- Dostępność zbioru danych
- 1985-06-01T00:00:00Z–2020-09-30T00:00:00Z
- Dostawca zbioru danych
- USDA Forest Service (USFS) Geospatial Technology and Applications Center (GTAC)
- Tagi
Opis
Ten produkt jest częścią pakietu danych Landscape Change Monitoring System (LCMS). Wyświetla zmiany modelowane za pomocą LCMS, pokrycie terenu lub klasy użytkowania terenu w poszczególnych latach. Ta wersja LCMS obejmuje kontynentalne Stany Zjednoczone (CONUS) i południowo-wschodnią Alaskę (SEAK).
LCMS to system oparty na teledetekcji, który służy do mapowania i monitorowania zmian krajobrazu w Stanach Zjednoczonych. Jego celem jest opracowanie spójnego podejścia z wykorzystaniem najnowszych technologii i postępów w zakresie wykrywania zmian, aby stworzyć „najlepszą dostępną” mapę zmian krajobrazu.
Dane wyjściowe obejmują 3 produkty roczne: zmiany, pokrycie terenu i zagospodarowanie terenu. Zmiana dotyczy pokrywy roślinnej i obejmuje powolną utratę, szybką utratę (która obejmuje też zmiany hydrologiczne, takie jak zalanie lub wysychanie) oraz przyrost. Te wartości są prognozowane dla każdego roku w ciągu czasowym Landsat i stanowią podstawowe produkty dla LCMS. Mapy pokrycia i użytkowania terenu przedstawiają pokrycie terenu na poziomie form życia i użytkowanie terenu na poziomie ogólnym w każdym roku.
Żaden algorytm nie sprawdza się najlepiej w każdej sytuacji, dlatego LCMS wykorzystuje zespół modeli jako predyktory, co zwiększa dokładność map w różnych ekosystemach i procesach zmian (Healey i in., 2018). Powstały zestaw map zmian w LCMS, pokrycia terenu i zagospodarowania terenu przedstawia całościowy obraz zmian w krajobrazie Stanów Zjednoczonych w ciągu ostatnich 4 dekad.
Warstwy predykcyjne modelu LCMS obejmują roczne kompozycje Landsat i Sentinel 2, dane wyjściowe z algorytmów wykrywania zmian LandTrendr i CCDC oraz informacje o terenie. Wszystkie te komponenty są dostępne i przetwarzane za pomocą Google Earth Engine (Gorelick i in., 2017).
Do tworzenia kompozytów rocznych używamy algorytmów cFmask (Zhu i Woodcock, 2012), cloudScore i TDOM (Chastain i in., 2019) są stosowane do danych o odbiciu na szczycie atmosfery na poziomie 1C z Landsata Tier 1 oraz z satelitów Sentinel 2a i 2b. Następnie obliczany jest roczny medoid, aby podsumować każdy rok w postaci jednego kompozytu.
Złożony ciąg czasowy jest segmentowany czasowo za pomocą algorytmu LandTrendr (Kennedy i in., 2010; Kennedy i in., 2018; Cohen i in., 2018).
Wszystkie wartości bez chmur i cieni chmur są również segmentowane czasowo za pomocą algorytmu CCDC (Zhu i Woodcock, 2014).
Surowe wartości złożone, dopasowane wartości LandTrendr, różnice parami, czas trwania segmentu, wielkość zmiany i nachylenie oraz współczynniki sinus i cosinus CCDC z września (pierwsze 3 harmoniczne), dopasowane wartości i różnice parami, a także wysokość, nachylenie, sinus aspektu, cosinus aspektu i wskaźniki położenia topograficznego (Weiss, 2001) z krajowego zbioru danych o wysokości (NED) są używane jako niezależne zmienne predykcyjne w modelu lasu losowego (Breiman, 2001).
Dane referencyjne są zbierane za pomocą TimeSync, narzędzia internetowego, które pomaga analitykom wizualizować i interpretować dane Landsat z lat 1984–obecnie (Cohen i in., 2010).
Dodatkowe materiały
Bardziej szczegółowy przykład kodu wykorzystującego dane LCMS
Eksplorator danych LCMS to aplikacja internetowa, która umożliwia użytkownikom wyświetlanie, analizowanie, podsumowywanie i pobieranie danych LCMS.
