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

USFS/GTAC/LCMS/v2021-7
डेटासेट की उपलब्धता
1985-06-01T00:00:00Z–2021-09-30T00:00:00Z
डेटासेट प्रोड्यूसर
Earth Engine का स्निपेट
ee.ImageCollection("USFS/GTAC/LCMS/v2021-7")
टैग
बदलें
change-detection
जंगल
gtac
लैंडकवर
लैंडसैट से लिया गया
landuse
landuse-landcover
lcms
redcastle-resources
rmrs
sentinel2-derived
टाइम-सीरीज़
usda
usfs

ब्यौरा

यह प्रॉडक्ट, लैंडस्केप चेंज मॉनिटरिंग सिस्टम (एलसीएमएस) डेटा सुइट का हिस्सा है. इसमें हर साल के लिए, एलसीएमएस मॉडल के हिसाब से बदलाव, ज़मीन का इस्तेमाल, और/या ज़मीन के इस्तेमाल की क्लास दिखाई गई हैं. एलसीएमएस का यह वर्शन, अमेरिका के मुख्य भूभाग (कॉनस) और दक्षिण-पूर्वी अलास्का (सीक) को कवर करता है.

एलसीएमएस, रिमोट सेंसिंग पर आधारित एक सिस्टम है. इसका इस्तेमाल, अमेरिका में लैंडस्केप में होने वाले बदलावों को मैप करने और उन पर नज़र रखने के लिए किया जाता है. इसका मकसद, बदलाव का पता लगाने के लिए नई टेक्नोलॉजी और बेहतर तरीकों का इस्तेमाल करके, एक जैसा तरीका डेवलप करना है. इससे लैंडस्केप में हुए बदलाव का "सबसे अच्छा उपलब्ध" मैप तैयार किया जा सकता है.

इनपुट के तौर पर तीन सालाना प्रॉडक्ट इस्तेमाल किए जाते हैं: बदलाव, ज़मीन का इस्तेमाल, और पेड़-पौधों, आबादी वगैरह से ढकी जगह. बदलाव, खास तौर पर वनस्पति कवर से जुड़ा है. इसमें धीरे-धीरे वनस्पति कवर कम होना, तेज़ी से कम होना (इसमें जल विज्ञान से जुड़े बदलाव भी शामिल हैं, जैसे कि पानी भर जाना या सूख जाना) और वनस्पति कवर बढ़ना शामिल है. इन वैल्यू का अनुमान, Landsat टाइम सीरीज़ के हर साल के लिए लगाया जाता है. साथ ही, ये LCMS के लिए बुनियादी प्रॉडक्ट के तौर पर काम करती हैं. ज़मीन के इस्तेमाल और उस पर मौजूद वनस्पति के मैप में, हर साल के लिए ज़मीन पर मौजूद वनस्पति के लेवल और ज़मीन के इस्तेमाल के बारे में जानकारी दी जाती है.

कोई भी एल्गोरिदम हर स्थिति में सबसे अच्छा परफ़ॉर्म नहीं करता है. इसलिए, एलसीएमएस अनुमान लगाने वाले मॉडल के एक ग्रुप का इस्तेमाल करता है. इससे अलग-अलग तरह के इकोसिस्टम और बदलाव की प्रोसेस में मैप की सटीकता बेहतर होती है (हीली वगैरह, 2018). एलसीएमएस में बदलाव, ज़मीन के इस्तेमाल, और पेड़-पौधों, आबादी वगैरह से ढकी जगह के मैप से, पिछले चार दशकों में अमेरिका में हुए बदलावों की पूरी जानकारी मिलती है.

एलसीएमएस मॉडल के लिए अनुमान लगाने वाली लेयर में, LandTrendr और CCDC के बदलाव का पता लगाने वाले एल्गोरिदम से मिले आउटपुट और इलाके की जानकारी शामिल होती है. इन सभी कॉम्पोनेंट को Google Earth Engine (Gorelick et al., 2017).

सीसीडीसी में, Landsat Tier 1 और Sentinel 2A, 2B Level-1C के टॉप ऑफ़ ऐटमॉस्फ़ियर रिफ़्लेक्टेंस डेटा का इस्तेमाल सीधे तौर पर किया जाता है. साथ ही, LandTrendr के लिए सालाना कंपोज़िट तैयार करने के लिए भी इसका इस्तेमाल किया जाता है. बादलों को मास्क करने के लिए, cFmask क्लाउड मास्किंग एल्गोरिदम (Foga et al., 2017) का इस्तेमाल किया जाता है. यह Fmask 2.0 (Zhu and Woodcock, 2012) (सिर्फ़ Landsat के लिए), cloudScore (Chastain et al., 2019) (सिर्फ़ Landsat के लिए), और s2cloudless (Sentinel-Hub, 2021) (सिर्फ़ Sentinel 2 के लिए) का इस्तेमाल करता है. वहीं, बादलों की परछाइयों को मास्क करने के लिए, TDOM (Chastain et al., 2019) का इस्तेमाल किया जाता है. यह Landsat और Sentinel 2, दोनों के लिए उपलब्ध है. LandTrendr के लिए, सालाना मेडॉइड का हिसाब लगाया जाता है. इससे हर साल के बादलों और बादलों की परछाइयों से मुक्त वैल्यू को एक कंपोज़िट में शामिल किया जाता है.

कंपोज़िट टाइम सीरीज़ को LandTrendr (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).

बादल और बादलों की परछाई से जुड़ी सभी वैल्यू को भी समय के हिसाब से सेगमेंट किया जाता है. इसके लिए, CCDC एल्गोरिदम (Zhu and Woodcock, 2014) का इस्तेमाल किया जाता है.

