- डेटासेट की उपलब्धता
- 1985-06-01T00:00:00Z–2020-09-30T00:00:00Z
- डेटासेट उपलब्ध करवाने वाली कंपनी
- USDA Forest Service (USFS) Geospatial Technology and Applications Center (GTAC)
- 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 होने वाले बदलावों को मैप करने और उनकी निगरानी करने के लिए किया जाता है. इसका मकसद, बदलाव का पता लगाने के लिए नई टेक्नोलॉजी और बेहतर तरीकों का इस्तेमाल करके, एक जैसा तरीका विकसित करना है. इससे लैंडस्केप में हुए बदलाव का "सबसे अच्छा उपलब्ध" मैप तैयार किया जा सकेगा.
इनसे हर साल तीन प्रॉडक्ट मिलते हैं: बदलाव, ज़मीन का इस्तेमाल, और ज़मीन का कवरेज. 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 को ढंकने वाले मैप में, हर साल के लिए ज़मीन को ढंकने वाले जीवों और ज़मीन के इस्तेमाल की जानकारी दिखाई जाती है.
कोई भी एल्गोरिदम हर स्थिति में सबसे अच्छा परफ़ॉर्म नहीं करता है. इसलिए, एलसीएमएस अनुमान लगाने वाले 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 ऐटमॉस्फ़ियर रिफ़्लेक्टेंस डेटा पर, बादल और बादल की परछाई 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).
बादल और बादलों की छाया से जुड़ी सभी वैल्यू को भी, CCDC एल्गोरिदम (Zhu and Woodcock, 2014) का इस्तेमाल करके 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, पेयर-वाइज़ 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 विश्लेषकों को 1984 से लेकर अब तक के Landsat डेटा रिकॉर्ड को विज़ुअलाइज़ और समझने में मदद मिलती है (कोहेन वगैरह, 2010).
अन्य संसाधन
एलसीएमएस डेटा का इस्तेमाल करने से जुड़ा कोड का ज़्यादा जानकारी देने 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. सेंसर के आधार पर, Sentinel-2A और 2B MSI, Landsat-8 OLI, और Landsat-7 ETM की तुलना. यह तुलना, संयुक्त राज्य अमेरिका के उन सभी राज्यों के लिए की गई है जिनकी सीमा कम से कम एक अन्य राज्य से जुड़ी हुई है. इसमें, वायुमंडल के ऊपरी हिस्से की स्पेक्ट्रल विशेषताओं को शामिल किया गया 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. हर साल के Landsat टाइम सीरीज़ का इस्तेमाल करके, जंगल में होने वाली गड़बड़ी और उसके ठीक होने के रुझानों का पता लगाना: 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., ज़ियाओयांग यांग, हीली, एस. P., 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॰ P., कोहेन, डब्ल्यू॰ B., ज़ियाओयांग यांग, कैनथ ब्रूअर, सी॰, Brooks, E. B., गोरेलिक, एन., हर्नांडेज़, ए. J., हुआंग, सी॰, जोसेफ़ ह्यूज़, एम॰, कैनेडी, आर॰ E., लवलैंड, टी. R., मोइसन, जी. जी॰, Schroeder, T. A., स्टीमन, एस. V., वोगेलमैन, जे॰ E., वुडकॉक, सी. E., यांग, एल॰, और झू, ज़ेड॰, 2018. स्टैक्ड जनरलाइज़ेशन का इस्तेमाल करके, जंगल में हुए बदलावों की मैपिंग करना: एक साथ कई तरीकों का इस्तेमाल करना. 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 के Landsat टाइम सीरीज़ डेटा 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., ज़ियाओयांग यांग, 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, CAZhu, 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 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 थीम के हिसाब से प्रॉडक्ट में किया गया आखिरी बदलाव. 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 हैं 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 तहत तैयार किया गया, पेड़ों से ढकी जगह का फ़ाइनल प्रॉडक्ट. हर साल, लैंडसैट की इमेज से मिली स्पेक्ट्रल जानकारी और TimeSync के रेफ़रंस डेटा का इस्तेमाल करके, लैंड कवर की 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 के 14 क्लास में से सात क्लास, ज़मीन के एक टाइप के बारे में बताते 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. ये ऐसे पिक्सल होते हैं जिनमें ज़मीन को ढकने वाली कोई अन्य क्लास, पिक्सल के कम से कम 10% हिस्से को कवर करती है. |
Land_Use |
