USFS Landscape Change Monitoring System v2020.6 (Puerto Rico - US Virgin Islands only) [deprecated]

USFS/GTAC/LCMS/v2020-6
데이터 세트 제공
1985-06-01T00:00:00Z–2021-05-31T00:00:00Z
데이터 세트 제공업체
Earth Engine 스니펫
ee.ImageCollection("USFS/GTAC/LCMS/v2020-6")
태그
변경
change-detection
숲
gtac
토지피복
Landsat에서 파생됨
landuse
landuse-landcover
lcms
redcastle-resources
rmrs
sentinel2-derived
시계열
usda
usfs

설명

이 제품은 Landscape Change Monitoring System (LCMS) 데이터 모음의 일부입니다. 각 연도의 LCMS 모델링된 변화, 토지 피복 또는 토지 사용 클래스를 보여줍니다. 이 LCMS 버전은 푸에르토리코 미국령 버진아일랜드 (PRUSVI)를 다룹니다.

LCMS는 미국 전역의 지형 변화를 매핑하고 모니터링하는 원격 감지 기반 시스템입니다. 이 프로젝트의 목표는 최신 기술과 변화 감지 기술의 발전을 활용하여 일관된 접근 방식을 개발하여 '가장 적합한' 지형 변화 지도를 만드는 것입니다.

출력에는 변화, 토지 피복, 토지 이용의 세 가지 연간 제품이 포함됩니다. 변화는 특히 식생 피복과 관련이 있으며 느린 손실, 빠른 손실 (침수 또는 건조와 같은 수문학적 변화도 포함), 증가를 포함합니다. 이러한 값은 Landsat 시계열의 각 연도에 대해 예측되며 LCMS의 기본 제품 역할을 합니다. 토지 피복 및 토지 이용 지도에는 매년 생물 형태 수준의 토지 피복과 광범위한 수준의 토지 이용이 표시됩니다.

모든 상황에서 가장 우수한 성능을 보이는 알고리즘은 없으므로 LCMS는 모델 앙상블을 예측 변수로 사용하여 다양한 생태계와 변화 과정에서 지도 정확도를 개선합니다 (Healey et al., 2018). 결과적으로 LCMS 변화, 토지 피복, 토지 이용 지도 모음은 지난 40년간 미국 전역의 지형 변화를 전체적으로 보여줍니다.

LCMS 모델의 예측 변수 레이어에는 LandTrendr 및 CCDC 변경 감지 알고리즘의 출력과 지형 정보가 포함됩니다. 이러한 구성요소는 모두 Google Earth Engine (Gorelick et al., 2017).

Landsat Tier 1 및 Sentinel 2A, 2B Level-1C 대기권 상단 반사율 데이터는 CCDC에서 직접 사용되며 LandTrendr의 연간 컴포지트를 생성하는 데 사용됩니다. cFmask (Zhu 및 Woodcock, 2012) (Landsat 전용), cloudScore(Chastain 외, 2019) (Landsat 전용) 및 s2cloudless (Sentinel-Hub, 2021)(Sentinel 2 전용)는 구름을 마스크하는 데 사용되고 TDOM (Chastain et al., 2019)는 구름 그림자를 마스크하는 데 사용됩니다 (Landsat 및 Sentinel 2). LandTrendr의 경우 연간 메도이드가 계산되어 각 연도의 구름 및 구름 그림자 없는 값을 단일 합성으로 요약합니다.

복합 시계열은 LandTrendr (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).

모든 클라우드 및 클라우드 그림자 없는 값도 CCDC 알고리즘 (Zhu 및 Woodcock, 2014)을 사용하여 시간별로 분류됩니다.

원시 합성 값, LandTrendr 적합 값, 쌍별 차이, 세그먼트 기간, 변화 크기 및 기울기, CCDC 9월 1일 사인 및 코사인 계수 (처음 3개 조화), 적합 값, 쌍별 차이와 푸에르토리코 디지털 고도 모델 (Taylor et al 2008) 및 미국령 버진아일랜드 국립해양대기청 디지털 고도 모델 (Love et al. 2014)의 고도, 경사, 경사 사인, 경사 코사인, 지형 위치 지수 (Weiss, 2001)가 Random Forest(Breiman, 2001) 모델의 독립 예측 변수로 사용됩니다.