रैंडम फ़ॉरेस्ट (ब्रेमैन, 2001) मॉडल में, इंडिपेंडेंट वैरिएबल के तौर पर इन वैल्यू का इस्तेमाल किया गया: रॉ कंपोज़िट वैल्यू, LandTrendr फ़िट की गई वैल्यू, पेयर-वाइज़ अंतर, सेगमेंट की अवधि, बदलाव की मैग्नीट्यूड, और स्लोप. साथ ही, CCDC के सितंबर 1 के साइन और कोसाइन कोएफ़िशिएंट (पहले तीन हार्मोनिक), फ़िट की गई वैल्यू, और पेयरवाइज़ अंतर. इसके अलावा, 10 मीटर के नेशनल एलिवेशन डेटासेट (एनईडी) (Gesch et al., 2009) से ऊंचाई, स्लोप, ऐस्पेक्ट का साइन, ऐस्पेक्ट का कोसाइन, और टोपोग्राफ़िक पोज़िशन इंडेक्स (Weiss, 2001). SEAK के लिए, 30 मीटर के एनईडी का इस्तेमाल किया गया.

रेफ़रंस डेटा, TimeSync का इस्तेमाल करके इकट्ठा किया जाता है. यह वेब पर आधारित एक टूल है. इससे विश्लेषकों को 1984 से अब तक के Landsat डेटा रिकॉर्ड को विज़ुअलाइज़ करने और समझने में मदद मिलती है (Cohen et al., 2010).

अन्य संसाधन

अगर आपका कोई सवाल है या आपको किसी खास डेटा का अनुरोध करना है, तो [sm.fs.lcms@usda.gov] से संपर्क करें. * Breiman, L., 2001. Random Forests. In Machine Learning. Springer, 45: 5-32 doi:10.1023/A:1010933404324

  • Chastain, R., हाउसमन, आई., गोल्डस्टीन, जे., फ़िंचो, एम., और टेनेसन, के., 2019. यह लेख, अमेरिका के उन सभी राज्यों के लिए है जिनकी सीमा कम से कम एक अन्य राज्य से जुड़ी हुई है. इसमें, Sentinel-2A और 2B MSI, Landsat-8 OLI, और Landsat-7 ETM के टॉप ऑफ़ ऐटमस्फ़ियर स्पेक्ट्रल की विशेषताओं की तुलना की गई है. पर्यावरण की रिमोट सेंसिंग में. Science Direct, 221: 274-285 doi:10.1016/j.rse.2018.11.012

  • Cohen, W. B., Yang, Z., and Kennedy, R., 2010. हर साल के Landsat टाइम सीरीज़ का इस्तेमाल करके, जंगल में होने वाली गड़बड़ी और उसके ठीक होने के रुझानों का पता लगाना: 2. TimeSync - कैलिब्रेशन और पुष्टि करने के लिए टूल. In Remote Sensing of Environment. Science Direct, 114(12): 2911-2924 doi:10.1016/j.rse.2010.07.010

  • Cohen, W. B., यांग ज़ेड., हीली, एस॰ P., केनेडी, आर॰ ई॰ और गोरेलिक, एन॰, 2018. जंगल में होने वाली गड़बड़ी का पता लगाने के लिए, LandTrendr मल्टीस्पेक्ट्रल एनसेंबल. पर्यावरण की रिमोट सेंसिंग में. Science Direct, 205: 131-140 doi:10.1016/j.rse.2017.11.015

  • फ़ोगा, एस॰, स्कारामोज़ा, पी॰एल॰, गुओ, एस., ज़ू, ज़ेड., डिले, आर॰डी॰, बेकमैन, टी., श्मिट, जी॰एल॰, ड्वायर, जे॰एल॰, एम॰जे॰ ह्यूज़, लाउ, बी., 2017. ऑपरेशनल Landsat डेटा प्रॉडक्ट के लिए, क्लाउड का पता लगाने वाले एल्गोरिदम की तुलना और पुष्टि करना. In Remote Sensing of Environment. Science Direct, 194: 379-390 doi:10.1016/j.rse.2017.03.026

  • Gesch, D., इवांस, जी॰, मौक, जे., हचिंसन, जे., और डब्ल्यू॰ कार्सवेल J., 2009. नैशनल मैप - ऊंचाई. तथ्य पत्रक में, doi:10.3133/fs20093053

  • हीली, एस॰ P., कोहेन, डब्ल्यू॰ B., यांग ज़ेड., कैनथ ब्रूअर, सी॰, Brooks, E. B., गोरेलिक, एन., हर्नांडेज़, ए. J., हुआंग, सी॰, जोसेफ़ ह्यूज़, एम॰, कैनेडी, आर॰ E., लवलैंड, टी॰ R., मोइसन, जी॰ G., Schroeder, T. A., स्टीमन, एस॰ V., वोगेलमैन, जे॰ E., वुडकॉक, सी॰ E., Yang, L., and Zhu, Z., 2018. स्टैक किए गए सामान्यीकरण का इस्तेमाल करके, जंगल में हुए बदलाव की मैपिंग: एक साथ काम करने का तरीका. पर्यावरण की रिमोट सेंसिंग में. Science Direct, 204: 717-728 doi:10.1016/j.rse.2017.09.029

  • Kennedy, R. E., Yang, Z., and Cohen, W. B., 2010. हर साल के Landsat टाइम सीरीज़ डेटा का इस्तेमाल करके, जंगल में होने वाली गड़बड़ी और उसके ठीक होने के ट्रेंड का पता लगाना: 1. LandTrendr - Temporal segmentation algorithms. In Remote Sensing of Environment. Science Direct, 114(12): 2897-2910 doi:10.1016/j.rse.2010.07.008

  • कैनेडी, आर॰, यांग, ज़ेड॰, गोरेलिक, एन॰, ब्रेटन, जे॰, कैवलकैंट, एल॰, कोहेन, डब्ल्यू॰, और हीली, एस॰, 2018. Implementation of the LandTrendr Algorithm on Google Earth Engine. In Remote Sensing. MDPI, 10(5): 691 doi:10.3390/rs10050691

  • Sentinel-Hub, 2021. Sentinel 2 Cloud Detector. [ऑनलाइन]. यहां उपलब्ध है: https://github.com/sentinel-hub/sentinel2-cloud-detector

  • वाइस, ए॰डी॰, 2001. Topographic position and landforms analysis Poster Presentation, ESRI Users Conference, San Diego, CA.

