- Veri Kümesi Kullanılabilirliği
- 1985-06-01T00:00:00Z–2020-09-30T00:00:00Z
- Veri Kümesi Üreticisi
- USDA Orman Hizmetleri (USFS) Coğrafi Teknoloji ve Uygulama Merkezi (GTAC) Google Earth Engine
- Etiketler
Açıklama
Bu ürün, Landscape Change Monitoring System (LCMS) veri paketinin bir parçasıdır. Her yıl için LCMS ile modellenmiş değişiklik, arazi örtüsü ve/veya arazi kullanımı sınıflarını gösterir. Bu LCMS sürümü, bitişik ABD (CONUS) ve Güneydoğu Alaska'yı (SEAK) kapsar.
LCMS, ABD genelinde peyzaj değişikliklerini haritalandırmak ve izlemek için uzaktan algılamaya dayalı bir sistemdir. Bu projenin amacı, peyzaj değişikliğinin "mevcut en iyi" haritasını oluşturmak için en son teknolojiyi ve değişiklik algılamadaki gelişmeleri kullanarak tutarlı bir yaklaşım geliştirmektir.
Çıkışlar arasında üç yıllık ürün bulunur: değişim, arazi örtüsü ve arazi kullanımı. Değişiklik özellikle bitki örtüsüyle ilgilidir ve yavaş kayıp, hızlı kayıp (sel veya kuruma gibi hidrolojik değişiklikleri de içerir) ve kazanımı kapsar. Bu değerler, Landsat zaman serisinin her yılı için tahmin edilir ve LCMS'nin temel ürünleri olarak kullanılır. Arazi örtüsü ve arazi kullanımı haritaları, her yıl için yaşam formu düzeyinde arazi örtüsünü ve geniş düzeyde arazi kullanımını gösterir.
Hiçbir algoritma her durumda en iyi performansı göstermediğinden LCMS, tahmin aracı olarak bir model topluluğu kullanır. Bu sayede, çeşitli ekosistemler ve değişim süreçlerinde harita doğruluğu artırılır (Healey ve diğerleri, 2018). Bunun sonucunda elde edilen LCMS değişikliği, arazi örtüsü ve arazi kullanımı haritaları, son kırk yılda ABD'deki arazi değişikliğinin bütünsel bir resmini sunar.
LCMS modelinin tahmin katmanları, yıllık Landsat ve Sentinel 2 kompozitleri, LandTrendr ve CCDC değişiklik algılama algoritmalarının çıkışları ve arazi bilgilerini içerir. Tüm bu bileşenlere erişmek ve işlemek için Google Earth Engine kullanıldı (Gorelick ve diğerleri, 2017).
Yıllık kompozitler oluşturmak için cFmask (Zhu ve Woodcock 2012), cloudScore ve TDOM (Chastain ve diğerleri, 2019) bulut ve bulut gölgesi maskeleme yöntemleri, Landsat Tier 1 ile Sentinel 2a ve 2b Level-1C atmosfer üstü yansıtma verilerine uygulanır. Yıllık medoid hesaplanarak her yıl tek bir bileşende özetlenir.
Bileşik zaman serisi, LandTrendr kullanılarak geçici olarak segmentlere ayrılır (Kennedy ve diğerleri, 2010; Kennedy ve diğerleri, 2018; Cohen ve diğerleri., 2018).
Tüm bulut ve bulut gölgesi içermeyen değerler, CCDC algoritması (Zhu ve Woodcock, 2014) kullanılarak zamansal olarak da segmentlere ayrılır.
Ulusal Yükseklik Veri Seti'nden (NED) yükseklik, eğim, yönün sinüsü, yönün kosinüsü ve topografik konum indeksleri (Weiss, 2001) ile birlikte ham bileşik değerler, LandTrendr'a uygun değerler, çiftler arasındaki farklar, segment süresi, değişim büyüklüğü ve eğim ile CCDC Eylül 1 sinüs ve kosinüs katsayıları (ilk 3 harmonik), uygun değerler ve çiftler arasındaki farklar, bir Rastgele Orman (Breiman, 2001) modelinde bağımsız kestirici değişkenler olarak kullanılır.
Referans verileri, analistlerin 1984'ten günümüze Landsat veri kaydını görselleştirmesine ve yorumlamasına yardımcı olan web tabanlı bir araç olan TimeSync kullanılarak toplanır (Cohen ve diğerleri, 2010).
