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
Производитель наборов данных
Фрагмент кода земляного двигателя
ee.ImageCollection("USFS/GTAC/LCMS/v2020-5")
Теги
изменять
обнаружение изменений
лес
gtac
земельный покров
данные, полученные со спутника Landsat
землепользование
землепользование-землепокрытие
лкм
redcastle-resources
rmrs
sentinel2-derived
временной ряд
USDA
USFS

Описание

Этот продукт является частью пакета данных Системы мониторинга изменений ландшафта (LCMS). Он отображает смоделированные в рамках LCMS изменения, землепользование и/или классы землепользования за каждый год. Данная версия LCMS охватывает континентальную часть Соединенных Штатов (CONUS) и юго-восточную Аляску (SEAK).

LCMS — это система дистанционного зондирования для картирования и мониторинга изменений ландшафта на территории Соединенных Штатов. Ее цель — разработка согласованного подхода с использованием новейших технологий и достижений в области обнаружения изменений для создания «наилучшей из доступных» карт изменений ландшафта.

Результаты включают три ежегодных продукта: изменение, растительный покров и землепользование. Изменение относится конкретно к растительному покрову и включает 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 растительного покрова и землепользования отображают растительный покров на уровне жизненных форм и землепользование в целом для каждого года.

Поскольку ни один алгоритм не обеспечивает наилучших результатов во всех ситуациях, LCMS использует ансамбль моделей в качестве предикторов, что повышает точность карт в различных экосистемах и процессах изменений (Healey et al., 2018). Полученный набор карт изменений, землепользования и растительного покрова, созданных с помощью LCMS, предлагает целостное представление об изменениях ландшафта на территории Соединенных Штатов за последние четыре десятилетия.

В качестве прогностических слоев для модели LCMS используются ежегодные композитные изображения Landsat и Sentinel 2, результаты работы алгоритмов обнаружения изменений LandTrendr и CCDC, а также информация о рельефе местности. Доступ ко всем этим компонентам и их обработка осуществляются с помощью Google Earth Engine (Gorelick et al., 2017).

Для создания годовых композитов к данным отражательной способности верхней границы атмосферы со спутников Landsat Tier 1 и Sentinel 2a и 2b Level-1C применяются методы маскирования облаков и теней от облаков cFmask (Zhu and Woodcock 2012), cloudScore и TDOM (Chastain et al., 2019). Затем вычисляется годовой медианный показатель, который суммирует данные за 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, свободные от облаков и теней, также сегментируются по времени с использованием алгоритма CCDC (Zhu and Woodcock, 2014).

Исходные составные значения, подобранные значения LandTrendr, попарные различия, продолжительность сегмента, величина изменения и наклон, а также синусоидальные и косинусоидальные коэффициенты CCDC от 1 сентября (первые 3 гармоники), подобранные значения и попарные различия, наряду с высотой, наклоном, синусом экспозиции, косинусом экспозиции и индексами топографического положения (Weiss, 2001) из Национального набора данных о высотах (NED), используются в качестве независимых переменных-предикторов в модели случайного леса (Breiman, 2001).

Справочные 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

По всем вопросам или запросам на предоставление конкретных данных обращайтесь по адресу [sm.fs.lcms@usda.gov].

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

  • Частейн, Р., Хаусман, И., Голдштейн, Дж., Финко, М., и Теннесон, К., 2019. Эмпирическое сравнение спектральных характеристик верхней границы атмосферы на спутниках Sentinel-2A и 2B MSI, Landsat-8 OLI и Landsat-7 ETM над континентальной частью Соединенных Штатов. В книге «Дистанционное зондирование окружающей среды». Science Direct , 221: 274-285 doi:10.1016/j.rse.2018.11.012

  • Коэн, В.Б., Янг, З., и Кеннеди, Р., 2010. Выявление тенденций в нарушении и восстановлении лесов с использованием ежегодных временных рядов Landsat: 2. TimeSync — инструменты для калибровки и проверки. В книге «Дистанционное зондирование окружающей среды». Science Direct , 114(12): 2911-2924 doi:10.1016/j.rse.2010.07.010

  • Коэн, В.Б., Янг, З., Хили, С.П., Кеннеди, Р.Е. и Горелик, Н., 2018. Многоспектральный ансамбль LandTrendr для обнаружения нарушений в лесных массивах. В книге «Дистанционное зондирование окружающей среды». Science Direct , 205: 131-140 doi:10.1016/j.rse.2017.11.015

