USFS Landscape Change Monitoring System v2020.5 (Conterminous United States and Southeastern Alaska) [deprecated]

USFS/GTAC/LCMS/v2020-5
Доступность набора данных
1985-06-01T00:00:00Z–2020-09-30T00:00:00Z
Поставщик набора данных
Фрагмент кода Earth Engine
ee.ImageCollection("USFS/GTAC/LCMS/v2020-5")
Теги
Изменять
change-detection
лес
gtac
почвенно-растительный покров
landsat-derived
землепользование
landuse-landcover
lcms
redcastle-resources
rmrs
sentinel2-derived
временной ряд
usda
usfs

Описание

Этот продукт является частью набора данных Системы мониторинга изменений ландшафта (LCMS). Она показывает смоделированные LCMS изменения, почвенный покров и/или классы землепользования для каждого года. Эта версия LCMS охватывает континентальную часть США и юго-восточную Аляску.

LCMS – это система дистанционного зондирования для картографирования и мониторинга изменений ландшафта на территории США. Цель проекта – разработать согласованный подход с использованием новейших технологий и достижений в области обнаружения изменений, чтобы создать "наилучшую доступную" карту изменений ландшафта.

Выходные данные включают три ежегодных продукта: изменения, почвенный покров и землепользование. Изменения касаются растительного покрова и включают медленную потерю, быструю потерю (которая также включает гидрологические изменения, такие как затопление или высыхание) и прирост. Эти значения прогнозируются для каждого года временного ряда Landsat и служат основой для LCMS. Карты почвенно-растительного покрова и землепользования отражают почвенно-растительный покров на уровне жизненных форм и землепользование на широком уровне для каждого года.

Поскольку ни один алгоритм не работает лучше всего во всех ситуациях, LCMS использует ансамбль моделей в качестве предикторов, что повышает точность карты в ряде экосистем и процессов изменений (Healey et al., 2018). Полученный набор карт изменений, почвенного покрова и землепользования LCMS дает целостное представление об изменениях ландшафта в США за последние четыре десятилетия.

Слои прогнозирования для модели LCMS включают годовые композиты Landsat и Sentinel 2, выходные данные алгоритмов обнаружения изменений LandTrendr и CCDC, а также информацию о рельефе. Доступ к этим компонентам и их обработка осуществляются с помощью Google Earth Engine (Gorelick et al., 2017).

Для создания годовых композитных изображений используются алгоритмы cFmask (Zhu and Woodcock 2012), cloudScore и TDOM (Chastain et al., 2019) методы маскирования облаков и теней облаков применяются к данным об отражательной способности верхней границы атмосферы Landsat Tier 1 и Sentinel 2a и 2b Level-1C. Затем вычисляется годовой медоид, чтобы обобщить каждый год в единый композит.

Составной временной ряд сегментируется по времени с помощью LandTrendr (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).

Все значения, не относящиеся к облакам и их теням, также сегментируются по времени с помощью алгоритма CCDC (Zhu and Woodcock, 2014).

В качестве независимых переменных-предикторов в модели Random Forest (Breiman, 2001) используются необработанные составные значения, подобранные значения LandTrendr, попарные различия, продолжительность сегмента, величина изменения и наклон, а также синусоидальные и косинусоидальные коэффициенты CCDC на 1 сентября (первые 3 гармоники), подобранные значения и попарные различия, а также высота, наклон, синус аспекта, косинус аспекта и индексы топографического положения (Weiss, 2001) из Национального набора данных о высоте (NED).

Контрольные данные собираются с помощью TimeSync – веб-инструмента, который помогает аналитикам визуализировать и интерпретировать данные Landsat с 1984 года по настоящее время (Cohen et al., 2010).

Дополнительные ресурсы

Если у вас есть вопросы или вам нужны определенные данные, напишите на адрес sm.fs.lcms@usda.gov.

