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

USFS/GTAC/LCMS/v2021-7
دردسترس بودن مجموعه داده
1985-06-01T00:00:00Z–2021-09-30T00:00:00Z
تولیدکننده مجموعه داده
تکه‌کد Earth Engine
ee.ImageCollection("USFS/GTAC/LCMS/v2021-7")
برچسب‌ها
تغییر
تشخیص تغییرات
جنگل
gtac
پوشش زمین
مشتق‌شده از لندست
کاربری زمین
کاربری زمین-پوشش زمین
lcms
redcastle-resources
rmrs
sentinel2-derived
سری زمانی
وزارت کشاورزی ایالات متحده
usfs

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 ایالات متحده هم‌مرز (CONUS) و جنوب شرقی آلاسکا (SEAK) را پوشش می‌دهد.

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. الگوریتم پوشش ابری cFmask (فوگا و همکاران، ‫2017)، که پیاده‌سازی Fmask 2.0 (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 ابر (Landsat و Sentinel ‫۲) استفاده می‌شود. برای LandTrendr، سپس مدوید 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 CCDC ۱ سپتامبر (۳ هارمونیک اول)، مقادیر برازش‌شده، و تفاوت‌های جفتی، همراه با ارتفاع، شیب، سینوس جهت، کسینوس جهت، و شاخص‌های موقعیت توپوگرافی (Weiss،‏ ۲۰۰۱) از «مجموعه داده ارتفاع ملی» (NED) ۱۰ متری (Gesch و همکاران، ۲۰۰۹) استفاده شد و برای SEAK، از NED‏ ۳۰ متری استفاده شد، 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

اگر سؤال یا درخواست داده خاصی دارید، با [sm.fs.lcms@usda.gov] تماس بگیرید. * Breiman, L., ۲۰۰۱. جنگل‌های تصادفی. در یادگیری ماشین. Springer، 45: 5-32 doi:10.1023/A:1010933404324

  • 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

  • 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. مقایسه و اعتبارسنجی الگوریتم تشخیص ابر برای محصولات داده‌های عملیاتی Landsat. در سنجش از دور محیط. Science Direct،‏ ۱۹۴: ۳۷۹-۳۹۰ doi:10.1016/j.rse.2017.03.026

  • Gesch, D., Evans, G., Mauck, J., Hutchinson, J., & Carswell, W. د.، ۲۰۰۹. The National Map - Elevation. In Fact Sheet, doi:10.3133/fs20093053

  • 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 ترکیبی. 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

  • Sentinel-Hub, 2021. Sentinel 2 Cloud Detector. [آنلاین]. دردسترس در: https://github.com/sentinel-hub/sentinel2-cloud-detector

  • 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 درختان در مدل «جنگل تصادفی») تعلق پیکسل به آن کلاس را خروجی می‌دهد. به‌همین دلیل، هر پیکسل سه خروجی مدل متفاوت برای هر سال دارد. کلاس‌های نهایی به کلاس تغییر با بالاترین احتمال که بالاتر از آستانه مشخص‌شده نیز باشد اختصاص داده می‌شوند. هر پیکسلی که هیچ 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 مجزا 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 مدل «جنگل تصادفی» جداگانه‌ای پیش‌بینی می‌شود که احتمال (نسبت درختان در مدل «جنگل تصادفی») تعلق پیکسل به آن کلاس را خروجی می‌دهد. به‌همین دلیل، پیکسل‌های مجزا برای هر سال ۶ خروجی مدل متفاوت دارند و کلاس‌های نهایی به کاربری زمین با بالاترین احتمال اختصاص داده می‌شوند.
Change_Raw_Probability_Slow_Loss ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام برای «کاهش آهسته». Defined as: Slow Loss includes the following classes from the TimeSync change process interpretation-

  • کاهش ساختاری - زمینی که درختان یا سایر پوشش‌های گیاهی چوبی آن به‌دلیل شرایط نامساعد رشد ناشی از عوامل غیرانسانی یا غیرمکانیکی به‌طور فیزیکی تغییر کرده است. این نوع ازدست‌رفتن معمولاً باید روندی در سیگنال(های) طیفی ایجاد کند (مثلاً کاهش NDVI، کاهش رطوبت، افزایش SWIR، و غیره)، اما این روند می‌تواند نامحسوس باشد. کاهش ساختاری در محیط‌های پوشش گیاهی چوبی رخ می‌دهد، که احتمالاً ناشی از حشرات، بیماری، خشکسالی، باران اسیدی و غیره است. کاهش ساختاری می‌تواند شامل رویدادهای برگ‌ریزی باشد که منجر به مرگ نمی‌شود، مانند هجوم پروانه کولی و کرم غنچه صنوبر که ممکن است ظرف ۱ یا ۲ سال بهبود یابد.

