ड से ज़्यादा नहीं होती उसे स्टेबल क्लास में असाइन किया जाता है. |
Land_Cover |
मीटर | एलसीएमएस के लैंड कवर का फ़ाइनल प्रॉडक्ट. हर साल, लैंडसैट की इमेज से मिली स्पेक्ट्रल जानकारी और TimeSync के रेफ़रंस डेटा का इस्तेमाल करके, लैंड कवर की कुल 14 क्लास को मैप किया जाता है. हर क्लास का अनुमान लगाने के लिए, अलग रैंडम फ़ॉरेस्ट मॉडल का इस्तेमाल किया जाता है. यह मॉडल, पिक्सल के उस क्लास से जुड़े होने की संभावना (रैंडम फ़ॉरेस्ट मॉडल में मौजूद ट्री का अनुपात) दिखाता है. इस वजह से, हर साल के लिए अलग-अलग पिक्सल के 14 मॉडल आउटपुट होते हैं. साथ ही, लैंड कवर को फ़ाइनल क्लास असाइन की जाती हैं. ऐसा सबसे ज़्यादा संभावना के आधार पर किया जाता है. ज़मीन के टाइप को दिखाने वाली 14 क्लास में से सात क्लास, ज़मीन के एक टाइप को दिखाती हैं. इनमें ज़मीन के उस टाइप ने पिक्सल के ज़्यादातर हिस्से को कवर किया है. साथ ही, किसी अन्य क्लास ने पिक्सल के 10% से ज़्यादा हिस्से को कवर नहीं किया है. यहां सात मिक्स्ड क्लास भी होती हैं. इनसे ऐसे पिक्सल के बारे में पता चलता है जिनमें ज़मीन को ढकने वाली कोई अन्य क्लास, पिक्सल के कम से कम 10% हिस्से को कवर करती है. |
Land_Use |
मीटर | एलसीएमएस के आधार पर, ज़मीन के इस्तेमाल से जुड़ा फ़ाइनल प्रॉडक्ट. ज़मीन के इस्तेमाल की कुल छह क्लास को हर साल मैप किया जाता है. इसके लिए, TimeSync के रेफ़रंस डेटा और Landsat की इमेज से मिली स्पेक्ट्रल जानकारी का इस्तेमाल किया जाता है. हर क्लास का अनुमान लगाने के लिए, अलग रैंडम फ़ॉरेस्ट मॉडल का इस्तेमाल किया जाता है. यह मॉडल, इस बात की संभावना (रैंडम फ़ॉरेस्ट मॉडल में मौजूद ट्री का अनुपात) दिखाता है कि पिक्सल उस क्लास से जुड़ा है. इस वजह से, हर साल के लिए अलग-अलग पिक्सल के छह मॉडल आउटपुट होते हैं. साथ ही, ज़मीन के इस्तेमाल के लिए सबसे ज़्यादा संभावना वाले फ़ाइनल क्लास असाइन किए जाते हैं. |
Change_Raw_Probability_Slow_Loss |
मीटर | स्लो लॉस की रॉ एलसीएमएस मॉडल की अनुमानित संभावना. इसे इस तरह से परिभाषित किया गया है: टाइमसिंक में बदलाव की प्रोसेस के इंटरप्रिटेशन से जुड़ी इन क्लास को स्लो लॉस में शामिल किया जाता है-
|
Change_Raw_Probability_Fast_Loss |
मीटर | तेज़ी से कम होने की संभावना के लिए, एलसीएमएस से मिले डेटा के आधार पर तैयार किया गया मॉडल. इसे इस तरह से तय किया जाता है: टाइमसिंक में बदलाव की प्रोसेस के इंटरप्रिटेशन से जुड़ी इन क्लास में फ़ास्ट लॉस शामिल है-
|
Change_Raw_Probability_Gain |
मीटर | एलसीएमएस के हिसाब से, ग्राहक के वापस आने की संभावना की अनुमानित वैल्यू. इसे इस तरह से परिभाषित किया गया है: ऐसी ज़मीन जहां एक या उससे ज़्यादा सालों में, वनस्पति के विकास और उत्तराधिकार की वजह से वनस्पति का घनत्व बढ़ा हो. यह उन सभी इलाकों पर लागू होता है जहां वनस्पति के फिर से उगने से स्पेक्ट्रल बदलाव हो सकता है. विकसित इलाकों में, वनस्पति के बढ़ने और/या नए लॉन और लैंडस्केपिंग की वजह से, वनस्पति का