  • Zhu, Z., and Woodcock, C. ई॰ (2012). Landsat की इमेज में, ऑब्जेक्ट के आधार पर बादल और बादल की परछाई का पता लगाना. पर्यावरण की रिमोट सेंसिंग में. Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028

  • Zhu, Z., and Woodcock, C. E., 2014. उपलब्ध सभी Landsat डेटा का इस्तेमाल करके, ज़मीन के इस्तेमाल और पेड़-पौधों, आबादी वगैरह से ढकी जगह में लगातार हो रहे बदलावों का पता लगाना और उन्हें कैटगरी में बांटना. In Remote Sensing of Environment. Science Direct, 144: 152-171 doi:10.1016/j.rse.2014.01.011

बैंड

बैंड

पिक्सल का साइज़: 30 मीटर (सभी बैंड)

नाम पिक्सल का साइज़ ब्यौरा
Change 30 मीटर

एलसीएमएस में बदलाव के आधार पर प्रॉडक्ट में बदलाव की जानकारी. हर साल के लिए, बदलाव की तीन क्लास (धीरे-धीरे कम होना, तेज़ी से कम होना, और बढ़ना) मैप की जाती हैं. हर क्लास का अनुमान लगाने के लिए, अलग रैंडम फ़ॉरेस्ट मॉडल का इस्तेमाल किया जाता है. यह मॉडल, संभावना (रैंडम फ़ॉरेस्ट मॉडल में मौजूद ट्री का अनुपात) दिखाता है कि पिक्सल उस क्लास से जुड़ा है. इस वजह से, हर साल के लिए अलग-अलग पिक्सल के तीन अलग-अलग मॉडल आउटपुट होते हैं. फ़ाइनल क्लास, बदलाव की उस क्लास को असाइन की जाती है जिसकी संभावना सबसे ज़्यादा होती है और जो तय थ्रेशोल्ड से ऊपर भी होती है. जिस पिक्सल की वैल्यू, हर क्लास के थ्रेशोल्ड से ऊपर नहीं होती उसे स्टेबल क्लास असाइन की जाती है.
Land_Cover 30 मीटर

एलसीएमएस लैंड कवर का फ़ाइनल प्रॉडक्ट. हर साल, 14 लैंड कवर क्लास को मैप किया जाता है. इसके लिए, TimeSync के रेफ़रंस डेटा और Landsat की इमेज से मिली स्पेक्ट्रल जानकारी का इस्तेमाल किया जाता है. हर क्लास का अनुमान लगाने के लिए, अलग-अलग रैंडम फ़ॉरेस्ट मॉडल का इस्तेमाल किया जाता है. ये मॉडल, इस बात की संभावना (रैंडम फ़ॉरेस्ट मॉडल में मौजूद ट्री का अनुपात) दिखाते हैं कि पिक्सल उस क्लास से जुड़ा है. इस वजह से, हर साल के लिए अलग-अलग पिक्सल के 14 मॉडल आउटपुट होते हैं. साथ ही, सबसे ज़्यादा संभावना वाले लैंड कवर को फ़ाइनल क्लास असाइन की जाती हैं. ज़मीन को ढकने वाली 14 कैटगरी में से सात कैटगरी, ज़मीन को ढकने वाली एक ही चीज़ के बारे में बताती हैं. इनमें ज़मीन को ढकने वाली चीज़, पिक्सल के ज़्यादातर हिस्से को कवर करती है. साथ ही, कोई दूसरी कैटगरी, पिक्सल के 10% से ज़्यादा हिस्से को कवर नहीं करती. यहां सात मिक्स क्लास भी होती हैं. इनसे ऐसे पिक्सल का पता चलता है जिनमें अतिरिक्त लैंडकवर क्लास, पिक्सल के कम से कम 10% हिस्से को कवर करता है.
Land_Use 30 मीटर

एलसीएमएस के आधार पर तैयार किया गया, ज़मीन के इस्तेमाल से जुड़ा फ़ाइनल प्रॉडक्ट. ज़मीन के इस्तेमाल के कुल छह क्लास को हर साल मैप किया जाता है. इसके लिए, TimeSync के रेफ़रंस डेटा और Landsat की इमेज से मिली स्पेक्ट्रल जानकारी का इस्तेमाल किया जाता है. हर क्लास का अनुमान लगाने के लिए, अलग-अलग रैंडम फ़ॉरेस्ट मॉडल का इस्तेमाल किया जाता है. ये मॉडल, इस बात की संभावना (रैंडम फ़ॉरेस्ट मॉडल में मौजूद ट्री का अनुपात) दिखाते हैं कि पिक्सल उस क्लास से जुड़ा है. इस वजह से, हर साल के लिए अलग-अलग पिक्सल के छह अलग-अलग मॉडल आउटपुट होते हैं. साथ ही, ज़मीन के इस्तेमाल की सबसे ज़्यादा संभावना के आधार पर, फ़ाइनल क्लास असाइन की जाती हैं.
Change_Raw_Probability_Slow_Loss 30 मीटर

स्लो लॉस की रॉ एलसीएमएस मॉडल की संभावना. इसे इस तरह से परिभाषित किया गया है: धीरे-धीरे होने वाला नुकसान इसमें टाइमसिंक में बदलाव की प्रोसेस से जुड़ी ये क्लास शामिल हैं व्याख्या-

