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 स्निपेट
ee.ImageCollection("USFS/GTAC/LCMS/v2021-7")
टैग
बदलें
बदलाव का पता लगाने वाली सुविधा
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. LCMS के इस वर्शन में, अमेरिका के मुख्य भूभाग (CONUS) और दक्षिण-पूर्वी अलास्का (SEAK) को शामिल किया गया 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 सकेगा.

इनमें तीन सालाना प्रॉडक्ट शामिल हैं: बदलाव, ज़मीन का इस्तेमाल, और पेड़-पौधों, आबादी वगैरह से ढकी जगह. बदलाव, खास तौर पर वनस्पति से जुड़ा होता है. इसमें वनस्पति का धीरे-धीरे कम होना, तेज़ी से कम होना (इसमें जल विज्ञान से जुड़े बदलाव भी शामिल हैं, जैसे कि पानी का भराव या सूखापन) और 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 के इस्तेमाल और उस पर मौजूद वनस्पति की 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 कॉम्पोनेंट को Google Earth Engine (Gorelick et al., 2017).

लैंडसैट टियर 1 और सेंटिनल 2A, 2B लेवल-1C के टॉप ऑफ़ ऐटमस्फ़ियर रिफ़्लेक्टेंस डेटा का इस्तेमाल, सीधे तौर पर CCDC में किया जाता है. साथ ही, LandTrendr के लिए सालाना कंपोज़िट बनाने में भी इसका इस्तेमाल किया जाता है. cFmask क्लाउड मास्किंग एल्गोरिदम (Foga et al., 2017), जो कि Fmask 2.0 (Zhu and Woodcock, 2012) (सिर्फ़ Landsat के लिए), cloudScore (Chastain et al., 2019) (सिर्फ़ Landsat) और s2cloudless (Sentinel-Hub, 2021) (सिर्फ़ Sentinel 2) का इस्तेमाल बादलों को मास्क करने के लिए किया जाता है. वहीं, TDOM (Chastain et al., 2019) का इस्तेमाल, बादलों की परछाइयों (Landsat और Sentinel 2) को छिपाने के लिए किया जाता है. LandTrendr के लिए, सालाना मेडॉइड का हिसाब लगाया जाता है. इससे हर साल की बिना बादल और बादल की परछाई वाली 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).

CCDC एल्गोरिदम (Zhu and Woodcock, 2014) का इस्तेमाल करके, बादल और बादलों की छाया से मुक्त सभी वैल्यू को समय के हिसाब से सेगमेंट किया जाता है.

कच्ची कंपोज़िट वैल्यू, LandTrendr की फ़िट की गई वैल्यू, दो वैल्यू के बीच का अंतर, सेगमेंट की अवधि, बदलाव की मात्रा, और ढलान. साथ ही, CCDC के सितंबर 1 के साइन और कोसाइन कोएफ़िशिएंट (पहले तीन हार्मोनिक), फ़िट की गई वैल्यू, और दो वैल्यू के बीच का अंतर. इसके अलावा, 10 मीटर के नेशनल एलिवेशन डेटासेट (एनईडी) (Gesch et al., 2009) का इस्तेमाल किया गया था. वहीं, दक्षिण-पूर्वी अलास्का के लिए 30 मीटर के एनईडी का इस्तेमाल किया गया था. इनका इस्तेमाल, रैंडम फ़ॉरेस्ट (ब्रायमैन, 2001) मॉडल में इंडिपेंडेंट प्रेडिक्टर वैरिएबल के तौर पर किया जाता है.

रेफ़रंस डेटा, TimeSync का इस्तेमाल करके इकट्ठा किया जाता है. यह वेब पर आधारित एक टूल है. इससे विश्लेषक, 1984 से अब तक के Landsat डेटा रिकॉर्ड को विज़ुअलाइज़ और इंटरप्रेट कर पाते हैं (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] पर संपर्क करें. * Breiman, L., 2001. रैंडम फ़ॉरेस्ट. मशीन लर्निंग में. Springer, 45: 5-32 doi:10.1023/A:1010933404324

