- Disponibilidade de conjuntos de dados
- 1985-06-01T00:00:00Z–2020-09-30T00:00:00Z
- Provedor de conjunto de dados
- Centro de Tecnologia e Aplicações Geospaciais (GTAC, na sigla em inglês) do Serviço Florestal do USDA (USFS, na sigla em inglês)
- Tags
Descrição
Esse produto faz parte do pacote de dados do Sistema de monitoramento de mudanças na paisagem (LCMS, na sigla em inglês). Ele mostra a mudança modelada pelo LCMS, a cobertura da terra e/ou as classes de uso da terra para cada ano. Esta versão do LCMS abrange os Estados Unidos contíguos (CONUS) e o sudeste do Alasca (SEAK).
O LCMS é um sistema de sensoriamento remoto para mapear e monitorar mudanças na paisagem em todo o território dos Estados Unidos. O objetivo é desenvolver uma abordagem consistente usando a tecnologia mais recente e avanços na detecção de mudanças para produzir um mapa "melhor disponível" de mudanças na paisagem.
As saídas incluem três produtos anuais: mudança, cobertura e uso da terra. A mudança se relaciona especificamente à cobertura vegetal e inclui perda lenta, perda rápida (que também inclui mudanças hidrológicas, como inundação ou dessecação) e ganho. Esses valores são previstos para cada ano da série temporal do Landsat e servem como produtos básicos para o LCMS. Os mapas de cobertura e uso da terra mostram a cobertura da terra no nível de forma de vida e o uso da terra no nível geral de cada ano.
Como nenhum algoritmo tem o melhor desempenho em todas as situações, o LCMS usa um conjunto de modelos como preditores, o que melhora a precisão do mapa em vários ecossistemas e processos de mudança (Healey et al., 2018). 2018). O conjunto resultante de mapas de mudança de LCMS, cobertura e uso da terra oferece uma representação holística da mudança de paisagem nos Estados Unidos nas últimas quatro décadas.
As camadas de previsão para o modelo LCMS incluem composições anuais do Landsat e do Sentinel 2, saídas dos algoritmos de detecção de mudanças LandTrendr e CCDC e informações de terreno. Todos esses componentes são acessados e processados usando o Google Earth Engine (Gorelick et al., 2017).
Para gerar composições anuais, usamos o cFmask (Zhu e Woodcock, 2012), o cloudScore e o TDOM (Chastain et al., Os métodos de mascaramento de nuvens e sombras de nuvens (Li et al., 2019) são aplicados aos dados de refletância do topo da atmosfera do Nível 1C do Landsat Tier 1 e do Sentinel 2a e 2b. Em seguida, o medóide anual é calculado para resumir cada ano em um único valor composto.
A série temporal composta é segmentada temporalmente usando o LandTrendr (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).
Todos os valores sem nuvens e sem sombras de nuvens também são segmentados temporalmente usando o algoritmo CCDC (Zhu e Woodcock, 2014).
Os valores brutos compostos, os valores ajustados do LandTrendr, as diferenças aos pares, a duração do segmento, a magnitude e a inclinação da mudança, os coeficientes de seno e cosseno de setembro do CCDC (primeiros três harmônicos), os valores ajustados e as diferenças aos pares, além de elevação, inclinação, seno do aspecto, cosseno do aspecto e índices de posição topográfica (Weiss, 2001) do National Elevation Dataset (NED), são usados como variáveis preditoras independentes em um modelo de floresta aleatória (Breiman, 2001).
Os dados de referência são coletados usando o TimeSync, uma ferramenta baseada na Web que ajuda os analistas a visualizar e interpretar o registro de dados do Landsat de 1984 até o presente (Cohen et al., 2010).
Additional Resources
Um exemplo de código mais detalhado de como usar dados do LCMS.
O LCMS Data Explorer é um aplicativo baseado na Web que permite aos usuários visualizar, analisar, resumir e fazer o download de dados do LCMS.
Consulte o Resumo dos métodos do LCMS para mais informações sobre métodos e avaliação de acurácia ou o LCMS Geodata Clearinghouse para downloads de dados, metadados e documentos de suporte.
Entre em contato com [sm.fs.lcms@usda.gov] se tiver dúvidas ou solicitações de dados específicas.
