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

USFS/GTAC/LCMS/v2021-7
Доступность набора данных
1985-06-01T00:00:00Z–2021-09-30T00:00:00Z
Производитель наборов данных
Фрагмент кода земляного двигателя
ee.ImageCollection("USFS/GTAC/LCMS/v2021-7")
Теги
изменять
обнаружение изменений
лес
gtac
земельный покров
landsat-derived
землепользование
landuse-landcover
лкм
redcastle-resources
rmrs
sentinel2-derived
временной ряд
USDA
usfs

Описание

Этот продукт является частью пакета данных Системы мониторинга изменений ландшафта (LCMS). Он отображает смоделированные в рамках LCMS изменения, землепользование и/или классы землепользования за каждый год. Данная версия LCMS охватывает континентальную часть Соединенных Штатов (CONUS) и юго-восточную Аляску (SEAK).

LCMS — это система дистанционного зондирования для картирования и мониторинга изменений ландшафта на территории Соединенных Штатов. Ее цель — разработка согласованного подхода с использованием новейших технологий и достижений в области обнаружения изменений для создания «наилучшей из доступных» карт изменений ландшафта.

Outputs include three annual products: change, land cover, and land use. Change relates specifically to vegetation cover and includes slow loss, fast loss (which also includes hydrologic changes such as inundation or desiccation), and gain. These values are predicted for each year of the Landsat time series and serve as the foundational products for LCMS. Land cover and land use maps depict life-form level land cover and broad-level land use for each year.

Поскольку ни один алгоритм не обеспечивает наилучших результатов во всех ситуациях, LCMS использует ансамбль моделей в качестве предикторов, что повышает точность карт в различных экосистемах и процессах изменений (Healey et al., 2018). Полученный набор карт изменений, землепользования и растительного покрова, созданных с помощью LCMS, предлагает целостное представление об изменениях ландшафта на территории Соединенных Штатов за последние четыре десятилетия.

Слои-предикторы для модели LCMS включают выходные данные алгоритмов обнаружения изменений LandTrendr и CCDC, а также информацию о рельефе местности. Доступ ко всем этим компонентам и их обработка осуществляются с помощью Google Earth Engine (Gorelick et al., 2017).

Landsat Tier 1 and Sentinel 2A, 2B Level-1C top of atmosphere reflectance data are used directly in CCDC and to produce annual composites for LandTrendr. The cFmask cloud masking algorithm (Foga et al., 2017), which is an implementation of Fmask 2.0 (Zhu and Woodcock, 2012) (Landsat-only), cloudScore (Chastain et al., 2019) (Landsat-only), and s2cloudless (Sentinel-Hub, 2021) (Sentinel 2-only) are used to mask clouds, while TDOM (Chastain et al., 2019) is used to mask cloud shadows (Landsat and Sentinel 2). For LandTrendr, the annual medoid is then computed to summarize cloud and cloud shadow-free values from each year into a single composite.

Составной временной ряд сегментируется по времени с помощью LandTrendr (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).

Все значения, свободные от облаков и теней, также сегментируются по времени с использованием алгоритма CCDC (Zhu and Woodcock, 2014).

The raw composite values, LandTrendr fitted values, pair-wise differences, segment duration, change magnitude, and slope, and CCDC September 1 sine and cosine coefficients (first 3 harmonics), fitted values, and pairwise differences, along with elevation, slope, sine of aspect, cosine of aspect, and topographic position indices (Weiss, 2001) from the 10 m National Elevation Dataset (NED) (Gesch et al., 2009) was used, and for SEAK, the 30 m NED was used, are used as independent predictor variables in a Random Forest (Breiman, 2001) model.

Справочные данные собираются с помощью TimeSync, веб-инструмента, который помогает аналитикам визуализировать и интерпретировать данные Landsat с 1984 года по настоящее время (Cohen et al., 2010).