  • کاهش طیفی - نموداری که در آن سیگنال طیفی روندی را در یک یا چند باند یا شاخص طیفی نشان می‌دهد (مثلاً کاهش NDVI، کاهش رطوبت، افزایش SWIR، و غیره). نمونه‌ها شامل مواردی است که: الف) پوشش گیاهی غیرجنگلی/غیرچوبی روندی را نشان می‌دهد که نشان‌دهنده کاهش است (مثلاً کاهش NDVI، کاهش رطوبت، افزایش SWIR، و غیره)، یا ب) پوشش گیاهی چوبی روند کاهشی را نشان می‌دهد که به ازدست رفتن پوشش گیاهی چوبی مربوط نیست، مانند زمانی که تاج درختان بالغ بسته می‌شود و درنتیجه سایه افزایش می‌یابد، زمانی که ترکیب گونه‌ها از مخروطیان به پهن‌برگان تغییر می‌کند، یا زمانی که یک دوره خشک (برخلاف خشکسالی شدیدتر و حادتر) باعث کاهش ظاهری شادابی می‌شود، اما هیچ ماده چوبی یا سطح برگی ازبین نمی‌رود.
Change_Raw_Probability_Fast_Loss ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام از «ازدست رفتن سریع». به‌صورت زیر تعریف می‌شود: «ازدست دادن سریع» شامل کلاس‌های زیر از تفسیر فرایند تغییر TimeSync است-

  • آتش‌سوزی - زمینی که به‌دلیل آتش‌سوزی تغییر کرده است، صرف‌نظر از علت اشتعال (طبیعی یا انسانی)، شدت، یا کاربری زمین.

  • برداشت - زمین جنگلی که درختان، درختچه‌ها، یا سایر پوشش‌های گیاهی آن با ابزارهای انسانی قطع یا برداشته شده‌اند. نمونه‌ها شامل پاک‌تراشی، نجات چوب پس‌از آتش‌سوزی یا شیوع حشرات، تنک کردن و سایر دستورالعمل‌های مدیریت جنگل (مانند برداشت پناهگاه/درخت بذر) است.

  • مکانیکی - زمین غیرجنگلی که درختان، درختچه‌ها، یا سایر پوشش‌های گیاهی آن به‌طور مکانیکی با زنجیر، خراشیدن، اره کردن بوته‌ها، بولدوزر، یا هر روش دیگری برای حذف پوشش گیاهی غیرجنگلی قطع یا برداشته شده است.

  • باد/یخ - زمینی (صرف‌نظر از کاربرد آن) که پوشش گیاهی آن به‌دلیل بادهای ناشی از طوفان‌های گرمسیری، گردبادها، طوفان‌ها، و دیگر رویدادهای آب‌وهوایی شدید، ازجمله باران یخبندان ناشی از طوفان‌های یخی، تغییر کرده است.

  • آب‌شناسی - زمینی که سیلاب به‌طور قابل‌توجهی پوشش چوبی یا سایر عناصر پوشش زمین را بدون توجه به کاربری زمین تغییر داده است (مثلاً مخلوط‌های جدیدی از شن و پوشش گیاهی در داخل و اطراف بستر رودخانه‌ها پس‌از سیل).

  • آوار - زمینی (صرف‌نظر از کاربرد آن) که به‌دلیل حرکت مواد طبیعی ناشی از زمین‌لغزش، بهمن، آتشفشان، جریان آوار، و غیره تغییر کرده است.

