- دردسترس بودن مجموعه داده
- 1985-06-01T00:00:00Z–2021-05-31T00:00:00Z
- تولیدکننده مجموعه داده
- مرکز برنامهها و فناوری زمینفضایی (GTAC) سرویس جنگلداری USDA (USFS)
- برچسبها
شرح
این محصول بخشی از مجموعه دادههای «سیستم پایش تغییرات چشمانداز» (LCMS) است. این مجموعه داده تغییرات مدلسازیشده LCMS، پوشش زمین، و/یا کلاسهای استفاده از زمین را برای هر سال نشان میدهد. این نسخه LCMS شامل جزایر ویرجین ایالات متحده پورتوریکو (PRUSVI) میشود.
LCMS سیستمی مبتنی بر سنجش از دور برای نقشهبرداری و پایش تغییرات چشمانداز در سراسر ایالات متحده است. هدف آن توسعه رویکردی منسجم بااستفاده از جدیدترین فناوریها و پیشرفتها در تشخیص تغییرات برای تولید «بهترین نقشه دردسترس» از تغییرات چشمانداز است.
بروندادها شامل سه محصول سالانه است: تغییر، پوشش زمین، و کاربری زمین. تغییر بهطور خاص به پوشش گیاهی مربوط میشود و شامل ازدست رفتن آهسته، ازدست رفتن سریع (که شامل تغییرات آبشناسی مانند آبگرفتگی یا خشک شدن نیز میشود)، و افزایش است. این مقادیر برای هر سال از سری زمانی Landsat پیشبینی میشوند و بهعنوان محصولات پایهای برای LCMS عمل میکنند. نقشههای پوشش زمین و کاربری زمین، پوشش زمین در سطح شکل زندگی و کاربری زمین در سطح گسترده را برای هر سال نشان میدهند.
چون هیچ الگوریتمی در همه شرایط بهترین عملکرد را ندارد، LCMS از مجموعهای از مدلها بهعنوان پیشبینیکننده استفاده میکند که دقت نقشه را در طیفی از بومسازگانها و فرایندهای تغییر بهبود میبخشد (هیلی و همکاران، ۲۰۱۸). مجموعه حاصل از نقشههای تغییر LCMS، پوشش زمین، و کاربری زمین تصویری جامع از تغییرات چشمانداز در سراسر ایالات متحده در چهار دهه گذشته ارائه میدهد.
لایههای پیشبینیکننده برای مدل LCMS شامل خروجیهای الگوریتمهای تشخیص تغییر LandTrendr و CCDC و اطلاعات زمین است. همه این مؤلفهها بااستفاده از Google Earth Engine (گورلیک و همکاران، 2017).
دادههای بازتابش بالای جو Landsat Tier 1 و Sentinel 2A, 2B Level-1C مستقیماً در CCDC و برای تولید ترکیبهای سالانه برای LandTrendr استفاده میشوند. cFmask (Zhu and Woodcock, 2012) (فقط Landsat)، cloudScore (Chastain et al., 2019) (فقط Landsat)، و s2cloudless (Sentinel-Hub، 2021) (فقط Sentinel 2) برای پوشاندن ابرها استفاده میشوند، درحالیکه TDOM (Chastain et al.، (۲۰۱۹) برای پوشاندن سایه ابرها (Landsat و Sentinel 2) استفاده میشود. برای LandTrendr، سپس میانه سالانه محاسبه میشود تا مقادیر بدون ابر و سایه ابر از هر سال در یک ترکیب واحد خلاصه شود.
سری زمانی ترکیبی بااستفاده از LandTrendr (کندی و همکاران، ۲۰۱۰؛ Kennedy و همکاران، ۲۰۱۸؛ Cohen و همکاران، ۲۰۱۸).
همه مقادیر بدون ابر و سایه ابر نیز بااستفاده از الگوریتم CCDC (ژو و وودکاک، ۲۰۱۴) بهصورت موقت بخشبندی میشوند.