Дополнительные ресурсы

По всем вопросам или запросам на конкретные данные обращайтесь по адресу [sm.fs.lcms@usda.gov]. * Брейман, Л., 2001. Случайные леса. В книге «Машинное обучение». Springer , 45: 5-32 doi:10.1023/A:1010933404324

  • Частейн, Р., Хаусман, И., Голдштейн, Дж., Финко, М., и Теннесон, К., 2019. Эмпирическое сравнение спектральных характеристик верхней границы атмосферы на спутниках Sentinel-2A и 2B MSI, Landsat-8 OLI и Landsat-7 ETM над континентальной частью Соединенных Штатов. В книге «Дистанционное зондирование окружающей среды». Science Direct , 221: 274-285 doi:10.1016/j.rse.2018.11.012

  • Коэн, В.Б., Янг, З., и Кеннеди, Р., 2010. Выявление тенденций в нарушении и восстановлении лесов с использованием ежегодных временных рядов Landsat: 2. TimeSync — инструменты для калибровки и проверки. В книге «Дистанционное зондирование окружающей среды». Science Direct , 114(12): 2911-2924 doi:10.1016/j.rse.2010.07.010

  • Коэн, В.Б., Янг, З., Хили, С.П., Кеннеди, Р.Е. и Горелик, Н., 2018. Многоспектральный ансамбль LandTrendr для обнаружения нарушений в лесных массивах. В книге «Дистанционное зондирование окружающей среды». Science Direct , 205: 131-140 doi:10.1016/j.rse.2017.11.015

  • Фога, С., Скарамуцца, П.Л., Го, С., Чжу, З., Диллей, Р.Д., Бекманн, Т., Шмидт, Г.Л., Дуайер, Дж.Л., Хьюз, М.Дж., Лауэ, Б., 2017. Сравнение и проверка алгоритмов обнаружения облаков для оперативных данных Landsat. В книге «Дистанционное зондирование окружающей среды». Science Direct , 194: 379-390 doi:10.1016/j.rse.2017.03.026

  • Геш, Д., Эванс, Г., Мок, Дж., Хатчинсон, Дж., и Карсвелл, В. Дж., 2009. Национальная карта — Высота над уровнем моря. В информационном бюллетене , doi:10.3133/fs20093053

  • Healey, SP, Cohen, WB, Yang, Z., Kenneth Brewer, C., Brooks, EB, Gorelick, N., Hernandez, AJ, Huang, C., Joseph Hughes, M., Kennedy, RE, Loveland, TR, Moisen, GG, Schroeder, TA, Stehman, SV, Vogelmann, JE, Woodcock, CE, 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

  • Кеннеди, Р. Э., Янг, З., и Коэн, В. Б., 2010. Выявление тенденций в нарушении и восстановлении лесов с использованием ежегодных временных рядов Landsat: 1. LandTrendr - алгоритмы временной сегментации. В книге «Дистанционное зондирование окружающей среды». 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., 2018. Implementation of the LandTrendr Algorithm on Google Earth Engine. In Remote Sensing. MDPI , 10(5): 691 doi:10.3390/rs10050691

  • Sentinel-Hub, 2021. Детектор облаков Sentinel 2. [Онлайн]. Доступно по адресу: https://github.com/sentinel-hub/sentinel2-cloud-detector

  • Вайсс, А.Д., 2001. Анализ топографического положения и форм рельефа. Постерная презентация на конференции пользователей ESRI, Сан-Диего, Калифорния.

  • Чжу, З., и Вудкок, К.Е. (2012). Обнаружение облаков и теней от облаков на основе объектов на изображениях Landsat. В книге «Дистанционное зондирование окружающей среды». Science Direct , 118: 83-94 doi:10.1016/j.rse.2011.10.028

  • Чжу, З., и Вудкок, К.Е., 2014. Непрерывное обнаружение изменений и классификация земельного покрова с использованием всех доступных данных Landsat. В книге «Дистанционное зондирование окружающей среды». Science Direct , 144: 152-171 doi:10.1016/j.rse.2014.01.011

Группы

Группы

Размер пикселя: 30 метров (все диапазоны)

Имя Размер пикселя Описание
Change 30 метров

Final thematic LCMS change product. A total of three change classes (slow loss, fast loss, and gain) are mapped for each year. Each class is predicted using a separate Random Forest model, which outputs a probability (proportion of the trees within the Random Forest model) that the pixel belongs to that class. Because of this, individual pixels have three different model outputs for each year. Final classes are assigned to the change class with the highest probability that is also above a specified threshold. Any pixel that does not have any value above each class's respective threshold is assigned to the Stable class.