  • चैस्टेन, आर., हौसमैन, आई., गोल्डस्टीन, जे., फ़िंचो, एम॰, और टेनेसन, के॰, 2019. यह इमेज, अमेरिका के उन सभी राज्यों के लिए तैयार की गई है जिनकी सीमा कम से कम एक अन्य राज्य से जुड़ी हुई है. इसमें, सेंटिनल-2A और 2B MSI, Landsat-8 OLI, और Landsat-7 ETM के टॉप ऑफ़ ऐटमस्फ़ियर स्पेक्ट्रल 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. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 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॰ पी॰, कैनेडी, 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॰, स्कारामूज़ा, पी॰एल॰, गुओ, एस., ज़ू, ज़ेड., डिले, आर॰डी॰, बेकमैन, टी., श्मिट, जी॰एल॰, ड्वायर, जे॰एल॰, एम॰जे॰ ह्यूज़, लाउ, बी., 2017. क्लाउड 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॰ पी॰, कोहेन, डब्ल्यू॰ B., यांग ज़ेड., कैनथ ब्रूअर, सी॰, ब्रूक्स, ई. B., गोरेलिक, एन., हर्नांडेज़, ए. J., हुआंग, सी॰, जोसेफ़ ह्यूज़, एम॰, केनेडी, आर॰ E., लवलैंड, टी॰ R., मोइसन, जी॰ जी॰, श्रोडर, टी. A., स्टीमन, एस. वी॰, वोगेलमैन, जे॰ E., वुडकॉक, सी॰ E., यांग, एल., और झू, ज़ेड., 2018. स्टैक किए गए सामान्यीकरण का इस्तेमाल करके, जंगल में हुए बदलावों 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 Landsat टाइम सीरीज़ 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

  • केनेडी, आर., यांग ज़ेड., गोरेलिक, एन., ब्रेटन, जे., कैवलकैंट, एल., कोहेन, डब्ल्यू॰, और हीली, एस॰, 2018. Google Earth Engine पर LandTrendr एल्गोरिदम लागू किया गया. रिमोट सेंसिंग में. 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

पिक्सल का साइज़
30 मीटर

बैंड

नाम पिक्सल का साइज़ ब्यौरा
Change मीटर

एलसीएमएस में बदलाव करने वाला फ़ाइनल प्रॉडक्ट. 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, पिक्सल के उस क्लास से जुड़े होने की संभावना (रैंडम फ़ॉरेस्ट मॉडल में मौजूद ट्री का अनुपात) दिखाता है. इस वजह से, हर साल के लिए अलग-अलग पिक्सल के तीन अलग-अलग मॉडल आउटपुट होते हैं. फ़ाइनल क्लास को, सबसे ज़्यादा संभावना वाली बदलाव क्लास असाइन की जाती है. यह संभावना, तय किए गए थ्रेशोल्ड से ज़्यादा होनी चाहिए. जिस पिक्सल की वैल्यू, हर क्लास के थ्रेशोल्ड से ज़्यादा नहीं होती उसे स्टेबल क्लास में असाइन किया जाता है.
Land_Cover मीटर

एलसीएमएस के लैंड कवर का फ़ाइनल प्रॉडक्ट. हर साल, ज़मीन के टाइप की कुल 14 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 वह चीज़, पिक्सल के ज़्यादातर हिस्से को कवर करती है. साथ ही, कोई दूसरी कैटगरी, पिक्सल के 10% से ज़्यादा हिस्से को कवर नहीं करती है. यहां सात मिक्स क्लास भी होती हैं. इनसे ऐसे पिक्सल के बारे में पता चलता है जिनमें अतिरिक्त लैंडकवर क्लास, पिक्सल के कम से कम 10% हिस्से को कवर करता है.
Land_Use मीटर

एलसीएमएस के आधार पर, ज़मीन के इस्तेमाल से जुड़ा फ़ाइनल प्रॉडक्ट. ज़मीन के इस्तेमाल के हिसाब से, हर साल छह 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 छह मॉडल आउटपुट होते हैं. साथ ही, ज़मीन के इस्तेमाल के लिए सबसे ज़्यादा संभावना वाली फ़ाइनल क्लास असाइन की जाती हैं.
Change_Raw_Probability_Slow_Loss मीटर

स्लो लॉस की रॉ एलसीएमएस मॉडल की अनुमानित संभावना. इसे इस तरह से परिभाषित किया गया है: धीरे-धीरे कम होना इसमें TimeSync में बदलाव करने की प्रोसेस से जुड़ी ये क्लास शामिल हैं व्याख्या-