Ek Kaynaklar
LCMS verilerinin kullanımına dair daha ayrıntılı bir kod örneği.
LCMS Veri Gezgini, kullanıcılara LCMS verilerini görüntüleme, analiz etme, özetleme ve indirme olanağı sağlayan web tabanlı bir uygulamadır.
Yöntemler ve doğruluk değerlendirmesi hakkında daha ayrıntılı bilgi için lütfen LCMS Yöntemleri Özeti'ne bakın. Veri indirmeleri, meta veriler ve destek belgeleri için LCMS Coğrafi Veri Merkezi'ni inceleyin.
Sorularınız veya belirli veri istekleriniz için [sm.fs.lcms@usda.gov] ile iletişime geçin.
Breiman, L., 2001. Makine öğrenimi. Springer, 45(3): 261-277 doi:10.1023/a:1017934522171
Chastain, R., Housman, I., Goldstein, J., Finco, M., and Tenneson, K., 2019. Empirical cross sensor comparison of Sentinel-2A and 2B MSI, Landsat-8 OLI, and Landsat-7 ETM top of atmosphere spectral characteristics over the conterminous United States. 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: Kalibrasyon ve doğrulama araçları. 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. P., Kennedy, R. E., ve Gorelick, N., 2018. A LandTrendr multispectral ensemble for forest disturbance detection. In 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., and Zhu, Z., 2018. Yığılmış genelleştirme kullanarak orman değişikliğini eşleme: Bir topluluk yaklaşımı. 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. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 1. LandTrendr - Temporal segmentation algorithms. 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. ve Healey, S., 2018. Implementation of the LandTrendr Algorithm on Google Earth Engine. In Remote Sensing. MDPI, 10(5): 691 doi:10.3390/rs10050691
Weiss, A.D., 2001. Topografik konum ve yer şekilleri analizi Poster Sunumu, ESRI Kullanıcıları Konferansı, San Diego, CA.
Zhu, Z., and Woodcock, C. E. (2012). Object-based cloud and cloud shadow detection in Landsat imagery. 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. Mevcut tüm Landsat verilerini kullanarak arazi örtüsünün sürekli olarak değiştiğini algılama ve sınıflandırma. In Remote Sensing of Environment. Science Direct, 144: 152-171 doi:10.1016/j.rse.2014.01.011
Bantlar
Piksel Boyutu
30 metre
Bantlar
| Ad | Piksel Boyutu | Açıklama |
|---|---|---|
Change |
metre | Son tematik LCMS değişikliği ürünü. Her yıl için toplam üç değişiklik sınıfı (yavaş kayıp, hızlı kayıp ve kazanç) eşleştirilir. Her sınıf, ayrı bir rastgele orman modeli kullanılarak tahmin edilir. Bu model, pikselin söz konusu sınıfa ait olma olasılığını (rastgele orman modelindeki ağaçların oranı) verir. Bu nedenle, her pikselin her yıl için üç farklı model çıkışı vardır. Son sınıflar, belirtilen eşiğin üzerinde olan ve en yüksek olasılığa sahip değişiklik sınıfına atanır. Her sınıfın eşiğinin üzerinde değeri olmayan pikseller, Kararlı sınıfa atanır. |
Land_Cover |
metre | Son tematik LCMS arazi örtüsü ürünü. TimeSync referans verileri ve Landsat görüntülerinden elde edilen spektral bilgiler kullanılarak yılda toplam 14 arazi örtüsü sınıfı haritalandırılır. Her sınıf, ayrı bir rastgele orman modeli kullanılarak tahmin edilir. Bu model, pikselin söz konusu sınıfa ait olma olasılığını (rastgele orman modelindeki ağaçların oranı) verir. Bu nedenle, her yıl için piksellerin 14 farklı model çıkışı vardır ve nihai sınıflar, en yüksek olasılığa sahip arazi örtüsüne atanır. 14 arazi örtüsü sınıfından yedisi, tek bir arazi örtüsünü gösterir. Bu arazi örtüsü türü, pikselin alanının çoğunu kaplar ve başka hiçbir sınıf pikselin% 10'undan fazlasını kaplamaz. Ayrıca karma olarak verilen yedi ders vardır. Bunlar, ek bir arazi örtüsü sınıfının pikselin en az% 10'unu kapladığı pikselleri gösterir. |