Breiman, L., 2001. Machine learning. Springer, 45(3): 261-277 doi:10.1023/a:1017934522171
Chastain, R., Housman, I., Goldstein, J., Finco, M. e Tenneson, K., 2019. Comparação empírica entre sensores de características espectrais do topo da atmosfera do Sentinel-2A e 2B MSI, do Landsat-8 OLI e do Landsat-7 ETM nos Estados Unidos contíguos. Em 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. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 2. TimeSync: ferramentas para calibragem e validação. Em 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., e Gorelick, N., 2018. Um conjunto multiespectral do LandTrendr para detecção de distúrbios florestais. Em 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., e Zhu, Z., 2018. Mapeamento da mudança florestal usando generalização empilhada: uma abordagem de ensemble. Em Remote Sensing of Environment. Science Direct, 204: 717-728 doi:10.1016/j.rse.2017.09.029
Kennedy, R. E., Yang, Z., and Cohen, W. B., 2010. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 1. LandTrendr: algoritmos de segmentação temporal. Em 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., and Healey, S., 2018. Implementação do algoritmo LandTrendr no Google Earth Engine. Em sensoriamento remoto. MDPI, 10(5): 691 doi:10.3390/rs10050691
Weiss, A.D., 2001. Apresentação de pôsteres sobre posição topográfica e análise de relevo, Conferência de usuários da ESRI, San Diego, CAZhu, Z., e Woodcock, C. E. (2012). Detecção de nuvens e sombras de nuvens com base em objetos em imagens do Landsat. Em Remote Sensing of Environment. Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028
Zhu, Z., and Woodcock, C. E., 2014. Detecção e classificação contínuas de mudanças na cobertura da terra usando todos os dados disponíveis do Landsat. Em Remote Sensing of Environment. Science Direct, 144: 152-171 doi:10.1016/j.rse.2014.01.011
Bandas
Tamanho do pixel
30 metros
Bandas
| Nome | Tamanho do pixel | Descrição |
|---|---|---|
Change |
metros | Produto final de mudança temática do LCMS. Um total de três classes de mudança (perda lenta, perda rápida e ganho) são mapeadas para cada ano. Cada classe é prevista usando um modelo de floresta aleatória separado, que gera uma probabilidade (proporção das árvores no modelo de floresta aleatória) de que o pixel pertença a essa classe. Por isso, os pixels individuais têm três saídas de modelo diferentes para cada ano. As classes finais são atribuídas à classe de mudança com a maior probabilidade que também está acima de um limite especificado. Qualquer pixel que não tenha um valor acima do limite de cada classe é atribuído à classe "Estável". |
Land_Cover |
metros | Produto final de cobertura da terra do LCMS temático. Um total de 14 classes de cobertura da terra são mapeadas anualmente usando dados de referência do TimeSync e informações espectrais derivadas de imagens do Landsat. Cada classe é prevista usando um modelo de floresta aleatória separado, que gera uma probabilidade (proporção das árvores no modelo de floresta aleatória) de que o pixel pertença a essa classe. Por isso, os pixels individuais têm 14 saídas de modelo diferentes para cada ano, e as classes finais são atribuídas à cobertura da terra com a maior probabilidade. Sete das 14 classes de cobertura do solo indicam uma única cobertura, em que esse tipo cobre a maior parte da área do pixel e nenhuma outra classe cobre mais de 10% do pixel. Há também sete aulas mistas. Esses pixels representam uma classe de cobertura da terra adicional que cobre pelo menos 10% do pixel. |
Land_Use |
metros | Produto final de uso da terra do LCMS temático. Um total de seis classes de uso da terra são mapeadas anualmente usando dados de referência do TimeSync e informações espectrais derivadas de imagens do Landsat. Cada classe é prevista usando um modelo de floresta aleatória separado, que gera uma probabilidade (proporção das árvores no modelo de floresta aleatória) de que o pixel pertence a essa classe. Por isso, os pixels individuais têm seis saídas de modelo diferentes para cada ano, e as classes finais são atribuídas ao uso da terra com a maior probabilidade. |
Change_Raw_Probability_Slow_Loss |
metros | Probabilidade bruta modelada de perda lenta do LCMS. Definida como: a perda lenta inclui as seguintes classes da interpretação do processo de mudança do TimeSync:
|
Change_Raw_Probability_Fast_Loss |
metros | Probabilidade bruta modelada de perda rápida de LCMS. Definida como: a perda rápida inclui as seguintes classes da interpretação do processo de mudança do TimeSync:
|
Change_Raw_Probability_Gain |
metros | Probabilidade bruta modelada de ganho do LCMS. Definição: terra que apresenta um aumento na cobertura vegetal devido ao crescimento e à sucessão ao longo de um ou mais anos. Aplicável a áreas que podem expressar mudanças espectrais associadas ao crescimento da vegetação. Em áreas desenvolvidas, o crescimento pode resultar da vegetação em maturação e/ou de gramados e paisagismo recém-instalados. Em florestas, o crescimento inclui o crescimento da vegetação em solo sem cobertura, bem como o crescimento de árvores intermediárias e codominantes e/ou gramíneas e arbustos mais baixos. Os segmentos de crescimento/recuperação registrados após a colheita florestal provavelmente vão passar por diferentes classes de cobertura da terra à medida que a floresta se regenera. Para que essas mudanças sejam consideradas crescimento/recuperação, os valores espectrais precisam seguir de perto uma linha de tendência crescente (por exemplo, uma inclinação positiva que, se estendida por cerca de 20 anos, seria da ordem de 0,10 unidades de NDVI) que persiste por vários anos. |
Land_Cover_Raw_Probability_Trees |
metros | Probabilidade bruta modelada de LCMS de árvores. Definido como: a maioria dos pixels é composta de árvores vivas ou mortas em pé. |
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix |
metros | Probabilidade bruta modelada de LCMS de mistura de arbustos altos e árvores (somente SEAK). Definido como: a maioria dos pixels é composta por arbustos com mais de 1 m de altura e também por pelo menos 10% de árvores vivas ou mortas em pé. |
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix |
metros | Probabilidade bruta modelada de LCMS de arbustos e árvores. Definido como: a maioria dos pixels é composta por arbustos e também por pelo menos 10% de árvores vivas ou mortas em pé. |
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix |
metros | Probabilidade bruta modelada de LCMS de grama/herbácea/erva e mistura de árvores. Definição: a maioria dos pixels é composta por gramíneas perenes, ervas ou outras formas de vegetação herbácea e também por pelo menos 10% de árvores vivas ou mortas em pé. |
Land_Cover_Raw_Probability_Barren-and-Trees-Mix |
metros | Probabilidade bruta modelada de LCMS de Barren and Trees Mix. Definido como: a maioria dos pixels é composta de solo exposto por perturbações (por exemplo, solo descoberto por limpeza mecânica ou colheita florestal), bem como áreas permanentemente áridas, como desertos, lagos secos, afloramentos rochosos (incluindo minerais e outros materiais geológicos expostos por atividades de mineração a céu aberto), dunas de areia, salinas e praias. Estradas de terra e cascalho também são consideradas áreas áridas e têm pelo menos 10% de árvores vivas ou mortas em pé. |
Land_Cover_Raw_Probability_Tall-Shrubs |
metros | Probabilidade bruta modelada de LCMS de arbustos altos (somente SEAK). Definido como: a maioria dos pixels é composta por arbustos com mais de 1 m de altura. |
Land_Cover_Raw_Probability_Shrubs |
metros | Probabilidade bruta estimada de arbustos do LCMS. Definido como: a maioria dos pixels é composta por arbustos. |
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix |
metros | Probabilidade bruta modelada de LCMS de gramíneas/herbáceas/ervas e arbustos. Definido como: a maioria dos pixels é composta por gramíneas perenes, ervas ou outras formas de vegetação herbácea e também por pelo menos 10% de arbustos. |
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix |
metros | Probabilidade bruta estimada de LCMS de Barren and Shrubs Mix. Definido como: a maioria dos pixels é composta de solo exposto por perturbações (por exemplo, solo descoberto por limpeza mecânica ou colheita florestal), bem como áreas permanentemente áridas, como desertos, lagos secos, afloramentos rochosos (incluindo minerais e outros materiais geológicos expostos por atividades de mineração a céu aberto), dunas de areia, salinas e praias. Estradas de terra e cascalho também são consideradas áridas e têm pelo menos 10% de arbustos. |