참조 데이터는 분석가가 1984년부터 현재까지의 Landsat 데이터 기록을 시각화하고 해석하는 데 도움이 되는 웹 기반 도구인 TimeSync를 사용하여 수집됩니다(Cohen et al., 2010).

추가 리소스

궁금한 점이나 특정 데이터 요청이 있으면 [sm.fs.lcms@usda.gov] 에 문의하세요. * Breiman, L., 2001. 머신러닝 Springer, 45(3): 261-277 doi:10.1023/a:1017934522171

  • Chastain, R., Housman, I., Goldstein, J., Finco, M., and Tenneson, K., 2019. 미국 본토에서 Sentinel-2A 및 2B MSI, Landsat-8 OLI, Landsat-7 ETM 대기권 상단 스펙트럼 특성의 실증적 교차 센서 비교 환경 원격 감지 Science Direct, 221: 274~285 doi:10.1016/j.rse.2018.11.012

  • Cohen, W. B., Yang, Z., and Kennedy, R., 2010. 연간 Landsat 시계열을 사용한 산림 교란 및 회복 추세 감지: 2. TimeSync - 보정 및 검증 도구 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., and Gorelick, N., 2018년 산림 교란 감지를 위한 LandTrendr 다중 스펙트럼 앙상블입니다. 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., 조셉 휴즈, M., Kennedy, R. E., Loveland, T. R., Moisen, G. G., Schroeder, T. A., Stehman, S. V., Vogelmann, J. E., Woodcock, C. E., Yang, L., Zhu, Z., 2018년 스태킹 일반화를 사용한 산림 변화 매핑: 앙상블 접근 방식 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. 연간 Landsat 시계열을 사용한 산림 교란 및 회복 추세 감지: 1. LandTrendr - 시간 세분화 알고리즘입니다. 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., Healey, S., 2018년 Google Earth Engine에서 LandTrendr 알고리즘 구현 원격 감지 MDPI, 10(5): 691 doi:10.3390/rs10050691

  • Love, M.R., Sutherland, M., Beasley, L., Carignan, K.S., Eakins, B.W. (2014). 미국령 버진아일랜드의 디지털 고도 모델입니다. In NOAA National Geophysical Data Center Internal Publication.

  • Sentinel-Hub (2021년) Sentinel 2 Cloud Detector [온라인]. https://github.com/sentinel-hub/sentinel2-cloud-detector에서 확인할 수 있습니다(액세스: 2021).

  • Taylor, L.A., Eakins, B.W., Carignan, K.S., Warnken, R.R., Sazonova, T., Schoolcraft, D.C. (2008). 푸에르토리코의 디지털 고도 모델: 절차, 데이터 소스, 분석. NOAA Technical Memorandum NESDIS NGDC-13, National Geophysical Data Center, Boulder, CO. (27 pp).

  • Weiss, A.D., 2001. 지형 위치 및 지형 분석 포스터 발표, ESRI 사용자 컨퍼런스, 샌디에이고, CAZhu, Z., Woodcock, C. E. (2012). Landsat 이미지의 객체 기반 클라우드 및 구름 그림자 감지 In Remote Sensing of Environment. Science Direct, 118: 83~94 doi:10.1016/j.rse.2011.10.028

  • Zhu, Z., and Woodcock, C. E., 2014년 사용 가능한 모든 Landsat 데이터를 사용하여 토지 피복을 지속적으로 변경 감지하고 분류합니다. In Remote Sensing of Environment. Science Direct, 144: 152~171 doi:10.1016/j.rse.2014.01.011

대역

픽셀 크기
30m

밴드

이름 픽셀 크기 설명
Change 미터

최종 주제별 LCMS 변경 제품입니다. 각 연도에 총 3개의 변화 클래스 (느린 손실, 빠른 손실, 증가)가 매핑됩니다. 각 클래스는 별도의 랜덤 포레스트 모델을 사용하여 예측되며, 이 모델은 픽셀이 해당 클래스에 속할 확률 (랜덤 포레스트 모델 내 트리의 비율)을 출력합니다. 따라서 개별 픽셀에는 연도별로 세 가지 모델 출력이 있습니다. 최종 클래스는 지정된 기준점을 초과하는 동시에 확률이 가장 높은 변경 클래스에 할당됩니다. 각 클래스의 개별 임곗값보다 큰 값이 없는 픽셀은 안정 클래스에 할당됩니다.
Land_Cover 미터