घनत्व बढ़ सकता है. जंगलों में, विकास में नंगी ज़मीन से वनस्पति का विकास शामिल है. साथ ही, इंटरमीडिएट और को-डोमिनेट पेड़ों और/या नीचे की ओर झुकी हुई घासों और झाड़ियों का विकास भी शामिल है. जंगल की कटाई के बाद, ग्रोथ/रिकवरी सेगमेंट में रिकॉर्ड किए गए डेटा में, ज़मीन के अलग-अलग कवर क्लास में बदलाव हो सकता है, क्योंकि जंगल फिर से उगता है. इन बदलावों को बढ़ोतरी/रिकवरी के तौर पर मानने के लिए, स्पेक्ट्रल वैल्यू को बढ़ती हुई ट्रेंड लाइन (जैसे कि पॉज़िटिव स्लोप, जिसे ~20 साल तक बढ़ाने पर एनडीवीआई की 0.10 यूनिट के क्रम में होगा) के हिसाब से होना चाहिए. साथ ही, यह कई सालों तक बना रहना चाहिए. |
Land_Cover_Raw_Probability_Trees |
मीटर | पेड़ों की रॉ एलसीएमएस मॉडल की गई संभावना. इसकी परिभाषा यह है: पिक्सल के ज़्यादातर हिस्से में, ज़िंदा या सूखे पेड़ शामिल हैं. |
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix |
मीटर | लंबी झाड़ियों और पेड़ों के मिक्स (सिर्फ़ SEAK) की अनुमानित संभावना का एलसीएमएस मॉडल. इसकी परिभाषा यह है: पिक्सल के ज़्यादातर हिस्से में, एक मीटर से ज़्यादा ऊंचाई वाली झाड़ियां शामिल हैं. साथ ही, इसमें कम से कम 10% ऐसे पेड़ भी शामिल हैं जो अब भी जीवित हैं या सूख चुके हैं. |
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix |
मीटर | झाड़ियों और पेड़ों के मिक्स होने की संभावना का अनुमान लगाने वाला रॉ एलसीएमएस मॉडल. इसकी परिभाषा यह है: पिक्सल का ज़्यादातर हिस्सा झाड़ियों से बना होता है. साथ ही, इसमें कम से कम 10% ऐसे पेड़ होते हैं जो जीवित हैं या सूख चुके हैं. |
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix |
मीटर | घास/चौड़ी पत्ती वाली घास/जड़ी-बूटी और पेड़ों के मिक्स की रॉ एलसीएमएस मॉडल वाली संभावना. इसकी परिभाषा यह है: पिक्सल के ज़्यादातर हिस्से में बारहमासी घास, फ़ॉर्ब्स या अन्य तरह की जड़ी-बूटी वाली वनस्पति शामिल होती है. साथ ही, इसमें कम से कम 10% जीवित या खड़े सूखे पेड़ भी शामिल होते हैं. |
Land_Cover_Raw_Probability_Barren-and-Trees-Mix |
मीटर | बंजर और पेड़ों के मिक्स की रॉ एलसीएमएस मॉडल की संभावना. इसे इस तरह से परिभाषित किया गया है: पिक्सल के ज़्यादातर हिस्से में, ऐसी मिट्टी दिखती है जो किसी वजह से ढकी नहीं है. जैसे, मशीन से साफ़ की गई मिट्टी या जंगल से काटी गई लकड़ी की वजह से मिट्टी का दिखना. इसके अलावा, इसमें ऐसे इलाके भी शामिल हैं जहां हमेशा मिट्टी नहीं होती. जैसे, रेगिस्तान, प्लाया, चट्टानें (इसमें सतह पर खनन की गतिविधियों से निकले खनिज और अन्य भूवैज्ञानिक सामग्री शामिल है), रेत के टीले, नमक के मैदान, और समुद्र तट. मिट्टी और बजरी से बनी सड़कों को भी बंजर माना जाता है. इनमें कम से कम 10% ऐसे पेड़ होते हैं जो ज़िंदा हैं या सूख चुके हैं. |
Land_Cover_Raw_Probability_Tall-Shrubs |
मीटर | लंबी झाड़ियों की रॉ एलसीएमएस मॉडल वाली संभावना (सिर्फ़ दक्षिण-पूर्वी अलास्का के लिए). इसे इस तरह से तय किया जाता है: ज़्यादातर पिक्सल में, एक मीटर से ज़्यादा ऊंचाई वाली झाड़ियां शामिल होती हैं. |