مقادیر ترکیبی خام، مقادیر برازششده LandTrendr، تفاوتهای جفتی، مدتزمان بخش، بزرگی تغییر، و شیب، و ضرایب سینوسی و کسینوسی ۱ سپتامبر CCDC (۳ هارمونیک اول)، مقادیر برازششده، و تفاوتهای جفتی، بههمراه ارتفاع، شیب، سینوس جهت شیب، کسینوس جهت شیب، و شاخصهای موقعیت توپوگرافی (Weiss، ۲۰۰۱) از «مدلهای ارتفاعی دیجیتال» پورتوریکو (Taylor و همکاران، ۲۰۰۸) و «مدل ارتفاعی دیجیتال» اداره ملی اقیانوسی و جوی برای جزایر ویرجین ایالات متحده (Love و همکاران، ۲۰۱۴)، بهعنوان متغیرهای پیشبینیکننده مستقل در مدل «جنگل تصادفی» (Breiman، ۲۰۰۱) استفاده میشوند.
دادههای مرجع بااستفاده از TimeSync جمعآوری میشوند، ابزاری مبتنی بر وب که به تحلیلگران کمک میکند تا سابقه دادههای Landsat را از سال ۱۹۸۴ تا کنون تجسم و تفسیر کنند (کوهن و همکاران، ۲۰۱۰).
منابع تکمیلی
LCMS Data Explorer برنامهای مبتنی بر وب است که به کاربران امکان میدهد دادههای LCMS را مشاهده، تجزیهوتحلیل، خلاصه، و بارگیری کنند.
برای اطلاعات دقیقتر درباره روشها و ارزیابی دقت، لطفاً به خلاصه روشهای LCMS مراجعه کنید، یا برای بارگیری دادهها، فرادادهها، و اسناد پشتیبانی به مرکز تبادل دادههای جغرافیایی LCMS مراجعه کنید.
اگر سؤال یا درخواست داده خاصی دارید، با [sm.fs.lcms@usda.gov] تماس بگیرید. * Breiman, L., ۲۰۰۱. یادگیری ماشین. Springer، 45(3): 261-277 doi:10.1023/a:1017934522171
Chastain, R., Housman, I., Goldstein, J., Finco, M., and Tenneson, K., ۲۰۱۹. مقایسه تجربی حسگرهای متقاطع Sentinel-2A و 2B MSI، Landsat-8 OLI، و Landsat-7 ETM ویژگیهای طیفی بالای جو در ایالات متحده هممرز. در سنجش از دور محیط زیست. Science Direct، ۲۲۱: ۲۷۴-۲۸۵ doi:10.1016/j.rse.2018.11.012
Cohen, W. ب.، Yang, Z., and Kennedy, R., ۲۰۱۰. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 2. TimeSync - ابزارهایی برای واسنجی و اعتبارسنجی. در سنجش از دور محیط. Science Direct، 114(12): 2911-2924 doi:10.1016/j.rse.2010.07.010
Cohen, W. ب.، Yang, Z., Healey, S. P., Kennedy, R. E.، و Gorelick, N.، ۲۰۱۸. مجموعه چندطیفی LandTrendr برای تشخیص اختلال جنگل. در سنجش از دور محیط. Science Direct، ۲۰۵: ۱۳۱-۱۴۰ doi:10.1016/j.rse.2017.11.015
Healey, S. P., Cohen, W. ب.، Yang, Z., Kenneth Brewer, C., Brooks, E. ب.، Gorelick, N., Hernandez, A. د.، Huang, C., جوزف هیوز، ام.، Kennedy, R. E.، لاولند، ت. R.، Moisen, G. G.، Schroeder, T. A.، Stehman, S. V., Vogelmann, J. E.، Woodcock, C. E.، Yang, L., and Zhu, Z., ۲۰۱۸. نگاشت تغییرات جنگل بااستفاده از تعمیم پشتهای: رویکردی گروهی. در سنجش از دور محیط. Science Direct، 204: 717-728 doi:10.1016/j.rse.2017.09.029
Kennedy, R. E.، Yang, Z., and Cohen, W. ب.، ۲۰۱۰. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 1. LandTrendr - الگوریتمهای بخشبندی زمانی. در سنجش از دور محیط. 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., ۲۰۱۸. پیادهسازی الگوریتم LandTrendr در Google Earth Engine. در سنجش از دور. MDPI، 10(5): 691 doi:10.3390/rs10050691
با عشق، م.ر.، Sutherland, M., Beasley, L., Carignan, K.S., Eakins, B.W. (2014). مدلهای ارتفاع دیجیتال جزایر ویرجین ایالات متحده. در نشریه داخلی مرکز ملی دادههای ژئوفیزیک NOAA.
