- Доступность набора данных
- 1985-06-01T00:00:00Z–2021-09-30T00:00:00Z
- Поставщик наборов данных
- Центр геопространственных технологий и приложений (GTAC) Лесной службы Министерства сельского хозяйства США (USFS)
- Теги
- изменять
Описание
Этот продукт входит в набор данных Системы мониторинга изменений ландшафта (LCMS). Он отображает смоделированные с помощью LCMS изменения, а также классы земельного покрова и/или землепользования для каждого года. Эта версия LCMS охватывает территорию США (CONUS) и юго-восточную часть Аляски (SEAK).
Система дистанционного зондирования (LCMS) предназначена для картирования и мониторинга изменений ландшафтов на территории США. Её цель — разработать последовательный подход, использующий новейшие технологии и достижения в области обнаружения изменений, для создания «наилучшей доступной» карты изменений ландшафтов.
Выходные данные включают три годовых продукта: изменение, земельный покров и землепользование. Изменения относятся непосредственно к растительному покрову и включают медленную потерю, быструю потерю (включая гидрологические изменения, такие как затопление или высыхание) и прирост. Эти значения прогнозируются для каждого года временного ряда Landsat и служат основой для LCMS. Карты земельного покрова и землепользования отображают земельный покров на уровне жизненных форм и землепользование в широком смысле для каждого года.
Поскольку ни один алгоритм не является оптимальным во всех ситуациях, LCMS использует ансамбль моделей в качестве предикторов, что повышает точность карт для различных экосистем и процессов изменений (Healey et al., 2018). Полученный набор карт изменений, почвенно-растительного покрова и землепользования, созданных LCMS, дает целостное представление об изменении ландшафтов в Соединенных Штатах за последние четыре десятилетия.
Слои-предикторы для модели LCMS включают результаты алгоритмов обнаружения изменений LandTrendr и CCDC, а также информацию о рельефе местности. Доступ к этим компонентам и их обработка осуществляется с помощью Google Earth Engine (Gorelick et al., 2017).
Данные Landsat Tier 1 и Sentinel 2A, 2B Level-1C об отражательной способности верхней части атмосферы используются непосредственно в CCDC и для создания ежегодных композитных данных для LandTrendr. Алгоритм маскировки облаков cFmask (Foga et al., 2017), являющийся реализацией Fmask 2.0 (Zhu and Woodcock, 2012) (только Landsat), cloudScore (Chastain et al., 2019) (только Landsat) и s2cloudless (Sentinel-Hub, 2021) (только Sentinel 2) используются для маскировки облаков, а TDOM (Chastain et al., 2019) — для маскировки теней от облаков (Landsat и Sentinel 2). Для LandTrendr годовой медоид затем вычисляется для суммирования значений облачности и безоблачности за каждый год в единый композит.
Составной временной ряд временно сегментируется с использованием LandTrendr (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).
Все значения без учета облаков и теней от облаков также сегментируются по времени с использованием алгоритма CCDC (Zhu и Woodcock, 2014).
Были использованы необработанные составные значения, подобранные значения LandTrendr, парные разности, длительность сегмента, величина изменения и уклон, а также коэффициенты синуса и косинуса CCDC на 1 сентября (первые 3 гармоники), подобранные значения и парные разности, а также высота, уклон, синус экспозиции, косинус экспозиции и индексы топографического положения (Weiss, 2001) из 10-метрового Национального набора данных о рельефе (NED) (Gesch et al., 2009), а для SEAK использовался 30-метровый NED, которые используются в качестве независимых предикторных переменных в модели случайного леса (Breiman, 2001).
Справочные данные собираются с помощью TimeSync — веб-инструмента, который помогает аналитикам визуализировать и интерпретировать записи данных Landsat с 1984 года по настоящее время (Cohen et al., 2010).
Дополнительные ресурсы
LCMS Data Explorer — это веб-приложение, которое предоставляет пользователям возможность просматривать, анализировать, обобщать и загружать данные LCMS.
Более подробную информацию о методах и оценке точности можно найти в документе «Краткое описание методов LCMS» или в Информационном центре геоданных LCMS для загрузки данных, метаданных и сопроводительных документов.