Land_Cover_Raw_Probability_Shrubs |
मीटर | झाड़ियों के लिए, एलसीएमएस से अनुमानित संभावना का रॉ डेटा. इसकी परिभाषा यह है: पिक्सल के ज़्यादातर हिस्से में झाड़ियां हैं. |
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix |
मीटर | घास/फ़ॉर्ब/जड़ी-बूटी और झाड़ियों के मिक्स होने की संभावना का अनुमान लगाने के लिए, एलसीएमएस मॉडल से मिला रॉ डेटा. इसकी परिभाषा यह है: पिक्सल के ज़्यादातर हिस्से में बारहमासी घास, फ़ॉर्ब्स या अन्य तरह की जड़ी-बूटी वाली वनस्पति शामिल होती है. साथ ही, इसमें कम से कम 10% झाड़ियां भी शामिल होती हैं. |
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix |
मीटर | बंजर और झाड़ियों के मिक्स होने की अनुमानित संभावना का रॉ एलसीएमएस मॉडल. इसे इस तरह से परिभाषित किया गया है: पिक्सल के ज़्यादातर हिस्से में, ऐसी मिट्टी दिखती है जो किसी वजह से ढकी नहीं है. जैसे, मशीन से साफ़ की गई मिट्टी या जंगल से काटी गई लकड़ी की वजह से मिट्टी का दिखना. इसके अलावा, इसमें ऐसे इलाके भी शामिल हैं जहां हमेशा मिट्टी नहीं होती. जैसे, रेगिस्तान, प्लाया, चट्टानें (इसमें सतह पर खनन की गतिविधियों से निकले खनिज और अन्य भूवैज्ञानिक सामग्री शामिल है), रेत के टीले, नमक के मैदान, और समुद्र तट. मिट्टी और बजरी से बनी सड़कों को भी बंजर माना जाता है. इनमें कम से कम 10% झाड़ियां भी शामिल होती हैं. |
Land_Cover_Raw_Probability_Grass-Forb-Herb |
मीटर | घास/फ़ॉर्ब/जड़ी-बूटी की संभावना का अनुमान लगाने के लिए, एलसीएमएस से मिले रॉ डेटा का इस्तेमाल किया जाता है. इसकी परिभाषा यह है: पिक्सल का ज़्यादातर हिस्सा, बारहमासी घास, फ़ॉर्ब्स या अन्य तरह की जड़ी-बूटी वाली वनस्पति से बना होता है. |
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix |
मीटर | बंजर और घास/फ़ॉर्ब/जड़ी-बूटी के मिक्स की रॉ एलसीएमएस मॉडल की संभावना. इसे इस तरह से परिभाषित किया गया है: पिक्सल के ज़्यादातर हिस्से में, ऐसी मिट्टी होती है जो किसी वजह से खुली हुई है. जैसे, मिट्टी को साफ़ करने वाली मशीन या जंगल की कटाई की वजह से मिट्टी का खुला होना. इसके अलावा, इसमें ऐसे इलाके भी शामिल हैं जहां हमेशा बंजर ज़मीन होती है. जैसे, रेगिस्तान, प्लाया, चट्टानें (इसमें सतह पर खनन की गतिविधियों की वजह से खुले हुए खनिज और अन्य भूवैज्ञानिक सामग्री शामिल है), रेत के टीले, नमक के मैदान, और समुद्र तट. मिट्टी और बजरी से बनी सड़कों को भी बंजर माना जाता है. इनमें कम से कम 10% बारहमासी घास, फ़ॉर्ब्स या अन्य तरह की जड़ी-बूटी वाली वनस्पति भी शामिल होती है. |
Land_Cover_Raw_Probability_Barren-or-Impervious |