최종 주제별 LCMS 토지 피복 제품입니다. TimeSync 참조 데이터와 Landsat 이미지에서 파생된 스펙트럼 정보를 사용하여 총 14개의 토지 피복 클래스가 매년 매핑됩니다. 각 클래스는 별도의 랜덤 포레스트 모델을 사용하여 예측되며, 이 모델은 픽셀이 해당 클래스에 속할 확률 (랜덤 포레스트 모델 내 트리의 비율)을 출력합니다. 따라서 개별 픽셀에는 연도별로 14개의 서로 다른 모델 출력이 있으며, 확률이 가장 높은 토지 피복에 최종 클래스가 할당됩니다. 14개의 토지 피복 클래스 중 7개는 단일 토지 피복을 나타냅니다. 이 경우 토지 피복 유형이 픽셀 영역의 대부분을 차지하고 다른 클래스가 픽셀의 10% 이상을 차지하지 않습니다. 혼성 수업도 7개 있습니다. 이는 추가 토지 피복 클래스가 픽셀의 10% 이상을 차지하는 픽셀을 나타냅니다.
Land_Use 미터

최종 주제별 LCMS 토지 이용 제품입니다. TimeSync 참조 데이터와 Landsat 이미지에서 파생된 스펙트럼 정보를 사용하여 총 6개의 토지 이용 클래스가 연간 기준으로 매핑됩니다. 각 클래스는 별도의 랜덤 포레스트 모델을 사용하여 예측되며, 이 모델은 픽셀이 해당 클래스에 속할 확률(랜덤 포레스트 모델 내 트리의 비율)을 출력합니다. 따라서 개별 픽셀에는 연도별로 6개의 서로 다른 모델 출력이 있으며 최종 클래스는 확률이 가장 높은 토지 이용에 할당됩니다.
Change_Raw_Probability_Slow_Loss 미터

느린 손실의 원시 LCMS 모델링된 확률입니다. 다음과 같이 정의됩니다. 느린 손실에는 TimeSync 변경 프로세스 해석의 다음 클래스가 포함됩니다.

  • 구조적 감소 - 인위적 또는 기계적 요인이 아닌 요인으로 인해 불리한 성장 조건이 발생하여 나무나 기타 목본 식물이 물리적으로 변경된 토지입니다. 이러한 유형의 손실은 일반적으로 스펙트럼 신호에서 추세를 생성해야 합니다(예: NDVI 감소, 습도 감소, SWIR 증가 등). 하지만 추세가 미묘할 수 있습니다. 구조적 감소는 목본 식물 환경에서 발생하며, 이는 곤충, 질병, 가뭄, 산성비 등으로 인한 것일 가능성이 높습니다. 구조적 감소에는 1~2년 이내에 회복될 수 있는 집시나방 및 가문비나무순나방 침입과 같이 사망을 초래하지 않는 낙엽 이벤트가 포함될 수 있습니다.

  • 스펙트럼 감소 - 스펙트럼 신호가 하나 이상의 스펙트럼 대역 또는 지수에서 추세를 보이는 플롯입니다 (예: NDVI 감소, 습도 감소, SWIR 증가 등). 예로는 a) 산림/목본이 아닌 식생이 감소를 나타내는 추세를 보이는 경우 (예: NDVI 감소, 습도 감소, SWIR 증가 등) 또는 b) 목본 식생이 목본 식생의 손실과 관련이 없는 감소 추세를 보이는 경우 (예: 성숙한 나무 수관이 닫혀 그림자가 증가하는 경우, 종 구성이 침엽수에서 활엽수로 바뀌는 경우, 더 강하고 급성인 가뭄이 아닌 건조한 기간으로 인해 활력이 눈에 띄게 감소하지만 목본 물질이나 잎 면적은 손실되지 않는 경우)가 있습니다.
Change_Raw_Probability_Fast_Loss 미터

빠른 손실의 원시 LCMS 모델링된 확률입니다. 다음과 같이 정의됩니다. 빠른 손실에는 TimeSync 변경 프로세스 해석의 다음 클래스가 포함됩니다.

