USFS Landscape Change Monitoring System v2021.7 (Conterminous United States and Southeastern Alaska) [deprecated]

USFS/GTAC/LCMS/v2021-7
Dataset-Verfügbarkeit
1985-06-01T00:00:00Z–2021-09-30T00:00:00Z
Dataset-Anbieter
Earth Engine-Snippet
ee.ImageCollection("USFS/GTAC/LCMS/v2021-7")
Tags
Ändern
change-detection
Wald
gtac
Bodenbedeckung
Landsat-basiert
landuse
landuse-landcover
lcms
redcastle-resources
rmrs
sentinel2-derived
Zeitreihe
usda
usfs

Beschreibung

Dieses Produkt ist Teil der LCMS-Datensuite (Landscape Change Monitoring System). Sie zeigt die durch LCMS modellierte Änderung, die Bodenbedeckung und/oder die Landnutzungsklassen für jedes Jahr. Diese LCMS-Version umfasst die kontinentalen USA (CONUS) und Südost-Alaska (SEAK).

LCMS ist ein auf Fernerkundung basierendes System zur Kartierung und Überwachung von Landschaftsveränderungen in den USA. Ziel ist es, mit den neuesten Technologien und Fortschritten bei der Veränderungserkennung einen einheitlichen Ansatz zu entwickeln, um eine „bestmögliche“ Karte der Landschaftsveränderungen zu erstellen.

Die Ausgaben umfassen drei jährliche Produkte: Änderung, Bodenbedeckung und Landnutzung. Die Änderung bezieht sich speziell auf die Vegetationsdecke und umfasst langsamen Verlust, schnellen Verlust (einschließlich hydrologischer Veränderungen wie Überschwemmung oder Austrocknung) und Zunahme. Diese Werte werden für jedes Jahr der Landsat-Zeitreihe prognostiziert und dienen als Grundlage für LCMS. Karten zur Landbedeckung und Landnutzung zeigen die Landbedeckung auf Lebensformebene und die Landnutzung auf breiter Ebene für jedes Jahr.

Da kein Algorithmus in allen Situationen am besten funktioniert, verwendet LCMS ein Ensemble von Modellen als Vorhersagevariablen, was die Genauigkeit der Karten in einer Reihe von Ökosystemen und Veränderungsprozessen verbessert (Healey et al., 2018). Die resultierenden Karten zu Veränderungen der Landbedeckung und ‑nutzung (Land Cover and Land Use, LCMS) bieten eine ganzheitliche Darstellung der Veränderungen der Landschaft in den USA in den letzten vier Jahrzehnten.

Zu den Vorhersageschichten für das LCMS-Modell gehören Ausgaben der LandTrendr- und CCDC-Algorithmen zur Änderungserkennung sowie Geländedaten. Auf diese Komponenten wird über Google Earth Engine zugegriffen und sie werden damit verarbeitet (Gorelick et al., 2017).

Landsat Tier 1- und Sentinel 2A-, 2B-Daten der Reflexion am oberen Rand der Atmosphäre (Level-1C) werden direkt in CCDC verwendet und zur Erstellung jährlicher Composites für LandTrendr. Der cFmask-Algorithmus zur Cloud-Maskierung (Foga et al., 2017), einer Implementierung von Fmask 2.0 (Zhu und Woodcock, 2012) (nur Landsat), cloudScore (Chastain et al., 2019) (nur Landsat) und s2cloudless (Sentinel-Hub, 2021) (nur Sentinel 2) werden zum Maskieren von Wolken verwendet, während TDOM (Chastain et al., 2019) wird verwendet, um Wolkenschatten zu maskieren (Landsat und Sentinel 2). Für LandTrendr wird dann der jährliche Medoid berechnet, um wolken- und schattenfreie Werte aus jedem Jahr in einem einzigen Composite zusammenzufassen.

Die zusammengesetzte Zeitreihe wird mit LandTrendr (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).

Alle wolken- und schattenfreien Werte werden auch zeitlich mit dem CCDC-Algorithmus (Zhu und Woodcock, 2014) segmentiert.