मीटर | एलसीएमएस के लैंड यूज़ प्रॉडक्ट की फ़ाइनल थीम. 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, रैंडम फ़ॉरेस्ट मॉडल में मौजूद ट्री के अनुपात के हिसाब से संभावना का अनुमान लगाता है. इससे यह पता चलता है कि पिक्सल किस 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 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 का अनुमान लगाने के लिए, एलसीएमएस से मिला रॉ डेटा. इसे इस तरह से तय किया जाता है: टाइमसिंक में बदलाव की प्रोसेस के इंटरप्रिटेशन से, फ़ास्ट लॉस में ये क्लास शामिल होती हैं-
|
Change_Raw_Probability_Gain |
मीटर | एलसीएमएस के रॉ डेटा के आधार पर, अनुमानित फ़ायदा मिलने की संभावना. 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 बढ़ गया 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 शामिल है. जंगल की कटाई के बाद, ग्रोथ/रिकवरी सेगमेंट में रिकॉर्ड किए गए डेटा में, ज़मीन के अलग-अलग टाइप के हिसाब से बदलाव हो सकता है. ऐसा इसलिए, क्योंकि जंगल फिर से उगता है. इन बदलावों को ग्रोथ/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. यह ट्रेंड लाइन कई सालों तक बनी रहनी चाहिए. |
Land_Cover_Raw_Probability_Trees |
मीटर | पेड़ों की रॉ एलसीएमएस मॉडल की गई संभावना. इसे इस तरह से तय किया जाता है: पिक्सल का ज़्यादातर हिस्सा, ज़िंदा या सूखे पेड़ों से बना होता है. |
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix |
मीटर | लंबी झाड़ियों और पेड़ों के मिक्स (सिर्फ़ SEAK) की अनुमानित संभावना का रॉ एलसीएमएस मॉडल. इसकी परिभाषा यह है: ज़्यादातर पिक्सल में 1 मीटर से ज़्यादा ऊंचाई वाली झाड़ियां शामिल हैं. साथ ही, इसमें कम से कम 10% ऐसे पेड़ भी शामिल हैं जो जीवित हैं या सूख चुके हैं. |
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix |
मीटर | झाड़ियों और पेड़ों के मिक्स की रॉ एलसीएमएस मॉडल की संभावना. इसकी परिभाषा यह है: पिक्सल के ज़्यादातर हिस्से में झाड़ियां हों. साथ ही, इसमें कम से कम 10% ऐसे पेड़ हों जो जीवित हों या सूख चुके हों. |
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix |
मीटर | घास/फ़ॉर्ब/जड़ी-बूटी और पेड़ों 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% जीवित या खड़े सूखे पेड़ भी शामिल होते हैं. |
Land_Cover_Raw_Probability_Barren-and-Trees-Mix |
मीटर | बैरन और ट्री मिक्स की रॉ एलसीएमएस मॉडल की गई संभावना. इसे इस तरह से परिभाषित किया गया है: पिक्सल के ज़्यादातर हिस्से में, ऐसी मिट्टी मौजूद हो जो किसी वजह से खुली हो. 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 मौजूद 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 समुद्री किनारे. मिट्टी और बजरी से बनी सड़कों को भी बंजर माना जाता है. इनमें कम से कम 10% ऐसे पेड़ होते हैं जो या तो जीवित हैं या सूख चुके हैं. |
Land_Cover_Raw_Probability_Tall-Shrubs |
मीटर | लंबी झाड़ियों की रॉ एलसीएमएस मॉडल वाली संभावना (सिर्फ़ दक्षिण-पूर्वी अलास्का). इसे इस तरह से तय किया जाता है: पिक्सल के ज़्यादातर हिस्से 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. इसे इस तरह से तय किया जाता है: पिक्सल के ज़्यादातर हिस्से में झाड़ियां मौजूद हैं. |
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix |
मीटर | घास/फ़ॉर्ब/जड़ी-बूटी और झाड़ियों 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% झाड़ियां भी शामिल होती हैं. |
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix |
मीटर | बंजर और झाड़ियों के मिक्स की रॉ एलसीएमएस मॉडल की संभावना. इसे इस तरह से परिभाषित किया गया है: पिक्सल के ज़्यादातर हिस्से में, ऐसी मिट्टी मौजूद हो जो किसी वजह से खुली हो. 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 मौजूद 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 समुद्री किनारे. 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 वाली संभावना. इसे इस तरह से तय किया जाता है: पिक्सल के ज़्यादातर हिस्से में, ऐसी मिट्टी होती है जो किसी वजह से खुली हुई है. जैसे, मिट्टी को मशीनों से साफ़ किया गया हो या जंगल की कटाई की गई हो. इसके अलावा, इसमें ऐसे इलाके भी शामिल होते हैं जहां हमेशा बंजर ज़मीन होती 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. 