Sentinel-Hub (2021). Sentinel 2 Cloud Detector. [آنلاین]. دردسترس در: https://github.com/sentinel-hub/sentinel2-cloud-detector (دسترسی: ۲۰۲۱)
Taylor, L.A., Eakins, B.W., Carignan, K.S., Warnken, R.R., Sazonova, T., Schoolcraft, D.C. (2008). مدلهای ارتفاع دیجیتال پورتوریکو: روالها، منابع داده، و تحلیل. In NOAA Technical Memorandum NESDIS NGDC-13, National Geophysical Data Center, Boulder, CO. (27 pp).
Weiss, A.D., ۲۰۰۱. ارائه پوستر تحلیل موقعیت توپوگرافی و زمینریخت، کنفرانس کاربران ESRI، سن دیگو، کالیفرنیا.
Zhu, Z., and Woodcock, C. ث. (2012). تشخیص ابر و سایه ابر مبتنی بر شیء در تصاویر Landsat. در سنجش از دور محیط. Science Direct، ۱۱۸: ۸۳-۹۴ doi:10.1016/j.rse.2011.10.028
Zhu, Z., and Woodcock, C. E.، ۲۰۱۴. تشخیص و طبقهبندی مداوم تغییرات پوشش زمین بااستفاده از همه دادههای دردسترس Landsat. در سنجش از دور محیط. Science Direct، ۱۴۴: ۱۵۲-۱۷۱ doi:10.1016/j.rse.2014.01.011
باند
باند
اندازه پیکسل: ۳۰ متر (همه باندها)
| نام | اندازه پیکسل | شرح | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Change |
۳۰ متر | محصول نهایی تغییر موضوعی LCMS. درمجموع سه کلاس تغییر (کاهش آهسته، کاهش سریع، و افزایش) برای هر سال نگاشت میشود. هر کلاس بااستفاده از مدل «جنگل تصادفی» جداگانهای پیشبینی میشود که احتمال (نسبت درختها در مدل «جنگل تصادفی») تعلق پیکسل به آن کلاس را خروجی میدهد. به همین دلیل، پیکسلهای مجزا سه خروجی مدل متفاوت برای هر سال دارند. کلاسهای نهایی به کلاس تغییری اختصاص داده میشوند که بالاترین احتمال را دارد و همچنین بالاتر از آستانه مشخصشده است. هر پیکسلی که مقداری بالاتر از آستانه مربوط به هر کلاس نداشته باشد به کلاس «پایدار» اختصاص داده میشود. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover |
۳۰ متر | محصول نهایی پوشش زمین LCMS موضوعی. درمجموع ۱۴ کلاس پوشش زمین بهصورت سالانه بااستفاده از دادههای مرجع TimeSync و اطلاعات طیفی برگرفته از تصاویر Landsat نقشهبرداری میشود. هر کلاس بااستفاده از یک مدل «جنگل تصادفی» جداگانه پیشبینی میشود که احتمال (نسبت درختان در مدل «جنگل تصادفی») تعلق پیکسل به آن کلاس را خروجی میدهد. به همین دلیل، پیکسلهای تکی ۱۴ خروجی مدل متفاوت برای هر سال دارند و کلاسهای نهایی به پوشش زمینی با بالاترین احتمال اختصاص داده میشوند. هفت کلاس از ۱۴ کلاس پوشش زمین نشاندهنده یک پوشش زمین واحد هستند، که در آن نوع پوشش زمین بیشتر مساحت پیکسل را پوشش میدهد و هیچ کلاس دیگری بیشاز ۱۰٪ پیکسل را پوشش نمیدهد. همچنین هفت کلاس مختلط وجود دارد. اینها پیکسلهایی را نشان میدهند که در آنها یک کلاس پوشش زمین اضافی حداقل ۱۰٪ از پیکسل را پوشش میدهد. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use |