Die rohen zusammengesetzten Werte, die angepassten LandTrendr-Werte, die paarweisen Differenzen, die Segmentdauer, die Änderungsgröße und die Steigung sowie die CCDC-Koeffizienten für Sinus und Kosinus vom 1. September (erste 3 Obertöne), die angepassten Werte und die paarweisen Differenzen sowie die Höhe, die Neigung, der Sinus des Aspekts, der Kosinus des Aspekts und die topografischen Positionsindizes (Weiss, 2001) aus dem 10‑m-National Elevation Dataset (NED) (Gesch et al., 2009) und für SEAK das 30 m NED verwendet, werden als unabhängige Vorhersagevariablen in einem Random Forest-Modell (Breiman, 2001) verwendet.

Referenzdaten werden mit TimeSync erfasst, einem webbasierten Tool, mit dem Analysten den Landsat-Datensatz von 1984 bis heute visualisieren und interpretieren können (Cohen et al., 2010).

Zusätzliche Ressourcen

Bei Fragen oder spezifischen Datenanfragen wenden Sie sich bitte an [sm.fs.lcms@usda.gov]. * Breiman, L., 2001. Random Forests. Im Bereich des maschinellen Lernens. Springer, 45: 5–32 doi:10.1023/A:1010933404324

  • Chastain, R., Housman, I., Goldstein, J., Finco, M. und 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. Erkennen von Trends bei Waldstörungen und ‑erholung mithilfe jährlicher Landsat-Zeitreihen: 2. TimeSync – Tools für die Kalibrierung und Validierung. 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. und Gorelick, N., 2018. Ein multispektrales LandTrendr-Ensemble zur Erkennung von Waldstörungen. In: Remote Sensing of Environment. Science Direct, 205: 131–140 doi:10.1016/j.rse.2017.11.015

  • Foga, S., Scaramuzza, P.L., Guo, S., Zhu, Z., Dilley, R.D., Beckmann, T., Schmidt, G.L., Dwyer, J.L., Hughes, M.J., Laue, B., 2017. Vergleich und Validierung von Algorithmen zur Erkennung von Wolken für operationelle Landsat-Datenprodukte. In: Remote Sensing of Environment. Science Direct, 194: 379-390 doi:10.1016/j.rse.2017.03.026

  • Gesch, D., Evans, G., Mauck, J., Hutchinson, J., & Carswell, W. J., 2009. The National Map – Elevation. Im Fact Sheet, doi:10.3133/fs20093053

  • 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. Mapping forest change using stacked generalization: An ensemble approach. 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. Erkennen von Trends bei Waldstörungen und ‑erholung anhand jährlicher Landsat-Zeitreihen: 1. LandTrendr – Algorithmen für die zeitliche Segmentierung. 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. und Healey, S., 2018. Implementierung des LandTrendr-Algorithmus in Google Earth Engine. In Remote Sensing. MDPI, 10(5): 691 doi:10.3390/rs10050691

  • Sentinel-Hub, 2021. Sentinel 2 Cloud Detector [Online] Verfügbar unter: https://github.com/sentinel-hub/sentinel2-cloud-detector

  • Weiss, A.D., 2001. Topographic position and landforms analysis Poster Presentation, ESRI Users Conference, San Diego, CAZhu, Z., and Woodcock, C. E. (2012). Objektbasierte Erkennung von Wolken und Wolkenschatten in Landsat-Bildern. 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. Kontinuierliche Änderungserkennung und Klassifizierung der Bodenbedeckung mit allen verfügbaren Landsat-Daten. In: Remote Sensing of Environment. Science Direct, 144: 152-171 doi:10.1016/j.rse.2014.01.011