Land_Cover_Raw_Probability_Grass-Forb-Herb |
metros | Probabilidade bruta modelada de LCMS de gramíneas/herbáceas/ervas. Definido como: a maioria dos pixels é composta de gramíneas perenes, ervas ou outras formas de vegetação herbácea. |
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix |
metros | Probabilidade bruta modelada de LCMS de Barren e Grass/Forb/Herb Mix. Definido como: a maioria dos pixels é composta de solo exposto por perturbações (por exemplo, solo descoberto por desmatamento mecânico ou colheita florestal), bem como áreas permanentemente áridas, como desertos, playas, afloramentos rochosos (incluindo minerais e outros materiais geológicos expostos por atividades de mineração de superfície), dunas de areia, salinas e praias. Estradas de terra e cascalho também são consideradas áridas e são compostas por pelo menos 10% de gramíneas perenes, ervas ou outras formas de vegetação herbácea. |
Land_Cover_Raw_Probability_Barren-or-Impervious |
metros | Probabilidade bruta modelada de LCMS de Barren ou Impervious. Definido como: a maioria dos pixels é composta por 1) solo exposto por perturbação (por exemplo, solo descoberto por limpeza mecânica ou colheita florestal), bem como áreas permanentemente áridas, como desertos, lagos secos, afloramentos rochosos (incluindo minerais e outros materiais geológicos expostos por atividades de mineração a céu aberto), dunas de areia, salinas e praias. Estradas de terra e cascalho também são consideradas áridas ou 2) materiais artificiais que a água não consegue penetrar, como estradas pavimentadas, telhados e estacionamentos. |
Land_Cover_Raw_Probability_Snow-or-Ice |
metros | Probabilidade bruta modelada de neve ou gelo do LCMS. Definido como: a maioria dos pixels é composta de neve ou gelo. |
Land_Cover_Raw_Probability_Water |
metros | Probabilidade bruta modelada de água do LCMS. Definido como: a maioria dos pixels é composta de água. |
Land_Use_Raw_Probability_Agriculture |
metros | Probabilidade bruta modelada de LCMS de agricultura. Definido como: terra usada para a produção de alimentos, fibras e combustíveis, que está em estado vegetado ou não vegetado. Isso inclui, mas não se limita a, plantações cultivadas e não cultivadas, pastagens, pomares, vinhedos, operações de pecuária confinada e áreas plantadas para produção de frutas, nozes ou frutas vermelhas. As vias usadas principalmente para fins agrícolas (ou seja, não usadas para transporte público de cidade a cidade) são consideradas uso agrícola do solo. |
Land_Use_Raw_Probability_Developed |
metros | Probabilidade bruta modelada de LCMS de "Desenvolvido". Definido como: terra coberta por estruturas feitas pelo homem (por exemplo, residencial de alta densidade, comercial, industrial, mineração ou transporte) ou uma mistura de vegetação (incluindo árvores) e estruturas (por exemplo, residencial de baixa densidade, gramados, instalações recreativas, cemitérios, corredores de transporte e utilidades etc.), incluindo qualquer terra funcionalmente alterada pela atividade humana. |
Land_Use_Raw_Probability_Forest |
metros | Probabilidade bruta modelada de LCMS de floresta. Definida como: terra plantada ou naturalmente vegetada que contém (ou provavelmente vai conter) 10% ou mais de cobertura de árvores em algum momento durante uma sequência sucessional de curto prazo. Isso pode incluir categorias decíduas, perenes e/ou mistas de florestas naturais, plantações florestais e pântanos arborizados. |
Land_Use_Raw_Probability_Non-Forest-Wetland |
metros | Probabilidade bruta modelada de LCMS de pântano não florestal. Definido como: terrenos adjacentes ou dentro de um lençol freático visível (saturado de forma permanente ou sazonal) dominado por arbustos ou plantas emergentes persistentes. Essas áreas úmidas podem estar localizadas na costa de lagos, canais de rios ou estuários, em planícies de inundação de rios, em bacias isoladas ou em encostas. Elas também podem aparecer como buracos de pradaria, valas de drenagem e tanques de água em paisagens agrícolas, além de ilhas no meio de lagos ou rios. Outros exemplos incluem pântanos, charcos, pântanos, atoleiros, muskegs, valas, turfeiras e bayous. |