  • स्ट्रक्चरल डिक्लाइन - ऐसी ज़मीन जहां पेड़ों या अन्य वुडी वेजिटेशन (लकड़ी वाले पेड़-पौधे) में, गैर-मानवीय या गैर-तकनीकी वजहों से पैदा हुई खराब स्थितियों की वजह से बदलाव हुआ हो. इस तरह के नुकसान से आम तौर पर स्पेक्ट्रल सिग्नल में रुझान पैदा होना चाहिए. जैसे, एनडीवीआई कम होना, नमी कम होना, एसडब्ल्यूआईआर बढ़ना वगैरह. हालांकि, रुझान में मामूली बदलाव हो सकता है. स्ट्रक्चरल डिक्लाइन, वुडी वेजिटेशन वाले इलाकों में होता है. इसकी वजह कीड़े-मकोड़े, बीमारी, सूखा, ऐसिड रेन वगैरह हो सकती है. स्ट्रक्चरल डिक्लाइन में, पत्तों के झड़ने की ऐसी घटनाएं शामिल हो सकती हैं जिनकी वजह से पेड़-पौधे मरते नहीं हैं. जैसे, जिप्सी मॉथ और स्पूस बडवर्म के संक्रमण, जो एक या दो साल में ठीक हो सकते हैं.

  • स्पेक्ट्रल डिक्लाइन - एक ऐसा प्लॉट जिसमें स्पेक्ट्रल सिग्नल, एक या उससे ज़्यादा स्पेक्ट्रल बैंड या इंडेक्स में रुझान दिखाता है. उदाहरण के लिए, NDVI में कमी, नमी में कमी, SWIR में बढ़ोतरी वगैरह. उदाहरण के लिए, ऐसे मामले जहां: a) गैर-वन/गैर-लकड़ी वाली वनस्पति में गिरावट का रुझान दिखता है (जैसे, एनडीवीआई में कमी, नमी में कमी, एसडब्ल्यूआईआर में बढ़ोतरी वगैरह) या b) जहां लकड़ी वाली वनस्पति में गिरावट का रुझान दिखता है, जो लकड़ी वाली वनस्पति के नुकसान से जुड़ा नहीं है. जैसे, जब मैच्योर पेड़ की कैनोपी बंद हो जाती है, तो ज़्यादा छाया पड़ने लगती है. जब प्रजातियों की संरचना, शंकुधारी से दृढ़ लकड़ी में बदल जाती है या जब सूखा पड़ने की वजह से, वनस्पति में गिरावट दिखती है, लेकिन लकड़ी वाले हिस्से या पत्ती के क्षेत्र में कोई नुकसान नहीं होता है.
Change_Raw_Probability_Fast_Loss 30 मीटर

तेज़ी से कम होने की संभावना के लिए, एलसीएमएस की रॉ मॉडल की गई संभावना. इसे इस तरह से परिभाषित किया गया है: टाइमसिंक बदलने की प्रोसेस से जुड़ी इन क्लास को फ़ास्ट लॉस में शामिल किया जाता है-

  • आग - आग से बदली हुई ज़मीन. भले ही, आग लगने की वजह कुछ भी हो (प्राकृतिक या मानवीय), आग कितनी भी गंभीर हो या ज़मीन का इस्तेमाल किसी भी तरह से किया गया हो.

  • फ़सल काटना - जंगल की ऐसी ज़मीन जहां पेड़ों, झाड़ियों या अन्य वनस्पतियों को इंसानी गतिविधियों के ज़रिए काटा या हटाया गया हो. उदाहरण के लिए, पूरी तरह से कटाई करना, आग लगने या कीड़े-मकोड़ों के प्रकोप के बाद लकड़ी को बचाना, पेड़ों की संख्या कम करना, और जंगल के रखरखाव से जुड़े अन्य निर्देश (जैसे, आश्रय देने वाले पेड़/बीज वाले पेड़ की कटाई).

  • मैकेनिकल - ऐसी गैर-वन भूमि जहां पेड़ों, झाड़ियों या अन्य वनस्पतियों को चेन, खुरचने, ब्रश से काटने, बुलडोज़र चलाने या गैर-वनस्पति हटाने के किसी अन्य तरीके से काटा या हटाया गया हो.

  • हवा/बर्फ़ - ऐसी ज़मीन (इस्तेमाल किए जाने के बावजूद) जहां वनस्पति में बदलाव, तूफ़ान, बवंडर, आंधी, और अन्य बहुत खराब मौसम की वजह से आया हो. इसमें बर्फ़ के तूफ़ान से होने वाली बारिश भी शामिल है.

  • जल विज्ञान - ऐसी ज़मीन जहां बाढ़ की वजह से, लकड़ी के कवर या ज़मीन के अन्य कवर वाले एलिमेंट में काफ़ी बदलाव हुआ हो.भले ही, ज़मीन का इस्तेमाल कुछ भी हो. उदाहरण के लिए, बाढ़ के बाद नदी के किनारों और उसके आस-पास बजरी और वनस्पति का नया मिश्रण.

  • मलबा - ज़मीन (इस्तेमाल से कोई फ़र्क़ नहीं पड़ता) पर प्राकृतिक चीज़ों के खिसकने की वजह से बदलाव हुआ है. जैसे, भूस्खलन, हिमस्खलन, ज्वालामुखी, मलबे का बहाव वगैरह.