मीटर | बंजर या अभेद्य होने की संभावना का अनुमान लगाने के लिए, एलसीएमएस मॉडल से मिला रॉ डेटा. इसे इस तरह से परिभाषित किया गया है: पिक्सल के ज़्यादातर हिस्से में 1) ऐसी मिट्टी दिखती है जो किसी वजह से खुली हुई है. जैसे, मशीन से साफ़ की गई मिट्टी या जंगल से काटी गई मिट्टी. इसके अलावा, इसमें ऐसे इलाके भी शामिल हैं जहां हमेशा बंजर मिट्टी रहती है. जैसे, रेगिस्तान, प्लाया, चट्टानें (इसमें सतह पर खनन की गतिविधियों से निकले खनिज और अन्य भूवैज्ञानिक सामग्री शामिल है), रेत के टीले, नमक के मैदान, और समुद्र तट. मिट्टी और बजरी से बनी सड़कों को भी बंजर माना जाता है. इसके अलावा, 2) इंसानों के बनाए गए ऐसे मटीरियल को भी बंजर माना जाता है जिनमें पानी नहीं जा सकता. जैसे, पक्की सड़कें, छतें, और पार्किंग की जगहें. |
Land_Cover_Raw_Probability_Snow-or-Ice |
मीटर | बर्फ़ या ओले गिरने की संभावना का अनुमान लगाने के लिए, एलसीएमएस मॉडल से मिला रॉ डेटा. इसे इस तरह से तय किया जाता है: पिक्सल के ज़्यादातर हिस्से में बर्फ़ या आइस शामिल हो. |
Land_Cover_Raw_Probability_Water |
मीटर | पानी की रॉ एलसीएमएस मॉडल वाली संभावना. इसे इस तरह से तय किया जाता है: पिक्सल के ज़्यादातर हिस्से में पानी मौजूद हो. |
Land_Use_Raw_Probability_Agriculture |
मीटर | कृषि की संभावना के लिए, एलसीएमएस से मिले रॉ डेटा पर आधारित मॉडल. इसे इस तरह से परिभाषित किया गया है: ऐसी ज़मीन जिसका इस्तेमाल भोजन, फ़ाइबर, और ईंधन के उत्पादन के लिए किया जाता है. यह ज़मीन, वनस्पति वाली या वनस्पति रहित हो सकती है. इसमें खेती की गई और बिना खेती की गई फ़सल वाली ज़मीन, घास के मैदान, बाग़, अंगूर के बाग़, पशुधन के लिए बनाए गए बाड़े, और फल, नट्स या बेरी के उत्पादन के लिए लगाए गए क्षेत्र शामिल हैं. हालांकि, इसमें इनके अलावा और भी चीज़ें शामिल हो सकती हैं. जिन सड़कों का इस्तेमाल मुख्य रूप से खेती के लिए किया जाता है उन्हें कृषि भूमि के तौर पर इस्तेमाल किया जाता है. जैसे, एक शहर से दूसरे शहर तक सार्वजनिक परिवहन के लिए इस्तेमाल न की जाने वाली सड़कें. |
Land_Use_Raw_Probability_Developed |
मीटर | डेवलप किए गए एलसीएमएस की अनुमानित संभावना का रॉ डेटा. इसे इस तरह से परिभाषित किया गया है: ऐसी ज़मीन जिस पर इंसानों ने स्ट्रक्चर बनाए हैं. जैसे, ज़्यादा घनत्व वाले रिहायशी इलाके, व्यावसायिक, औद्योगिक, खनन या परिवहन क्षेत्र. इसके अलावा, ऐसी ज़मीन जिस पर वनस्पति (पेड़-पौधे शामिल हैं) और स्ट्रक्चर, दोनों मौजूद हैं. जैसे, कम घनत्व वाले रिहायशी इलाके, लॉन, मनोरंजन की सुविधाएं, कब्रिस्तान, परिवहन और यूटिलिटी कॉरिडोर वगैरह. इसमें ऐसी ज़मीन भी शामिल है जिस पर इंसानों की गतिविधियों की वजह से बदलाव हुआ है. |
Land_Use_Raw_Probability_Forest |
मीटर | जंगल की रॉ एलसीएमएस मॉडल की गई प्रॉबबिलिटी. इसे इस तरह से परिभाषित किया गया है: ऐसी ज़मीन जिस पर पेड़-पौधे लगाए गए हों या जो प्राकृतिक रूप से वनस्पति से ढकी हो. साथ ही, जिसमें (या जिसमें) कुछ समय के लिए, 10% या उससे ज़्यादा पेड़-पौधे हों. इसमें पतझड़ वाले, सदाबहार, और/या प्राकृतिक जंगल की मिली-जुली कैटगरी, वन प्लांटेशन, और वुडी वेटलैंड शामिल हो सकते हैं. |
Land_Use_Raw_Probability_Non-Forest-Wetland |