Land_Cover 30 метров

Final thematic LCMS land cover product. A total of 14 land cover classes are mapped on an annual basis using TimeSync reference data and spectral information derived from Landsat imagery. Each class is predicted using a separate Random Forest model, which outputs a probability (proportion of the trees within the Random Forest model) that the pixel belongs to that class. Because of this, individual pixels have 14 different model outputs for each year, and final classes are assigned to the land cover with the highest probability. Seven of the 14 land cover classes indicate a single land cover, where that land cover type covers most of the pixel's area and no other class covers more than 10% of the pixel. There are also seven mixed classes. These represent pixels in which an additional land cover class covers at least 10% of the pixel.

Land_Use 30 метров

Final thematic LCMS land use product. A total of 6 land use classes are mapped on an annual basis using TimeSync reference data and spectral information derived from Landsat imagery. Each class is predicted using a separate Random Forest model, which outputs a probability (proportion of the trees within the Random Forest model) that the pixel belongs to that class. Because of this, individual pixels have 6 different model outputs for each year, and final classes are assigned to the land use with the highest probability.

Change_Raw_Probability_Slow_Loss 30 метров

Исходная смоделированная вероятность медленной потери данных в LCMS. Определяется следующим образом: медленная потеря данных включает следующие классы в соответствии с интерпретацией процесса изменения TimeSync:

  • Structural Decline - Land where trees or other woody vegetation is physically altered by unfavorable growing conditions brought on by non-anthropogenic or non-mechanical factors. This type of loss should generally create a trend in the spectral signal(s) (eg NDVI decreasing, Wetness decreasing; SWIR increasing; etc.) however the trend can be subtle. Structural decline occurs in woody vegetation environments, most likely from insects, disease, drought, acid rain, etc. Structural decline can include defoliation events that do not result in mortality such as in Gypsy moth and spruce budworm infestations which may recover within 1 or 2 years.

  • Spectral Decline - A plot where the spectral signal shows a trend in one or more of the spectral bands or indices (eg NDVI decreasing, Wetness decreasing; SWIR increasing; etc.). Examples include cases where: a) non-forest/non-woody vegetation shows a trend suggestive of decline (eg NDVI decreasing, Wetness decreasing; SWIR increasing; etc.), or b) where woody vegetation shows a decline trend which is not related to the loss of woody vegetation, such as when mature tree canopies close resulting in increased shadowing, when species composition changes from conifer to hardwood, or when a dry period (as opposed to stronger, more acute drought) causes an apparent decline in vigor, but no loss of woody material or leaf area.

Change_Raw_Probability_Fast_Loss 30 метров

Исходные данные о вероятности быстрой потери синхронизации, полученные с помощью модели LCMS. Определение: Быстрая потеря синхронизации включает следующие классы согласно интерпретации процесса изменения TimeSync:

  • Пожар — это изменение земель в результате пожара, независимо от причины возгорания (природная или антропогенная), интенсивности или землепользования.

  • Вырубка – это рубка лесных массивов, где деревья, кустарники или другая растительность были вырублены или удалены в результате антропогенной деятельности. Примеры включают сплошную рубку, санитарную рубку после пожаров или нашествий насекомых, прореживание и другие методы управления лесами (например, выборочная рубка/вырубка семенных деревьев).

  • Механическая обработка — нелесные участки, где деревья, кустарники или другая растительность были механически удалены или срублены с помощью цепей, сгребания, распиловки кустарника, бульдозеров или любых других методов удаления нелесной растительности.

  • Ветер/лед — это территория (независимо от назначения), где растительность изменяется под воздействием ветра, вызванного ураганами, торнадо, штормами и другими суровыми погодными явлениями, включая ледяной дождь от ледяных бурь.

  • Гидрология — это земли, где наводнение существенно изменило древесный покров или другие элементы растительного покрова независимо от землепользования (например, новые смеси гравия и растительности в руслах рек и вокруг них после наводнения).

  • Обломки — это земли (независимо от их использования), измененные естественным движением материала, связанным с оползнями, лавинами, вулканами, селевыми потоками и т. д.

  • Прочее - Земля (независимо от использования), где спектральная тенденция или другие подтверждающие данные указывают на то, что произошло нарушение или изменение, но окончательная причина не может быть установлена, или тип изменения не соответствует ни одной из категорий процесса изменения, определенных выше.