Bänder

Pixelgröße
30 Meter

Bänder

Name Pixelgröße Beschreibung
Change Meter

Endgültiges thematisches LCMS-Änderungsprodukt. Für jedes Jahr werden insgesamt drei Änderungsklassen (langsamer Verlust, schneller Verlust und Zuwachs) zugeordnet. Jede Klasse wird mit einem separaten Random Forest-Modell vorhergesagt, das eine Wahrscheinlichkeit (Anteil der Bäume im Random Forest-Modell) dafür ausgibt, dass das Pixel zu dieser Klasse gehört. Daher haben einzelne Pixel für jedes Jahr drei verschiedene Modellausgaben. Die endgültigen Klassen werden der Änderungsklasse mit der höchsten Wahrscheinlichkeit zugewiesen, die auch über einem bestimmten Schwellenwert liegt. Jedes Pixel, das keinen Wert über dem jeweiligen Schwellenwert der einzelnen Klassen aufweist, wird der Klasse „Stabil“ zugewiesen.
Land_Cover Meter

Endgültiges thematisches LCMS-Produkt zur Bodenbedeckung. Insgesamt 14 Bodenbedeckungsklassen werden jährlich mithilfe von TimeSync-Referenzdaten und spektralen Informationen aus Landsat-Bildern kartiert. Jede Klasse wird mit einem separaten Random Forest-Modell vorhergesagt, das eine Wahrscheinlichkeit (Anteil der Bäume im Random Forest-Modell) dafür ausgibt, dass das Pixel zu dieser Klasse gehört. Daher haben einzelne Pixel für jedes Jahr 14 verschiedene Modellausgaben. Die endgültigen Klassen werden der Landbedeckung mit der höchsten Wahrscheinlichkeit zugewiesen. Sieben der 14 Bodenbedeckungsklassen geben eine einzelne Bodenbedeckung an, wobei dieser Bodenbedeckungstyp den größten Teil der Pixelfläche abdeckt und keine andere Klasse mehr als 10% des Pixels abdeckt. Außerdem gibt es sieben gemischte Klassen. Diese Pixel enthalten eine zusätzliche Landbedeckungsklasse, die mindestens 10% des Pixels abdeckt.
Land_Use Meter

Endgültiges thematisches LCMS-Produkt zur Landnutzung. Insgesamt werden sechs Landnutzungsklassen jährlich mithilfe von TimeSync-Referenzdaten und spektralen Informationen aus Landsat-Bildern kartiert. Jede Klasse wird mit einem separaten Random Forest-Modell vorhergesagt, das eine Wahrscheinlichkeit (Anteil der Bäume im Random Forest-Modell) dafür ausgibt, dass das Pixel zu dieser Klasse gehört. Aus diesem Grund hat jeder Pixel sechs verschiedene Modellausgaben für jedes Jahr. Die endgültigen Klassen werden der Landnutzung mit der höchsten Wahrscheinlichkeit zugewiesen.
Change_Raw_Probability_Slow_Loss Meter

Die Rohdaten für die LCMS-modellierte Wahrscheinlichkeit für langsamen Verlust. Definiert als: „Slow Loss“ umfasst die folgenden Klassen aus der Interpretation des TimeSync-Änderungsprozesses:

  • Struktureller Rückgang: Land, auf dem Bäume oder andere holzige Vegetation durch ungünstige Wachstumsbedingungen, die durch nicht anthropogene oder nicht mechanische Faktoren verursacht werden, physisch verändert werden. Diese Art von Verlust sollte im Allgemeinen einen Trend in den spektralen Signalen erzeugen (z. B. NDVI sinkt, Feuchtigkeit sinkt, SWIR steigt usw.). Der Trend kann jedoch subtil sein. Der strukturelle Rückgang tritt in Umgebungen mit holziger Vegetation auf, höchstwahrscheinlich durch Insekten, Krankheiten, Dürre, sauren Regen usw. Der strukturelle Rückgang kann Entlaubungsereignisse umfassen, die nicht zum Tod führen, wie z. B. bei Befall durch Schwammspinner und Fichtenknospenwürmer, die sich innerhalb von ein oder zwei Jahren erholen können.