۳۰ متر | محصول نهایی موضوعی استفاده از زمین LCMS. درمجموع ۶ کلاس کاربری زمین بهصورت سالانه بااستفاده از دادههای مرجع TimeSync و اطلاعات طیفی برگرفته از تصاویر Landsat نقشهبرداری میشود. هر کلاس بااستفاده از یک مدل «جنگل تصادفی» جداگانه پیشبینی میشود که احتمال (نسبت درختان در مدل «جنگل تصادفی») تعلق پیکسل به آن کلاس را خروجی میدهد. به همین دلیل، پیکسلهای مجزا ۶ خروجی مدل متفاوت برای هر سال دارند و کلاسهای نهایی به کاربری زمینی با بالاترین احتمال اختصاص داده میشوند. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Change_Raw_Probability_Slow_Loss |
۳۰ متر | احتمال مدلسازیشده LCMS خام برای «کاهش آهسته». تعریف: «ازدست رفتن آهسته» شامل کلاسهای زیر از تفسیر فرایند تغییر TimeSync است-
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Change_Raw_Probability_Fast_Loss |
۳۰ متر | احتمال مدلسازیشده LCMS خام از «ازدست رفتن سریع». تعریف: «ازدست دادن سریع» شامل کلاسهای زیر از تفسیر فرایند تغییر TimeSync است-
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Change_Raw_Probability_Gain |
۳۰ متر | احتمال مدلسازیشده LCMS خام برای «افزایش». تعریف: زمینی که بهدلیل رشد و توالی درطول یک یا چند سال، افزایش پوشش گیاهی را نشان میدهد. قابل اعمال برای هر منطقهای که ممکن است تغییر طیفی مرتبط با رشد مجدد پوشش گیاهی را نشان دهد. در مناطق توسعهیافته، رشد میتواند ناشی از بلوغ پوشش گیاهی و/یا چمنها و محوطهسازیهای جدید باشد. در جنگلها، رشد شامل رشد پوشش گیاهی از زمین برهنه و همچنین رشد درختان میانی و همغالب و/یا علفها و بوتههای پایینتر است. بخشهای رشد/بهبود ثبتشده پساز برداشت جنگل احتمالاً با بازسازی جنگل از کلاسهای مختلف پوشش زمین عبور خواهند کرد. برای اینکه این تغییرات بهعنوان رشد/بهبود درنظر گرفته شوند، مقادیر طیفی باید بهطور دقیق از خط روند افزایشی پیروی کنند (مثلاً شیب مثبت که اگر تا حدود ۲۰ سال ادامه یابد، در حدود ۰٫۱۰ واحد NDVI خواهد بود) که برای چندین سال ادامه دارد. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Trees |
۳۰ متر | احتمال مدلسازیشده LCMS خام برای درختان. تعریف: بخش عمده پیکسل از درختان زنده یا درختان مرده ایستاده تشکیل شده است. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix |
۳۰ متر | احتمال مدلسازیشده LCMS خام برای ترکیب درختچههای بلند و درختان (فقط SEAK). تعریف: بخش عمده پیکسل از درختچههایی با ارتفاع بیشاز ۱ متر تشکیل شده است و همچنین حداقل ٪۱۰ آن از درختان زنده یا درختان مرده ایستاده تشکیل شده است. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix |
۳۰ متر | احتمال مدلسازیشده LCMS خام برای ترکیب بوتهها و درختان. بهصورت زیر تعریف میشود: اکثر پیکسلها از درختچهها تشکیل شدهاند و همچنین حداقل ٪۱۰ از درختان زنده یا مرده ایستاده تشکیل شدهاند. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix |
۳۰ متر | احتمال مدلسازیشده LCMS خام برای ترکیب چمن/ علف/ گیاه و درخت. بهصورت زیر تعریف میشود: بخش عمده پیکسل از علفهای چندساله، گیاهان پهنبرگ، یا سایر انواع پوشش گیاهی علفی تشکیل شده است و همچنین حداقل ٪۱۰ آن از درختان زنده یا ایستاده مرده تشکیل شده است. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Barren-and-Trees-Mix |
۳۰ متر | احتمال مدلسازیشده LCMS خام برای ترکیب زمین بایر و درختان. تعریف: بخش عمده پیکسل از خاک برهنه تشکیل شده است که بهدلیل اختلال (مثلاً خاک بدون پوشش ناشی از پاکسازی مکانیکی یا برداشت جنگل) نمایان شده است، و همچنین مناطق همیشه بایر مانند بیابانها، پلایاها، برونزدهای سنگی (ازجمله مواد معدنی و سایر مواد زمینشناسی که بهدلیل فعالیتهای استخراج سطحی نمایان شدهاند)، تپههای شنی، کویرهای نمک، و سواحل. جادههای خاکی و شنی نیز بایر محسوب میشوند و حداقل ۱۰٪ از آنها را درختان زنده یا مرده ایستاده تشکیل میدهند. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Tall-Shrubs |
۳۰ متر | احتمال مدلسازیشده LCMS خام برای درختچههای بلند (فقط SEAK). بهصورت زیر تعریف میشود: بخش عمده پیکسل از درختچههایی با ارتفاع بیشاز ۱ متر تشکیل شده است. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Shrubs |
۳۰ متر | احتمال مدلسازیشده LCMS خام برای بوتهها. تعریف: بخش عمده پیکسل از درختچهها تشکیل شده است. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix |
۳۰ متر | احتمال مدلسازیشده LCMS خام برای مخلوط علف/گیاه پهنبرگ/گیاه علفی و درختچه. به این صورت تعریف میشود: بخش عمده پیکسل از علفهای چندساله، گیاهان پهنبرگ، یا دیگر انواع پوشش گیاهی علفی تشکیل شده است و همچنین حداقل ۱۰٪ آن از درختچهها تشکیل شده است. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix |
۳۰ متر | احتمال مدلسازیشده LCMS خام برای «مخلوط زمین بایر و بوتهزار». تعریف: بخش عمده پیکسل از خاک برهنه تشکیل شده است که بهدلیل اختلال (مثلاً خاک بدون پوشش ناشی از پاکسازی مکانیکی یا برداشت جنگل) نمایان شده است، و همچنین مناطق همیشه بایر مانند بیابانها، پلایاها، برونزدهای سنگی (ازجمله مواد معدنی و سایر مواد زمینشناسی که بهدلیل فعالیتهای استخراج سطحی نمایان شدهاند)، تپههای شنی، کویرهای نمک، و سواحل. جادههای خاکی و شنی نیز بایر محسوب میشوند و حداقل ۱۰٪ از آنها را بوتهها تشکیل میدهند. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Grass-Forb-Herb |
۳۰ متر | احتمال مدلسازیشده LCMS خام برای علف/ گیاه پهنبرگ/ گیاه دارویی. به این صورت تعریف میشود: بخش عمده پیکسل از علفهای چندساله، علفهای پهنبرگ، یا دیگر انواع پوشش گیاهی علفی تشکیل شده است. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix |
۳۰ متر | احتمال مدلسازیشده LCMS خام برای «زمین بایر» و «مخلوط علف/ پهنبرگ/ گیاه». به این صورت تعریف میشود: بیشتر پیکسل از خاک برهنه تشکیل شده است که دراثر اختلال نمایان شده است (مثلاً خاک بدون پوشش دراثر پاکسازی مکانیکی یا برداشت جنگل)، و همچنین مناطق همیشه بایر مانند بیابانها، کویرها، برونزدگیهای سنگی (ازجمله مواد معدنی و سایر مواد زمینشناسی که دراثر فعالیتهای معدنکاری سطحی نمایان شدهاند)، تپههای شنی، دشتهای نمکی، و سواحل. جادههای خاکی و شنی نیز بایر محسوب میشوند و حداقل ۱۰٪ از آنها را علفهای چندساله، علفهای پهنبرگ، یا سایر انواع پوشش گیاهی علفی تشکیل میدهد. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Barren-or-Impervious |
۳۰ متر | احتمال مدلسازیشده LCMS خام برای «بایر» یا «نفوذناپذیر». به این صورت تعریف میشود: بخش عمده پیکسل شامل ۱) خاک برهنه نمایانشده بهدلیل اختلال (مثلاً خاک بدون پوشش بهدلیل پاکسازی مکانیکی یا برداشت جنگل)، و همچنین مناطق همیشه بایر مانند بیابانها، پلایاها، برونزدهای سنگی (ازجمله مواد معدنی و سایر مواد زمینشناسی نمایانشده بهدلیل فعالیتهای استخراج سطحی)، تپههای شنی، کویرهای نمک، و سواحل است. جادههای خاکی و شنی نیز بایر درنظر گرفته میشوند یا ۲) مواد مصنوعی که آب نمیتواند در آنها نفوذ کند، مانند جادههای آسفالتشده، سقفها، و پارکینگها. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Snow-or-Ice |
۳۰ متر | احتمال مدلسازیشده LCMS خام برای برف یا یخ. تعریف: بخش عمده پیکسل از برف یا یخ تشکیل شده است. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Water |
۳۰ متر | احتمال مدلسازیشده LCMS خام برای آب. به این صورت تعریف میشود: بیشتر پیکسل از آب تشکیل شده است. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Agriculture |
۳۰ متر | احتمال مدلسازیشده LCMS خام برای کشاورزی. تعریف: زمینی که برای تولید غذا، الیاف، و سوخت استفاده میشود و در وضعیت پوشش گیاهی یا بدون پوشش گیاهی است. این شامل اما نه محدود به زمینهای زراعی کشتشده و کشتنشده، زمینهای یونجه، باغهای میوه، تاکستانها، عملیات دامداری محصور، و مناطق کاشتهشده برای تولید میوه، آجیل، یا توت است. جادههایی که عمدتاً برای استفاده کشاورزی استفاده میشوند (یعنی برای حملونقل عمومی از شهری به شهر دیگر استفاده نمیشوند) بهعنوان کاربری زمین کشاورزی درنظر گرفته میشوند. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Developed |
۳۰ متر | احتمال مدلسازیشده LCMS خام برای «توسعهیافته». به این صورت تعریف میشود: زمینی که با سازههای دستساز بشر پوشانده شده است (مثلاً مسکونی با تراکم بالا، تجاری، صنعتی، معدن، یا حملونقل)، یا ترکیبی از پوشش گیاهی (ازجمله درختان) و سازهها (مثلاً مسکونی با تراکم پایین، چمنزار، تأسیسات تفریحی، گورستان، راهروهای حملونقل و تأسیسات، و غیره)، ازجمله هر زمینی که ازنظر عملکردی با فعالیتهای انسانی تغییر کرده باشد. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Forest |
۳۰ متر | احتمال مدلسازیشده LCMS خام برای جنگل. تعریف: زمینی که کاشته شده یا بهطور طبیعی پوشش گیاهی دارد و در زمانی درطول توالی جانشینی کوتاهمدت، دارای ۱۰٪ یا بیشتر تاجپوش است (یا احتمالاً خواهد بود). این میتواند شامل دستههای برگریز، همیشهسبز، و/یا مختلط جنگل طبیعی، جنگلهای مزرعهای، و تالابهای چوبی باشد. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Non-Forest-Wetland |