  • अन्य - ऐसी ज़मीन (इस्तेमाल किए जाने के बावजूद) जहां स्पेक्ट्रल ट्रेंड या अन्य सहायक सबूतों से पता चलता है कि कोई गड़बड़ी या बदलाव हुआ है. हालांकि, इसकी वजह का पता नहीं लगाया जा सकता या बदलाव का टाइप, ऊपर बताई गई बदलाव की प्रोसेस की किसी भी कैटगरी के मुताबिक नहीं है.
Change_Raw_Probability_Gain 30 मीटर

एलसीएमएस मॉडल के हिसाब से, वनस्पति के बढ़ने की संभावना. इसे इस तरह से परिभाषित किया गया है: ऐसी ज़मीन जहां एक या उससे ज़्यादा सालों में, वनस्पति के बढ़ने की वजह से वनस्पति का घनत्व बढ़ा हो. यह उन सभी इलाकों पर लागू होता है जहां वनस्पति के फिर से उगने की वजह से स्पेक्ट्रल बदलाव हो सकता है. विकसित इलाकों में, वनस्पति के बढ़ने की वजह से वनस्पति का घनत्व बढ़ सकता है. इसके अलावा, नए लॉन और लैंडस्केपिंग की वजह से भी ऐसा हो सकता है. जंगलों में, वनस्पति के बढ़ने की वजह से वनस्पति का घनत्व बढ़ सकता है. इसके अलावा, इंटरमीडिएट और को-डोमिनेट पेड़ों और/या नीचे की ओर झुकी हुई घासों और झाड़ियों के बढ़ने की वजह से भी ऐसा हो सकता है. जंगल की कटाई के बाद, वनस्पति के बढ़ने/फिर से उगने के सेगमेंट में, ज़मीन के अलग-अलग तरह के कवर शामिल हो सकते हैं. ऐसा इसलिए, क्योंकि जंगल फिर से उगता है. इन बदलावों को वनस्पति के बढ़ने/फिर से उगने के तौर पर माना जा सकता है. इसके लिए, स्पेक्ट्रल वैल्यू को बढ़ती हुई ट्रेंड लाइन के हिसाब से होना चाहिए. उदाहरण के लिए, एक ऐसा पॉज़िटिव स्लोप जो ~20 सालों तक बढ़ने पर, एनडीवीआई की 0.10 यूनिट के क्रम में हो.
Land_Cover_Raw_Probability_Trees 30 मीटर

पेड़ों की रॉ एलसीएमएस मॉडल वाली संभावना. इसे इस तरह से तय किया जाता है: ज़्यादातर पिक्सल में, ज़िंदा या खड़े सूखे पेड़ शामिल हैं.
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix 30 मीटर

लंबी झाड़ियों और पेड़ों के मिक्स (सिर्फ़ SEAK) की एलसीएमएस मॉडल वाली संभावना. इसे इस तरह से तय किया जाता है: पिक्सल के ज़्यादातर हिस्से में 1 मीटर से ज़्यादा ऊंचाई वाली झाड़ियां शामिल हैं. साथ ही, इसमें कम से कम 10% जीवित या खड़े सूखे पेड़ भी शामिल हैं.
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix 30 मीटर

झाड़ियों और पेड़ों के मिक्स होने की संभावना का अनुमान लगाने के लिए, एलसीएमएस मॉडल से मिला रॉ डेटा. इसे इस तरह से तय किया जाता है: पिक्सल का ज़्यादातर हिस्सा झाड़ियों से बना होता है. साथ ही, इसमें कम से कम 10% ऐसे पेड़ भी शामिल होते हैं जो ज़िंदा हैं या खड़े हैं और सूख चुके हैं.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix 30 मीटर

घास/फ़ॉर्ब/जड़ी-बूटी और पेड़ों के मिक्स होने की संभावना का अनुमान लगाने के लिए, एलसीएमएस मॉडल का इस्तेमाल किया गया है. परिभाषा: पिक्सल के ज़्यादातर हिस्से में बारहमासी घास, फ़ॉर्ब्स या अन्य तरह की जड़ी-बूटी वाली वनस्पति शामिल होती है. साथ ही, इसमें कम से कम 10% ज़िंदा या खड़े सूखे पेड़ भी शामिल होते हैं.
Land_Cover_Raw_Probability_Barren-and-Trees-Mix 30 मीटर

बंजर ज़मीन और पेड़ों के मिक्स होने की संभावना का अनुमान लगाने के लिए, रॉ एलसीएमएस मॉडल का इस्तेमाल किया जाता है. इसे इस तरह से तय किया जाता है: ज़्यादातर पिक्सल में ऐसी मिट्टी होती है जो किसी गड़बड़ी की वजह से खुली हो (जैसे, मशीन से साफ़ की गई मिट्टी या जंगल की कटाई से निकली मिट्टी). साथ ही, इसमें हमेशा बंजर रहने वाली जगहें भी शामिल होती हैं. जैसे, रेगिस्तान, प्लाया, चट्टानें (इसमें सतह पर खनन की गतिविधियों से निकले खनिज और अन्य भूवैज्ञानिक सामग्री शामिल है), रेत के टीले, नमक के मैदान, और बीच. मिट्टी और बजरी से बनी सड़कों को भी बंजर माना जाता है. साथ ही, इसमें कम से कम 10% जीवित या सूखे पेड़ भी शामिल होते हैं.
Land_Cover_Raw_Probability_Tall-Shrubs 30 मीटर

लंबी झाड़ियों की रॉ एलसीएमएस मॉडल वाली संभावना (सिर्फ़ दक्षिण-पूर्वी अलास्का के लिए). इसे इस तरह से तय किया जाता है: ज़्यादातर पिक्सल में, एक मीटर से ज़्यादा ऊंचाई वाली झाड़ियां शामिल होती हैं.
Land_Cover_Raw_Probability_Shrubs 30 मीटर

झाड़ियों के लिए, एलसीएमएस से अनुमानित संभावना. इसकी परिभाषा यह है: पिक्सल के ज़्यादातर हिस्से में झाड़ियां मौजूद हैं.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix 30 मीटर

घास/फ़ॉर्ब/जड़ी-बूटी और झाड़ियों के मिक्स होने की संभावना का अनुमान लगाने के लिए, एलसीएमएस मॉडल से मिला रॉ डेटा. इसे इस तरह से तय किया जाता है: पिक्सल के ज़्यादातर हिस्से में बारहमासी घास, फ़ॉर्ब्स या अन्य तरह की जड़ी-बूटी वाली वनस्पति होती है. साथ ही, इसमें कम से कम 10% झाड़ियां भी होती हैं.
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix 30 मीटर