  • Breiman, L., 2001. Машинное обучение. Springer, 45(3): 261-277 doi:10.1023/a:1017934522171

  • Chastain, R., Housman, I., Goldstein, J., Finco, M., and Tenneson, K., 2019 г. Эмпирическое сравнение спектральных характеристик верхней границы атмосферы над континентальной частью США, полученных с помощью датчиков Sentinel-2A и 2B MSI, Landsat-8 OLI и Landsat-7 ETM. In 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 – инструменты для калибровки и проверки. 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. П. Kennedy, R. E., and Gorelick, N., 2018 г. Мультиспектральный ансамбль LandTrendr для обнаружения нарушений в лесах. In Remote Sensing of Environment. Science Direct, 205: 131-140 doi:10.1016/j.rse.2017.11.015

  • Healey, S. П. 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., and Zhu, Z., 2018 г. Картирование изменений лесного покрова с помощью стекинга: ансамблевый подход. In 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. Выявление тенденций в нарушении и восстановлении лесов с использованием ежегодных временных рядов Landsat: 1. LandTrendr – алгоритмы временной сегментации. 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., and Healey, S., 2018 г. Реализация алгоритма LandTrendr в Google Earth Engine. In Remote Sensing. MDPI, 10(5): 691 doi:10.3390/rs10050691

  • Weiss, A.D., 2001. Topographic position and landforms analysis Poster Presentation, ESRI Users Conference, San Diego, CA.

  • Zhu, Z., and Woodcock, C. E. (2012). Обнаружение облаков и их теней на снимках Landsat на основе объектов. In Remote Sensing of Environment. Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028

  • Zhu, Z., and Woodcock, C. E., 2014 г. Непрерывное обнаружение изменений и классификация почвенного покрова с использованием всех доступных данных Landsat. In Remote Sensing of Environment. Science Direct, 144: 152-171 doi:10.1016/j.rse.2014.01.011

Диапазоны частот

Диапазоны частот

Размер пикселя: 30 метров (все диапазоны)

Название Размер пикселя Описание
Change 30 метров

Final thematic LCMS change product. Для каждого года на карте отмечены три класса изменений: медленная потеря, быстрая потеря и прирост. Каждый класс прогнозируется с помощью отдельной модели случайного леса, которая выводит вероятность (долю деревьев в модели случайного леса) того, что пиксель принадлежит к этому классу. Из-за этого отдельные пиксели имеют три разных выходных данных модели для каждого года. Итоговые классы присваиваются классу изменений с наибольшей вероятностью, которая также превышает заданный порог. Пиксели, значения которых не превышают пороговые, относятся к классу Stable.
Land_Cover 30 метров

Итоговый тематический продукт LCMS по почвенно-растительному покрову. Всего на карте ежегодно отображается 14 классов почвенно-растительного покрова. Для этого используются контрольные данные TimeSync и спектральная информация, полученная из снимков Landsat. Каждый класс прогнозируется с помощью отдельной модели случайного леса, которая выводит вероятность (долю деревьев в модели случайного леса) того, что пиксель принадлежит к этому классу. Поэтому для каждого пикселя за каждый год есть 14 разных выходных данных модели, а окончательные классы присваиваются земному покрову с наибольшей вероятностью. Семь из 14 классов указывают на один тип покрытия, который занимает большую часть площади пикселя, при этом ни один другой класс не занимает более 10% пикселя. Также есть семь смешанных классов. Они представляют пиксели, в которых дополнительный класс растительного покрова занимает не менее 10% пикселя.
Land_Use 30 метров

Итоговый тематический продукт LCMS по землепользованию. Всего на ежегодной основе на карту наносится 6 классов землепользования с использованием справочных данных TimeSync и спектральной информации, полученной из снимков Landsat. Каждый класс прогнозируется с помощью отдельной модели Random Forest, которая выводит вероятность (долю деревьев в модели Random Forest) того, что пиксель принадлежит к этому классу. Поэтому для каждого пикселя есть шесть разных выходных данных модели за каждый год, а окончательные классы присваиваются землепользованию с наибольшей вероятностью.
Change_Raw_Probability_Slow_Loss 30 метров

Необработанная вероятность медленной потери, смоделированная LCMS. Определение. Медленная потеря включает следующие классы из интерпретации процесса изменения TimeSync:

  • Структурный упадок – земля, на которой деревья или другая древесная растительность физически изменены неблагоприятными условиями выращивания, вызванными неантропогенными или немеханическими факторами. Такой тип потерь обычно создает тренд в спектральных сигналах (например, NDVI уменьшается, влажность уменьшается, SWIR увеличивается и т. д.), однако тренд может быть едва заметным. Структурный упадок происходит в среде древесной растительности, скорее всего, из-за насекомых, болезней, засухи, кислотных дождей и т. д. Структурный упадок может включать в себя дефолиацию, которая не приводит к гибели, например, при заражении непарным шелкопрядом и еловой листоверткой-почкоедом, которые могут восстановиться в течение 1 или 2 лет.