  • سایر - 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.
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 پوشش گیاهی بالغ و/یا چمن‌ها و محوطه‌سازی‌های تازه نصب‌شده باشد. در جنگل‌ها، رشد شامل رشد پوشش گیاهی از زمین برهنه و همچنین رشد درختان میانی و هم‌غالب و/یا علف‌ها و درختچه‌های پایین‌تر است. بخش‌های رشد/احیا که پس‌از برداشت جنگل ثبت می‌شوند، احتمالاً با بازسازی جنگل، از کلاس‌های مختلف پوشش زمین عبور خواهند کرد. برای اینکه این تغییرات به‌عنوان رشد/بهبود درنظر گرفته شود، مقادیر طیفی باید به‌طور دقیق از خط روند افزایشی پیروی کنند (مثلاً شیب مثبتی که اگر تا حدود ۲۰ سال ادامه یابد، در حدود ۰٫۱۰ واحد NDVI باشد) که برای چندین سال ادامه داشته باشد.
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 ایستاده مرده 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: بخش عمده پیکسل از درختچه‌ها تشکیل شده است و همچنین حداقل ۱۰٪ آن از درختان زنده یا درختان مرده ایستاده تشکیل شده است.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام برای ترکیب چمن/ علف/ گیاه و درخت. این‌گونه تعریف می‌شود: بخش عمده پیکسل از علف‌های چندساله، گیاهان علفی، یا دیگر انواع پوشش گیاهی علفی تشکیل شده است و همچنین حداقل ۱۰٪ آن از درختان زنده یا درختان مرده ایستاده 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 نمایان شده است (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 که به‌دلیل فعالیت‌های معدن‌کاری سطحی نمایان شده‌اند)، تپه‌های شنی، دشت‌های نمکی، و سواحل. جاده‌های خاکی و شنی نیز بایر محسوب می‌شوند و همچنین حداقل ۱۰٪ از درختان زنده یا مرده ایستاده تشکیل شده‌اند.
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 بیشتر از ۱ متر تشکیل شده است.
Land_Cover_Raw_Probability_Shrubs ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام برای بوته‌ها. تعریف: بخش عمده پیکسل از درختچه تشکیل شده است.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام برای ترکیب علف/ گیاه پهن‌برگ/ گیاه دارویی و بوته. به این صورت تعریف می‌شود: اکثر پیکسل‌ها از علف‌های چندساله، گیاهان علفی، 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 نمایان شده است (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 که به‌دلیل فعالیت‌های معدن‌کاری سطحی نمایان شده‌اند)، تپه‌های شنی، دشت‌های نمکی، و سواحل. جاده‌های خاکی و شنی نیز بایر محسوب می‌شوند و حداقل ۱۰٪ آن از درختچه تشکیل شده است.
Land_Cover_Raw_Probability_Grass-Forb-Herb ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام برای علف/ گیاه پهن‌برگ/ گیاه دارویی. تعریف: بخش عمده پیکسل از علف‌های چندساله، گیاهان علفی، 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 ترکیب زمین بایر و علف/ پهن‌برگ/ گیاه. 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، کویرها، برون‌زدگی‌های سنگی (ازجمله مواد معدنی و سایر مواد زمین‌شناسی که به‌دلیل فعالیت‌های معدن‌کاری سطحی نمایان شده‌اند)، تپه‌های شنی، شوره‌زارها، و سواحل. جاده‌های خاکی و شنی نیز بایر محسوب می‌شوند و همچنین حداقل ۱۰٪ از آن‌ها از علف‌های چندساله، علف‌های پهن‌برگ، یا سایر انواع پوشش گیاهی علفی تشکیل شده است.
Land_Cover_Raw_Probability_Barren-or-Impervious ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام برای «بایر» یا «نفوذناپذیر». تعریف: بخش عمده پیکسل از ۱) خاک برهنه نمایان‌شده دراثر اختلال (مثلاً خاک نمایان‌شده دراثر پاک‌سازی مکانیکی یا برداشت جنگل)، و همچنین مناطق همیشه بایر مانند بیابان‌ها، کویرها، برون‌زدگی‌های سنگی (ازجمله مواد معدنی و سایر مواد زمین‌شناسی نمایان‌شده دراثر فعالیت‌های معدن‌کاری سطحی)، تپه‌های شنی، کویرهای نمک، و سواحل تشکیل شده است. جاده‌های خاکی و شنی نیز بایر درنظر گرفته می‌شوند یا ۲) مواد مصنوعی که آب نمی‌تواند در آن‌ها نفوذ کند، مثل جاده‌های آسفالت‌شده، سقف‌ها، و پارکینگ‌ها.
Land_Cover_Raw_Probability_Snow-or-Ice ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام برای برف یا یخ. به‌صورت زیر تعریف می‌شود: بخش عمده پیکسل از برف یا یخ تشکیل شده است.
Land_Cover_Raw_Probability_Water ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام برای آب. تعریف: بخش عمده پیکسل از آب تشکیل شده است.
Land_Use_Raw_Probability_Agriculture ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام برای کشاورزی. به‌صورت زیر تعریف می‌شود: زمینی که برای تولید غذا، الیاف، و سوخت استفاده می‌شود و در وضعیت پوشش گیاهی یا بدون پوشش گیاهی قرار دارد. 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 ساخت بشر (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، امکانات تفریحی، گورستان، راهروهای حمل‌ونقل و تأسیسات، و غیره) پوشانده شده است، ازجمله هر زمینی که ازنظر عملکردی با فعالیت‌های انسانی تغییر کرده است.
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 پوشش درختی 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. به‌صورت زیر تعریف می‌شود: زمین‌های مجاور یا درون سفره آب مرئی (که به‌صورت دائمی یا فصلی اشباع شده‌اند) که تحت سلطه درختچه‌ها یا گیاهان نوظهور دائمی هستند. این تالاب‌ها ممکن است در ساحل دریاچه‌ها، کانال‌های رودخانه، یا دهانه رودها؛ در دشت‌های سیلابی رودخانه؛ در حوضه‌های آبریز جداشده؛ یا در دامنه‌ها واقع شده باشند. این تالاب‌ها ممکن است به‌صورت چاله‌های چمنزار، خندق‌های زهکشی، و حوضچه‌های ذخیره آب در چشم‌اندازهای کشاورزی نیز وجود داشته باشند و همچنین ممکن است به‌صورت جزایری در وسط دریاچه‌ها یا رودخانه‌ها ظاهر شوند. نمونه‌های دیگر شامل مرداب، باتلاق، لجن‌زار، لرزاب، باتلاق خزه‌ای، گودال آب، خلنگ‌زار، و آب‌راه‌های باتلاقی است.
Land_Use_Raw_Probability_Other ‫۳۰ متر