  • 화재: 발화 원인 (자연 또는 인위적), 심각도, 토지 이용과 관계없이 화재로 변경된 토지입니다.

  • 수확 - 인위적인 수단으로 나무, 관목 또는 기타 식물이 잘리거나 제거된 산림입니다. 예로는 개벌, 화재 또는 곤충 발생 후 벌목, 간벌, 기타 산림 관리 처방 (예: 보호림/종자목 벌목)이 있습니다.

  • 기계적 - 나무, 관목 또는 기타 식물이 사슬, 긁기, 덤불 톱질, 불도저 또는 기타 비산림 식물 제거 방법으로 기계적으로 절단되거나 제거된 비산림 토지입니다.

  • 바람/얼음 - 허리케인, 토네이도, 폭풍 및 얼음 폭풍으로 인한 냉각우를 비롯한 기타 심각한 기상 현상으로 인해 식물이 변한 토지 (사용 여부와 관계없음)

  • 수문학 - 토지 이용과 관계없이 홍수로 인해 목재 피복 또는 기타 토지 피복 요소가 크게 변경된 토지 (예: 홍수 후 하천 바닥 안팎의 자갈과 식물의 새로운 혼합물)

  • 잔해 - 산사태, 눈사태, 화산, 토석류 등과 관련된 자연 물질 이동으로 인해 변경된 토지 (용도와 관계없음)

  • 기타 - 스펙트럼 추세 또는 기타 지원 증거에서 교란 또는 변경 이벤트가 발생했음을 나타내지만 명확한 원인을 확인할 수 없거나 변경 유형이 위에 정의된 변경 프로세스 카테고리를 충족하지 않는 토지 (사용 여부와 관계없음)
Change_Raw_Probability_Gain 미터

획득의 원시 LCMS 모델링된 확률입니다. 1년 이상에 걸쳐 성장과 천이로 인해 식물 피복이 증가한 토지로 정의됩니다. 식물 재성장과 관련된 스펙트럼 변화를 나타낼 수 있는 모든 영역에 적용됩니다. 개발된 지역에서는 식물이 성숙하거나 새로 설치된 잔디와 조경으로 인해 성장할 수 있습니다. 산림에서 성장은 나지에서 식물이 자라는 것과 중간 및 공동 우세 나무 또는 하층의 풀과 관목이 위로 자라는 것을 포함합니다. 산림 벌채 후 기록된 성장/회복 세그먼트는 산림이 재생되면서 다양한 토지 피복 클래스로 전환될 수 있습니다. 이러한 변화가 성장/회복으로 간주되려면 스펙트럼 값이 수년 동안 지속되는 증가 추세선 (예: 약 20년으로 확장될 경우 NDVI의 0.10 단위 정도가 되는 양의 기울기)을 따라야 합니다.
Land_Cover_Raw_Probability_Trees 미터

원시 LCMS 모델링된 나무 확률입니다. 픽셀의 대부분이 살아 있는 나무 또는 고사한 나무로 구성되어 있습니다.
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix 미터

키 큰 관목 및 나무 혼합의 원시 LCMS 모델링 확률 (SEAK만 해당)입니다. 정의: 픽셀의 대부분이 높이가 1m를 초과하는 관목으로 구성되어 있으며, 살아 있거나 서 있는 죽은 나무가 10% 이상 포함되어 있습니다.
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix 미터

관목과 나무 혼합의 원시 LCMS 모델링된 확률입니다. 정의: 픽셀의 대부분이 관목으로 구성되어 있으며, 살아 있는 나무 또는 고사한 나무가 10% 이상 포함되어 있습니다.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix 미터

초본/광엽식물/허브 및 나무 혼합의 원시 LCMS 모델링 확률입니다. 정의: 픽셀의 대부분이 다년생 풀, 광엽초본 또는 기타 형태의 초본 식물로 구성되어 있으며, 살아 있거나 서 있는 고사목이 10% 이상 포함되어 있습니다.
Land_Cover_Raw_Probability_Barren-and-Trees-Mix 미터