Szczegółowe informacje o metodach i ocenie dokładności znajdziesz w LCMS Methods Brief. Dane do pobrania, metadane i dokumenty pomocnicze znajdziesz w LCMS Geodata Clearinghouse.
W razie pytań lub konkretnych próśb o dane skontaktuj się z [sm.fs.lcms@usda.gov].
Breiman, L., 2001. uczenia maszynowego, Springer, 45(3): 261-277 doi:10.1023/a:1017934522171
Chastain, R., Housman, I., Goldstein, J., Finco, M. i Tenneson, K., 2019 r. Empiryczne porównanie czujników MSI na satelitach Sentinel-2A i 2B, OLI na satelicie Landsat-8 oraz ETM+ na satelicie Landsat-7 pod względem charakterystyki spektralnej na szczycie atmosfery nad kontynentalną częścią Stanów Zjednoczonych. W Remote Sensing of Environment. Science Direct, 221: 274-285 doi:10.1016/j.rse.2018.11.012
Cohen, W. B., Yang, Z., and Kennedy, R., 2010. Wykrywanie trendów w zakłóceniach i regeneracji lasów za pomocą rocznych szeregów czasowych Landsat: 2. TimeSync – narzędzia do kalibracji i weryfikacji. W 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. i Gorelick, N., 2018 r. Wielospektralny zespół LandTrendr do wykrywania zakłóceń w lasach. W 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. i Zhu, Z., 2018 r. Mapping forest change using stacked generalization: An ensemble approach (Mapowanie zmian w lasach za pomocą uogólnienia warstwowego: podejście zespołowe). W Remote Sensing of Environment. Science Direct, 204: 717-728 doi:10.1016/j.rse.2017.09.029
Kennedy, R. E., Yang, Z. i Cohen, W. B., 2010. Wykrywanie trendów w zakresie zaburzeń i regeneracji lasów na podstawie rocznych szeregów czasowych danych z satelity Landsat: 1. LandTrendr – algorytmy segmentacji czasowej. W 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. i Healey, S., 2018 r. Implementacja algorytmu LandTrendr w Google Earth Engine. w teledetekcji. MDPI, 10(5): 691 doi:10.3390/rs10050691
Weiss, A.D., 2001. Topographic position and landforms analysis Poster Presentation, ESRI Users Conference, San Diego, CAZhu, Z., and Woodcock, C. E. (2012). Wykrywanie chmur i cieni chmur na obrazach Landsat na podstawie obiektów. W Remote Sensing of Environment. Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028
Zhu, Z., and Woodcock, C. E., 2014. Ciągłe wykrywanie zmian i klasyfikacja pokrycia terenu z użyciem wszystkich dostępnych danych Landsat. W Remote Sensing of Environment. Science Direct, 144: 152-171 doi:10.1016/j.rse.2014.01.011
Pasma
Rozmiar piksela
30 m
Pasma
| Nazwa | Rozmiar piksela | Opis |
|---|---|---|
Change |
metry | Final thematic LCMS change product. W przypadku każdego roku mapowane są 3 klasy zmian (powolna utrata, szybka utrata i przyrost). Każda klasa jest prognozowana za pomocą osobnego modelu Random Forest, który podaje prawdopodobieństwo (proporcję drzew w modelu Random Forest), że piksel należy do tej klasy. Dlatego poszczególne piksele mają 3 różne dane wyjściowe modelu dla każdego roku. Ostateczne klasy są przypisywane do klasy zmiany o najwyższym prawdopodobieństwie, które jest również powyżej określonego progu. Każdy piksel, który nie ma żadnej wartości powyżej odpowiedniego progu dla każdej klasy, jest przypisywany do klasy Stable. |
Land_Cover |