मीटर | जंगल के बाहर की दलदली ज़मीन की रॉ एलसीएमएस मॉडल वाली संभावना. इसे इस तरह से परिभाषित किया गया है: ऐसी ज़मीन जो पानी के स्रोत के आस-पास या उसके अंदर मौजूद हो. इस ज़मीन में पानी का स्तर हमेशा या मौसम के हिसाब से बदलता रहता है. इस ज़मीन पर झाड़ियां या पानी में उगने वाले पौधे ज़्यादा होते हैं. ये दलदल, झीलों, नदी के किनारों या मुहानों के किनारे हो सकते हैं. ये नदी के बाढ़ वाले मैदानों, अलग-अलग जलग्रहण क्षेत्रों या ढलानों पर भी हो सकते हैं. ये कृषि क्षेत्रों में, प्रेयरी पॉटहोल, ड्रेनेज डिच, और स्टॉक पॉन्ड के तौर पर भी दिख सकते हैं. साथ ही, ये झीलों या नदियों के बीच में द्वीपों के तौर पर भी दिख सकते हैं. अन्य उदाहरणों में दलदल, बोग, स्वैंप, कीचड़, मस्कैग, स्लो, फ़ेन, और बायू भी शामिल हैं. |
Land_Use_Raw_Probability_Other |
मीटर | 'अन्य' के लिए, एलसीएमएस की अनुमानित संभावना का रॉ डेटा. इसे इस तरह से परिभाषित किया गया है: ऐसी ज़मीन (इस्तेमाल किए जाने से कोई फ़र्क़ नहीं पड़ता) जहां स्पेक्ट्रल ट्रेंड या अन्य सहायक सबूत से पता चलता है कि कोई गड़बड़ी या बदलाव हुआ है. हालांकि, इसकी वजह का पता नहीं लगाया जा सकता या बदलाव का टाइप, ऊपर बताई गई बदलाव की प्रोसेस की किसी भी कैटगरी से मेल नहीं खाता. |
Land_Use_Raw_Probability_Rangeland-or-Pasture |
मीटर | रेंजलैंड या चारागाह की रॉ एलसीएमएस मॉडल वाली संभावना. इसकी परिभाषा यह है: इस क्लास में ऐसा कोई भी क्षेत्र शामिल है जो a.) रेंजलैंड, जहां की वनस्पति में स्थानीय घास, झाड़ियां, फ़ॉर्ब्स, और घास जैसे पौधे शामिल हैं. ये पौधे मुख्य रूप से बारिश, तापमान, ऊंचाई, और आग जैसे प्राकृतिक कारकों और प्रक्रियाओं से पैदा होते हैं. हालांकि, सीमित मैनेजमेंट में, तय की गई आग लगाने के साथ-साथ पालतू और जंगली शाकाहारी जानवरों को चराने की अनुमति भी शामिल हो सकती है; या b.) चारागाह, जहां वनस्पति अलग-अलग तरह की हो सकती है. जैसे, ज़्यादातर प्राकृतिक घास, चौड़ी पत्ती वाली जड़ी-बूटियां, और सामान्य जड़ी-बूटियां. इसके अलावा, यहां ऐसी वनस्पति भी हो सकती है जिसे मैनेज किया गया हो. जैसे, घास की ऐसी प्रजातियां जिन्हें बोया गया हो और जिन्हें मोनोकल्चर बनाए रखने के लिए मैनेज किया गया हो. |
क्लास टेबल बदलें
| मान | रंग | ब्यौरा |
|---|---|---|
| 1 | #3d4551 | स्थिर रुझान |
| 2 | #f39268 | धीरे-धीरे कम होना |
| 3 | #d54309 | तेज़ी से कम होना |
| 4 | #00a398 | फ़ायदा |
| 5 | #1b1716 | नॉन-प्रोसेसिंग एरिया मास्क |
Land_Cover Class Table
| मान | रंग | ब्यौरा |
|---|---|---|
| 1 | #005e00 | पेड़ |
| 2 | #008000 | लंबी झाड़ियां और पेड़ों का मिक्स (सिर्फ़ दक्षिण-पूर्वी अलास्का के लिए) |
| 3 | #00cc00 | झाड़ियों और पेड़ों का मिक्स |
| 4 | #b3ff1a | घास/फ़ॉर्ब/जड़ी-बूटी और पेड़ों का मिक्स |
| 5 | #99ff99 | बंजर और पेड़ों वाली ज़मीन का मिक्स |
| 6 | #b30088 | लंबी झाड़ियां (सिर्फ़ SEAK के लिए) |
| 7 | #e68a00 | झाड़ियां |