बंजर और झाड़ियों के मिक्स होने की अनुमानित संभावना का रॉ एलसीएमएस मॉडल. इसे इस तरह से परिभाषित किया गया है: ज़्यादातर पिक्सल में ऐसी मिट्टी होती है जो किसी वजह से खुली होती है. जैसे, मशीन से साफ़ की गई मिट्टी या जंगल से काटी गई लकड़ी की वजह से खुली मिट्टी. इसके अलावा, इसमें ऐसे इलाके भी शामिल होते हैं जहां हमेशा बंजर ज़मीन होती है. जैसे, रेगिस्तान, प्लाया, चट्टानें (इसमें सतह पर खनन की गतिविधियों से निकले खनिज और अन्य भूवैज्ञानिक सामग्री शामिल हैं), रेत के टीले, नमक के मैदान, और समुद्र तट. मिट्टी और बजरी से बनी सड़कों को भी बंजर माना जाता है. साथ ही, इसमें कम से कम 10% झाड़ियां भी शामिल होती हैं.
Land_Cover_Raw_Probability_Grass-Forb-Herb 30 मीटर

घास/फ़ॉर्ब/जड़ी-बूटी की संभावना का अनुमान लगाने के लिए, एलसीएमएस से मिले रॉ डेटा का इस्तेमाल किया जाता है. इसे इस तरह से तय किया जाता है: पिक्सल के ज़्यादातर हिस्से में बारहमासी घास, फ़ॉर्ब्स या अन्य तरह की शाकीय वनस्पति शामिल होती है.
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix 30 मीटर

बंजर ज़मीन और घास/फ़ॉर्ब/जड़ी-बूटी के मिक्स होने की संभावना का एलसीएमएस मॉडल. इसे इस तरह से तय किया जाता है: ज़्यादातर पिक्सल में ऐसी मिट्टी शामिल होती है जो किसी वजह से खुली हुई है. जैसे, मिट्टी को साफ़ करने वाली मशीन या जंगल की कटाई से मिट्टी का खुलना. साथ ही, इसमें रेगिस्तान, प्लाया, चट्टानें (इसमें सतह पर खनन की गतिविधियों से निकले खनिज और अन्य भूवैज्ञानिक पदार्थ शामिल हैं), रेत के टीले, नमक के मैदान, और बीच जैसे इलाके भी शामिल हैं. मिट्टी और बजरी से बनी सड़कों को भी बंजर माना जाता है. साथ ही, इसमें कम से कम 10% बारहमासी घास, फ़ॉर्ब या अन्य तरह की जड़ी-बूटी वाली वनस्पति भी शामिल होती है.
Land_Cover_Raw_Probability_Barren-or-Impervious 30 मीटर

बारन या इंपरवियस की रॉ एलसीएमएस मॉडल वाली संभावना. इसे इस तरह से तय किया जाता है: पिक्सल के ज़्यादातर हिस्से में ये चीज़ें शामिल होती हैं: 1) ऐसी मिट्टी जो किसी वजह से खुली हो (जैसे, मशीन से साफ़ की गई मिट्टी या जंगल की कटाई से निकली मिट्टी). इसके अलावा, ऐसी जगहें जहां हमेशा कुछ भी नहीं उगता, जैसे कि रेगिस्तान, प्लाया, चट्टानें (इसमें सतह पर खनन की गतिविधियों से निकले खनिज और अन्य भूवैज्ञानिक पदार्थ शामिल हैं), रेत के टीले, नमक की झीलें, और बीच. मिट्टी और बजरी से बनी सड़कों को भी बंजर माना जाता है. इसके अलावा, 2) इंसानों के बनाए गए ऐसे मटीरियल को भी बंजर माना जाता है जिनमें पानी नहीं जा सकता. जैसे, पक्की सड़कें, छतें, और पार्किंग की जगहें.
Land_Cover_Raw_Probability_Snow-or-Ice 30 मीटर

बर्फ़ या बर्फ़ के पिघलने से बने पानी की संभावना का अनुमान लगाने के लिए, एलसीएमएस मॉडल का इस्तेमाल किया जाता है. इसे इस तरह से तय किया जाता है: पिक्सल का ज़्यादातर हिस्सा बर्फ़ या बर्फ़ के पिघलने से बने पानी से बना है.
Land_Cover_Raw_Probability_Water 30 मीटर

पानी की रॉ एलसीएमएस मॉडल वाली संभावना. इसकी परिभाषा यह है: पिक्सल का ज़्यादातर हिस्सा पानी से बना होता है.
Land_Use_Raw_Probability_Agriculture 30 मीटर

कृषि की संभावना का अनुमान लगाने के लिए, एलसीएमएस से मिले रॉ डेटा का इस्तेमाल किया गया है. इसे इस तरह से परिभाषित किया गया है: ऐसी ज़मीन जिसका इस्तेमाल खाने-पीने की चीज़ें, फ़ाइबर, और ईंधन बनाने के लिए किया जाता है. यह ज़मीन वनस्पति वाली या वनस्पति रहित हो सकती है. इसमें खेती की गई और बिना खेती की गई फ़सल वाली ज़मीन, घास के मैदान, बाग़, अंगूर के बाग़, सीमित पशुधन संचालन, और फल, नट या बेरी के उत्पादन के लिए लगाए गए क्षेत्र शामिल हैं. हालांकि, इसमें इनके अलावा, अन्य क्षेत्र भी शामिल हो सकते हैं. जिन सड़कों का इस्तेमाल मुख्य रूप से खेती के लिए किया जाता है (जैसे, एक शहर से दूसरे शहर तक सार्वजनिक परिवहन के लिए इस्तेमाल नहीं किया जाता), उन्हें कृषि भूमि के तौर पर इस्तेमाल किया जाता है.
Land_Use_Raw_Probability_Developed 30 मीटर