По любым вопросам или запросам конкретных данных обращайтесь по адресу [sm.fs.lcms@usda.gov]. * Брейман, Л., 2001. Случайные леса. В машинном обучении. Springer , 45: 5-32 doi:10.1023/A:1010933404324
Честейн, Р., Хаусман, И., Голдштейн, Дж., Финко, М. и Теннесон, К., 2019. Эмпирическое сравнение спектральных характеристик верхней части атмосферы спутников Sentinel-2A и 2B MSI, Landsat-8 OLI и Landsat-7 ETM над территорией США. В кн.: Дистанционное зондирование окружающей среды. Science Direct , 221: 274–285, doi:10.1016/j.rse.2018.11.012
Коэн, У. Б., Янг, З. и Кеннеди, Р., 2010. Выявление тенденций в нарушении и восстановлении лесов с использованием ежегодных временных рядов Landsat: 2. TimeSync — инструменты калибровки и проверки. В книге «Дистанционное зондирование окружающей среды». Science Direct , 114(12): 2911–2924 , doi:10.1016/j.rse.2010.07.010
Коэн, У. Б., Янг, З., Хили, С. П., Кеннеди, Р. Э. и Горелик, Н., 2018. Многоспектральный ансамбль LandTrendr для обнаружения нарушений в лесах. В кн.: 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., Дилли, Р.Д., Бекманн, Т., Шмидт, Г.Л., Дуайер, Дж.Л., Хьюз, М.Дж., Лауэ, Б., 2017. Сравнение и валидация 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., Маук, Дж., Хатчинсон, Дж. и Карсвелл, У. Дж., 2009. Национальная карта — Рельеф. 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. Картографирование изменений лесов с использованием стековой генерализации: ансамблевый подход. В Дистанционном зондировании окружающей среды. Science Direct , 204: 717–728 doi:10.1016/j.rse.2017.09.029
Кеннеди, Р.Э., Янг, З. и Коэн, У.Б., 2010. Выявление тенденций в нарушении и восстановлении лесов с использованием годовых 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
Кеннеди, Р., Янг, З., Горелик, Н., Браатен, Дж., Кавальканте, Л., Коэн, У. и Хили, С., 2018. Реализация алгоритма LandTrendr в Google Earth Engine. В дистанционном зондировании. MDPI , 10(5): 691 doi:10.3390/rs10050691
Sentinel-Hub, 2021. Sentinel 2 Cloud Detector. [Онлайн]. Доступно по адресу: https://github.com/sentinel-hub/sentinel2-cloud-detector
Вайс, А.Д., 2001. Постерная презентация по топографическому положению и анализу рельефа, Конференция пользователей ESRI, Сан-Диего, Калифорния. Чжу, З. и Вудкок, К.Э. (2012). Объектное обнаружение облаков и теней от облаков на снимках Landsat. В разделе «Дистанционное зондирование окружающей среды». Science Direct , 118: 83–94, doi:10.1016/j.rse.2011.10.028
Чжу, З. и Вудкок, К.Э., 2014. Непрерывное обнаружение изменений и классификация почвенно-растительного покрова с использованием всех доступных данных Landsat. В кн.: Дистанционное зондирование окружающей среды. Science Direct , 144: 152–171, doi:10.1016/j.rse.2014.01.011
Группы
Размер пикселя
30 метров
Группы
| Имя | Размер пикселя | Описание | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Change | метров | Итоговый тематический продукт изменений LCMS. Всего для каждого года отображается три класса изменений (медленная потеря, быстрая потеря и прирост). Каждый класс прогнозируется с помощью отдельной модели случайного леса, которая выдаёт вероятность (долю деревьев в модели случайного леса) принадлежности пикселя к этому классу. В связи с этим для каждого пикселя в каждом году получаются три различных результата модели. Итоговые классы присваиваются классу изменений с наибольшей вероятностью, которая также превышает заданный порог. Любой пиксель, значение которого не превышает соответствующий порог каждого класса, относится к классу «Стабильный». | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover | метров | Окончательный тематический продукт земного покрова LCMS. Ежегодно на карту наносятся 14 классов земного покрова с использованием справочных данных TimeSync и спектральной информации, полученной из снимков Landsat. Каждый класс предсказывается с использованием отдельной модели случайного леса, которая выводит вероятность (долю деревьев в модели случайного леса) того, что пиксель принадлежит этому классу. В связи с этим отдельные пиксели имеют 14 различных выходных данных модели для каждого года, и окончательные классы назначаются земному покрову с наибольшей вероятностью. Семь из 14 классов земного покрова указывают на один тип земного покрова, где этот тип земного покрова покрывает большую часть площади пикселя, и никакой другой класс не покрывает более 10% пикселя. Есть также семь смешанных классов. Они представляют пиксели, в которых дополнительный класс земного покрова покрывает не менее 10% пикселя. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use | метров | Итоговый тематический продукт LCMS по землепользованию. Ежегодно на карту наносятся 6 классов землепользования с использованием справочных данных TimeSync и спектральной информации, полученной со спутников Landsat. Каждый класс прогнозируется с помощью отдельной модели случайного леса, которая вычисляет вероятность (долю деревьев в модели случайного леса) принадлежности пикселя к этому классу. В связи с этим для каждого пикселя в каждом году получается 6 различных результатов модели, и итоговые классы присваиваются землепользованию с наибольшей вероятностью. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Change_Raw_Probability_Slow_Loss | метров | Первичная модель вероятности медленной потери, полученная с помощью LCMS. Она определяется следующим образом: медленная потеря включает следующие классы из интерпретации процесса изменения TimeSync:
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Change_Raw_Probability_Fast_Loss | метров | Вероятность быстрой потери, смоделированная методом жидкостной хроматографии (LCMS). Определяется как: быстрая потеря включает следующие классы из интерпретации процесса изменения TimeSync:
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Change_Raw_Probability_Gain | метров | Вероятность прироста, смоделированная с помощью необработанной LCMS. Определяется как: Земля, демонстрирующая увеличение растительного покрова из-за роста и сукцессии в течение одного или нескольких лет. Применимо к любым областям, которые могут выражать спектральные изменения, связанные с возобновлением роста растительности. В развитых районах рост может быть результатом созревания растительности и/или новых газонов и озеленения. В лесах рост включает рост растительности с голой земли, а также перекрывание промежуточных и со-доминирующих деревьев и/или нижележащих трав и кустарников. Сегменты роста/восстановления, зарегистрированные после рубки леса, вероятно, будут переходить через различные классы почвенного покрова по мере восстановления леса. Чтобы эти изменения можно было считать ростом/восстановлением, спектральные значения должны близко соответствовать возрастающей линии тренда (например, положительному наклону, который при продлении до ~20 лет будет порядка 0,10 единиц NDVI), которая сохраняется в течение нескольких лет. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Trees | метров | Вероятность деревьев, полученная с помощью модели LCMS. Определяется как: большая часть пикселя состоит из живых или стоящих мертвых деревьев. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix | метров | Первичная модель вероятности смеси высоких кустарников и деревьев (только SEAK), полученная с помощью LCMS. Определяется как: большая часть пикселя состоит из кустарников высотой более 1 м, а также не менее 10% живых или стоящих мертвых деревьев. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix | метров | Вероятность смешения кустарников и деревьев, полученная с помощью LCMS. Определяется как: большая часть пикселя состоит из кустарников, а также не менее 10% живых или стоящих мертвых деревьев. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix | метров | Первичная модель вероятности смеси травы, разнотравья, злаков и деревьев, полученная с помощью LCMS. Определяется как: большая часть пикселя состоит из многолетних трав, разнотравья или других форм травянистой растительности, а также содержит не менее 10% живых или стоящих мертвых деревьев. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Barren-and-Trees-Mix | метров | Вероятность, полученная в результате моделирования методом LCMS, для смешанного рельефа с пустошью и деревьями. Определяется как: большая часть пикселя состоит из голой почвы, обнажённой в результате нарушения рельефа (например, почвы, обнажённой при механической расчистке или вырубке леса), а также из вечно бесплодных территорий, таких как пустыни, плейи, скальные выходы (включая минералы и другие геологические материалы, обнажённые в результате открытой добычи полезных ископаемых), песчаные дюны, солончаки и пляжи. Дороги из грунта и гравия также считаются бесплодными и содержат не менее 10% живых или стоящих мертвых деревьев. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Tall-Shrubs | метров | Первичная модель вероятности высоких кустарников (только SEAK), полученная с помощью LCMS. Определяется как: большая часть пикселя состоит из кустарников высотой более 1 м. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Shrubs | метров | Первичная модель вероятности наличия кустарников, полученная с помощью LCMS. Определяется как: большая часть пикселя состоит из кустарников. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix | метров | Первичная модель LCMS, моделирующая вероятность наличия смеси травы, разнотравья, трав и кустарников. Определяется как: большая часть пикселя состоит из многолетних трав, разнотравья или других форм травянистой растительности, а также не менее 10% кустарников. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix | метров | Вероятность, полученная в результате моделирования методом LCMS для смеси пустоши и кустарников. Определяется как: большая часть пикселя состоит из голой почвы, обнажённой в результате нарушения (например, почвы, обнажённой при механической расчистке или вырубке леса), а также из вечно бесплодных участков, таких как пустыни, плейи, скальные выходы (включая минералы и другие геологические материалы, обнажённые в результате открытой добычи полезных ископаемых), песчаные дюны, солончаки и пляжи. Дороги из грунта и гравия также считаются бесплодными и также содержат не менее 10% кустарников. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Grass-Forb-Herb | метров | Первичная модель вероятности «трава/разнотравье/трава», полученная с помощью LCMS. Определяется как: большая часть пикселя состоит из многолетних трав, разнотравья или других форм травянистой растительности. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix | метров | Вероятность, полученная с помощью модели LCMS для бесплодных земель и смешанных злаков/разнотравья. Определяется как: большая часть пикселя состоит из открытой почвы, обнажённой в результате нарушения (например, почвы, обнажённой при механической расчистке или вырубке леса), а также из вечно бесплодных территорий, таких как пустыни, плейи, скальные выходы (включая минералы и другие геологические материалы, обнажённые в результате открытой добычи полезных ископаемых), песчаные дюны, солончаки и пляжи. Дороги, покрытые грунтом и гравием, также считаются бесплодными и содержат не менее 10% многолетних трав, разнотравья или других форм травянистой растительности. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Barren-or-Impervious | метров | Вероятность бесплодности или непроницаемости, полученная в результате моделирования методом LCMS. Определяется как: большая часть пикселя состоит из 1) оголённой почвы, обнажённой в результате нарушения (например, почвы, обнажённой при механической расчистке или вырубке леса), а также из вечно бесплодных участков, таких как пустыни, песчаные песчаные стоянки, скальные выходы (включая минералы и другие геологические материалы, обнажённые в результате открытой добычи полезных ископаемых), песчаные дюны, солончаки и пляжи. Дороги из грунта и гравия также считаются бесплодными или 2) искусственных материалов, не пропускающих воду, таких как асфальтированные дороги, крыши домов и парковки. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Snow-or-Ice | метров | Вероятность снега или льда, смоделированная методом жидкостной хроматографии и масс-спектрометрии (LCMS). Определяется как: большая часть пикселя покрыта снегом или льдом. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Water | метров | Первичная модель вероятности присутствия воды, полученная с помощью LCMS. Определяется как: большая часть пикселя состоит из воды. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Agriculture | метров | Вероятность, полученная с помощью модели LCMS для сельского хозяйства. Определяется как: земли, используемые для производства продуктов питания, волокон и топлива, находящиеся как в заросшем, так и в не заросшем состоянии. Сюда входят, помимо прочего, возделываемые и невозделываемые пахотные земли, сенокосы, сады, виноградники, животноводческие хозяйства с ограниченным содержанием скота и земли, занятые выращиванием фруктов, орехов или ягод. Дороги, используемые преимущественно для сельскохозяйственных целей (т.е. не используемые для общественного транспорта между городами), считаются сельскохозяйственными землями. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Developed | метров | Первичная модель вероятности освоения, полученная с помощью LCMS. Определяется как: земля, покрытая искусственными сооружениями (например, жилая застройка с высокой плотностью, коммерческая застройка, промышленность, горнодобывающая промышленность или транспорт), или сочетание растительности (включая деревья) и сооружений (например, жилая застройка с низкой плотностью, газоны, зоны отдыха, кладбища, транспортные и коммунальные коридоры и т. д.), включая любые земли, функционально изменённые в результате деятельности человека. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Forest | метров | Вероятность наличия леса, полученная с помощью модели LCMS. Лес определяется как: земля, засаженная или покрытая естественной растительностью, которая содержит (или, вероятно, будет содержать) 10% или более древесного покрова в какой-то момент в течение ближайшего сукцессионного цикла. Сюда могут входить лиственные, вечнозелёные и/или смешанные категории естественных лесов, лесные плантации и лесистые водно-болотные угодья. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Non-Forest-Wetland | метров | Вероятность наличия нелесных водно-болотных угодий, смоделированная методом LCMS. Определяется как: земли, прилегающие к или находящиеся в пределах видимого уровня грунтовых вод (постоянно или сезонно насыщенных), с преобладанием кустарников или устойчивых водопроявлений. Эти водно-болотные угодья могут располагаться по берегам озер, речных русел или эстуариев; в поймах рек; на изолированных водосборах; или на склонах. Они также могут встречаться в виде прерийных котловин, дренажных канав и прудов для скота в сельскохозяйственных ландшафтах, а также в виде островов посреди озер или рек. Другими примерами являются болота, топи, трясины, трясины, торфяники, топи, низинные болота и протоки. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Other | метров | Первичная модель вероятности «Другое», полученная с помощью LCMS. Определяется как: участок (независимо от назначения), где спектральный тренд или другие подтверждающие данные указывают на то, что произошло нарушение или изменение, но окончательную причину установить невозможно, или тип изменения не соответствует ни одной из категорий процесса изменений, определённых выше. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Rangeland-or-Pasture | метров | Первичная модель вероятности пастбищ или выпаса, полученная с помощью LCMS. Определяется как: Этот класс включает любую территорию, которая является либо а) пастбищами, где растительность представляет собой смесь местных трав, кустарников, разнотравья и травянистых растений, в основном образующихся под воздействием естественных факторов и процессов, таких как осадки, температура, высота над уровнем моря и пожары, хотя ограниченное управление может включать в себя предписанное выжигание, а также выпас домашних и диких травоядных животных; или б) пастбищами, где растительность может варьироваться от смешанной, в основном естественной травы, разнотравья и злаков до более управляемой растительности с преобладанием видов трав, которые высеваются и выращиваются практически в монокультурном виде. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
QA_Bits | метров | Дополнительная информация об источнике годовых значений выходных данных 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 Land_Cover
| Ценить | Цвет | Описание |
|---|---|---|
| 1 | #005e00 | Деревья |
| 2 | #008000 | Смесь высоких кустарников и деревьев (только SEAK) |
| 3 | #00cc00 | Смесь кустарников и деревьев |
| 4 | #b3ff1a | Смесь травы/разнотравья/трав и деревьев |
| 5 | #99ff99 | Смесь пустоши и деревьев |
| 6 | #b30088 | Высокие кустарники (только SEAK) |
| 7 | #e68a00 | Кустарники |
| 8 | #ffad33 | Смесь трав/разнотравья/трав и кустарников |
| 9 | #ffe0b3 | Смесь для пустоши и кустарников |
| 10 | #ffff00 | Трава/Разнотравье/Трава |
| 11 | #aa7700 | Смесь пустоши и травы/разнотравья/травянистых растений |
| 12 | #d3bf9b | Бесплодный или непроницаемый |
| 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 | #а1а1а1 | Другой |
| 6 | #c2b34a | Пастбища или пастбища |
| 7 | #1b1716 | Маска необрабатываемой области |
Свойства изображения
Свойства изображения
| Имя | Тип | Описание |
|---|---|---|
| область_исследования | НИТЬ | В настоящее время LCMS охватывает территорию США, юго-восточную Аляску и Пуэрто-Рико (Американские Виргинские острова). Эта версия содержит данные по территории США и юго-восточной Аляски. Возможные значения: «CONUS», «SEAK». |
Условия эксплуатации
Условия эксплуатации
Лесная служба Министерства сельского хозяйства США не предоставляет никаких гарантий, явных или подразумеваемых, включая гарантии товарной пригодности и пригодности для определенной цели, и не принимает на себя никакой юридической ответственности за точность, надежность, полноту или полезность этих геопространственных данных, а также за ненадлежащее или некорректное использование этих геопространственных данных. Эти геопространственные данные и связанные с ними карты или графические изображения не являются юридическими документами и не предназначены для использования в качестве таковых. Данные и карты не могут быть использованы для определения права собственности, правового описания или границ, правовой юрисдикции или ограничений, которые могут действовать на государственных или частных землях. Стихийные бедствия могут быть или не быть изображены на данных и картах, и землепользователи должны проявлять должную осторожность. Данные являются динамичными и могут меняться со временем. Пользователь несет ответственность за проверку ограничений геопространственных данных и использование данных соответствующим образом.
Эти данные были собраны при финансовой поддержке правительства США и могут быть использованы без дополнительных разрешений или сборов. При использовании этих данных в публикации, презентации или другом исследовательском продукте, пожалуйста, используйте следующую ссылку:
Лесная служба Министерства сельского хозяйства США. 2022. Система мониторинга изменений ландшафта Лесной службы США, версия 2021.7 (территория США и юго-восточная Аляска). Солт-Лейк-Сити, штат Юта.
Цитаты
Лесная служба Министерства сельского хозяйства США. 2022. Система мониторинга изменений ландшафта Лесной службы США, версия 2021.7 (территория США и юго-восточная Аляска). Солт-Лейк-Сити, штат Юта.
Исследуйте с 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);