Land_Use |
metre | Son tematik LCMS arazi kullanımı ürünü. TimeSync referans verileri ve Landsat görüntülerinden elde edilen spektral bilgiler kullanılarak yılda toplam 6 arazi kullanım sınıfı haritalandırılır. Her sınıf, ayrı bir rastgele orman modeli kullanılarak tahmin edilir. Bu model, pikselin söz konusu sınıfa ait olma olasılığını (rastgele orman modelindeki ağaçların oranı) verir. Bu nedenle, her bir pikselin her yıl için 6 farklı model çıkışı vardır ve son sınıflar, en yüksek olasılığa sahip arazi kullanımına atanır. |
Change_Raw_Probability_Slow_Loss |
metre | Yavaş Kayıp'ın ham LCMS ile modellenmiş olasılığı. Şu şekilde tanımlanır: Yavaş Kayıp, TimeSync değişiklik süreci yorumlamasındaki aşağıdaki sınıfları içerir:
|
Change_Raw_Probability_Fast_Loss |
metre | Hızlı Kayıp'ın modellenmiş olasılığına ilişkin ham LCMS. Şu şekilde tanımlanır: Hızlı Kayıp, TimeSync değişiklik süreci yorumlamasındaki aşağıdaki sınıfları içerir:
|
Change_Raw_Probability_Gain |
metre | Ham LCMS kazanç olasılığı modeli. Şu şekilde tanımlanır: Bir veya daha fazla yıl boyunca büyüme ve ardıllık nedeniyle bitki örtüsünde artış gösteren arazi. Bitki örtüsünün yeniden büyümesiyle ilişkili spektral değişiklik gösterebilecek tüm alanlar için geçerlidir. Gelişmiş bölgelerde büyüme, olgunlaşan bitki örtüsü ve/veya yeni ekilen çimler ve peyzajdan kaynaklanabilir. Ormanlarda büyüme, çıplak zemindeki bitki büyümesinin yanı sıra orta ve ortak baskın ağaçların ve/veya alçakta kalan otlar ve çalıların üst kısımlarını da içerir. Orman hasadından sonra kaydedilen büyüme/iyileşme segmentleri, orman yenilenirken farklı arazi örtüsü sınıflarına geçiş yapabilir. Bu değişikliklerin büyüme/iyileşme olarak kabul edilmesi için spektral değerlerin, birkaç yıl boyunca devam eden artan bir trend çizgisine (ör. yaklaşık 20 yıla uzatıldığında NDVI'nin 0,10 birimi civarında olacak pozitif bir eğim) yakın olması gerekir. |
Land_Cover_Raw_Probability_Trees |
metre | Ağaçların ham LCMS ile modellenmiş olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı canlı veya ayakta ölü ağaçlardan oluşur. |
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix |
metre | Tall Shrubs and Trees Mix (Yalnızca SEAK) olasılığını modelleyen ham LCMS. Şu şekilde tanımlanır: Pikselin büyük bir kısmı, yüksekliği 1 metreden fazla olan çalılardan oluşur ve en az% 10 oranında canlı veya ayakta ölü ağaçlar içerir. |
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix |
metre | Çalı ve Ağaç Karışımı'nın modellenmiş ham LCMS olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı çalılardan oluşur ve en az% 10'u canlı veya ayakta ölü ağaçlardan oluşur. |
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix |
metre | Çim/çiçek/ot ve ağaç karışımı olasılığının modellenmiş ham LCMS'si. Şu şekilde tanımlanır: Pikselin büyük bir kısmı çok yıllık otlar, çiçekli bitkiler veya diğer otsu bitki türlerinden oluşur ve en az% 10 oranında canlı ya da ayakta duran ölü ağaçlar içerir. |
Land_Cover_Raw_Probability_Barren-and-Trees-Mix |