  • स्ट्रक्चरल डिक्लाइन - ऐसी ज़मीन जहां पेड़ों या अन्य लकड़ीदार पौधों की बनावट में बदलाव हुआ हो. ऐसा, पौधों के विकास के लिए सही परिस्थितियां न होने की वजह से हुआ हो. ये परिस्थितियां, मानवीय या यांत्रिक गतिविधियों के अलावा अन्य वजहों से पैदा हुई हों. इस तरह के नुकसान से, स्पेक्ट्रल सिग्नल में आम तौर पर एक ट्रेंड दिखना चाहिए. जैसे, NDVI में कमी, नमी में कमी, SWIR में बढ़ोतरी वगैरह. हालांकि, यह ट्रेंड बहुत कम हो सकता है. पेड़-पौधों वाले इलाकों में, पेड़-पौधों की सेहत में गिरावट आती है. इसकी वजह कीड़े-मकोड़े, बीमारी, सूखा, एसिड रेन वगैरह हो सकते हैं. पेड़-पौधों की सेहत में गिरावट के दौरान, पत्तियां झड़ सकती हैं. हालांकि, इससे पेड़-पौधों की मौत नहीं होती. जैसे, जिप्सी मॉथ और स्पूस बडवर्म के संक्रमण से पत्तियां झड़ जाती हैं. हालांकि, ये एक या दो साल में ठीक हो जाती हैं.

  • स्पेक्ट्रल डिक्लाइन - एक ऐसा प्लॉट जहां 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, NDVI में कमी, नमी में कमी, SWIR 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, जिससे ज़्यादा छाया पड़ती है, जब प्रजातियों की संरचना शंकुधारी से लेकर दृढ़ लकड़ी वाली हो जाती है या जब सूखा अवधि (ज़्यादा गंभीर सूखे के बजाय) से वनस्पति में गिरावट आती है, लेकिन लकड़ी वाले हिस्से या पत्ती के क्षेत्र में कोई नुकसान नहीं होता है.
Change_Raw_Probability_Fast_Loss मीटर

तेज़ी से कम होने की संभावना के लिए, एलसीएमएस से मिले डेटा के आधार पर तैयार किया गया मॉडल. इसे इस तरह से परिभाषित किया गया है: फ़ास्ट लॉस इसमें टाइमसिंक में बदलाव करने की प्रोसेस से जुड़ी ये क्लास शामिल हैं व्याख्या-

  • आग - आग से बदली हुई ज़मीन. इससे कोई फ़र्क़ नहीं पड़ता कि आग किस वजह से लगी (प्राकृतिक या मानवीय), कितनी गंभीर थी या ज़मीन का इस्तेमाल किस तरह किया गया.

  • कटाई - 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 इकट्ठा करना, 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 गंभीर मौसम की घटनाओं की वजह से आया हो. इनमें बर्फ़ के तूफ़ानों से होने वाली बारिश भी शामिल है.

  • जल विज्ञान - ऐसी ज़मीन जहां बाढ़ की वजह से, लकड़ी के पेड़-पौधों या ज़मीन को ढकने वाले अन्य एलिमेंट में काफ़ी बदलाव हुआ है.भले ही, ज़मीन का इस्तेमाल किसी भी काम के लिए किया जा रहा हो. उदाहरण के लिए, बाढ़ के बाद नदी के किनारों और उसके आस-पास बजरी और पेड़-पौधों का नया मिश्रण.

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

  • अन्य - ऐसी ज़मीन (इस्तेमाल किए जाने से कोई फ़र्क़ नहीं पड़ता) 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 से मेल नहीं खाता.
Change_Raw_Probability_Gain मीटर

एलसीएमएस के हिसाब से, ग्राहक के वापस आने की संभावना की अनुमानित वैल्यू. इसे इस तरह से परिभाषित किया गया है: ऐसी ज़मीन जहां एक या उससे ज़्यादा सालों में, वनस्पति के विकास और उत्तराधिकार की वजह से वनस्पति का घनत्व बढ़ गया 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 और/या नए लॉन और लैंडस्केपिंग की वजह से, वनस्पति का घनत्व बढ़ सकता है. जंगलों में, विकास में नंगी ज़मीन से वनस्पति का विकास शामिल है. साथ ही, इंटरमीडिएट और को-डोमिनेट पेड़ों और/या नीचे की ओर झुकी हुई घासों और झाड़ियों का विकास भी शामिल है. जंगल की कटाई के बाद, ग्रोथ/रिकवरी सेगमेंट में अलग-अलग तरह के लैंड कवर क्लास रिकॉर्ड किए जाते हैं. ऐसा इसलिए होता है, क्योंकि जंगल फिर से उगता है. इन बदलावों को ग्रोथ/रिकवरी के तौर पर मानने के लिए, स्पेक्ट्रल वैल्यू को बढ़ती हुई ट्रेंड लाइन (उदाहरण के लिए, पॉज़िटिव स्लोप, जिसे ~20 साल तक बढ़ाने पर एनडीवीआई की 0.10 यूनिट के क्रम में होना चाहिए) के हिसाब से होना चाहिए. यह ट्रेंड लाइन कई सालों तक बनी रहनी चाहिए.
Land_Cover_Raw_Probability_Trees मीटर