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 | एलसीएमएस मॉडल के हिसाब से, बंजर या अभेद्य होने की संभावना. इसे इस तरह से परिभाषित किया गया है: पिक्सल के ज़्यादातर हिस्से में 1) ऐसी मिट्टी शामिल है जो किसी वजह से खुली है. जैसे, मशीन से साफ़ की गई मिट्टी या जंगल से काटी गई लकड़ी की वजह से खुली मिट्टी. इसके अलावा, इसमें ऐसे इलाके भी शामिल हैं जहां हमेशा बंजर मिट्टी रहती है. जैसे, रेगिस्तान, प्लाया, चट्टानें (इसमें सतह पर खनन की वजह से खुले खनिज और अन्य भूवैज्ञानिक सामग्री भी 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 का अनुमान लगाने के लिए, एलसीएमएस से मिले रॉ डेटा का इस्तेमाल किया गया है. 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 वाली ज़मीन, 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 की जाने वाली सड़क माना जाता है. जैसे, एक शहर से दूसरे शहर तक सार्वजनिक परिवहन के लिए इस्तेमाल न की जाने वाली सड़क. |
Land_Use_Raw_Probability_Developed |
मीटर | LCMS के हिसाब से, डेवलप्ड होने की अनुमानित संभावना. 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 इंसानी 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 पेड़-पौधों से ढकी हो. साथ ही, जिसमें (या जिसमें) कुछ समय के लिए, 10% या उससे ज़्यादा पेड़-पौधे मौजूद हों. इसमें पतझड़ वाले, सदाबहार, और/या प्राकृतिक जंगल की मिली-जुली कैटगरी, वनरोपण, और लकड़ी वाले वेटलैंड शामिल हो सकते हैं. |
Land_Use_Raw_Probability_Non-Forest-Wetland |
मीटर | जंगल से बाहर की दलदली ज़मीन की रॉ एलसीएमएस मॉडल वाली संभावना. इसे इस तरह से परिभाषित किया गया है: यह ऐसी ज़मीन होती है जो पानी के स्रोत के आस-पास या उसके अंदर होती है. इस ज़मीन में पानी हमेशा या मौसम के हिसाब से भरा रहता है. इस ज़मीन पर झाड़ियां या पानी में उगने वाले पौधे ज़्यादा होते हैं. ये दलदल, झीलों, नदी के चैनलों या मुहानों के किनारे पर हो सकते हैं. ये नदी के बाढ़ के 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, कीचड़, दलदली भूमि, और पानी से भरी खाई भी शामिल हैं. |
Land_Use_Raw_Probability_Other |
मीटर | 'अन्य' के लिए, एलसीएमएस मॉडल की अनुमानित संभावना. 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 ज़्यादातर प्राकृतिक वजहों और प्रक्रियाओं से उगते हैं. जैसे, बारिश, तापमान, ऊंचाई, और आग. हालांकि, सीमित मैनेजमेंट में, तय की गई आग लगाना और पालतू और जंगली शाकाहारी जानवरों को चराना शामिल हो सकता 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. इसमें घास की ऐसी प्रजातियां शामिल हैं जिन्हें एक ही तरह की फसल बनाए रखने के लिए बोया और मैनेज किया गया है. |
क्लास टेबल बदलें
| मान | रंग | ब्यौरा |
|---|---|---|
| 1 | #3d4551 | स्थिर रुझान |
| 2 | #f39268 | धीरे-धीरे कम होना |
| 3 | #d54309 | तेज़ी से बैटरी खत्म होना |
| 4 | #00a398 | फ़ायदा |
| 5 | #1b1716 | नॉन-प्रोसेसिंग एरिया मास्क |
Land_Cover Class Table
| मान | रंग | ब्यौरा |
|---|---|---|
| 1 | #005e00 | पेड़ |
| 2 | #008000 | लंबी झाड़ियों 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 दक्षिण-पूर्वी अलास्का के लिए) |
| 7 | #e68a00 | झाड़ियां |
| 8 | #ffad33 | घास/फ़ॉर्ब/जड़ी-बूटी और झाड़ियों का मिक्स |
| 9 | #ffe0b3 | बंजर और झाड़ियों वाली ज़मीन का मिक्स |
| 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 | रेंजलैंड या चारागाह |
| 7 | #1b1716 | नॉन-प्रोसेसिंग एरिया मास्क |
इमेज की प्रॉपर्टी
इमेज प्रॉपर्टी
| 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' |
उपयोग की शर्तें
इस्तेमाल की शर्तें
यूएसडीए फ़ॉरेस्ट सर्विस, किसी भी तरह की वारंटी नहीं देता है. इसमें, किसी खास मकसद के लिए बिक्री और फ़िटनेस की वारंटी भी शामिल है. साथ ही, यह 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, यह इन जियोस्पेशल डेटा के गलत या अमान्य 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. जियोस्पेशल डेटा की सीमाओं की पुष्टि करने और उसके हिसाब से डेटा का इस्तेमाल करने की ज़िम्मेदारी उपयोगकर्ता की है.
इस डेटा को अमेरिका की सरकार से मिले फ़ंड का इस्तेमाल करके इकट्ठा किया गया था. इसे बिना किसी अतिरिक्त अनुमति या शुल्क के इस्तेमाल किया जा सकता है. अगर आपको इन 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);