  • Spektraler Rückgang: Ein Diagramm, in dem das spektrale Signal einen Trend in einem oder mehreren Spektralbändern oder ‑indizes zeigt (z.B. NDVI sinkt, Feuchtigkeit sinkt, SWIR steigt usw.). Beispiele hierfür sind Fälle, in denen a) nicht forstwirtschaftliche/nicht holzige Vegetation einen Trend aufweist, der auf einen Rückgang hindeutet (z. B. abnehmender NDVI, abnehmende Feuchtigkeit, zunehmender SWIR usw.), oder b) in denen holzige Vegetation einen Rückgangstrend aufweist, der nicht mit dem Verlust von holziger Vegetation zusammenhängt, z. B. wenn sich die Kronen ausgewachsener Bäume schließen, was zu einer erhöhten Beschattung führt, wenn sich die Artenzusammensetzung von Nadel- zu Hartholz ändert oder wenn eine Trockenperiode (im Gegensatz zu einer stärkeren, akuten Dürre) zu einem scheinbaren Rückgang der Vitalität führt, aber kein Verlust von holzigem Material oder Blattfläche auftritt.
Change_Raw_Probability_Fast_Loss Meter

Die Rohwahrscheinlichkeit für einen schnellen Verlust, die mit LCMS modelliert wurde. Definiert als: „Fast Loss“ umfasst die folgenden Klassen aus der Interpretation des TimeSync-Änderungsprozesses:

  • Brand: Durch Feuer veränderte Fläche, unabhängig von der Ursache der Entzündung (natürlich oder anthropogen), dem Schweregrad oder der Landnutzung.

  • Ernte – Waldflächen, auf denen Bäume, Sträucher oder andere Vegetation durch anthropogene Mittel entfernt wurden. Beispiele sind Kahlschlag, Bergungsholz nach Feuer oder Insektenbefall, Ausdünnung und andere Forstwirtschaftsmaßnahmen (z.B. Schutzwald-/Saatbaumernte).

  • Mechanisch: Nicht bewaldetes Land, auf dem Bäume, Sträucher oder andere Vegetation durch Ketten, Schaben, Sägen, Bulldozer oder andere Methoden zur Entfernung von Nichtwaldvegetation mechanisch entfernt wurden.

  • Wind/Eis – Land (unabhängig von der Nutzung), auf dem die Vegetation durch Wind von Hurrikans, Tornados, Stürmen und anderen extremen Wetterereignissen, einschließlich gefrierendem Regen von Eisstürmen, verändert wird.

  • Hydrologie: Land, auf dem durch Überschwemmungen die Gehölzbedeckung oder andere Elemente der Bodenbedeckung unabhängig von der Landnutzung erheblich verändert wurden (z.B. neue Mischungen aus Kies und Vegetation in und um Bachbetten nach einer Überschwemmung).

  • Schutt – Land (unabhängig von der Nutzung), das durch die Bewegung von natürlichen Materialien im Zusammenhang mit Erdrutschen, Lawinen, Vulkanen, Schuttströmen usw. verändert wurde.

  • Sonstiges – Land (unabhängig von der Nutzung), auf dem der spektrale Trend oder andere unterstützende Beweise auf eine Störung oder ein Ereignis mit Veränderungen hindeuten, die endgültige Ursache jedoch nicht ermittelt werden kann oder die Art der Veränderung keiner der oben definierten Kategorien für Veränderungsprozesse entspricht.
Change_Raw_Probability_Gain Meter

Die Rohwahrscheinlichkeit für den Kampagnengewinn, die mit LCMS modelliert wurde. Definiert als: Land, auf dem die Vegetationsdecke aufgrund von Wachstum und Sukzession über ein oder mehrere Jahre zugenommen hat. Anwendbar auf alle Bereiche, in denen sich spektrale Veränderungen im Zusammenhang mit dem Nachwachsen der Vegetation zeigen. In bebauten Gebieten kann das Wachstum auf reifende Vegetation und/oder neu angelegte Rasenflächen und Gärten zurückzuführen sein. In Wäldern umfasst das Wachstum das Wachstum von Vegetation aus dem bloßen Boden sowie das Überragen von Bäumen und/oder tiefer liegenden Gräsern und Sträuchern. Segmente für Wachstum/Erholung, die nach der Holznutzung erfasst werden, durchlaufen wahrscheinlich verschiedene Landbedeckungsklassen, wenn sich der Wald regeneriert. Damit diese Änderungen als Wachstum/Erholung betrachtet werden können, sollten die Spektralwerte über mehrere Jahre hinweg einem steigenden Trend folgen (z. B. einer positiven Steigung, die, wenn sie auf etwa 20 Jahre verlängert würde, in der Größenordnung von 0,10 Einheiten des NDVI läge).
Land_Cover_Raw_Probability_Trees Meter