Change_Raw_Probability_Gain 30 метров

Raw LCMS modeled probability of Gain. Defined as: Land exhibiting an increase in vegetation cover due to growth and succession over one or more years. Applicable to any areas that may express spectral change associated with vegetation regrowth. In developed areas, growth can result from maturing vegetation and/or newly installed lawns and landscaping. In forests, growth includes vegetation growth from bare ground, as well as the over topping of intermediate and co-dominate trees and/or lower-lying grasses and shrubs. Growth/Recovery segments recorded following forest harvest will likely transition through different land cover classes as the forest regenerates. For these changes to be considered growth/recovery, spectral values should closely adhere to an increasing trend line (eg a positive slope that would, if extended to ~20 years, be on the order of .10 units of NDVI) which persists for several years.

Land_Cover_Raw_Probability_Trees 30 метров

Исходные данные о вероятности наличия деревьев, полученные с помощью модели LCMS. Определяется следующим образом: большая часть пикселя состоит из живых или стоящих мертвых деревьев.

Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix 30 метров

Исходные данные модели LCMS о вероятности наличия смеси высоких кустарников и деревьев (только SEAK). Определяется следующим образом: большая часть пикселя состоит из кустарников высотой более 1 м, а также содержит не менее 10% живых или стоящих мертвых деревьев.

Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix 30 метров

Исходные данные модели LCMS о вероятности наличия смеси кустарников и деревьев. Определяется следующим образом: большая часть пикселя состоит из кустарников, а также содержит не менее 10% живых или стоящих мертвых деревьев.

Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix 30 метров

Исходные данные LCMS, моделирующие вероятность наличия смеси трав, разнотравья, злаков и деревьев. Определяется следующим образом: большая часть пикселя состоит из многолетних трав, злаков или других форм травянистой растительности, а также содержит не менее 10% живых или стоящих мертвых деревьев.

Land_Cover_Raw_Probability_Barren-and-Trees-Mix 30 метров

Raw LCMS modeled probability of Barren and Trees Mix. Defined as: The majority of the pixel is comprised of bare soil exposed by disturbance (eg, soil uncovered by mechanical clearing or forest harvest), as well as perennially barren areas such as deserts, playas, rock outcroppings (including minerals and other geologic materials exposed by surface mining activities), sand dunes, salt flats, and beaches. Roads made of dirt and gravel are also considered barren and is also comprised of at least 10% live or standing dead trees.

Land_Cover_Raw_Probability_Tall-Shrubs 30 метров

Исходные данные о вероятности наличия высоких кустарников, полученные с помощью моделирования LCMS (только SEAK). Определение: большая часть пикселя состоит из кустарников высотой более 1 м.

Land_Cover_Raw_Probability_Shrubs 30 метров

Исходные данные LCMS, моделирующие вероятность наличия кустарников. Определяется как: большая часть пикселя состоит из кустарников.

Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix 30 метров

Исходные данные LCMS, моделирующие вероятность наличия смеси трав, разнотравья, злаков и кустарников. Определяется следующим образом: большая часть пикселя состоит из многолетних трав, разнотравья или других форм травянистой растительности, а также содержит не менее 10% кустарников.

Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix 30 метров

Raw LCMS modeled probability of Barren and Shrubs Mix. Defined as: The majority of the pixel is comprised of bare soil exposed by disturbance (eg, soil uncovered by mechanical clearing or forest harvest), as well as perennially barren areas such as deserts, playas, rock outcroppings (including minerals and other geologic materials exposed by surface mining activities), sand dunes, salt flats, and beaches. Roads made of dirt and gravel are also considered barren and is also comprised of at least 10% shrubs.

Land_Cover_Raw_Probability_Grass-Forb-Herb 30 метров

Исходные данные LCMS, моделирующие вероятность наличия травы/травы/травянистых растений. Определяется как: большая часть пикселя состоит из многолетних трав, травянистых растений или других форм травянистой растительности.

Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix 30 метров

Raw LCMS modeled probability of Barren and Grass/Forb/Herb Mix. Defined as: The majority of the pixel is comprised of bare soil exposed by disturbance (eg, soil uncovered by mechanical clearing or forest harvest), as well as perennially barren areas such as deserts, playas, rock outcroppings (including minerals and other geologic materials exposed by surface mining activities), sand dunes, salt flats, and beaches. Roads made of dirt and gravel are also considered barren and is also comprised of at least 10% perennial grasses, forbs, or other forms of herbaceous vegetation.