metry | Końcowy tematyczny produkt dotyczący pokrycia terenu LCMS. Łącznie 14 klas pokrycia terenu jest mapowanych co roku na podstawie danych referencyjnych TimeSync i informacji spektralnych pochodzących ze zdjęć satelitarnych Landsat. Każda klasa jest prognozowana za pomocą oddzielnego modelu Random Forest, który podaje prawdopodobieństwo (proporcję drzew w modelu Random Forest), że piksel należy do tej klasy. Dlatego poszczególne piksele mają 14 różnych wyników modelu dla każdego roku, a klasy końcowe są przypisywane do pokrycia terenu o najwyższym prawdopodobieństwie. 7 z 14 klas pokrycia terenu wskazuje pojedyncze pokrycie terenu, w którym dany typ pokrycia terenu zajmuje większość obszaru piksela, a żadna inna klasa nie zajmuje więcej niż 10% piksela. Dostępnych jest też 7 zajęć mieszanych. Są to piksele, w których dodatkowa klasa pokrycia terenu zajmuje co najmniej 10% powierzchni. |
Land_Use |
metry | Końcowy tematyczny produkt LCMS dotyczący użytkowania gruntów. Łącznie 6 klas użytkowania gruntów jest mapowanych co roku na podstawie danych referencyjnych TimeSync i informacji spektralnych pochodzących ze zdjęć satelitarnych Landsat. Każda klasa jest prognozowana za pomocą osobnego modelu lasu losowego, który podaje prawdopodobieństwo (proporcję drzew w modelu lasu losowego), że piksel należy do tej klasy. Dlatego poszczególne piksele mają 6 różnych wyników modelu dla każdego roku, a ostateczne klasy są przypisywane do użytkowania gruntów o najwyższym prawdopodobieństwie. |
Change_Raw_Probability_Slow_Loss |
metry | Surowe prawdopodobieństwo utraty klienta w modelu LCMS. Definicja: powolna utrata obejmuje te klasy z interpretacji procesu zmian TimeSync:
|
Change_Raw_Probability_Fast_Loss |
metry | Surowe dane LCMS modelowane pod kątem prawdopodobieństwa szybkiej utraty. Definicja: Szybka utrata obejmuje te klasy z interpretacji procesu zmian TimeSync:
|
Change_Raw_Probability_Gain |
metry | Surowe dane LCMS dotyczące modelowanego prawdopodobieństwa zysku. Definicja: obszar, na którym w ciągu co najmniej roku nastąpił wzrost pokrywy roślinnej w wyniku wzrostu i sukcesji. Dotyczy wszystkich obszarów, w których mogą wystąpić zmiany spektralne związane z odrastaniem roślinności. Na obszarach zabudowanych wzrost może wynikać z dojrzewania roślinności lub nowo założonych trawników i ogrodów. W lasach wzrost obejmuje wzrost roślinności na nieużytkach, a także wzrost drzew średnich i współdominujących oraz niżej położonych traw i krzewów. Segmenty wzrostu/regeneracji zarejestrowane po wycince lasu prawdopodobnie będą przechodzić przez różne klasy pokrycia terenu w miarę regeneracji lasu. Aby te zmiany można było uznać za wzrost lub regenerację, wartości spektralne powinny ściśle odpowiadać rosnącej linii trendu (np.dodatniemu nachyleniu, które po przedłużeniu do ok. 20 lat osiągnęłoby wartość ok .0, 10 jednostki NDVI) utrzymującej się przez kilka lat. |
Land_Cover_Raw_Probability_Trees |
metry | Surowe, modelowane przez LCMS prawdopodobieństwo występowania drzew. Definicja: większość piksela stanowią żywe lub martwe drzewa. |
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix |
metry | Surowe dane LCMS dotyczące prawdopodobieństwa wystąpienia mieszanki wysokich krzewów i drzew (tylko południowo-wschodnia Alaska). Definicja: większość pikseli zajmują krzewy o wysokości powyżej 1 m, a co najmniej 10% pikseli zajmują żywe lub martwe drzewa. |
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix |
metry | Surowe dane LCMS modelowane pod kątem prawdopodobieństwa wystąpienia mieszanki krzewów i drzew. Definicja: większość piksela stanowią krzewy, a co najmniej 10% – żywe lub martwe stojące drzewa. |
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix |
metry | Surowe prawdopodobieństwo modelowane na podstawie LCMS dla mieszanki traw, roślin zielnych i drzew. Definicja: większość piksela stanowią trawy wieloletnie, rośliny zielne lub inne formy roślinności zielnej, a także co najmniej 10% – żywe lub martwe drzewa. |