Die Wahrscheinlichkeit von „Bäume“ wird im LCMS-Rohmodell geschätzt. Definiert als: Der Großteil des Pixels besteht aus lebenden oder stehenden toten Bäumen.
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix Meter

Rohmodellierte Wahrscheinlichkeit für die LCMS-Klasse „Tall Shrubs and Trees Mix“ (nur SEAK). Definiert als: Der Großteil des Pixels besteht aus Sträuchern mit einer Höhe von mehr als 1 Meter und mindestens 10% der Fläche besteht aus lebenden oder stehenden toten Bäumen.
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix Meter

Rohdaten für die modellierte Wahrscheinlichkeit für die LCMS-Kategorie „Sträucher und Bäume“. Definiert als: Der Großteil des Pixels besteht aus Sträuchern und mindestens 10% aus lebenden oder stehenden toten Bäumen.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix Meter

Die Rohwahrscheinlichkeit für die Mischung aus Gras/Kraut/Pflanze und Bäumen, die mit LCMS modelliert wurde. Definiert als: Der Großteil des Pixels besteht aus mehrjährigen Gräsern, Kräutern oder anderen Formen von krautiger Vegetation und enthält außerdem mindestens 10% lebende oder stehende tote Bäume.
Land_Cover_Raw_Probability_Barren-and-Trees-Mix Meter

Die Rohwahrscheinlichkeit für „Barren and Trees Mix“ (Mischung aus kargem Land und Bäumen) aus dem LCMS-Modell. Definiert als: Der Großteil des Pixels besteht aus unbedecktem Boden, der durch Störungen freigelegt wurde (z.B. Boden, der durch mechanische Rodung oder Holzeinschlag freigelegt wurde), sowie aus dauerhaft kargen Gebieten wie Wüsten, Salzseen, Felsvorsprüngen (einschließlich Mineralien und anderen geologischen Materialien, die durch den Tagebau freigelegt wurden), Sanddünen, Salzebenen und Stränden. Auch Straßen aus Erde und Schotter gelten als kahl und bestehen zu mindestens 10% aus lebenden oder stehenden toten Bäumen.
Land_Cover_Raw_Probability_Tall-Shrubs Meter

Rohdaten für die LCMS-modellierte Wahrscheinlichkeit von hohen Sträuchern (nur Südost-Alaska). Definiert als: Der Großteil des Pixels besteht aus Sträuchern mit einer Höhe von mehr als 1 Meter.
Land_Cover_Raw_Probability_Shrubs Meter

Die Rohwahrscheinlichkeit für Sträucher, die mit LCMS modelliert wurde. Definition: Der Großteil des Pixels besteht aus Sträuchern.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix Meter

Rohdaten für die modellierte Wahrscheinlichkeit von Gras/Kraut/Kräutern und Sträuchern (LCMS). Definiert als: Der Großteil der Pixel besteht aus mehrjährigen Gräsern, Kräutern oder anderen Formen krautiger Vegetation und zu mindestens 10% aus Sträuchern.
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix Meter

Die Rohwahrscheinlichkeit für „Barren and Shrubs Mix“ (Mischung aus Ödland und Sträuchern) gemäß LCMS-Modell. Definiert als: Der Großteil des Pixels besteht aus unbedecktem Boden, der durch Störungen freigelegt wurde (z.B. Boden, der durch mechanische Rodung oder Holzeinschlag freigelegt wurde), sowie aus dauerhaft kargen Gebieten wie Wüsten, Salzseen, Felsvorsprüngen (einschließlich Mineralien und anderen geologischen Materialien, die durch den Tagebau freigelegt wurden), Sanddünen, Salzebenen und Stränden. Auch Straßen aus Schmutz und Schotter gelten als kahl und bestehen zu mindestens 10% aus Sträuchern.
Land_Cover_Raw_Probability_Grass-Forb-Herb Meter