۳۰ متر | احتمال مدلسازیشده LCMS خام برای تالاب غیرجنگلی. تعریف: زمینهای مجاور یا درون یک سفره آب مرئی (که بهطور دائمی یا فصلی اشباع شدهاند) که تحت سلطه درختچهها یا گیاهان آبزی دائمی هستند. این تالابها ممکن است در ساحل دریاچهها، کانالهای رودخانه، یا دهانه رودها، در دشتهای سیلابی رودخانه، در حوضههای آبریز مجزا، یا در دامنهها واقع شده باشند. همچنین ممکن است بهصورت چالههای چمنزار، خندقهای زهکشی، و حوضچههای ذخیره آب در چشماندازهای کشاورزی و همچنین بهصورت جزایری در وسط دریاچهها یا رودخانهها ظاهر شوند. نمونههای دیگر شامل مرداب، باتلاق، لجنزار، لجنزار، باتلاق، لجنزار، باتلاق، و آبگذر است. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Other |
۳۰ متر | احتمال مدلسازیشده LCMS خام برای «دیگر». بهصورت زیر تعریف میشود: زمینی (صرفنظر از کاربرد آن) که روند طیفی یا سایر شواهد مؤید آن نشان میدهد که رویداد اختلال یا تغییری در آن رخ داده است اما علت قطعی آن را نمیتوان تعیین کرد یا نوع تغییر با هیچیک از دستههای فرایند تغییر تعریفشده در بالا مطابقت ندارد. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Rangeland-or-Pasture |
۳۰ متر | احتمال مدلسازیشده LCMS خام برای مرتع یا چراگاه. بهصورت زیر تعریف میشود: این کلاس شامل هر منطقهای است که یا الف.) مرتع، جایی که پوشش گیاهی ترکیبی از علفهای بومی، درختچهها، علفهای پهنبرگ و گیاهان علفمانند است که عمدتاً از عوامل و فرایندهای طبیعی مانند بارندگی، دما، ارتفاع و آتشسوزی ناشی میشوند، اگرچه مدیریت محدود ممکن است شامل سوزاندن تجویزشده و همچنین چرای گیاهخواران اهلی و وحشی باشد؛ یا ب.) چراگاه، جایی که پوشش گیاهی ممکن است از علفهای مخلوط و عمدتاً طبیعی، گیاهان پهنبرگ و گیاهان دارویی تا پوشش گیاهی مدیریتشدهتر تحت سلطه گونههای علفی که کاشته شدهاند و برای حفظ تککشتی مدیریت میشوند، متغیر باشد. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
QA_Bits |
۳۰ متر | اطلاعات جانبی درباره منشأ مقادیر خروجی محصول سالانه LCMS. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
تغییر جدول کلاس
| مقدار | رنگ | شرح |
|---|---|---|
| 1 | #3d4551 | پایدار |
| 2 | #f39268 | باخت آهسته |
| 3 | #d54309 | باخت سریع |
| 4 | #00a398 | سود |
| 5 | #1b1716 | ماسک ناحیه غیرپردازشی |
جدول کلاس Land_Cover
| مقدار | رنگ | شرح |
|---|---|---|
| 1 | #005e00 | درخت |
| 2 | #008000 | ترکیب درختان و بوتههای بلند (فقط SEAK) |
| 3 | #00cc00 | مخلوط بوته و درخت |
| 4 | #b3ff1a | ترکیب چمن/گیاه پهنبرگ/گیاه علفی و درخت |
| 5 | #99ff99 | ترکیب Barren & Trees |
| 6 | #b30088 | درختچههای بلند (فقط SEAK) |
| 7 | #e68a00 | درختچهها |
| 8 | #ffad33 | ترکیب چمن/گیاه پهنبرگ/گیاه دارویی و بوته |
| 9 | #ffe0b3 | ترکیب بایر و درختچه |