Land_Cover_Raw_Probability_Barren-and-Trees-Mix |
metry | Surowe dane LCMS modelowane pod kątem prawdopodobieństwa wystąpienia obszarów nieużytków i mieszanki drzew. Definicja: większość pikseli to odsłonięta gleba, która została naruszona (np. gleba odsłonięta w wyniku mechanicznego oczyszczania lub wycinki lasu), a także obszary stale jałowe, takie jak pustynie, playa, wychodnie skalne (w tym minerały i inne materiały geologiczne odsłonięte w wyniku górnictwa odkrywkowego), wydmy, solniska i plaże. Drogi gruntowe i żwirowe są również uważane za nieużytki i składają się w co najmniej 10% z żywych lub martwych drzew. |
Land_Cover_Raw_Probability_Tall-Shrubs |
metry | Surowe dane LCMS modelowane pod kątem prawdopodobieństwa występowania wysokich krzewów (tylko południowo-wschodnia Alaska). Definicja: większość piksela zajmują krzewy o wysokości powyżej 1 m. |
Land_Cover_Raw_Probability_Shrubs |
metry | Surowe prawdopodobieństwo występowania krzewów w modelu LCMS. Definicja: większość piksela stanowią krzewy. |
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix |
metry | Surowe prawdopodobieństwo modelowane LCMS dla mieszanki traw, roślin zielnych i krzewów. Definicja: większość piksela stanowią trawy wieloletnie, rośliny zielne lub inne formy roślinności zielnej, a także co najmniej 10% krzewów. |
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix |
metry | Surowe dane LCMS modelowane pod kątem prawdopodobieństwa wystąpienia mieszanki roślinności jałowej i krzewów. Definicja: większość pikseli to odsłonięta gleba, która została naruszona (np. gleba odsłonięta w wyniku mechanicznego oczyszczania lub wycinki lasu), a także obszary stale jałowe, takie jak pustynie, playa, wychodnie skalne (w tym minerały i inne materiały geologiczne odsłonięte w wyniku górnictwa odkrywkowego), wydmy, solniska i plaże. Drogi gruntowe i żwirowe są również uważane za nieużytki i składają się w co najmniej 10% z krzewów. |
Land_Cover_Raw_Probability_Grass-Forb-Herb |
metry | Surowe prawdopodobieństwo LCMS modelowane dla trawy/rośliny zielnej/zioła. Definicja: większość piksela stanowią trawy wieloletnie, rośliny zielne lub inne formy roślinności zielnej. |
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix |
metry | Surowe dane LCMS modelowane pod kątem prawdopodobieństwa wystąpienia obszarów nieużytków i mieszanki traw, ziół i roślin zielnych. Definicja: większość piksela to nieosłonięta gleba odsłonięta w wyniku zaburzeń (np. gleba odsłonięta w wyniku mechanicznego oczyszczania lub wycinki lasu), a także obszary trwale jałowe, takie jak pustynie, playa, wychodnie skalne (w tym minerały i inne materiały geologiczne odsłonięte w wyniku górnictwa odkrywkowego), wydmy, solniska i plaże. Drogi gruntowe i żwirowe są również uważane za nieużytki i składają się co najmniej w 10% z wieloletnich traw, roślin zielnych lub innych form roślinności zielnej. |
Land_Cover_Raw_Probability_Barren-or-Impervious |
metry | Surowe prawdopodobieństwo modelu LCMS dla obszarów nieużytków lub nieprzepuszczalnych. Zdefiniowane jako: większość piksela to 1) odsłonięta gleba, która została naruszona (np. gleba odsłonięta w wyniku mechanicznego karczowania lub wycinki lasu), a także obszary stale jałowe, takie jak pustynie, wyschnięte jeziora, wychodnie skalne (w tym minerały i inne materiały geologiczne odsłonięte w wyniku górnictwa odkrywkowego), wydmy, solniska i plaże. Za nieużytki uznaje się też 1) drogi gruntowe i żwirowe lub 2) materiały wytworzone przez człowieka, przez które woda nie może przenikać, takie jak drogi utwardzone, dachy i parkingi. |