  • Хили, С.П., Коэн, В.Б., Янг, З., Кеннет Брюэр, К., Брукс, Э.Б., Горелик, Н., Эрнандес, А.Дж., Хуанг, К., Джозеф Хьюз, М., Кеннеди, Р.Е., Ловеланд, Т.Р., Мойзен, Г.Г., Шредер, Т.А., Штеман, С.В., Фогельманн, Дж.Е., Вудкок, К.Е., Янг, Л., и Чжу, З., 2018. Картирование изменений лесов с использованием многоуровневой генерализации: ансамблевый подход. В книге «Дистанционное зондирование окружающей среды». Science Direct , 204: 717-728 doi:10.1016/j.rse.2017.09.029

  • Кеннеди, Р. Э., Янг, З., и Коэн, В. Б., 2010. Выявление тенденций в нарушении и восстановлении лесов с использованием ежегодных временных рядов Landsat: 1. LandTrendr - алгоритмы временной сегментации. В книге «Дистанционное зондирование окружающей среды». Science Direct , 114(12): 2897-2910 doi:10.1016/j.rse.2010.07.008

  • Кеннеди, Р., Янг, З., Горелик, Н., Браатен, Дж., Кавальканте, Л., Коэн, В. и Хили, С., 2018. Реализация алгоритма LandTrendr на Google Earth Engine. В журнале Remote Sensing. MDPI , 10(5): 691 doi:10.3390/rs10050691

  • Вайсс, А.Д., 2001. Анализ топографического положения и форм рельефа. Постерная презентация на конференции пользователей ESRI, Сан-Диего, Калифорния.

  • Чжу, З., и Вудкок, К.Е. (2012). Обнаружение облаков и теней от облаков на основе объектов на изображениях Landsat. В книге «Дистанционное зондирование окружающей среды». Science Direct , 118: 83-94 doi:10.1016/j.rse.2011.10.028

  • Чжу, З., и Вудкок, К.Е., 2014. Непрерывное обнаружение изменений и классификация земельного покрова с использованием всех доступных данных Landsat. В книге «Дистанционное зондирование окружающей среды». Science Direct , 144: 152-171 doi:10.1016/j.rse.2014.01.011

Группы

Размер пикселя
30 метров

Группы

Имя Размер пикселя Описание
Change метры

Итоговый тематический продукт LCMS по изменениям. Для каждого года отображается три класса изменений (медленная потеря, быстрая потеря и прирост). Для каждого класса используется отдельная модель случайного леса, которая выдает вероятность (долю деревьев в модели случайного леса) принадлежности пикселя к этому классу. Из-за этого отдельные пиксели имеют три разных результата модели для каждого года. Итоговые классы присваиваются классу изменений с наибольшей вероятностью, которая также превышает заданный порог. Любой пиксель, значение которого не превышает порога для каждого класса, относится к стабильному классу.

Land_Cover метры

Итоговый тематический продукт LCMS по землепользованию. Ежегодно картируется в общей сложности 14 классов землепользования с использованием эталонных данных TimeSync и спектральной информации, полученной из изображений Landsat. Для каждого класса прогнозируется отдельная модель случайного леса, которая выдает вероятность (долю деревьев в модели случайного леса) принадлежности пикселя к этому классу. Из-за этого отдельные пиксели имеют 14 различных результатов модели для каждого года, и окончательные классы присваиваются землепользованию с наибольшей вероятностью. Семь из 14 классов землепользования указывают на один тип землепользования, где этот тип покрывает большую часть площади пикселя, и ни один другой класс не покрывает более 10% пикселя. Также есть семь смешанных классов. Они представляют собой пиксели, в которых дополнительный класс землепользования покрывает не менее 10% пикселя.

Land_Use метры

Итоговый тематический продукт LCMS по землепользованию. Ежегодно наносится карта 6 классов землепользования с использованием эталонных данных TimeSync и спектральной информации, полученной из изображений Landsat. Для каждого класса прогнозируется отдельная модель случайного леса, которая выдает вероятность (долю деревьев в модели случайного леса) принадлежности пикселя к этому классу. В результате каждый пиксель имеет 6 различных результатов модели за каждый год, и окончательные классы присваиваются землепользованию с наибольшей вероятностью.