एलसीएमएस मॉडल के हिसाब से, विकसित होने की संभावना की रॉ वैल्यू. इसे इस तरह से तय किया जाता है: मानव निर्मित संरचनाओं (जैसे, ज़्यादा आबादी वाला रिहायशी इलाका, व्यावसायिक, औद्योगिक, खनन या परिवहन) से ढकी ज़मीन या वनस्पति (इसमें पेड़ भी शामिल हैं) और संरचनाओं (जैसे, कम आबादी वाला रिहायशी इलाका, लॉन, मनोरंजन की सुविधाएं, कब्रिस्तान, परिवहन और बिजली के खंभे वगैरह) का मिश्रण. इसमें ऐसी कोई भी ज़मीन शामिल है जिसे मानवीय गतिविधियों की वजह से बदल दिया गया है.
Land_Use_Raw_Probability_Forest 30 मीटर

जंगल की संभावना का रॉ एलसीएमएस मॉडल. इसे इस तरह से परिभाषित किया गया है: ऐसी ज़मीन जहां पेड़ लगाए गए हैं या प्राकृतिक रूप से वनस्पति उगी है और जिसमें (या जिसमें होने की संभावना है) कुछ समय के बाद 10% या उससे ज़्यादा पेड़ों से ढकी जगह होगी. इसमें पतझड़ वाले, सदाबहार, और/या मिश्रित कैटगरी के प्राकृतिक वन, वन के बागान, और लकड़ी वाले दलदल शामिल हो सकते हैं.
Land_Use_Raw_Probability_Non-Forest-Wetland 30 मीटर

जंगल के बाहर मौजूद दलदल के लिए, एलसीएमएस मॉडल की संभावना. इसे इस तरह से परिभाषित किया गया है: ज़मीन के ऐसे हिस्से जो पानी के स्रोत के आस-पास या उसके अंदर मौजूद हों. ये हिस्से, झाड़ियों या लगातार उगने वाले पौधों से ढके होते हैं. इनमें पानी हमेशा भरा रहता है या मौसम के हिसाब से पानी भरता है. ये दलदल, झीलों, नदियों या मुहानों के किनारे मौजूद हो सकते हैं. ये नदियों के बाढ़ वाले मैदानों, अलग-अलग जलग्रहण क्षेत्रों या ढलानों पर भी मौजूद हो सकते हैं. ये दलदल, कृषि वाले इलाकों में प्रेयरी पॉटहोल, ड्रेनेज डिच, और स्टॉक पॉन्ड के तौर पर भी मौजूद हो सकते हैं. ये झीलों या नदियों के बीच में मौजूद द्वीपों के तौर पर भी दिख सकते हैं. इसके अलावा, दलदल के अन्य उदाहरणों में मार्श, बॉग, स्वैंप, क्वैगमायर, मस्केग, स्लू, फ़ेन, और बायू शामिल हैं.
Land_Use_Raw_Probability_Other 30 मीटर

अन्य कैटगरी के लिए, एलसीएमएस मॉडल के हिसाब से संभावना का रॉ डेटा. इसे इस तरह से तय किया जाता है: ऐसी ज़मीन (इस्तेमाल से कोई फ़र्क़ नहीं पड़ता) जहां स्पेक्ट्रल ट्रेंड या अन्य सबूतों से पता चलता है कि कोई गड़बड़ी या बदलाव हुआ है. हालांकि, इसकी वजह का पता नहीं लगाया जा सकता या बदलाव का टाइप, ऊपर बताई गई बदलाव की प्रोसेस की किसी भी कैटगरी से मेल नहीं खाता.
Land_Use_Raw_Probability_Rangeland-or-Pasture 30 मीटर

रेंजलैंड या चारागाह होने की संभावना का एलसीएमएस मॉडल. इसे इस तरह से परिभाषित किया गया है: इस क्लास में ऐसा कोई भी इलाका शामिल है जो या तो a.) रेंजलैंड है, जहां वनस्पति में स्थानीय घास, झाड़ियां, जड़ी-बूटियां, और घास जैसे पौधे शामिल हैं. ये पौधे ज़्यादातर प्राकृतिक कारकों और प्रोसेस की वजह से उगते हैं. जैसे, बारिश, तापमान, ऊंचाई, और आग. हालांकि, सीमित मैनेजमेंट में, तय की गई आग लगाने के साथ-साथ पालतू और जंगली शाकाहारी जानवरों के चरने की सुविधा भी शामिल हो सकती है; या b.) चारागाह है, जहां वनस्पति में अलग-अलग तरह की, ज़्यादातर प्राकृतिक घास, जड़ी-बूटियां, और जड़ी-बूटियां शामिल हो सकती हैं. इसके अलावा, इसमें ऐसी वनस्पति भी शामिल हो सकती है जिसे मैनेज किया गया है. इसमें घास की ऐसी प्रजातियां शामिल हैं जिन्हें बोया गया है और मैनेज किया गया है, ताकि मोनोकल्चर को बनाए रखा जा सके.
QA_Bits 30 मीटर

एलसीएमएस प्रॉडक्ट के सालाना आउटपुट की वैल्यू के ऑरिजिन के बारे में अन्य जानकारी.