metre | Barren and Trees Mix'in ham LCMS modellenmiş olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı, rahatsızlık nedeniyle açığa çıkan çıplak topraktan (ör.mekanik temizleme veya orman hasadı ile açığa çıkan toprak) oluşur. Ayrıca çöller, playa'lar, kaya çıkıntıları (yüzey madenciliği faaliyetleriyle açığa çıkan mineraller ve diğer jeolojik materyaller dahil), kum tepeleri, tuz düzlükleri ve plajlar gibi sürekli olarak verimsiz alanlar da bu kategoriye girer. Toprak ve çakıldan oluşan yollar da çıplak alan olarak kabul edilir ve bu alanlar en az% 10 oranında canlı veya ölü ağaçlardan oluşur. |
Land_Cover_Raw_Probability_Tall-Shrubs |
metre | Uzun çalıların (yalnızca Güneydoğu Alaska) ham LCMS ile modellenmiş olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir bölümü, yüksekliği 1 metreden fazla olan çalılarla kaplıdır. |
Land_Cover_Raw_Probability_Shrubs |
metre | Çalıların ham LCMS ile modellenmiş olasılığı. Şu şekilde tanımlanır: Pikselin büyük kısmı çalılardan oluşur. |
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix |
metre | Çim/çiçek/ot ve çalı karışımının modellenmiş ham LCMS olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı çok yıllık otlar, çiçekli bitkiler veya diğer otsu bitki türlerinden oluşur ve en az% 10 oranında çalı içerir. |
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix |
metre | Çorak ve çalı karışımı için modellenmiş ham LCMS olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı, rahatsızlık nedeniyle açığa çıkan çıplak topraktan (ör.mekanik temizleme veya orman hasadı ile açığa çıkan toprak) oluşur. Ayrıca çöller, playa'lar, kaya çıkıntıları (yüzey madenciliği faaliyetleriyle açığa çıkan mineraller ve diğer jeolojik materyaller dahil), kum tepeleri, tuz düzlükleri ve plajlar gibi sürekli olarak verimsiz alanlar da bu kategoriye girer. Toprak ve çakıldan oluşan yollar da çıplak alan olarak kabul edilir ve en az% 10 oranında çalı içerir. |
Land_Cover_Raw_Probability_Grass-Forb-Herb |
metre | Çim/çiçek/otun ham LCMS ile modellenmiş olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı çok yıllık otlar, çiçekli bitkiler veya diğer otsu bitki türlerinden oluşur. |
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix |
metre | Barren ve Grass/Forb/Herb Mix'in ham LCMS ile modellenmiş olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı, rahatsızlık nedeniyle açığa çıkan çıplak topraktan (ör.mekanik temizleme veya orman hasadı ile açığa çıkan toprak) oluşur. Ayrıca çöller, playa'lar, kaya çıkıntıları (yüzey madenciliği faaliyetleriyle açığa çıkan mineraller ve diğer jeolojik malzemeler dahil), kum tepeleri, tuz düzlükleri ve plajlar gibi sürekli olarak verimsiz alanlar da bu kategoriye girer. Toprak ve çakıldan oluşan yollar da çorak olarak kabul edilir ve en az% 10 oranında çok yıllık otlar, çiçekli bitkiler veya diğer otsu bitki türlerinden oluşur. |
Land_Cover_Raw_Probability_Barren-or-Impervious |
metre | Çorak veya geçirimsiz olma olasılığının ham LCMS modeli. Şu şekilde tanımlanır: Pikselin büyük bir kısmı 1) rahatsızlık nedeniyle açığa çıkan çıplak toprağın (ör. mekanik temizleme veya orman hasadı ile açığa çıkan toprak) yanı sıra çöller, playa'lar, kaya çıkıntıları (yüzey madenciliği faaliyetleriyle açığa çıkan mineraller ve diğer jeolojik materyaller dahil), kum tepeleri, tuz düzlükleri ve plajlar gibi sürekli olarak verimsiz alanlardan oluşur. Toprak ve çakıldan yapılmış yollar da 1) çorak olarak kabul edilir veya 2) suyun nüfuz edemediği yapay malzemeler (ör. asfalt yollar, çatılar ve otoparklar) olarak kabul edilir. |