Land_Use_Raw_Probability_Other |
metros | Probabilidade bruta modelada de LCMS de "Outro". Definido como: terra (independente do uso) em que a tendência espectral ou outras evidências sugerem que ocorreu uma perturbação ou um evento de mudança, mas não é possível determinar a causa definitiva ou o tipo de mudança não se enquadra em nenhuma das categorias de processo de mudança definidas acima. |
Land_Use_Raw_Probability_Rangeland-or-Pasture |
metros | Probabilidade bruta modelada de pastagem ou pasto do LCMS. Definida como: essa classe inclui qualquer área que seja a) Pastagem, onde a vegetação é uma mistura de gramíneas nativas, arbustos, ervas e plantas semelhantes a gramíneas, que surgem principalmente de fatores e processos naturais, como chuva, temperatura, altitude e fogo, embora o manejo limitado possa incluir queimadas controladas e pastoreio por herbívoros domésticos e selvagens; ou b.) Pastagem, onde a vegetação pode variar de gramíneas mistas, em grande parte naturais, ervas daninhas e ervas a vegetação mais manejada, dominada por espécies de gramíneas que foram semeadas e manejadas para manter quase monocultura. |
Mudar tabela de classes
| Valor | Cor | Descrição |
|---|---|---|
| 1 | #3d4551 | Estável |
| 2 | #f39268 | Perda lenta |
| 3 | #d54309 | Perda rápida |
| 4 | #00a398 | Ganho |
| 5 | #1b1716 | Máscara de área não processada |
Tabela de classes de cobertura da terra
| Valor | Cor | Descrição |
|---|---|---|
| 1 | #005e00 | Árvores |
| 2 | #008000 | Mistura de arbustos e árvores altas (somente SEAK) |
| 3 | #00cc00 | Mistura de arbustos e árvores |
| 4 | #b3ff1a | Mistura de gramíneas/herbáceas/ervas e árvores |
| 5 | #99ff99 | Barren & Trees Mix |
| 6 | #b30088 | Arbustos altos (somente no SEAK) |
| 7 | #e68a00 | Arbustos |
| 8 | #ffad33 | Mistura de gramíneas/herbáceas/ervas e arbustos |
| 9 | #ffe0b3 | Mistura de arbustos e vegetação rasteira |
| 10 | #ffff00 | Grama/forb/erva |
| 11 | #aa7700 | Mistura de ervas/forbs/gramíneas e áreas sem vegetação |
| 12 | #d3bf9b | Estéril ou impermeável |
| 13 | #ffffff | Neve ou gelo |
| 14 | #4780f3 | Água |
| 15 | #1b1716 | Máscara de área não processada |
Tabela de classes de uso do solo
| Valor | Cor | Descrição |
|---|---|---|
| 1 | #efff6b | Agricultura |
| 2 | #ff2ff8 | Desenvolvido |
| 3 | #1b9d0c | Floresta |
| 4 | #97ffff | Pântano não florestal |
| 5 | #a1a1a1 | Outro |
| 6 | #c2b34a | Campo ou pasto |
| 7 | #1b1716 | Máscara de área não processada |
Propriedades de imagens
Propriedades da imagem
| Nome | Tipo | Descrição |
|---|---|---|
| study_area | STRING | No momento, o LCMS abrange os EUA continentais e o sudeste do Alasca. Em breve, ele será expandido para incluir todos os estados e territórios dos EUA. Valores possíveis: "SEAK" ou "CONUS" |
Termos de Uso
Termos de Uso
O Serviço Florestal do USDA não oferece garantias, expressas ou implícitas, incluindo as garantias de comercialização e adequação a uma finalidade específica, nem assume qualquer responsabilidade legal pela precisão, confiabilidade, integridade ou utilidade desses dados geoespaciais ou pelo uso inadequado ou incorreto deles. Esses dados geoespaciais e mapas ou gráficos relacionados não são documentos legais e não devem ser usados como tal. Os dados e mapas não podem ser usados para determinar título, propriedade, descrições ou limites legais, jurisdição ou restrições que possam estar em vigor em terras públicas ou privadas. Os riscos naturais podem ou não ser representados nos dados e mapas, e os usuários de terra precisam ter cautela. Os dados são dinâmicos e podem mudar com o tempo. O usuário é responsável por verificar as limitações dos dados geoespaciais e usá-los de acordo com elas.
Esses dados foram coletados com financiamento do governo dos EUA e podem ser usados sem permissões ou taxas adicionais. Se você usar esses dados em uma publicação, apresentação ou outro produto de pesquisa, use a seguinte citação:
USDA Forest Service. 2021. USFS Landscape Change Monitoring System versão 2020.5. Salt Lake City, Utah.
Citações
USDA Forest Service. 2021. USFS Landscape Change Monitoring System, versão 2020.5. Salt Lake City, Utah.
Explorar com o Earth Engine
Editor de código (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);