Die Rohwahrscheinlichkeit für Gras/Kraut/Pflanze, die mit dem LCMS-Modell berechnet wurde. Definiert als: Der Großteil des Pixels besteht aus mehrjährigen Gräsern, Kräutern oder anderen Formen krautiger Vegetation.
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix Meter

Die Rohwahrscheinlichkeit für „Barren“ und „Grass/Forb/Herb Mix“ (Gras-/Korbblütler-/Kräutermischung) aus dem LCMS-Modell. Definiert als: Der Großteil des Pixels besteht aus unbedecktem Boden, der durch Störungen freigelegt wurde (z.B. Boden, der durch mechanische Rodung oder Holzeinschlag freigelegt wurde), sowie aus dauerhaft kargen Gebieten wie Wüsten, Salzseen, Felsaufschlüssen (einschließlich Mineralien und anderen geologischen Materialien, die durch den Tagebau freigelegt wurden), Sanddünen, Salzebenen und Stränden. Auch Straßen aus Erde und Schotter gelten als kahl und bestehen zu mindestens 10% aus mehrjährigen Gräsern, Kräutern oder anderen Formen krautiger Vegetation.
Land_Cover_Raw_Probability_Barren-or-Impervious Meter

Die rohe, auf LCMS basierende Wahrscheinlichkeit für „Kahl“ oder „Undurchlässig“. Definiert als: Der Großteil des Pixels besteht aus 1) unbedecktem Boden, der durch Störungen freigelegt wurde (z.B. Boden, der durch mechanische Rodung oder Holzeinschlag freigelegt wurde), sowie aus dauerhaft kargen Gebieten wie Wüsten, Salzseen, Felsaufschlüssen (einschließlich Mineralien und anderen geologischen Materialien, die durch den Tagebau freigelegt wurden), Sanddünen, Salzebenen und Stränden. Schotter- und Feldwege gelten ebenfalls als karg oder 2) künstliche Materialien, in die Wasser nicht eindringen kann, z. B. asphaltierte Straßen, Dächer und Parkplätze.
Land_Cover_Raw_Probability_Snow-or-Ice Meter

Die Wahrscheinlichkeit für Schnee oder Eis, die mit dem LCMS-Modell berechnet wurde. Definiert als: Der Großteil des Pixels besteht aus Schnee oder Eis.
Land_Cover_Raw_Probability_Water Meter

Die Rohwahrscheinlichkeit für Wasser, die mit LCMS modelliert wurde. Definiert als: Der Großteil des Pixels besteht aus Wasser.
Land_Use_Raw_Probability_Agriculture Meter

Die rohe, auf LCMS basierende Wahrscheinlichkeit für Landwirtschaft. Definiert als: Land, das für die Produktion von Lebensmitteln, Fasern und Brennstoffen genutzt wird und sich entweder in einem vegetativen oder nicht vegetativen Zustand befindet. Dazu gehören unter anderem landwirtschaftliche Nutzflächen, die für den Anbau von Feldfrüchten, Heu, Obst, Nüssen oder Beeren genutzt werden, sowie Weinberge und Anlagen zur Nutztierhaltung. Straßen, die hauptsächlich für die Landwirtschaft genutzt werden (d.h. nicht für den öffentlichen Verkehr von Stadt zu Stadt), gelten als landwirtschaftliche Flächen.
Land_Use_Raw_Probability_Developed Meter

Die Rohwahrscheinlichkeit für „Entwickelt“ aus dem LCMS-Modell. Definiert als: Land, das von künstlichen Strukturen (z.B. Wohn-, Gewerbe-, Industrie-, Bergbau- oder Transportgebiete mit hoher Dichte) oder einer Mischung aus Vegetation (einschließlich Bäumen) und Strukturen (z.B. Wohngebiete mit geringer Dichte, Rasenflächen, Freizeiteinrichtungen, Friedhöfe, Transport- und Versorgungskorridore usw.) bedeckt ist, einschließlich aller Flächen, die durch menschliche Aktivitäten funktional verändert wurden.
Land_Use_Raw_Probability_Forest Meter