Land_Cover_Raw_Probability_Snow-or-Ice |
metre | Kar veya buzlanma olasılığının ham LCMS modeli. Şu şekilde tanımlanır: Pikselin büyük bir kısmı kar veya buzdan oluşur. |
Land_Cover_Raw_Probability_Water |
metre | Su için LCMS ile modellenmiş ham olasılık. Şu şekilde tanımlanır: Pikselin büyük bir kısmı sudan oluşur. |
Land_Use_Raw_Probability_Agriculture |
metre | Tarım için modellenmiş ham LCMS olasılığı. Şu şekilde tanımlanır: Gıda, lif ve yakıt üretimi için kullanılan, bitki örtüsü olan veya olmayan arazi. Bu yükümlülük, ekili ve ekili olmayan tarım arazilerini, otlakları, meyve bahçelerini, bağları, kapalı hayvancılık tesislerini ve meyve, fındık ya da çilek üretimi için ekilen alanları içerir ancak bunlarla sınırlı değildir. Öncelikli olarak tarım amacıyla kullanılan yollar (ör. kasabadan kasabaya toplu taşıma için kullanılmayan yollar) tarım arazisi kullanımı olarak kabul edilir. |
Land_Use_Raw_Probability_Developed |
metre | Gelişmiş LCMS'nin ham modellenmiş olasılığı. Şu şekilde tanımlanır: İnsan yapımı yapılarla kaplı arazi (ör. yüksek yoğunluklu konut, ticari, endüstriyel, madencilik veya ulaşım) ya da hem bitki örtüsü (ağaçlar dahil) hem de yapıların (ör. düşük yoğunluklu konut, çimler, rekreasyon tesisleri, mezarlıklar, ulaşım ve kamu hizmeti koridorları vb.) karışımı olan ve insan faaliyetleriyle işlevsel olarak değiştirilmiş tüm araziler. |
Land_Use_Raw_Probability_Forest |
metre | Ormanın ham LCMS modellenmiş olasılığı. Şu şekilde tanımlanır: Yakın vadede bir ardışık gelişim süreci boyunca bir zamanlar% 10 veya daha fazla ağaç örtüsü içeren (ya da içermesi muhtemel olan) ekili veya doğal olarak bitki örtüsüyle kaplı arazi. Bu kapsamda doğal orman, orman plantasyonları ve ağaçlı sulak alanların yaprak döken, her dem yeşil ve/veya karışık kategorileri yer alabilir. |
Land_Use_Raw_Probability_Non-Forest-Wetland |
metre | Orman dışı sulak alanın ham LCMS modellenmiş olasılığı. Tanımı: Çalılar veya kalıcı olarak ortaya çıkan bitkilerin baskın olduğu, görünür bir yeraltı su seviyesine (kalıcı veya mevsimsel olarak doygun) bitişik ya da bu seviyenin içinde yer alan araziler. Bu sulak alanlar göllerin, nehir kanallarının veya haliçlerin kıyısında, nehir taşkın ovalarında, izole edilmiş havzalarda ya da yamaçlarda yer alabilir. Ayrıca tarım arazilerinde çayır çukurları, drenaj kanalları ve hayvan sulama göletleri olarak da görülebilirler. Göllerin veya nehirlerin ortasında adalar olarak da görünebilirler. Diğer örnekler arasında bataklıklar, turbalıklar, sazlıklar, çamurlar, sulak alanlar, göletler, bataklıklar ve lagünler de yer alır. |
Land_Use_Raw_Probability_Other |
metre | Diğer için modellenmiş ham LCMS olasılığı. Şu şekilde tanımlanır: Spektral trendin veya diğer destekleyici kanıtların bir bozulma ya da değişiklik olayının meydana geldiğini gösterdiği ancak kesin nedenin belirlenemediği veya değişiklik türünün yukarıda tanımlanan değişiklik süreci kategorilerinden herhangi birini karşılamadığı arazi (kullanım şeklinden bağımsız olarak). |
Land_Use_Raw_Probability_Rangeland-or-Pasture |