احتمال مدل‌سازی‌شده LCMS خام برای «دیگر». به این صورت تعریف می‌شود: زمینی (صرف‌نظر از نوع استفاده) 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 می‌شود که یا الف.) مرتع، که پوشش گیاهی آن ترکیبی از علف‌های بومی، درختچه‌ها، گیاهان علفی، و گیاهان علف‌مانند است که عمدتاً ناشی از عوامل و فرایندهای طبیعی مانند بارندگی، دما، ارتفاع، و آتش‌سوزی است، اگرچه مدیریت محدود ممکن است شامل سوزاندن تجویز‌شده و همچنین چرای گیاه‌خواران اهلی و وحشی باشد؛ یا ب.) مرتع، جایی که پوشش گیاهی ممکن است از مخلوطی از علف‌ها، گیاهان پهن‌برگ، و گیاهان دارویی عمدتاً طبیعی تا پوشش گیاهی مدیریت‌شده‌تر تحت سلطه گونه‌های علفی که کاشته شده‌اند و برای حفظ نزدیک به تک‌کشتی مدیریت شده‌اند، 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 ایالات متحده هم‌مرز، جنوب شرقی آلاسکا، و پورتوریکو-جزایر ویرجین ایالات متحده را پوشش می‌دهد. این نسخه حاوی خروجی‌هایی در سراسر ایالات متحده هم‌مرز و جنوب شرقی آلاسکا است. مقادیر ممکن: «CONUS, SEAK»

شرایط استفاده

شرایط استفاده

«سرویس جنگل‌داری وزارت کشاورزی ایالات متحده» هیچ ضمانت صریح یا ضمنی، ازجمله ضمانت‌های قابلیت فروش و مناسب بودن برای هدفی خاص، ارائه نمی‌دهد و هیچ‌گونه مسئولیت قانونی درقبال دقت، قابلیت اطمینان، کامل بودن، یا سودمندی این داده‌های زمین‌مکانی یا استفاده نادرست یا اشتباه از این داده‌های زمین‌مکانی برعهده نمی‌گیرد. این داده‌های زمین‌مکانی و نقشه‌ها یا گرافیک‌های مرتبط با آن سند قانونی نیستند و نباید به‌عنوان سند قانونی استفاده شوند. 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. ۲۰۲۲. USFS Landscape Change Monitoring System v2021.7 (Conterminous United States and Southeastern Alaska). سالت لیک سیتی، یوتا.

نقل‌قول‌ها

نقل‌قول‌ها:

  • USDA Forest Service. ۲۰۲۲. USFS Landscape Change Monitoring System v2021.7 (Conterminous United States and Southeastern Alaska). سالت لیک سیتی، یوتا.

کاوش با Earth Engine

ویرایشگر کد (جاوا اسکریپت)

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);
باز کردن در «ویرایشگر کد»
این محصول بخشی از مجموعه داده «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 ایالات متحده هم‌مرز (CONUS) و جنوب شرقی آلاسکا (SEAK) را پوشش می‌دهد. LCMS سیستمی مبتنی بر سنجش از دور برای نقشه‌برداری و پایش چشم‌انداز است …
USFS/GTAC/LCMS/v2021-7, change,change-detection,forest,gtac,landcover,landsat-derived,landuse,landuse-landcover,lcms,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