  • Спектральный спад – график, на котором спектральный сигнал показывает тенденцию в одной или нескольких спектральных полосах или индексах (например, уменьшение NDVI, уменьшение влажности, увеличение SWIR и т. д.). Примеры: а) нелесная/недревесная растительность демонстрирует тенденцию к упадку (например, снижение NDVI, снижение влажности, увеличение SWIR и т. д.); б) древесная растительность демонстрирует тенденцию к упадку, которая не связана с потерей древесной растительности, например когда кроны зрелых деревьев закрываются, что приводит к увеличению затенения, когда видовой состав меняется с хвойных на лиственные породы или когда засушливый период (в отличие от более сильной, более острой засухи) вызывает очевидное снижение жизнеспособности, но не потерю древесного материала или площади листьев.
Change_Raw_Probability_Fast_Loss 30 метров

Вероятность быстрой потери, смоделированная на основе необработанных данных LCMS. Определение. Быстрая потеря включает следующие классы из интерпретации процесса изменения TimeSync:

  • Пожар – земля, пострадавшая от пожара, независимо от причины возгорания (природной или антропогенной), тяжести или землепользования.

  • Вырубка – лесной участок, на котором деревья, кустарники или другая растительность были срублены или удалены антропогенными средствами. Примеры: сплошная рубка, санитарная рубка после пожара или нашествия насекомых, прореживание и другие лесохозяйственные мероприятия (например, постепенная рубка или рубка с оставлением семенников).

  • Механическая. Нелесные земли, на которых деревья, кустарники или другая растительность были механически срезаны или удалены с помощью цепей, скребков, пил, бульдозеров или любых других методов удаления нелесной растительности.

  • Ветер/лед – земля (независимо от использования), где растительность изменена ветром от ураганов, торнадо, штормов и других экстремальных погодных условий, включая ледяной дождь от ледяных штормов.

  • Гидрология – земля, на которой наводнение значительно изменило древесный покров или другие элементы почвенного покрова независимо от землепользования (например, новые смеси гравия и растительности в руслах ручьев и вокруг них после наводнения).

  • Обломки – земля (независимо от использования), измененная в результате естественного движения материалов, связанного с оползнями, лавинами, вулканами, селями и т. д.

  • Другое – земля (независимо от использования), где спектральный тренд или другие подтверждающие данные указывают на то, что произошло нарушение или изменение, но окончательную причину определить невозможно или тип изменения не соответствует ни одной из категорий процесса изменения, определенных выше.
Change_Raw_Probability_Gain 30 метров

Необработанная вероятность увеличения, смоделированная LCMS. Определение: земля, на которой растительный покров увеличивается за счет роста и сукцессии в течение одного или нескольких лет. Применимо к любым областям, в которых могут наблюдаться спектральные изменения, связанные с восстановлением растительности. В застроенных районах рост может быть обусловлен созреванием растительности и/или новыми газонами и ландшафтным дизайном. В лесах рост включает в себя рост растительности на голой земле, а также рост промежуточных и содоминирующих деревьев и/или низколежащих трав и кустарников. Сегменты роста/восстановления, зарегистрированные после вырубки леса, скорее всего, будут переходить в разные классы растительного покрова по мере восстановления леса. Чтобы эти изменения считались ростом/восстановлением, спектральные значения должны точно соответствовать линии тренда роста (например, положительному наклону, который, если его продлить примерно до 20 лет, будет составлять порядка 0,10 единиц NDVI), который сохраняется в течение нескольких лет.
Land_Cover_Raw_Probability_Trees 30 метров