metre | LCMS'nin ham verileri, otlak veya mera olasılığını gösterir. Şu şekilde tanımlanır: Bu sınıf, a.) Bitki örtüsünün yağmur, sıcaklık, yükseklik ve yangın gibi doğal faktörler ve süreçlerden büyük ölçüde kaynaklanan yerel otlar, çalılar, çiçekli otlar ve ot benzeri bitkilerden oluştuğu, sınırlı yönetimde kontrollü yakma ve evcil ve yabani ot yiyen hayvanların otlatılması gibi uygulamaların da yer alabileceği otlaklar; veya b.) Bitki örtüsünün, büyük ölçüde doğal olan karışık otlar, çiçekli bitkiler ve şifalı otlardan, neredeyse tek türün hakim olduğu, tohumlanmış ve yönetilmiş ot türlerinin baskın olduğu daha kontrollü bitki örtüsüne kadar değişebildiği otlak. |
Sınıf Tablosunu Değiştir
| Değer | Renk | Açıklama |
|---|---|---|
| 1 | #3d4551 | Kararlı |
| 2 | #f39268 | Yavaş Kayıp |
| 3 | #d54309 | Hızlı Kayıp |
| 4 | #00a398 | Kazanç |
| 5 | #1b1716 | İşlenmeyen Alan Maskesi |
Land_Cover Sınıf Tablosu
| Değer | Renk | Açıklama |
|---|---|---|
| 1 | #005e00 | Ağaçlar |
| 2 | #008000 | Tall Shrubs & Trees Mix (Yalnızca SEAK) |
| 3 | #00cc00 | Çalı ve Ağaç Karışımı |
| 4 | #b3ff1a | Çim/Forb/Ot ve Ağaç Karışımı |
| 5 | #99ff99 | Çorak ve Ağaç Karışımı |
| 6 | #b30088 | Uzun Ağaçlıklar (yalnızca Güneydoğu Asya ve Kore) |
| 7 | #e68a00 | Çalılar |
| 8 | #ffad33 | Çimen/Çiçek/Ot ve Çalı Karışımı |
| 9 | #ffe0b3 | Çorak ve Çalı Karışımı |
| 10 | #ffff00 | Çim/Ot/Bitki |
| 11 | #aa7700 | Çorak ve Çim/Çiçek/Ot Karışımı |
| 12 | #d3bf9b | Çorak veya Geçirimsiz |
| 13 | #ffffff | Kar veya buzlanma |
| 14 | #4780f3 | Su |
| 15 | #1b1716 | İşlenmeyen Alan Maskesi |
Land_Use Sınıf Tablosu
| Değer | Renk | Açıklama |
|---|---|---|
| 1 | #efff6b | Tarım |
| 2 | #ff2ff8 | Geliştirildi |
| 3 | #1b9d0c | orman |
| 4 | #97ffff | Orman Olmayan Sulak Alan |
| 5 | #a1a1a1 | Diğer |
| 6 | #c2b34a | Otlak veya Mera |
| 7 | #1b1716 | İşlenmeyen Alan Maskesi |
Resim Özellikleri
Görüntü Özellikleri
| Ad | Tür | Açıklama |
|---|---|---|
| study_area | Dize | LCMS şu anda CONUS ve Güneydoğu Alaska'yı kapsamaktadır. Bu özellik, yakın gelecekte ABD'deki tüm eyalet ve bölgeleri kapsayacak şekilde genişletilecektir. Olası değerler: "SEAK" veya "CONUS" |
Kullanım Şartları
Kullanım Şartları
USDA Orman Hizmetleri, ticari elverişlilik ve belirli bir amaca uygunluk garantileri dahil olmak üzere açık veya zımni hiçbir garanti vermez, bu coğrafi verilerin doğruluğu, güvenilirliği, eksiksizliği veya kullanışlılığı ya da bu coğrafi verilerin uygunsuz veya yanlış kullanımı konusunda herhangi bir yasal yükümlülük ya da sorumluluk üstlenmez. Bu coğrafi veriler ve ilgili haritalar veya grafikler yasal belgeler değildir ve bu şekilde kullanılmak üzere tasarlanmamıştır. Veriler ve haritalar; mülkiyet, sahiplik, yasal açıklamalar veya sınırlar, yasal yetki alanı ya da kamuya ait ya da özel arazilerde geçerli olabilecek kısıtlamaları belirlemek için kullanılamaz. Doğal tehlikeler verilerde ve haritalarda gösterilebilir veya gösterilmeyebilir. Arazi kullanıcıları gerekli önlemleri almalıdır. Veriler dinamiktir ve zaman içinde değişebilir. Kullanıcı, coğrafi verilerin sınırlamalarını doğrulamak ve verileri buna göre kullanmakla sorumludur.
Bu veriler ABD hükümetinin sağladığı fonlar kullanılarak toplanmıştır ve ek izin veya ücret olmadan kullanılabilir. Bu verileri bir yayında, sunumda veya başka bir araştırma ürününde kullanırsanız lütfen aşağıdaki alıntıyı kullanın:
USDA Forest Service. 2021. USFS Landscape Change Monitoring System sürüm 2020.5. Salt Lake City, Utah.
Alıntılar
USDA Forest Service. 2021. USFS Landscape Change Monitoring System version 2020.5. Salt Lake City, Utah.
Earth Engine ile Keşif
Kod Düzenleyici (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);