Die Wahrscheinlichkeit für „Wald“ aus dem LCMS-Rohmodell. Definiert als: Land, das bepflanzt oder natürlich bewachsen ist und das zu einem bestimmten Zeitpunkt während einer kurzfristigen Sukzessionsfolge eine Baumdeckung von mindestens 10% aufweist oder wahrscheinlich aufweisen wird. Dazu können Laub-, immergrüne und/oder gemischte Kategorien von Naturwald, Forstplantagen und bewaldeten Feuchtgebieten gehören.
Land_Use_Raw_Probability_Non-Forest-Wetland Meter

Die Wahrscheinlichkeit für „Nicht-Wald-Feuchtgebiet“ (Non-Forest Wetland) gemäß LCMS-Modell. Definiert als: Grundstücke, die an oder in einem sichtbaren Grundwasserspiegel liegen (entweder dauerhaft oder saisonal gesättigt), der von Sträuchern oder persistenten Emergenten dominiert wird. Diese Feuchtgebiete können sich landeinwärts von Seen, Flussläufen oder Ästuaren, auf Flussauen, in isolierten Einzugsgebieten oder an Hängen befinden. Sie können auch als Prärie-Potholes, Entwässerungsgräben und Viehteiche in Agrarlandschaften auftreten und auch als Inseln in der Mitte von Seen oder Flüssen erscheinen. Weitere Beispiele sind Sümpfe, Moore, Sumpfgebiete, Moraste, Muskegs, Tümpel, Feuchtgebiete und Bayous.
Land_Use_Raw_Probability_Other Meter

Die Rohwahrscheinlichkeit für „Andere“ aus dem LCMS-Modell. Definiert als: Land (unabhängig von der Nutzung), bei dem der spektrale Trend oder andere unterstützende Beweise auf ein Störungs- oder Änderungsereignis hindeuten, die endgültige Ursache jedoch nicht ermittelt werden kann oder die Art der Änderung keine der oben definierten Kategorien für Änderungsprozesse erfüllt.
Land_Use_Raw_Probability_Rangeland-or-Pasture Meter

Die rohe, auf LCMS basierende Wahrscheinlichkeit für Rangeland oder Weide. Definiert als: Diese Klasse umfasst alle Bereiche, die entweder a.) Weideland, auf dem die Vegetation aus einer Mischung aus einheimischen Gräsern, Sträuchern, Kräutern und grasartigen Pflanzen besteht, die größtenteils auf natürliche Faktoren und Prozesse wie Niederschlag, Temperatur, Höhe und Feuer zurückzuführen sind, obwohl eine begrenzte Bewirtschaftung auch vorgeschriebene Brandrodung sowie Weidehaltung durch Haus- und Wildtiere umfassen kann; oder b.) Weide, auf der die Vegetation von gemischten, weitgehend natürlichen Gräsern, Kräutern und Pflanzen bis hin zu einer stärker bewirtschafteten Vegetation reicht, die von Gräsern dominiert wird, die gesät und bewirtschaftet wurden, um eine nahezu monokulturelle Umgebung zu schaffen.
QA_Bits Meter

Zusätzliche Informationen zum Ursprung der jährlichen LCMS-Produktausgabewerte.