क्लास टेबल बदलें

मान रंग ब्यौरा
1 #3d4551

स्थिर रुझान
2 #f39268

धीरे-धीरे कम होना
3 #d54309

तेज़ी से कम होना
4 #00a398

फ़ायदा
5 #1b1716

नॉन-प्रोसेसिंग एरिया मास्क

Land_Cover Class Table

मान रंग ब्यौरा
1 #005e00

पेड़
2 #008000

लंबी झाड़ियों और पेड़ों का मिक्स (सिर्फ़ दक्षिण-पूर्वी अलास्का के लिए)
3 #00cc00

झाड़ियों और पेड़ों का मिक्स
4 #b3ff1a

घास/चौड़ी पत्ती वाली घास/जड़ी-बूटी और पेड़ों का मिक्स
5 #99ff99

बंजर और पेड़ों वाली ज़मीन का मिक्स
6 #b30088

लंबी झाड़ियां (सिर्फ़ SEAK के लिए)
7 #e68a00

झाड़ियां
8 #ffad33

घास/फ़ॉर्ब/जड़ी-बूटी और झाड़ियों का मिक्स
9 #ffe0b3

बंजर और झाड़ियों वाली ज़मीन का मिक्स
10 #ffff00

घास/चौड़ी पत्ती वाली घास/जड़ी-बूटी
11 #aa7700

बंजर और घास/फ़ॉर्ब/जड़ी-बूटी का मिक्स
12 #d3bf9b

बंजर या अभेद्य
13 #ffffff

बर्फ़ या बर्फ़बारी
14 #4780f3

पानी
15 #1b1716

नॉन-प्रोसेसिंग एरिया मास्क

Land_Use Class Table

मान रंग ब्यौरा
1 #efff6b

कृषि
2 #ff2ff8

डेवलप किया गया
3 #1b9d0c

जंगल
4 #97ffff

वन क्षेत्र से बाहर की नम ज़मीन
5 #a1a1a1

अन्य
6 #c2b34a

घास का मैदान या चारागाह
7 #1b1716

नॉन-प्रोसेसिंग एरिया मास्क

इमेज प्रॉपर्टी

इमेज प्रॉपर्टी

नाम टाइप ब्यौरा
study_area स्ट्रिंग

फ़िलहाल, एलसीएमएस में कॉन्टिनेंटल अमेरिका, दक्षिणपूर्वी अलास्का, और प्योर्तो रिको-यूएस वर्जिन आइलैंड्स शामिल हैं. इस वर्शन में, कॉन्टिनेंटल अमेरिका और दक्षिणपूर्वी अलास्का के आउटपुट शामिल हैं. संभावित वैल्यू: 'CONUS, SEAK'

इस्तेमाल की शर्तें

इस्तेमाल की शर्तें

यूएसडीए फ़ॉरेस्ट सर्विस, किसी भी तरह की वारंटी नहीं देता है. इसमें, बिक्री के लिए उपलब्ध होने और किसी खास मकसद के लिए सही होने की वारंटी भी शामिल है. साथ ही, वह इन जियोस्पेशल डेटा के सटीक, भरोसेमंद, पूरे या काम के होने के लिए, किसी भी तरह की कानूनी जवाबदेही या ज़िम्मेदारी नहीं लेता है. इसके अलावा, इन जियोस्पेशल डेटा के गलत इस्तेमाल के लिए भी वह ज़िम्मेदार नहीं है. जियोस्पेशल डेटा और इससे जुड़े मैप या ग्राफ़, कानूनी दस्तावेज़ नहीं हैं. इनका इस्तेमाल कानूनी दस्तावेज़ के तौर पर नहीं किया जाना चाहिए. डेटा और मैप का इस्तेमाल, टाइटल, मालिकाना हक, कानूनी जानकारी या सीमाओं, कानूनी अधिकार क्षेत्र या सार्वजनिक या निजी ज़मीन पर लागू होने वाली पाबंदियों का पता लगाने के लिए नहीं किया जा सकता. डेटा और मैप पर प्राकृतिक खतरों को दिखाया जा सकता है या नहीं भी दिखाया जा सकता है. इसलिए, ज़मीन का इस्तेमाल करने वाले लोगों को सावधानी बरतनी चाहिए. यह डेटा डाइनैमिक होता है और समय के साथ इसमें बदलाव हो सकता है. जियोस्पेशल डेटा की सीमाओं की पुष्टि करने और उसके हिसाब से डेटा का इस्तेमाल करने की ज़िम्मेदारी उपयोगकर्ता की होती है.

इस डेटा को अमेरिका की सरकार से मिले फ़ंड का इस्तेमाल करके इकट्ठा किया गया था. इसे बिना किसी अतिरिक्त अनुमति या शुल्क के इस्तेमाल किया जा सकता है. अगर आपको इस डेटा का इस्तेमाल किसी पब्लिकेशन, प्रज़ेंटेशन या रिसर्च से जुड़े किसी अन्य प्रॉडक्ट में करना है, तो कृपया यहां दिया गया उद्धरण इस्तेमाल करें:

यूएसडीए फ़ॉरेस्ट सर्विस. 2022. यूएसएफ़एस लैंडस्केप चेंज मॉनिटरिंग सिस्टम v2021.7 (कॉन्टर्मिनस यूनाइटेड स्टेट्स और साउथईस्टर्न अलास्का). सॉल्ट लेक सिटी, यूटाह.

उद्धरण

उद्धरण:

  • यूएसडीए फ़ॉरेस्ट सर्विस. 2022. USFS Landscape Change Monitoring System v2021.7 (Conterminous United States and Southeastern Alaska). सॉल्ट लेक सिटी, यूटाह.

Earth Engine की मदद से एक्सप्लोर करें

कोड एडिटर (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);
कोड एडिटर में खोलें
यह प्रॉडक्ट, लैंडस्केप चेंज मॉनिटरिंग सिस्टम (एलसीएमएस) डेटा सुइट का हिस्सा है. इसमें हर साल के लिए, एलसीएमएस-मॉडल किए गए बदलाव, ज़मीन का कवर, और/या ज़मीन के इस्तेमाल की क्लास दिखाई जाती हैं. एलसीएमएस का यह वर्शन, कॉन्टर्मिनस यूनाइटेड स्टेट्स (कॉनस) और दक्षिणपूर्वी अलास्का (सीक) को कवर करता है. एलसीएमएस, रिमोट सेंसिंग पर आधारित एक सिस्टम है. इसका इस्तेमाल, लैंडस्केप की मैपिंग और मॉनिटरिंग के लिए किया जाता है …
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