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

लंबी झाड़ियों और पेड़ों के मिक्स (सिर्फ़ SEAK) की संभावना का अनुमान लगाने के लिए, एलसीएमएस से मिले रॉ डेटा का इस्तेमाल किया गया है. 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% ऐसे पेड़ भी शामिल हैं जो जीवित हैं या खड़े हैं और सूख चुके हैं.
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix मीटर

झाड़ियों और पेड़ों के मिक्स होने की संभावना का अनुमान लगाने वाला रॉ एलसीएमएस मॉडल. इसे इस तरह से तय किया जाता है: पिक्सल के ज़्यादातर हिस्से में झाड़ियां मौजूद हों. साथ ही, इसमें कम से कम 10% ऐसे पेड़ मौजूद हों जो ज़िंदा हों या सूख चुके हों.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix मीटर

घास/चौड़ी पत्ती वाली घास/जड़ी-बूटी और पेड़ों के मिक्स की रॉ एलसीएमएस मॉडल वाली संभावना. 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 मीटर

बंजर और पेड़ों के मिक्स की रॉ एलसीएमएस मॉडल की संभावना. इसे इस तरह से परिभाषित किया गया है: ज़्यादातर पिक्सल में ऐसी मिट्टी होती है जो किसी वजह से खुली हो (जैसे, मशीन से साफ़ की गई मिट्टी या जंगल से काटी गई लकड़ी की वजह से खुली मिट्टी). साथ ही, इसमें ऐसे इलाके भी शामिल होते हैं जहां हमेशा बंजर ज़मीन होती है. जैसे, रेगिस्तान, प्लाया, चट्टानें (इसमें सतह पर खनन की गतिविधियों की वजह से खुले 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% ऐसे पेड़ भी शामिल हैं जो जीवित हैं या सूख चुके हैं.
Land_Cover_Raw_Probability_Tall-Shrubs 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 मीटर

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

घास/फ़ॉर्ब/जड़ी-बूटी और झाड़ियों के मिक्स होने की संभावना का अनुमान लगाने के लिए, एलसीएमएस से मिले रॉ डेटा का इस्तेमाल किया गया है. इसकी परिभाषा यह है: 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% झाड़ियां भी शामिल होती हैं.
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix 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 हो (जैसे, मशीन से साफ़ की गई मिट्टी या जंगल से काटी गई लकड़ी की वजह से खुली मिट्टी). साथ ही, इसमें ऐसे इलाके भी शामिल होते हैं जहां हमेशा बंजर ज़मीन होती है. जैसे, रेगिस्तान, प्लाया, चट्टानें (इसमें सतह पर खनन की गतिविधियों की वजह से खुले 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% झाड़ियां भी शामिल होती हैं.
Land_Cover_Raw_Probability_Grass-Forb-Herb 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 जड़ी-बूटी वाली वनस्पति शामिल होती है.
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix मीटर

बंजर और घास/फ़ॉर्ब/जड़ी-बूटी के मिक्स की रॉ एलसीएमएस मॉडल की संभावना. इसे इस तरह से परिभाषित किया गया है: पिक्सल के ज़्यादातर हिस्से में ऐसी मिट्टी होती है जो किसी वजह से खुली हो. जैसे, मशीन से साफ़ करने या जंगल की कटाई की वजह से मिट्टी का खुला होना. इसके अलावा, इसमें ऐसे इलाके भी शामिल हैं जहां हमेशा बंजर ज़मीन होती है. जैसे, रेगिस्तान, प्लाया, चट्टानें (इसमें सतह पर खनन की गतिविधियों की वजह से खुले हुए 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. इनमें कम से कम 10% बारहमासी घास, फ़ॉर्ब्स या अन्य तरह की जड़ी-बूटी वाली वनस्पति भी शामिल होती है.
Land_Cover_Raw_Probability_Barren-or-Impervious मीटर