Land_Cover_Raw_Probability_Barren-or-Impervious 30 метров

Raw LCMS modeled probability of Barren or Impervious. Defined as: The majority of the pixel is comprised of 1) bare soil exposed by disturbance (eg, soil uncovered by mechanical clearing or forest harvest), as well as perennially barren areas such as deserts, playas, rock outcroppings (including minerals and other geologic materials exposed by surface mining activities), sand dunes, salt flats, and beaches. Roads made of dirt and gravel are also considered barren or 2) man-made materials that water cannot penetrate, such as paved roads, rooftops, and parking lots.

Land_Cover_Raw_Probability_Snow-or-Ice 30 метров

Исходные данные модели LCMS о вероятности наличия снега или льда. Определяется как: большая часть пикселя состоит из снега или льда.

Land_Cover_Raw_Probability_Water 30 метров

Исходные данные LCMS, моделирующие вероятность наличия воды. Определяется как: большая часть пикселя состоит из воды.

Land_Use_Raw_Probability_Agriculture 30 метров

Raw LCMS modeled probability of Agriculture. Defined as: Land used for the production of food, fiber and fuels which is in either a vegetated or non-vegetated state. This includes but is not limited to cultivated and uncultivated croplands, hay lands, orchards, vineyards, confined livestock operations, and areas planted for production of fruits, nuts or berries. Roads used primarily for agricultural use (ie not used for public transport from town to town) are considered agriculture land use.

Land_Use_Raw_Probability_Developed 30 метров

Raw LCMS modeled probability of Developed. Defined as: Land covered by man-made structures (eg high density residential, commercial, industrial, mining or transportation), or a mixture of both vegetation (including trees) and structures (eg, low density residential, lawns, recreational facilities, cemeteries, transportation and utility corridors, etc.), including any land functionally altered by human activity.

Land_Use_Raw_Probability_Forest 30 метров

Исходные данные модели LCMS о вероятности наличия леса. Определяется как: земля, засаженная деревьями или покрытая естественной растительностью, которая содержит (или, вероятно, будет содержать) 10% или более древесного покрова в какой-либо момент времени в течение краткосрочной сукцессионной последовательности. Это может включать лиственные, вечнозеленые и/или смешанные категории естественных лесов, лесные плантации и древесные водно-болотные угодья.

Land_Use_Raw_Probability_Non-Forest-Wetland 30 метров

Raw LCMS modeled probability of Non-Forest Wetland. Defined as: Lands adjacent to or within a visible water table (either permanently or seasonally saturated) dominated by shrubs or persistent emergents. These wetlands may be situated shoreward of lakes, river channels, or estuaries; on river floodplains; in isolated catchments; or on slopes. They may also occur as prairie potholes, drainage ditches and stock ponds in agricultural landscapes and may also appear as islands in the middle of lakes or rivers. Other examples also include marshes, bogs, swamps, quagmires, muskegs, sloughs, fens, and bayous.

Land_Use_Raw_Probability_Other 30 метров

Исходная смоделированная вероятность «Прочее» по данным LCMS. Определяется как: Земля (независимо от использования), где спектральный тренд или другие подтверждающие данные указывают на произошедшее нарушение или изменение, но окончательная причина не может быть установлена, или тип изменения не соответствует ни одной из категорий процесса изменения, определенных выше.

Land_Use_Raw_Probability_Rangeland-or-Pasture 30 метров

Raw LCMS modeled probability of Rangeland or Pasture. Defined as: This class includes any area that is either a.) Rangeland, where vegetation is a mix of native grasses, shrubs, forbs and grass-like plants largely arising from natural factors and processes such as rainfall, temperature, elevation and fire, although limited management may include prescribed burning as well as grazing by domestic and wild herbivores; or b.) Pasture, where vegetation may range from mixed, largely natural grasses, forbs and herbs to more managed vegetation dominated by grass species that have been seeded and managed to maintain near monoculture.

QA_Bits 30 метров

Дополнительная информация об источнике ежегодных значений объемов выпуска продукции LCMS.