Необработанные данные LCMS о вероятности наличия деревьев. Определение: большую часть пикселя занимают живые или стоящие мертвые деревья.
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix 30 метров

Необработанная вероятность смешанных высоких кустарников и деревьев, смоделированная LCMS (только Юго-Восточная Аляска). Определение: большая часть пикселя состоит из кустарников высотой более 1 м, а также не менее 10% живых или стоящих мертвых деревьев.
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix 30 метров

Необработанные данные LCMS, смоделированная вероятность для смешанных кустарников и деревьев. Определение: большая часть пикселя состоит из кустарников, а также не менее 10% живых или стоящих мертвых деревьев.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix 30 метров

Необработанная вероятность смешанного покрова (злаки, разнотравье, травы и деревья), смоделированная LCMS. Определение: большую часть пикселя занимают многолетние травы, разнотравье или другие формы травянистой растительности, а также не менее 10% живых или стоящих мертвых деревьев.
Land_Cover_Raw_Probability_Barren-and-Trees-Mix 30 метров

Необработанные данные LCMS, смоделированная вероятность для категорий "Пустошь" и "Смешанный лес". Определение: большая часть пикселя состоит из обнаженной почвы, подвергшейся воздействию (например, почвы, открытой в результате механической расчистки или вырубки леса), а также многолетних бесплодных территорий, таких как пустыни, пляжи, скальные выходы (включая минералы и другие геологические материалы, обнаженные в результате открытых горных работ), песчаные дюны, солончаки и пляжи. Грунтовые и гравийные дороги также считаются бесплодными землями. На них должно быть не менее 10% живых или стоящих мертвых деревьев.
Land_Cover_Raw_Probability_Tall-Shrubs 30 метров

Необработанная вероятность высоких кустарников, смоделированная LCMS (только Юго-Восточная Аляска). Определение: большую часть пикселя занимают кустарники высотой более 1 м.
Land_Cover_Raw_Probability_Shrubs 30 метров

Необработанная смоделированная вероятность кустарников по данным LCMS. Определение: большую часть пикселя занимают кустарники.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix 30 метров

Необработанные данные LCMS о вероятности наличия травянистых растений и кустарников. Определение: большую часть пикселя занимают многолетние травы, разнотравье или другие формы травянистой растительности, а также не менее 10% кустарников.
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix 30 метров

Необработанная смоделированная вероятность наличия бесплодных земель и кустарников по данным LCMS. Определение: большая часть пикселя состоит из обнаженной почвы, подвергшейся воздействию (например, почвы, открытой в результате механической расчистки или вырубки леса), а также многолетних бесплодных территорий, таких как пустыни, пляжи, скальные выходы (включая минералы и другие геологические материалы, обнаженные в результате открытых горных работ), песчаные дюны, солончаки и пляжи. Грунтовые и гравийные дороги также считаются бесплодными землями и содержат не менее 10% кустарников.
Land_Cover_Raw_Probability_Grass-Forb-Herb 30 метров

Необработанная смоделированная LCMS вероятность наличия травы, разнотравья и травянистых растений. Определение: большая часть пикселя состоит из многолетних трав, разнотравья или других форм травянистой растительности.
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix 30 метров

Необработанная вероятность наличия пустошей и травянистых растений, смоделированная LCMS. Определение: большая часть пикселя состоит из обнаженной почвы, подвергшейся воздействию (например, почвы, открытой в результате механической расчистки или вырубки леса), а также многолетних бесплодных территорий, таких как пустыни, пляжи, скальные выходы (включая минералы и другие геологические материалы, обнаженные в результате открытых горных работ), песчаные дюны, солончаки и пляжи. Грунтовые и гравийные дороги также считаются бесплодными землями и состоят как минимум на 10% из многолетних трав, разнотравья или других форм травянистой растительности.
Land_Cover_Raw_Probability_Barren-or-Impervious 30 метров