| 8 | #ffad33 | घास/फ़ॉर्ब/जड़ी-बूटी और झाड़ियों का मिक्स |
| 9 | #ffe0b3 | बंजर और झाड़ियों वाली ज़मीन |
| 10 | #ffff00 | घास/चौड़ी पत्ती वाली घास/जड़ी-बूटी |
| 11 | #aa7700 | बंजर और घास/चौड़ी पत्ती वाली जड़ी-बूटी/जड़ी-बूटी का मिक्स |
| 12 | #d3bf9b | बंजर या अभेद्य |
| 13 | #ffffff | बर्फ़ या बर्फ़बारी |
| 14 | #4780f3 | पानी |
| 15 | #1b1716 | नॉन-प्रोसेसिंग एरिया मास्क |
Land_Use Class Table
| मान | रंग | ब्यौरा |
|---|---|---|
| 1 | #efff6b | कृषि |
| 2 | #ff2ff8 | डेवलप किया गया |
| 3 | #1b9d0c | जंगल |
| 4 | #97ffff | जंगल के बाहर की नम ज़मीन |
| 5 | #a1a1a1 | अन्य |
| 6 | #c2b34a | घास का मैदान या चारागाह |
| 7 | #1b1716 | नॉन-प्रोसेसिंग एरिया मास्क |
इमेज प्रॉपर्टी
सैटलाइट इमेज के डेटासेट की विशेषताएं
| नाम | टाइप | ब्यौरा |
|---|---|---|
| study_area | स्ट्रिंग | फ़िलहाल, LCMS में CONUS और दक्षिणपूर्वी अलास्का शामिल है. आने वाले समय में, यह सुविधा अमेरिका के सभी राज्यों और इलाकों में उपलब्ध होगी. संभावित वैल्यू: 'SEAK' या 'CONUS' |
इस्तेमाल की शर्तें
इस्तेमाल की शर्तें
यूएसडीए फ़ॉरेस्ट सर्विस, किसी भी तरह की गारंटी नहीं देता है. इसमें, किसी खास मकसद के लिए बिक्री और फ़िटनेस की गारंटी भी शामिल है. साथ ही, वह इन जियोस्पेशल डेटा के सटीक, भरोसेमंद, पूरे या उपयोगी होने के लिए, किसी भी कानूनी जवाबदेही या ज़िम्मेदारी को स्वीकार नहीं करता है. इसके अलावा, वह इन जियोस्पेशल डेटा के गलत इस्तेमाल के लिए भी ज़िम्मेदार नहीं है. जियोस्पेशल डेटा और इससे जुड़े मैप या ग्राफ़िक, कानूनी दस्तावेज़ नहीं हैं. इनका इस्तेमाल कानूनी दस्तावेज़ के तौर पर नहीं किया जाना चाहिए. डेटा और मैप का इस्तेमाल, टाइटल, मालिकाना हक, कानूनी ब्यौरे या सीमाएं, कानूनी अधिकार क्षेत्र या सार्वजनिक या निजी ज़मीन पर लागू होने वाली पाबंदियां तय करने के लिए नहीं किया जा सकता. ऐसा हो सकता है कि डेटा और मैप में प्राकृतिक आपदाओं को न दिखाया गया हो. इसलिए, ज़मीन का इस्तेमाल करने वाले लोगों को सावधानी बरतनी चाहिए. यह डेटा डाइनैमिक होता है और समय के साथ इसमें बदलाव हो सकता है. उपयोगकर्ता की यह ज़िम्मेदारी है कि वह भू-स्थानिक डेटा की सीमाओं की पुष्टि करे और डेटा का इस्तेमाल उसी के मुताबिक करे.
इस डेटा को अमेरिका की सरकार से मिले फ़ंड का इस्तेमाल करके इकट्ठा किया गया था. इसका इस्तेमाल, बिना किसी अतिरिक्त अनुमति या शुल्क के किया जा सकता है. अगर आपको इस डेटा का इस्तेमाल किसी पब्लिकेशन, प्रज़ेंटेशन या अन्य रिसर्च प्रॉडक्ट में करना है, तो कृपया इस उद्धरण का इस्तेमाल करें:
यूएसडीए फ़ॉरेस्ट सर्विस. 2021. यूएसएफ़एस लैंडस्केप चेंज मॉनिटरिंग सिस्टम का वर्शन 2020.5. सॉल्ट लेक सिटी, यूटाह.
उद्धरण
यूएसडीए फ़ॉरेस्ट सर्विस. 2021. यूएसएफ़एस लैंडस्केप चेंज मॉनिटरिंग सिस्टम, वर्शन 2020.5. सॉल्ट लेक सिटी, यूटाह.
Earth Engine की मदद से एक्सप्लोर करें
कोड एडिटर (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);