Изменить таблицу классов

Ценить Цвет Описание
1 #3d4551

Стабильный

2 #f39268

Медленная потеря

3 #d54309

Быстрая потеря

4 #00a398

Прирост

5 #1b1716

Маска необрабатываемой области

Таблица классов землепользования

Ценить Цвет Описание
1 #005e00

Деревья

2 #008000

Смесь высоких кустарников и деревьев (только для SEAK)

3 #00cc00

Смесь кустарников и деревьев

4 #b3ff1a

Смесь трав, злаков, растений и деревьев

5 #99ff99

Смесь пустоши и деревьев

6 #b30088

Высокие кустарники (только для SEAK)

7 #e68a00

Кустарники

8 #ffad33

Смесь трав, злаков, трав и кустарников

9 #ffe0b3

Смесь пустоши и кустарников

10 #ffff00

Трава/Травянистое растение/Прямоцветок

11 #aa7700

Бесплодная земля и смесь трав/трав/травянистых растений

12 #d3bf9b

Бесплодные или непроницаемые

13 #ffffff

Снег или лед

14 #4780f3

Вода

15 #1b1716

Маска необрабатываемой области

Таблица классов землепользования

Ценить Цвет Описание
1 #efff6b

Сельское хозяйство

2 #ff2ff8

Развитый

3 #1b9d0c

Лес

4 #97ffff

Нелесные водно-болотные угодья

5 #a1a1a1

Другой

6 #c2b34a

Пастбища или луга

7 #1b1716

Маска необрабатываемой области

Свойства изображения

Свойства изображения

Имя Тип Описание
область_исследования НИТЬ

В настоящее время LCMS охватывает континентальную часть Соединенных Штатов, юго-восточную Аляску и Пуэрто-Рико — Виргинские острова США. Эта версия содержит данные по континентальной части Соединенных Штатов и юго-восточной Аляске. Возможные значения: 'CONUS, SEAK'

Условия эксплуатации

Условия эксплуатации

The USDA Forest Service makes no warranty, expressed or implied, including the warranties of merchantability and fitness for a particular purpose, nor assumes any legal liability or responsibility for the accuracy, reliability, completeness or utility of these geospatial data, or for the improper or incorrect use of these geospatial data. These geospatial data and related maps or graphics are not legal documents and are not intended to be used as such. The data and maps may not be used to determine title, ownership, legal descriptions or boundaries, legal jurisdiction, or restrictions that may be in place on either public or private land. Natural hazards may or may not be depicted on the data and maps, and land users should exercise due caution. The data are dynamic and may change over time. The user is responsible to verify the limitations of the geospatial data and to use the data accordingly.

Эти данные были собраны при финансовой поддержке правительства США и могут быть использованы без дополнительных разрешений или платы. При использовании этих данных в публикации, презентации или другом исследовательском продукте, пожалуйста, используйте следующую цитату:

Лесная служба Министерства сельского хозяйства США. 2022. Система мониторинга изменений ландшафта Лесной службы США, версия 2021.7 (континентальная часть Соединенных Штатов и юго-восточная Аляска). Солт-Лейк-Сити, Юта.

Цитаты

Ссылки:

  • Лесная служба Министерства сельского хозяйства США. 2022. Система мониторинга изменений ландшафта Лесной службы США, версия 2021.7 (континентальная часть Соединенных Штатов и юго-восточная Аляска). Солт-Лейк-Сити, Юта.

Исследуйте мир с помощью Earth Engine.

Редактор кода (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);
Открыть в редакторе кода
Этот продукт является частью пакета данных Системы мониторинга изменений ландшафта (LCMS). Он отображает смоделированные в LCMS изменения, землепользование и/или классы землепользования за каждый год. Данная версия LCMS охватывает континентальную часть Соединенных Штатов (CONUS) и юго-восточную Аляску (SEAK). LCMS — это система дистанционного зондирования для картирования и мониторинга ландшафта…
USFS/GTAC/LCMS/v2021-7, изменение, обнаружение изменений, лес, gtac, земельный покров, данные Landsat, землепользование, землепользование-земельный покров, ресурсы Редкасла, rmrs, данные Sentinel2, временные ряды, USDA, USFS
1985-06-01T00:00:00Z/2021-09-30T00:00:00Z
20.38379 -135.286387 52.459364 -56.446306
Google Earth Engine