Change_Raw_Probability_Slow_Loss метры

Исходная смоделированная вероятность медленной потери данных в LCMS. Определяется следующим образом: медленная потеря данных включает следующие классы в соответствии с интерпретацией процесса изменения TimeSync:

  • Структурный упадок — это состояние почвы, где деревья или другая древесная растительность физически изменены неблагоприятными условиями произрастания, вызванными неантропогенными или немеханическими факторами. Этот тип потерь, как правило, должен создавать тенденцию в спектральном сигнале (сигналах) (например, снижение NDVI, снижение влажности, увеличение SWIR и т. д.), однако эта тенденция может быть незначительной. Структурный упадок происходит в средах с древесной растительностью, чаще всего из-за насекомых, болезней, засухи, кислотных дождей и т. д. Структурный упадок может включать в себя случаи опадения листьев, не приводящие к гибели растений, такие как заражение непарным шелкопрядом и еловой листоверткой, после чего растительность может восстановиться в течение 1-2 лет.

  • Спектральное снижение — это график, на котором спектральный сигнал демонстрирует тенденцию в одном или нескольких спектральных диапазонах или индексах (например, снижение NDVI, снижение влажности, увеличение SWIR и т. д.). Примеры включают случаи, когда: а) нелесная/недревесная растительность демонстрирует тенденцию, указывающую на снижение (например, снижение NDVI, снижение влажности, увеличение SWIR и т. д.), или б) древесная растительность демонстрирует тенденцию к снижению, не связанную с потерей древесной растительности, например, когда смыкаются кроны зрелых деревьев, что приводит к увеличению затенения, когда видовой состав меняется с хвойных на лиственные породы, или когда засушливый период (в отличие от более сильной, острой засухи) вызывает видимое снижение жизнеспособности, но не приводит к потере древесного материала или листовой поверхности.

Change_Raw_Probability_Fast_Loss метры

Исходные данные о вероятности быстрой потери синхронизации, полученные с помощью модели LCMS. Определение: Быстрая потеря синхронизации включает следующие классы согласно интерпретации процесса изменения TimeSync:

  • Пожар — это изменение земель в результате пожара, независимо от причины возгорания (природная или антропогенная), интенсивности или землепользования.

  • Вырубка – это рубка лесных массивов, где деревья, кустарники или другая растительность были вырублены или удалены в результате антропогенной деятельности. Примеры включают сплошную рубку, санитарную рубку после пожаров или нашествий насекомых, прореживание и другие методы управления лесами (например, выборочная рубка/вырубка семенных деревьев).

  • Механическая обработка — нелесные участки, где деревья, кустарники или другая растительность были механически удалены или срублены с помощью цепей, сгребания, распиловки кустарника, бульдозеров или любых других методов удаления нелесной растительности.

  • Ветер/лед — это территория (независимо от назначения), где растительность изменяется под воздействием ветра, вызванного ураганами, торнадо, штормами и другими суровыми погодными явлениями, включая ледяной дождь от ледяных бурь.

  • Гидрология — это земли, где наводнение существенно изменило древесный покров или другие элементы растительного покрова независимо от землепользования (например, новые смеси гравия и растительности в руслах рек и вокруг них после наводнения).

  • Обломки — это земли (независимо от их использования), измененные естественным движением материала, связанным с оползнями, лавинами, вулканами, селевыми потоками и т. д.

  • Прочее - Земля (независимо от использования), где спектральная тенденция или другие подтверждающие данные указывают на то, что произошло нарушение или изменение, но окончательная причина не может быть установлена, или тип изменения не соответствует ни одной из категорий процесса изменения, определенных выше.

Change_Raw_Probability_Gain метры

Исходные данные модели LCMS о вероятности увеличения растительного покрова. Определяется как: увеличение растительного покрова на земельных участках в результате роста и сукцессии в течение одного или более лет. Применимо к любым территориям, где могут наблюдаться спектральные изменения, связанные с восстановлением растительности. На застроенных территориях рост может быть результатом созревания растительности и/или создания новых газонов и ландшафтного дизайна. В лесах рост включает в себя рост растительности с голой земли, а также перекрытие промежуточных и содоминирующих деревьев и/или низкорослых трав и кустарников. Сегменты роста/восстановления, зафиксированные после лесозаготовки, вероятно, будут переходить через различные классы растительного покрова по мере восстановления леса. Для того чтобы эти изменения считались ростом/восстановлением, спектральные значения должны точно соответствовать восходящей линии тренда (например, положительный наклон, который, если его продлить до ~20 лет, будет порядка 0,10 единиц NDVI), сохраняющейся в течение нескольких лет.