원시 LCMS 모델링된 황무지 및 나무 혼합 확률입니다. 정의: 픽셀의 대부분이 교란으로 노출된 나지 (예: 기계적 벌목이나 산림 수확으로 노출된 토양)와 사막, 플라야, 암석 노출지 (표면 광산 활동으로 노출된 광물 및 기타 지질 물질 포함), 모래 언덕, 염전, 해변과 같은 영구적으로 불모지인 지역으로 구성됩니다. 흙과 자갈로 이루어진 도로도 황무지로 간주되며, 살아 있거나 서 있는 고사목이 10% 이상 포함됩니다.
Land_Cover_Raw_Probability_Tall-Shrubs 미터

키 큰 관목의 원시 LCMS 모델링 확률입니다 (동남부 알래스카만 해당). 높이가 1m를 초과하는 관목으로 구성된 픽셀이 대부분입니다.
Land_Cover_Raw_Probability_Shrubs 미터

관목의 원시 LCMS 모델링된 확률입니다. 픽셀의 대부분이 관목으로 구성되어 있습니다.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix 미터

초본/광엽식물/허브 및 관목 혼합물의 원시 LCMS 모델링된 확률입니다. 정의: 픽셀의 대부분이 다년생 풀, 광엽초본 또는 기타 형태의 초본 식물로 구성되어 있으며 10% 이상의 관목으로도 구성되어 있습니다.
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix 미터

원시 LCMS 모델링된 황무지 및 관목 혼합 확률입니다. 정의: 픽셀의 대부분이 교란으로 노출된 나지 (예: 기계적 벌목이나 산림 수확으로 노출된 토양)와 사막, 플라야, 암석 노출지 (표면 광산 활동으로 노출된 광물 및 기타 지질 물질 포함), 모래 언덕, 염전, 해변과 같은 영구적으로 불모지인 지역으로 구성됩니다. 흙과 자갈로 이루어진 도로도 황무지로 간주되며 관목이 10% 이상 포함됩니다.
Land_Cover_Raw_Probability_Grass-Forb-Herb 미터

초원/다년생초/허브의 원시 LCMS 모델링 확률입니다. 정의: 픽셀의 대부분이 다년생 풀, 광대나물 또는 기타 형태의 초본 식물로 구성됩니다.
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix 미터

LCMS 모델링된 불모지 및 잔디/포브/허브 혼합의 원시 확률입니다. 다음과 같이 정의됩니다. 픽셀의 대부분이 교란으로 노출된 나지 (예: 기계적 벌목이나 산림 수확으로 노출된 토양)와 사막, 플라야, 암석 노출 (표면 광업 활동으로 노출된 광물 및 기타 지질 물질 포함), 모래 언덕, 염전, 해변과 같은 영구적으로 불모지인 지역으로 구성됩니다. 흙과 자갈로 만들어진 도로도 황무지로 간주되며, 다년생 풀, 광대나물 또는 기타 형태의 초본 식물이 10% 이상 포함됩니다.
Land_Cover_Raw_Probability_Barren-or-Impervious 미터

원시 LCMS 모델링된 불모지 또는 불투수층의 확률입니다. 다음과 같이 정의됩니다. 픽셀의 대부분이 1) 교란으로 노출된 나지 (예: 기계적 벌목이나 산림 벌목으로 노출된 토양)와 사막, 플라야, 암석 노출 (표면 광업 활동으로 노출된 광물 및 기타 지질 물질 포함), 모래 언덕, 염전, 해변과 같은 영구적으로 불모지인 지역으로 구성됩니다. 흙과 자갈로 만들어진 도로도 불모지 또는 2) 포장 도로, 지붕, 주차장과 같이 물이 침투할 수 없는 인공 재료로 간주됩니다.
Land_Cover_Raw_Probability_Snow-or-Ice 미터

눈 또는 얼음의 원시 LCMS 모델링 확률입니다. 픽셀의 대부분이 눈이나 얼음으로 구성된 경우로 정의됩니다.
Land_Cover_Raw_Probability_Water 미터

물에 대한 원시 LCMS 모델링 확률입니다. 픽셀의 대부분이 물로 구성되어 있습니다.
Land_Use_Raw_Probability_Agriculture 미터