बंजर या अभेद्य 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 ये चीज़ें शामिल होती हैं: 1) ऐसी मिट्टी जो किसी वजह से खुल गई हो. जैसे, मशीन से साफ़ की गई मिट्टी या जंगल की कटाई से निकली मिट्टी. इसके अलावा, ऐसी जगहें जहां हमेशा मिट्टी नहीं होती. जैसे, 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 मीटर

बर्फ़ या ओले गिरने की संभावना का अनुमान लगाने के लिए, एलसीएमएस मॉडल से मिला रॉ डेटा. इसकी परिभाषा यह है: पिक्सल के ज़्यादातर हिस्से में बर्फ़ मौजूद है.
Land_Cover_Raw_Probability_Water 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 मीटर

कृषि की संभावना के लिए, एलसीएमएस से मिले रॉ डेटा पर आधारित मॉडल. इसे इस तरह से परिभाषित किया गया है: ऐसी ज़मीन जिसका इस्तेमाल खाना, 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, पशुधन के लिए बनाए गए बाड़े, और फल, नट या बेरी के उत्पादन के लिए लगाए गए क्षेत्र शामिल हैं. हालांकि, इसमें और भी क्षेत्र 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 मीटर

डेवलप किए गए एलसीएमएस की अनुमानित संभावना का रॉ डेटा. इसे इस तरह से परिभाषित किया गया है: ऐसी ज़मीन जिस पर इंसानों ने इमारतें बनाई हैं. जैसे, घनी आबादी वाला रिहायशी इलाका, कारोबारी इलाका, औद्योगिक इलाका, खनन या परिवहन. इसके अलावा, ऐसी ज़मीन जिस पर पेड़-पौधे और इमारतें दोनों हैं. जैसे, कम आबादी वाला रिहायशी इलाका, लॉन, मनोरंजन की सुविधाएं, कब्रिस्तान, परिवहन और बिजली-पानी की लाइनें वगैरह. इसमें ऐसी ज़मीन भी शामिल है जिस पर इंसानों की गतिविधियों की वजह से बदलाव हुआ है.
Land_Use_Raw_Probability_Forest मीटर

जंगल की रॉ एलसीएमएस मॉडल की गई प्रॉबबिलिटी. इसे इस तरह से परिभाषित किया गया है: ऐसी ज़मीन जिस पर पेड़-पौधे लगाए गए हों या प्राकृतिक रूप से उगते हों. साथ ही, जिसमें (या जिसमें होने की संभावना हो) कुछ समय के लिए, 10% या उससे ज़्यादा पेड़-पौधे हों. इसमें पतझड़ वाले, सदाबहार, और/या मिले-जुले प्राकृतिक जंगल, वनरोपण, और लकड़ी वाले वेटलैंड शामिल हो सकते हैं.
Land_Use_Raw_Probability_Non-Forest-Wetland मीटर

जंगल के बाहर की दलदली ज़मीन की रॉ एलसीएमएस मॉडल वाली संभावना. इसे इस तरह से परिभाषित किया गया है: ऐसी ज़मीन जो पानी के स्रोत के आस-पास या उसके अंदर हो. इस ज़मीन में पानी हमेशा या मौसम के हिसाब से भरा रहता है. इस ज़मीन पर झाड़ियां या लगातार उगने वाले पौधे ज़्यादा होते हैं. ये दलदल, झीलों, नदी के चैनलों या मुहानों के किनारे पर हो सकते हैं. ये नदी के बाढ़ के मैदानों, अलग-अलग जलग्रहण क्षेत्रों या ढलानों पर भी हो सकते हैं. ये कृषि क्षेत्रों में, प्रेयरी पॉटहोल, ड्रेनेज डिच, और स्टॉक पॉन्ड के तौर पर भी दिख सकते हैं. साथ ही, ये झीलों या नदियों के बीच में द्वीपों के तौर पर भी दिख सकते हैं. अन्य उदाहरणों में दलदल, बोग, स्वैम्प, दलदल, मस्कैग, स्लो, फ़ेन, और बायोस भी शामिल हैं.
Land_Use_Raw_Probability_Other मीटर

'अन्य' के लिए, एलसीएमएस की अनुमानित संभावना का रॉ डेटा. इसे इस तरह से परिभाषित किया गया है: ऐसी ज़मीन (इस्तेमाल किए जाने से कोई फ़र्क़ नहीं पड़ता) 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 से मेल नहीं खाता.
Land_Use_Raw_Probability_Rangeland-or-Pasture मीटर