| 10 | #ffff00 | علف/ گیاه پهنبرگ/ گیاه دارویی |
| 11 | #aa7700 | ترکیب زمین بایر و چمن/گیاه پهنبرگ/گیاه دارویی |
| 12 | #d3bf9b | بایر یا نفوذناپذیر |
| 13 | #ffffff | برف یا یخبندان |
| 14 | #4780f3 | آب |
| 15 | #1b1716 | ماسک ناحیه غیرپردازشی |
جدول کلاس Land_Use
| مقدار | رنگ | شرح |
|---|---|---|
| 1 | #efff6b | کشاورزی |
| 2 | #ff2ff8 | توسعهیافته |
| 3 | #1b9d0c | جنگل |
| 4 | #97ffff | تالاب غیرجنگلی |
| 5 | #a1a1a1 | غیره |
| 6 | #c2b34a | مرتع یا چراگاه |
| 7 | #1b1716 | ماسک ناحیه غیرپردازشی |
مشخصات تصویر
ویژگیهای تصویر
| نام | نوع | شرح |
|---|---|---|
| study_area | رشته | LCMS درحالحاضر CONUS، جنوب شرقی آلاسکا، و جزایر ویرجین پورتوریکو-ایالات متحده را پوشش میدهد. این نسخه حاوی خروجیهایی در سراسر پورتوریکو و جزایر ویرجین ایالات متحده است. مقدار ممکن: «PRUSVI» |
شرایط استفاده
شرایط استفاده
«سرویس جنگلداری وزارت کشاورزی ایالات متحده» هیچ ضمانتی، صریح یا ضمنی، ازجمله ضمانتهای قابلیت فروش و مناسب بودن برای هدفی خاص، ارائه نمیدهد و هیچگونه مسئولیت قانونی یا مسئولیت دیگری درقبال دقت، قابلیت اطمینان، کامل بودن، یا سودمندی این دادههای زمینمکانی، یا درقبال استفاده نامناسب یا نادرست از این دادههای زمینمکانی برعهده نمیگیرد. این دادههای زمینمکانی و نقشهها یا گرافیکهای مرتبط اسناد قانونی نیستند و برای استفاده بهعنوان چنین اسنادی درنظر گرفته نشدهاند. از این دادهها و نقشهها نباید برای تعیین عنوان، مالکیت، توصیفها یا مرزهای قانونی، حوزه قضایی قانونی، یا محدودیتهایی که ممکن است در زمینهای عمومی یا خصوصی وجود داشته باشد استفاده شود. ممکن است خطرات طبیعی در دادهها و نقشهها نشان داده شده یا نشده باشد، و کاربران زمین باید احتیاط لازم را بهعمل آورند. دادهها پویا هستند و ممکن است درطول زمان تغییر کنند. کاربر مسئول است محدودیتهای دادههای زمینمکانی را تأیید کند و از دادهها مطابق با آن استفاده کند.
این دادهها بااستفاده از بودجه دولت ایالات متحده جمعآوری شده است و میتوان بدون مجوز یا هزینه اضافی از آنها استفاده کرد. اگر از این دادهها در انتشارات، ارائه، یا سایر محصولات پژوهشی استفاده میکنید، لطفاً از نقلقول زیر استفاده کنید:
USDA Forest Service. ۲۰۲۱. USFS Landscape Change Monitoring System v2020.6 (فقط پورتوریکو - جزایر ویرجین ایالات متحده). سالت لیک سیتی، یوتا.
نقلقولها
USDA Forest Service. ۲۰۲۱. سیستم نظارت بر تغییر چشمانداز USFS نسخه ۲۰۲۰.۶ (فقط پورتوریکو - جزایر ویرجین ایالات متحده). سالت لیک سیتی، یوتا.
کاوش با Earth Engine
ویرایشگر کد (جاوا اسکریپت)
var dataset = ee.ImageCollection('USFS/GTAC/LCMS/v2020-6'); var lcms = dataset .filterDate('2020', '2021') // range: [1985, 2020] .filter('study_area == "PRUSVI"') // Puero Rico only in this version. .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(-66.42, 18.13, 9);