Klassentabelle ändern

Wert Farbe Beschreibung
1 #3d4551

Stabil
2 #f39268

Langsamer Verlust
3 #d54309

Schneller Verlust
4 #00a398

Gewinn
5 #1b1716

Maske für Bereiche, die nicht verarbeitet werden

Klassentabelle für „Land_Cover“

Wert Farbe Beschreibung
1 #005e00

Bäume
2 #008000

Mischung aus hohen Sträuchern und Bäumen (nur SEAK)
3 #00cc00

Sträucher- und Bäume-Mix
4 #b3ff1a

Mischung aus Gräsern, Kräutern und Bäumen
5 #99ff99

Barren- und Baum-Mix
6 #b30088

Hohe Sträucher (nur SEAK)
7 #e68a00

Sträucher
8 #ffad33

Mischung aus Gräsern, Kräutern und Sträuchern
9 #ffe0b3

Mischung aus kargen Böden und Sträuchern
10 #ffff00

Gras/Kraut
11 #aa7700

Mischung aus kargen Böden und Gras/Kräutern/Blütenpflanzen
12 #d3bf9b

Kahl oder undurchlässig
13 #ffffff

Schnee oder Eis
14 #4780f3

Wasser
15 #1b1716

Maske für Bereiche, die nicht verarbeitet werden

Klassentabelle für Land_Use

Wert Farbe Beschreibung
1 #efff6b

Landwirtschaft
2 #ff2ff8

Entwickelt
3 #1b9d0c

Wald
4 #97ffff

Nicht bewaldetes Feuchtgebiet
5 #a1a1a1

Sonstiges
6 #c2b34a

Weideland oder Weide
7 #1b1716

Maske für Bereiche, die nicht verarbeitet werden

Bildattribute

Bildattribute

Name Typ Beschreibung
study_area STRING

LCMS deckt derzeit die zusammenhängenden USA, Südost-Alaska und Puerto Rico/Amerikanische Jungferninseln ab. Diese Version enthält Ausgaben für die zusammenhängenden USA und Südost-Alaska. Mögliche Werte: „CONUS, SEAK“

Nutzungsbedingungen

Nutzungsbedingungen

Der USDA Forest Service übernimmt keine ausdrückliche oder stillschweigende Gewährleistung, einschließlich der Gewährleistung der Marktgängigkeit und der Eignung für einen bestimmten Zweck, und übernimmt keine rechtliche Haftung oder Verantwortung für die Richtigkeit, Zuverlässigkeit, Vollständigkeit oder Nützlichkeit dieser Geodaten oder für die unsachgemäße oder falsche Verwendung dieser Geodaten. Diese geografischen Daten und zugehörigen Karten oder Grafiken sind keine rechtlichen Dokumente und sind nicht als solche gedacht. Die Daten und Karten dürfen nicht verwendet werden, um Eigentumsrechte, rechtliche Beschreibungen oder Grenzen, Gerichtsbarkeiten oder Einschränkungen zu bestimmen, die für öffentliches oder privates Land gelten. Naturgefahren werden möglicherweise in den Daten und Karten dargestellt. Nutzer sollten die erforderliche Sorgfalt walten lassen. Die Daten sind dynamisch und können sich im Laufe der Zeit ändern. Der Nutzer ist dafür verantwortlich, die Einschränkungen der Geodaten zu überprüfen und die Daten entsprechend zu verwenden.

Diese Daten wurden mit Mitteln der US-Regierung erhoben und können ohne zusätzliche Berechtigungen oder Gebühren verwendet werden. Wenn Sie diese Daten in einer Publikation, Präsentation oder einem anderen Forschungsprodukt verwenden, geben Sie bitte die folgende Quelle an:

USDA Forest Service. 2022. USFS Landscape Change Monitoring System v2021.7 (USA ohne Alaska und Südost-Alaska). Salt Lake City, Utah.

Zitate

Zitate:

  • USDA Forest Service. 2022. USFS Landscape Change Monitoring System v2021.7 (USA ohne Alaska und Südost-Alaska). Salt Lake City, Utah.

Earth Engine nutzen

Code-Editor (JavaScript)

var dataset = ee.ImageCollection('USFS/GTAC/LCMS/v2021-7');

var lcms = dataset.filterDate('2020', '2021')  // range: [1985, 2021]
               .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);
Im Code-Editor öffnen
Dieses Produkt ist Teil der LCMS-Datensuite (Landscape Change Monitoring System). Sie zeigt die durch LCMS modellierte Änderung, die Bodenbedeckung und/oder die Landnutzungsklassen für jedes Jahr. Diese LCMS-Version deckt die zusammenhängenden Vereinigten Staaten (CONUS) und Südost-Alaska (SEAK) ab. LCMS ist ein auf Fernerkundung basierendes System zur Kartierung und Überwachung von Landschaften…
USFS/GTAC/LCMS/v2021-7, 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/2021-09-30T00:00:00Z
20.38379 -135.286387 52.459364 -56.446306
Google Earth Engine