농업의 원시 LCMS 모델링 확률입니다. 식물이 있거나 없는 상태에서 식량, 섬유, 연료 생산에 사용되는 토지로 정의됩니다. 여기에는 경작지 및 비경작지, 건초지, 과수원, 포도원, 가축 사육 시설, 과일, 견과류 또는 베리 생산을 위해 심은 지역이 포함되나 이에 국한되지 않습니다. 주로 농업용으로 사용되는 도로 (예: 마을 간 대중교통으로 사용되지 않음)는 농업용 토지 사용으로 간주됩니다.
Land_Use_Raw_Probability_Developed 미터

개발된 원시 LCMS 모델링 확률입니다. 인공 구조물(예: 고밀도 주거, 상업, 산업, 광업 또는 운송)로 덮인 토지 또는 식물 (나무 포함)과 구조물 (예: 저밀도 주거, 잔디, 레크리에이션 시설, 묘지, 운송 및 유틸리티 회랑 등)의 혼합으로 정의되며, 인간 활동에 의해 기능적으로 변경된 토지를 포함합니다.
Land_Use_Raw_Probability_Forest 미터

원시 LCMS 모델링된 산림 확률입니다. 근거리 천이 시퀀스 중에 특정 시점에 10% 이상의 수목 피복을 포함하거나 포함할 가능성이 있는 식재되거나 자연적으로 식물이 자라는 토지로 정의됩니다. 여기에는 낙엽수, 상록수, 혼합 범주의 자연림, 조림지, 목본 습지가 포함될 수 있습니다.
Land_Use_Raw_Probability_Non-Forest-Wetland 미터

원시 LCMS 모델링된 비산림 습지 확률입니다. 관찰 가능한 수위 (영구적으로 또는 계절적으로 포화됨)에 인접하거나 수위 내에 있으며 관목이나 영구적으로 수면 위로 솟아 있는 식물이 우세한 토지입니다. 이러한 습지는 호수, 강 채널 또는 하구의 해안에 위치할 수 있습니다. 강 범람원, 고립된 집수역 또는 경사면에 위치할 수도 있습니다. 농업 지형에서는 초원 웅덩이, 배수구, 가축 연못으로 나타날 수도 있으며, 호수나 강 한가운데에 섬으로 나타날 수도 있습니다. 기타 예로는 늪, 습지, 늪지, 진흙탕, 이탄지, 웅덩이, 펜, 바이유가 있습니다.
Land_Use_Raw_Probability_Other 미터

기타의 원시 LCMS 모델링 확률입니다. 스펙트럼 추세 또는 기타 지원 증거에서 교란 또는 변경 이벤트가 발생했음을 나타내지만 명확한 원인을 확인할 수 없거나 변경 유형이 위에 정의된 변경 프로세스 카테고리를 충족하지 않는 토지 (용도와 관계없음)로 정의됩니다.
Land_Use_Raw_Probability_Rangeland-or-Pasture 미터

초지 또는 목초지의 원시 LCMS 모델링 확률입니다. 다음과 같이 정의됩니다. 이 클래스에는 a.) 식물이 주로 강수량, 온도, 고도, 화재와 같은 자연적 요인과 과정에서 발생하는 토착 풀, 관목, 다년생 초본, 풀과 같은 식물의 혼합물인 목초지(제한된 관리에는 처방된 연소와 가축 및 야생 초식 동물의 방목이 포함될 수 있음) 또는 b.) 초지: 식생이 혼합된, 주로 자연적인 풀, 광엽 식물, 허브에서 단일 재배를 유지하기 위해 씨를 뿌리고 관리한 풀 종이 지배하는 더 관리된 식생에 이르기까지 다양할 수 있습니다.
QA_Bits 미터

연간 LCMS 제품 출력 값의 출처에 관한 보조 정보입니다.