Land_Cover_Raw_Probability_Trees метры

Исходные данные о вероятности наличия деревьев, полученные с помощью модели LCMS. Определяется следующим образом: большая часть пикселя состоит из живых или стоящих мертвых деревьев.

Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix метры

Исходные данные модели LCMS о вероятности наличия смеси высоких кустарников и деревьев (только SEAK). Определяется следующим образом: большая часть пикселя состоит из кустарников высотой более 1 м, а также содержит не менее 10% живых или стоящих мертвых деревьев.

Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix метры

Исходные данные модели LCMS о вероятности наличия смеси кустарников и деревьев. Определяется следующим образом: большая часть пикселя состоит из кустарников, а также содержит не менее 10% живых или стоящих мертвых деревьев.

Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix метры

Исходные данные LCMS, моделирующие вероятность наличия смеси трав, разнотравья, злаков и деревьев. Определяется следующим образом: большая часть пикселя состоит из многолетних трав, злаков или других форм травянистой растительности, а также содержит не менее 10% живых или стоящих мертвых деревьев.

Land_Cover_Raw_Probability_Barren-and-Trees-Mix метры

Исходные данные LCMS, моделирующие вероятность наличия смеси пустошей и деревьев. Определяется следующим образом: большая часть пикселя состоит из голой почвы, обнаженной в результате нарушений (например, почвы, обнажившейся в результате механической расчистки или вырубки леса), а также из постоянно бесплодных территорий, таких как пустыни, солончаки, скальные обнажения (включая минералы и другие геологические материалы, обнаженные в результате открытой добычи полезных ископаемых), песчаные дюны, солончаки и пляжи. Дороги из грунта и гравия также считаются бесплодными и также состоят как минимум на 10% из живых или стоящих мертвых деревьев.

Land_Cover_Raw_Probability_Tall-Shrubs метры

Исходные данные о вероятности наличия высоких кустарников, полученные с помощью моделирования LCMS (только SEAK). Определение: большая часть пикселя состоит из кустарников высотой более 1 м.

Land_Cover_Raw_Probability_Shrubs метры

Исходные данные LCMS, моделирующие вероятность наличия кустарников. Определяется как: большая часть пикселя состоит из кустарников.

Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix метры

Исходные данные LCMS, моделирующие вероятность наличия смеси трав, разнотравья, злаков и кустарников. Определяется следующим образом: большая часть пикселя состоит из многолетних трав, разнотравья или других форм травянистой растительности, а также содержит не менее 10% кустарников.

Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix метры

Исходные данные LCMS, моделирующие вероятность наличия смеси бесплодных земель и кустарников. Определяется следующим образом: большая часть пикселя состоит из голой почвы, обнаженной в результате нарушений (например, почвы, обнажившейся в результате механической расчистки или вырубки леса), а также из постоянно бесплодных территорий, таких как пустыни, солончаки, скальные обнажения (включая минералы и другие геологические материалы, обнаженные в результате открытой добычи полезных ископаемых), песчаные дюны, солончаки и пляжи. Дороги из грунта и гравия также считаются бесплодными и также содержат не менее 10% кустарников.

Land_Cover_Raw_Probability_Grass-Forb-Herb метры

Исходные данные LCMS, моделирующие вероятность наличия травы/травы/травянистых растений. Определяется как: большая часть пикселя состоит из многолетних трав, травянистых растений или других форм травянистой растительности.

Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix метры

Исходные данные LCMS, моделирующие вероятность наличия бесплодных участков и смешанных зарослей трав, злаков и трав. Определяется следующим образом: большая часть пикселя состоит из голой почвы, обнаженной в результате нарушений (например, почвы, обнажившейся в результате механической расчистки или лесозаготовки), а также из постоянно бесплодных участков, таких как пустыни, солончаки, скальные обнажения (включая минералы и другие геологические материалы, обнаженные в результате открытой добычи полезных ископаемых), песчаные дюны, солончаки и пляжи. Дороги из грунта и гравия также считаются бесплодными и также состоят как минимум на 10% из многолетних трав, злаков или других форм травянистой растительности.