रेंजलैंड या चारागाह की रॉ एलसीएमएस मॉडल वाली संभावना. इसे इस तरह से तय किया गया है: इस क्लास में ऐसा कोई भी क्षेत्र शामिल है जो a.) रेंजलैंड, जहां की वनस्पति में स्थानीय घास, झाड़ियां, फ़ॉर्ब्स, और घास जैसे पौधे शामिल होते हैं. ये पौधे, बारिश, तापमान, ऊंचाई, और आग जैसे प्राकृतिक कारकों और प्रक्रियाओं की वजह से उगते हैं. हालांकि, सीमित मैनेजमेंट में, तय की गई जगह पर आग लगाना और पालतू और जंगली शाकाहारी जानवरों को चराना भी शामिल हो सकता है; या b.) चारागाह, जहां वनस्पति अलग-अलग तरह की हो सकती है. जैसे, ज़्यादातर प्राकृतिक घास, फ़ॉर्ब्स, और जड़ी-बूटियों से लेकर, ज़्यादातर घास की प्रजातियों वाली वनस्पति, जिसे एक ही तरह की फ़सल बनाए रखने के लिए बोया और मैनेज किया गया है.
QA_Bits 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 झाड़ियां और पेड़ों का मिक्स (सिर्फ़ दक्षिण-पूर्वी अलास्का के लिए)
3 #00cc00

झाड़ियों और पेड़ों का मिक्स
4 #b3ff1a

घास/फ़ॉर्ब/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
10 #ffff00

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

बंजर और घास/चौड़ी पत्ती वाली जड़ी-बूटी/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

जंगल के बाहर की नम ज़मीन
5 #a1a1a1

अन्य
6 #c2b34a

घास का मैदान या चारागाह
7 #1b1716

नॉन-प्रोसेसिंग एरिया मास्क

इमेज प्रॉपर्टी

सैटलाइट इमेज के डेटासेट की विशेषताएं

नाम टाइप ब्यौरा
study_area स्ट्रिंग

फ़िलहाल, एलसीएमएस की सुविधा अमेरिका के सभी राज्यों, दक्षिण-पूर्वी अलास्का, और प्योर्तो रिको-यूएस वर्जिन आइलैंड्स में उपलब्ध है. इस वर्शन में, अमेरिका के सभी राज्यों और दक्षिण-पूर्वी अलास्का के आउटपुट शामिल हैं. संभावित वैल्यू: 'CONUS, SEAK'

इस्तेमाल की शर्तें

इस्तेमाल की शर्तें

यूएसडीए फ़ॉरेस्ट सर्विस, किसी भी तरह की गारंटी नहीं देता है. इसमें, किसी खास मकसद के लिए कारोबार करने और फ़िट होने की गारंटी भी शामिल है. साथ ही, वह इन जियोस्पेशल डेटा के सटीक, भरोसेमंद, पूरे या उपयोगी होने के लिए, किसी भी तरह की कानूनी जवाबदेही या ज़िम्मेदारी नहीं लेता है. इसके अलावा, वह इन जियोस्पेशल डेटा के गलत इस्तेमाल के लिए भी 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 ब्यौरे या सीमाएं, कानूनी अधिकार क्षेत्र या सार्वजनिक या निजी ज़मीन पर लागू होने वाली पाबंदियां तय करने 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. इसका इस्तेमाल बिना किसी अतिरिक्त अनुमति या शुल्क के किया जा सकता है. अगर आपको इस डेटा का इस्तेमाल किसी पब्लिकेशन, प्रज़ेंटेशन या अन्य रिसर्च 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

साइटेशन:

  • 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) के डेटा सुइट का हिस्सा है. इसमें हर साल के लिए, एलसीएमएस से अनुमानित बदलाव, ज़मीन के इस्तेमाल और/या पेड़ों से ढकी जगह की क्लास दिखाई गई हैं. एलसीएमएस के इस वर्शन में, अमेरिका के मुख्य भूभाग (कॉनस) और दक्षिण-पूर्वी अलास्का (सीक) को शामिल किया गया है. एलसीएमएस, रिमोट सेंसिंग पर आधारित एक सिस्टम है. इसका इस्तेमाल लैंडस्केप की मैपिंग और निगरानी के लिए किया जाता है …
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