클래스 테이블 변경

값 색상 설명
1 #3d4551

정식
2 #f39268

느린 손실
3 #d54309

빠른 손실
4 #00a398

증가
5 #1b1716

비처리 영역 마스크

Land_Cover Class Table

값 색상 설명
1 #005e00

나무
2 #008000

Tall Shrubs & Trees Mix (동남아시아만 해당)
3 #00cc00

관목 및 나무 믹스
4 #b3ff1a

잔디/포브/허브 및 나무 혼합
5 #99ff99

황무지 및 나무 믹스
6 #b30088

키 큰 관목 (동남아시아만 해당)
7 #e68a00

관목
8 #ffad33

풀/포브/허브 및 관목 혼합
9 #ffe0b3

황무지 및 관목 믹스
10 #ffff00

잔디/초본/허브
11 #aa7700

Barren & Grass/Forb/Herb Mix
12 #d3bf9b

황무지 또는 불투수
13 #ffffff

눈 또는 얼음
14 #4780f3

물
15 #1b1716

비처리 영역 마스크

Land_Use Class Table

값 색상 설명
1 #efff6b

농업
2 #ff2ff8

개발
3 #1b9d0c

숲
4 #97ffff

비산림 습지
5 #a1a1a1

기타
6 #c2b34a

목초지 또는 초지
7 #1b1716

비처리 영역 마스크

이미지 속성

이미지 속성

이름 유형 설명
study_area 문자열

LCMS는 현재 미국 본토, 알래스카 남동부, 푸에르토리코-미국령 버진아일랜드를 지원합니다. 이 버전에는 푸에르토리코-미국령 버진아일랜드의 출력이 포함되어 있습니다.

가능한 값: 'PRUSVI'

이용약관

이용약관

USDA 산림청은 상품성 및 특정 목적에 대한 적합성 보증을 포함하여 명시적 또는 묵시적으로 어떠한 보증도 하지 않으며, 이러한 지리 공간 데이터의 정확성, 신뢰성, 완전성 또는 유용성 또는 이러한 지리 공간 데이터의 부적절하거나 잘못된 사용에 대해 어떠한 법적 책임도 지지 않습니다. 이러한 지리 공간 데이터와 관련 지도 또는 그래픽은 법적 문서가 아니며 법적 문서로 사용하기 위한 것이 아닙니다. 데이터와 지도는 공공 또는 사유지에 적용될 수 있는 소유권, 소유권, 법적 설명 또는 경계, 법적 관할권 또는 제한을 확인하는 데 사용할 수 없습니다. 자연 재해가 데이터와 지도에 묘사될 수도 있고 그렇지 않을 수도 있으므로 토지 사용자는 적절한 주의를 기울여야 합니다. 데이터는 동적이며 시간이 지남에 따라 변경될 수 있습니다. 사용자는 지리 공간 데이터의 제한사항을 확인하고 그에 따라 데이터를 사용할 책임이 있습니다.

이 데이터는 미국 정부의 지원을 받아 수집되었으며 추가 권한이나 수수료 없이 사용할 수 있습니다. 이 데이터를 출판물, 프레젠테이션 또는 기타 연구 제품에 사용하는 경우 다음 인용을 사용하세요.

USDA 산림청 2021년. USFS Landscape Change Monitoring System v2020.6(푸에르토리코 - 미국령 버진아일랜드만 해당) 솔트레이크시티, 유타주

인용

인용:

  • USDA 산림청 2021년. USFS Landscape Change Monitoring System v2020.6 (푸에르토리코 - 미국령 버진아일랜드만 해당) 솔트레이크시티, 유타주

Earth Engine으로 탐색

코드 편집기(JavaScript)

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);
코드 편집기에서 열기
이 제품은 Landscape Change Monitoring System (LCMS) 데이터 모음의 일부입니다. 각 연도의 LCMS 모델링된 변화, 토지 피복, 토지 이용 클래스를 보여줍니다. 이 LCMS 버전은 푸에르토리코 미국령 버진아일랜드 (PRUSVI)를 다룹니다. LCMS는 … 전반의 경관 변화를 매핑하고 모니터링하기 위한 원격 감지 기반 시스템입니다.
USFS/GTAC/LCMS/v2020-6, change,change-detection,forest,gtac,landcover,landsat-derived,landuse,landuse-landcover,redcastle-resources,rmrs,sentinel2-derived,time-series,usda,usfs
1985-06-01T00:00:00Z/2021-05-31T00:00:00Z
20.38379 -135.286387 52.459364 -56.446306
Google Earth Engine