Land_Cover_Raw_Probability_Snow-or-Ice |
metry | Surowe, modelowane prawdopodobieństwo wystąpienia śniegu lub lodu w ramach LCMS. Definicja: większość piksela zajmuje śnieg lub lód. |
Land_Cover_Raw_Probability_Water |
metry | Surowe dane LCMS modelowane pod kątem prawdopodobieństwa wystąpienia wody. Definicja: większość piksela zajmuje woda. |
Land_Use_Raw_Probability_Agriculture |
metry | Surowe dane LCMS modelowane pod kątem prawdopodobieństwa występowania rolnictwa. Zdefiniowane jako: grunty wykorzystywane do produkcji żywności, włókien i paliw, które są w stanie wegetatywnym lub nie. Obejmuje to między innymi uprawne i nieuprawne grunty rolne, łąki, sady, winnice, fermy zwierząt gospodarskich oraz obszary obsadzone w celu produkcji owoców, orzechów lub jagód. Drogi używane głównie do celów rolniczych (tzn. nieużywane do transportu publicznego między miastami) są traktowane jako grunty rolne. |
Land_Use_Raw_Probability_Developed |
metry | Surowe, modelowane prawdopodobieństwo LCMS, że nastąpił rozwój. Zdefiniowane jako: obszary pokryte konstrukcjami stworzonymi przez człowieka (np. budynki mieszkalne o dużej gęstości, obiekty komercyjne, przemysłowe, górnicze lub transportowe) lub mieszanka roślinności (w tym drzew) i konstrukcji (np. budynki mieszkalne o małej gęstości, trawniki, obiekty rekreacyjne, cmentarze, korytarze transportowe i użytkowe itp.), w tym wszelkie obszary funkcjonalnie zmienione przez działalność człowieka. |
Land_Use_Raw_Probability_Forest |
metry | Surowe prawdopodobieństwo lasu modelowane za pomocą LCMS. Definicja: obszar, na którym rosną drzewa lub inne rośliny, i który w pewnym momencie w najbliższej przyszłości będzie (lub prawdopodobnie będzie) pokryty drzewami w co najmniej 10%. Może to obejmować lasy liściaste, iglaste lub mieszane, plantacje leśne i mokradła zalesione. |
Land_Use_Raw_Probability_Non-Forest-Wetland |
metry | Surowe modelowane prawdopodobieństwo LCMS dotyczące mokradeł nieleśnych. Definicja: tereny przylegające do widocznego poziomu wód gruntowych lub znajdujące się w jego obrębie (trwale lub sezonowo nasycone wodą), na których dominują krzewy lub rośliny wynurzone. Mogą one znajdować się na brzegach jezior, kanałów rzecznych lub estuariów, na terenach zalewowych rzek, w odizolowanych zlewniach lub na zboczach. Mogą też występować jako zagłębienia na preriach, rowy odwadniające i stawy w krajobrazie rolniczym, a także jako wyspy na środku jezior lub rzek. Inne przykłady to bagna, moczary, trzęsawiska, torfowiska, mokradła, podmokłe łąki i rozlewiska. |
Land_Use_Raw_Probability_Other |
metry | Surowe prawdopodobieństwo LCMS modelowane dla kategorii Inne. Definicja: obszar (niezależnie od sposobu użytkowania), w którym trend spektralny lub inne dowody wskazują na wystąpienie zakłócenia lub zmiany, ale nie można określić ostatecznej przyczyny lub rodzaj zmiany nie pasuje do żadnej z kategorii procesów zmian zdefiniowanych powyżej. |
Land_Use_Raw_Probability_Rangeland-or-Pasture |
metry | Surowe, modelowane przez LCMS prawdopodobieństwo wystąpienia pastwisk lub łąk. Definicja: ta klasa obejmuje każdy obszar, który: a) pastwiska, na których roślinność składa się z mieszanki rodzimych traw, krzewów, ziół i roślin podobnych do traw, które w dużej mierze występują w wyniku naturalnych czynników i procesów, takich jak opady, temperatura, wysokość nad poziomem morza i pożary, chociaż ograniczone zarządzanie może obejmować kontrolowane wypalanie, a także wypasanie przez zwierzęta roślinożerne domowe i dzikie; lub Pastwisko, na którym roślinność może obejmować mieszankę w dużej mierze naturalnych traw, roślin zielnych i ziół, a także bardziej kontrolowaną roślinność zdominowaną przez gatunki traw, które zostały zasiane i są utrzymywane w pobliżu monokultury. |