Необработанная вероятность того, что территория является бесплодной или непроницаемой, смоделированная LCMS. Определение: большая часть пикселя состоит из 1) голой почвы, обнаженной в результате вмешательства (например, почвы, открытой в результате механической расчистки или вырубки леса), а также постоянно бесплодных участков, таких как пустыни, пляжи, скальные выходы (включая минералы и другие геологические материалы, обнаженные в результате открытых горных работ), песчаные дюны, солончаки и пляжи. Грунтовые и гравийные дороги также считаются бесплодными. 2) Искусственные материалы, через которые не может проникнуть вода, например асфальтированные дороги, крыши и парковки.
Land_Cover_Raw_Probability_Snow-or-Ice 30 метров

Необработанная смоделированная вероятность снега или льда по данным LCMS. Определение: большая часть пикселя состоит из снега или льда.
Land_Cover_Raw_Probability_Water 30 метров

Необработанная вероятность наличия воды, смоделированная LCMS. Определение: большая часть пикселя состоит из воды.
Land_Use_Raw_Probability_Agriculture 30 метров

Необработанные данные LCMS о вероятности наличия сельскохозяйственных земель. Определение: земля, используемая для производства продуктов питания, волокон и топлива, которая находится в растительном или нерастительном состоянии. К ним относятся, помимо прочего, обрабатываемые и необрабатываемые пахотные земли, сенокосные угодья, сады, виноградники, животноводческие фермы и территории, засаженные фруктовыми деревьями, орехами или ягодами. Дороги, используемые в основном для сельскохозяйственных целей (т.е. не используемые для общественного транспорта из города в город), считаются сельскохозяйственными землями.
Land_Use_Raw_Probability_Developed 30 метров

Необработанная смоделированная вероятность застройки по данным LCMS. Определение: земля, покрытая искусственными сооружениями (например, жилыми домами высокой плотности, коммерческими, промышленными, горнодобывающими или транспортными объектами) или смесью растительности (включая деревья) и сооружений (например, жилыми домами низкой плотности, газонами, рекреационными объектами, кладбищами, транспортными и коммунальными коридорами и т. д.), включая любые земли, функционально измененные в результате деятельности человека.
Land_Use_Raw_Probability_Forest 30 метров

Необработанные данные LCMS о вероятности наличия лесного покрова. Определение: земля, на которой высажены или растут естественным образом деревья, которые в ближайшее время могут обеспечить тень от деревьев на 10% или более площади. К ним могут относиться лиственные, вечнозеленые и/или смешанные естественные леса, лесные плантации и лесистые водно-болотные угодья.
Land_Use_Raw_Probability_Non-Forest-Wetland 30 метров

Необработанная вероятность наличия безлесного водно-болотного угодья, смоделированная LCMS. Земли, прилегающие к видимому уровню грунтовых вод или находящиеся в его пределах (постоянно или сезонно насыщенные), на которых преобладают кустарники или стойкие эмердженты. Эти водно-болотные угодья могут быть расположены на берегах озер, речных каналов или устьев рек, в поймах рек, в изолированных водосборах или на склонах. Они также могут встречаться в виде прерийных выбоин, дренажных канав и прудов для скота в сельскохозяйственных ландшафтах, а также в виде островов посреди озер или рек. Другие примеры включают болота, трясины, топи, топи, мускеги, болота, болота и заливы.
Land_Use_Raw_Probability_Other 30 метров

Необработанная смоделированная вероятность LCMS для категории "Другое". Земля (независимо от использования), где спектральный тренд или другие подтверждающие данные указывают на то, что произошло нарушение или изменение, но окончательную причину определить невозможно или тип изменения не соответствует ни одной из категорий процесса изменения, определенных выше.
Land_Use_Raw_Probability_Rangeland-or-Pasture 30 метров

Необработанная смоделированная LCMS вероятность того, что это пастбище или пастбищные угодья. Определение. К этому классу относятся любые области, которые: а) Пастбища, где растительность представляет собой смесь местных трав, кустарников, разнотравья и травянистых растений, в основном возникающих в результате природных факторов и процессов, таких как осадки, температура, высота над уровнем моря и пожары, хотя ограниченное управление может включать предписанное сжигание, а также выпас домашних и диких травоядных животных; или б.) Пастбища, растительность на которых может варьироваться от смешанных, в основном естественных трав, разнотравья и травянистых растений до более управляемой растительности с преобладанием травянистых видов, которые были посеяны и управляются для поддержания почти монокультуры.