Land_Cover_Raw_Probability_Barren-or-Impervious метры

Исходные данные модели LCMS о вероятности того, что местность бесплодна или непроницаема для воды. Определяется следующим образом: большая часть пикселя состоит из 1) голой почвы, обнаженной в результате нарушений (например, почвы, обнажившейся в результате механической расчистки или вырубки леса), а также постоянно бесплодных территорий, таких как пустыни, солончаки, скальные обнажения (включая минералы и другие геологические материалы, обнаженные в результате открытой добычи полезных ископаемых), песчаные дюны, солончаки и пляжи. Дороги из грунта и гравия также считаются бесплодными, или 2) искусственных материалов, которые не могут проникать в воду, таких как асфальтированные дороги, крыши и автостоянки.

Land_Cover_Raw_Probability_Snow-or-Ice метры

Исходные данные модели LCMS о вероятности наличия снега или льда. Определяется как: большая часть пикселя состоит из снега или льда.

Land_Cover_Raw_Probability_Water метры

Исходные данные LCMS, моделирующие вероятность наличия воды. Определяется как: большая часть пикселя состоит из воды.

Land_Use_Raw_Probability_Agriculture метры

Исходные данные модели LCMS о вероятности сельскохозяйственного использования земель. Определение: Земля, используемая для производства продуктов питания, волокна и топлива, находящаяся в растительном или нерастительном состоянии. Сюда входят, помимо прочего, обрабатываемые и необрабатываемые пахотные земли, сенокосные угодья, сады, виноградники, животноводческие комплексы закрытого типа и участки, засаженные фруктами, орехами или ягодами. Дороги, используемые преимущественно в сельскохозяйственных целях (т.е. не используемые для общественного транспорта между городами), считаются сельскохозяйственным использованием земель.

Land_Use_Raw_Probability_Developed метры

Исходные данные модели LCMS о вероятности застройки. Определяется как: земля, покрытая искусственными сооружениями (например, многоэтажная жилая застройка, коммерческие, промышленные, горнодобывающие или транспортные сооружения) или сочетанием растительности (включая деревья) и сооружений (например, малоэтажная жилая застройка, газоны, зоны отдыха, кладбища, транспортные и инженерные коридоры и т. д.), включая любую землю, функционально измененную деятельностью человека.

Land_Use_Raw_Probability_Forest метры

Исходные данные модели LCMS о вероятности наличия леса. Определяется как: земля, засаженная деревьями или покрытая естественной растительностью, которая содержит (или, вероятно, будет содержать) 10% или более древесного покрова в какой-либо момент времени в течение краткосрочной сукцессионной последовательности. Это может включать лиственные, вечнозеленые и/или смешанные категории естественных лесов, лесные плантации и древесные водно-болотные угодья.

Land_Use_Raw_Probability_Non-Forest-Wetland метры

Исходные данные модели LCMS о вероятности существования нелесных водно-болотных угодий. Определяются как: земли, прилегающие к видимому уровню грунтовых вод или находящиеся в пределах него (постоянно или сезонно насыщенные), где преобладают кустарники или постоянно растущие надводные растения. Эти водно-болотные угодья могут располагаться у берегов озер, речных русел или эстуариев; на поймах рек; в изолированных водосборных бассейнах; или на склонах. Они также могут встречаться в виде прерийных котловин, дренажных канав и прудов для скота в сельскохозяйственных ландшафтах, а также в виде островов посреди озер или рек. Другие примеры включают болота, торфяники, топи, трясины, болота, заводи и заводи.

Land_Use_Raw_Probability_Other метры

Исходная смоделированная вероятность «Прочее» по данным LCMS. Определяется как: Земля (независимо от использования), где спектральный тренд или другие подтверждающие данные указывают на произошедшее нарушение или изменение, но окончательная причина не может быть установлена, или тип изменения не соответствует ни одной из категорий процесса изменения, определенных выше.

Land_Use_Raw_Probability_Rangeland-or-Pasture метры

Исходные данные модели LCMS о вероятности принадлежности к пастбищам или лугам. Определение: Этот класс включает любую территорию, которая является либо а) пастбищем, где растительность представляет собой смесь местных трав, кустарников, разнотравья и злакоподобных 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 контролируемое выжигание, а также выпас домашних и диких травоядных животных; либо б) лугом, где растительность может варьироваться от смешанной, в основном естественной, из трав, разнотравья и злаков до более управляемой растительности, где преобладают злаковые виды, посеянные и обрабатываемые для поддержания почти монокультуры.