Zmień tabelę zajęć
| Wartość | Kolor | Opis |
|---|---|---|
| 1 | #3d4551 | Stabilny |
| 2 | #f39268 | Powolna utrata |
| 3 | #d54309 | Szybka utrata |
| 4 | #00a398 | Wzmocnienie |
| 5 | #1b1716 | Maska obszaru nieprzetwarzanego |
Tabela klas Land_Cover
| Wartość | Kolor | Opis |
|---|---|---|
| 1 | #005e00 | drzewa, |
| 2 | #008000 | Mieszanka wysokich krzewów i drzew (tylko SEAK) |
| 3 | #00cc00 | Mieszanka krzewów i drzew |
| 4 | #b3ff1a | Mieszanka traw, ziół i drzew |
| 5 | #99ff99 | Barren & Trees Mix |
| 6 | #b30088 | Wysokie krzewy (tylko w południowo-wschodniej Azji) |
| 7 | #e68a00 | Krzewy |
| 8 | #ffad33 | Mieszanka traw, roślin zielnych i krzewów |
| 9 | #ffe0b3 | Mieszanka na nieużytki i krzewy |
| 10 | #ffff00 | Trawa/roślina zielna/zioło |
| 11 | #aa7700 | Mieszanka jałowa i traw/roślin zielnych |
| 12 | #d3bf9b | Nieporośnięte lub nieprzepuszczalne |
| 13 | #ffffff | Śnieg lub lód |
| 14 | #4780f3 | Woda |
| 15 | #1b1716 | Maska obszaru nieprzetwarzanego |
Tabela klasy Land_Use
| Wartość | Kolor | Opis |
|---|---|---|
| 1 | #efff6b | Rolnictwo |
| 2 | #ff2ff8 | Opracowane |
| 3 | #1b9d0c | Las |
| 4 | #97ffff | Nieleśne tereny podmokłe |
| 5 | #a1a1a1 | Inne |
| 6 | #c2b34a | Pastwiska lub łąki |
| 7 | #1b1716 | Maska obszaru nieprzetwarzanego |
Właściwości obrazu
Właściwości obrazu
| Nazwa | Typ | Opis |
|---|---|---|
| study_area | CIĄG ZNAKÓW | LCMS obejmuje obecnie kontynentalną część Stanów Zjednoczonych i południowo-wschodnią Alaskę. W najbliższej przyszłości rozszerzymy tę funkcję na wszystkie stany i terytoria Stanów Zjednoczonych. Możliwe wartości: „SEAK” lub „CONUS”. |
Warunki korzystania z usługi
Warunki usługi
Służba Leśna USDA nie udziela żadnych gwarancji, wyraźnych ani dorozumianych, w tym gwarancji przydatności handlowej i przydatności do określonego celu, ani nie ponosi żadnej odpowiedzialności prawnej za dokładność, wiarygodność, kompletność ani użyteczność tych danych geoprzestrzennych ani za ich niewłaściwe lub nieprawidłowe wykorzystanie. Te dane geoprzestrzenne oraz powiązane z nimi mapy lub grafiki nie są dokumentami prawnymi i nie powinny być jako takie traktowane. Dane i mapy nie mogą być używane do określania tytułu, własności, opisów prawnych ani granic, jurysdykcji prawnej ani ograniczeń, które mogą obowiązywać na gruntach publicznych lub prywatnych. Zagrożenia naturalne mogą być lub nie być przedstawione na danych i mapach, a użytkownicy gruntów powinni zachować należytą ostrożność. Dane są dynamiczne i mogą się z czasem zmieniać. Użytkownik jest odpowiedzialny za sprawdzenie ograniczeń danych geoprzestrzennych i odpowiednie wykorzystanie tych danych.
Dane te zostały zebrane przy użyciu środków pochodzących z rządu Stanów Zjednoczonych i można ich używać bez dodatkowych uprawnień ani opłat. Jeśli wykorzystujesz te dane w publikacji, prezentacji lub innym produkcie badawczym, podaj następujące źródło:
USDA Forest Service. 2021. USFS Landscape Change Monitoring System, wersja 2020.5. Salt Lake City, Utah.
Cytaty
USDA Forest Service. 2021. USFS Landscape Change Monitoring System, wersja 2020.5. Salt Lake City, Utah.
Odkrywanie za pomocą Earth Engine
Edytor kodu (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);