Изменить таблицу классов

Значение Цвет Описание
1 #3d4551

Без изменений
2 #f39268

Медленное снижение веса
3 #d54309

Быстрая потеря веса
4 #00a398

Увеличить
5 #1b1716

Маска области, не подлежащей обработке

Таблица классов Land_Cover

Значение Цвет Описание
1 #005e00

Деревья
2 #008000

Смесь высоких кустарников и деревьев (только для Юго-Восточной Аляски)
3 #00cc00

Кустарники и деревья
4 #b3ff1a

Смесь трав и деревьев
5 #99ff99

Пустыри и деревья
6 #b30088

Высокие кустарники (только в Юго-Восточной Азии и Корее)
7 #e68a00

Кусты
8 #ffad33

Смесь трав и кустарников
9 #ffe0b3

Пустыри и кустарники
10 #ffff00

Трава/разнотравье/зелень
11 #aa7700

Пустошь и смесь трав/разнотравья/травянистых растений
12 #d3bf9b

Бесплодная или непроницаемая почва
13 #ffffff

Снег или гололед
14 #4780f3

Вода
15 #1b1716

Маска области, не подлежащей обработке

Таблица классов землепользования

Значение Цвет Описание
1 #efff6b

Сельское хозяйство
2 #ff2ff8

Разработано
3 #1b9d0c

Лес
4 #97ffff

Заболоченная местность без леса
5 #a1a1a1

Другое
6 #c2b34a

Пастбище
7 #1b1716

Маска области, не подлежащей обработке

Свойства изображения

Свойства изображения

Название Тип Описание
study_area STRING

В настоящее время LCMS охватывает континентальную часть США и юго-восточную Аляску. В ближайшем будущем мы планируем расширить ее на все штаты и территории США.

Возможные значения: SEAK или CONUS.

Условия использования

Условия использования

Лесная служба Министерства сельского хозяйства США не дает никаких явных или подразумеваемых гарантий, в том числе касательно товарной пригодности или пригодности для определенных целей, и не несет юридической ответственности за точность, надежность, полноту или полезность этих геопространственных данных, а также за их ненадлежащее или неправильное использование. Эти геопространственные данные и связанные с ними карты или графические материалы не являются юридическими документами и не предназначены для использования в качестве таковых. Данные и карты не могут использоваться для определения права собственности, юридических описаний или границ, юрисдикции или ограничений, которые могут действовать на государственных или частных землях. На картах и в данных могут быть не указаны природные опасности, поэтому пользователям следует соблюдать осторожность. Данные динамичны и могут меняться со временем. Пользователь должен самостоятельно проверить ограничения геопространственных данных и использовать их соответствующим образом.

Эти данные были собраны на средства правительства США и могут использоваться без дополнительных разрешений и платы. Если вы используете эти данные в публикации, презентации или другом исследовательском продукте, укажите следующую цитату:

Лесная служба США. 2021 г. USFS Landscape Change Monitoring System, версия 2020.5. Солт-Лейк-Сити, штат Юта.

Библиографические ссылки

Источники:

  • Лесная служба США. 2021 г. USFS Landscape Change Monitoring System, версия 2020.5. Солт-Лейк-Сити, Юта.

Исследуйте с помощью Earth Engine

Редактор кода (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);
Открыть в редакторе кода
Этот продукт является частью набора данных Системы мониторинга изменений ландшафта (LCMS). Она показывает смоделированные LCMS изменения, почвенный покров и/или классы землепользования для каждого года. Эта версия LCMS охватывает континентальные штаты США и юго-восточную Аляску. LCMS – это система дистанционного зондирования для картографирования и мониторинга ландшафта…
USFS/GTAC/LCMS/v2020-5, change,change-detection,forest,gtac,landcover,landsat-derived,landuse,landuse-landcover,lcms,redcastle-resources,rmrs,sentinel2-derived,time-series,usda,usfs
1985-06-01T00:00:00Z/2020-09-30T00:00:00Z
20.38379 -135.286387 52.459364 -56.446306
Google Earth Engine