Изменить таблицу классов

Ценить Цвет Описание
1 #3d4551

Стабильный

2 #f39268

Медленная потеря

3 #d54309

Быстрая потеря

4 #00a398

Прирост

5 #1b1716

Маска необрабатываемой области

Таблица классов землепользования

Ценить Цвет Описание
1 #005e00

Деревья

2 #008000

Смесь высоких кустарников и деревьев (только для SEAK)

3 #00cc00

Смесь кустарников и деревьев

4 #b3ff1a

Смесь трав, злаков, растений и деревьев

5 #99ff99

Смесь пустоши и деревьев

6 #b30088

Высокие кустарники (только для SEAK)

7 #e68a00

Кустарники

8 #ffad33

Смесь трав, злаков, трав и кустарников

9 #ffe0b3

Смесь пустоши и кустарников

10 #ffff00

Трава/Травянистое растение/Прямоцветок

11 #aa7700

Бесплодная земля и смесь трав/трав/травянистых растений

12 #d3bf9b

Бесплодные или непроницаемые

13 #ffffff

Снег или лед

14 #4780f3

Вода

15 #1b1716

Маска необрабатываемой области

Таблица классов землепользования

Ценить Цвет Описание
1 #efff6b

Сельское хозяйство

2 #ff2ff8

Развитый

3 #1b9d0c

Лес

4 #97ffff

Нелесные водно-болотные угодья

5 #a1a1a1

Другой

6 #c2b34a

Пастбища или луга

7 #1b1716

Маска необрабатываемой области

Свойства изображения

Свойства изображения

Имя Тип Описание
область_исследования НИТЬ

В настоящее время LCMS охватывает континентальную часть США и юго-восточную Аляску. В ближайшем будущем она расширится и включит все штаты и территории США.

Возможные значения: 'SEAK' или 'CONUS'

Условия эксплуатации

Условия эксплуатации

Лесная служба Министерства сельского хозяйства США не предоставляет никаких гарантий, явных или подразумеваемых, включая гарантии товарной пригодности и пригодности для конкретной цели, а также не несет никакой юридической ответственности за точность, надежность, полноту или полезность этих геопространственных данных, а также за ненадлежащее или неправильное использование этих геопространственных данных. Эти геопространственные данные и связанные с ними карты или графические изображения не являются юридическими документами и не предназначены для использования в качестве таковых. Данные и карты не могут быть использованы для определения права собственности, правового описания или границ, юридической юрисдикции или ограничений, которые могут действовать на государственных или частных землях. Природные опасности могут быть или не быть отображены на данных и картах, и землепользователям следует проявлять должную осторожность. Данные являются динамическими и могут изменяться со временем. Пользователь несет ответственность за проверку ограничений геопространственных данных и за их использование в соответствии с ними.

Эти данные были собраны при финансовой поддержке правительства США и могут быть использованы без дополнительных разрешений или платы. При использовании этих данных в публикации, презентации или другом исследовательском продукте, пожалуйста, используйте следующую цитату:

Лесная служба Министерства сельского хозяйства США. 2021. Система мониторинга изменений ландшафта Лесной службы США, версия 2020.5. Солт-Лейк-Сити, Юта.

Цитаты

Ссылки:

  • Лесная служба Министерства сельского хозяйства США. 2021. Система мониторинга изменений ландшафта Лесной службы США, версия 2020.5. Солт-Лейк-Сити, Юта.

Исследуйте мир 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 пакета данных Системы мониторинга изменений ландшафта (LCMS). Он отображает смоделированные в LCMS изменения, землепользование и/или классы землепользования за каждый год. Данная версия LCMS охватывает континентальную часть Соединенных Штатов (CONUS) и юго-восточную Аляску (SEAK). LCMS — это система дистанционного зондирования для картирования и мониторинга ландшафта…
USFS/GTAC/LCMS/v2020-5, изменение, обнаружение изменений, лес, gtac, земельный покров, данные Landsat, землепользование, землепользование-земельный покров, ресурсы Редкасла, rmrs, данные Sentinel2, временные ряды, USDA, USFS
1985-06-01T00:00:00Z/2020-09-30T00:00:00Z
20.38379 -135.286387 52.459364 -56.446306
Google Earth Engine