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

USFS/GTAC/LCMS/v2021-7
Veri Kümesi Kullanılabilirliği
1985-06-01T00:00:00Z–2021-09-30T00:00:00Z
Veri Kümesi Üreticisi
Earth Engine Snippet'i
ee.ImageCollection("USFS/GTAC/LCMS/v2021-7")
Etiketler
değiştir
change-detection
orman
gtac
Arazi örtüsü
Landsat'ten türetilmiş
landuse
landuse-landcover
lcms
redcastle-resources
rmrs
sentinel2-derived
zaman serisi
usda
usfs

Açıklama

Bu ürün, Landscape Change Monitoring System (LCMS) veri paketinin bir parçasıdır. Her yıl için LCMS ile modellenmiş değişiklik, arazi örtüsü ve/veya arazi kullanımı sınıflarını gösterir. Bu LCMS sürümü, bitişik ABD (CONUS) ve Güneydoğu Alaska'yı (SEAK) kapsar.

LCMS, ABD genelinde peyzaj değişikliklerini haritalandırmak ve izlemek için kullanılan uzaktan algılamaya dayalı bir sistemdir. Bu projenin amacı, değişiklik tespitinde en son teknolojiyi ve gelişmeleri kullanarak tutarlı bir yaklaşım geliştirmek ve manzara değişikliğinin "en iyi mevcut" haritasını oluşturmaktır.

Çıkışlar arasında üç yıllık ürün bulunur: değişim, arazi örtüsü ve arazi kullanımı. Değişiklik özellikle bitki örtüsüyle ilgilidir ve yavaş kayıp, hızlı kayıp (su baskını veya kuruma gibi hidrolojik değişiklikleri de içerir) ve kazanımı kapsar. Bu değerler, Landsat zaman serisinin her yılı için tahmin edilir ve LCMS'nin temel ürünleri olarak kullanılır. Arazi örtüsü ve arazi kullanımı haritaları, her yıl için yaşam formu düzeyinde arazi örtüsünü ve geniş düzeyde arazi kullanımını gösterir.

Hiçbir algoritma her durumda en iyi performansı göstermediğinden LCMS, tahmin edici olarak bir model topluluğu kullanır. Bu da çeşitli ekosistemler ve değişim süreçlerinde harita doğruluğunu artırır (Healey ve diğerleri, 2018). LCMS değişikliği, arazi örtüsü ve arazi kullanımı haritalarından oluşan bu paket, son kırk yılda ABD'deki arazi değişikliğinin bütünsel bir resmini sunar.

LCMS modelinin tahmin katmanları, LandTrendr ve CCDC değişiklik algılama algoritmalarının çıkışlarını ve arazi bilgilerini içerir. Tüm bu bileşenlere erişmek ve işlemek için Google Earth Engine kullanıldı (Gorelick ve diğerleri, 2017).

Landsat Tier 1 ve Sentinel 2A, 2B Level-1C atmosfer üstü yansıtma verileri doğrudan CCDC'de ve LandTrendr için yıllık kompozitler oluşturmak amacıyla kullanılır. cFmask bulut maskeleme algoritması (Foga ve diğerleri, 2017), Fmask 2.0'ın (Zhu ve Woodcock, 2012) bir uygulamasıdır (yalnızca Landsat), cloudScore (Chastain ve diğerleri, 2019) (yalnızca Landsat) ve s2cloudless (Sentinel-Hub, 2021) (yalnızca Sentinel 2) bulutları maskelemek için kullanılırken TDOM (Chastain ve diğerleri, 2019), bulut gölgelerini maskelemek için kullanılır (Landsat ve Sentinel 2). LandTrendr için yıllık medoid hesaplanarak her yılki bulut ve bulut gölgesi içermeyen değerler tek bir bileşende özetlenir.

Bileşik zaman serisi, LandTrendr kullanılarak geçici olarak segmentlere ayrılır (Kennedy ve diğerleri, 2010; Kennedy ve diğerleri, 2018; Cohen ve diğerleri., 2018).

Tüm bulut ve bulut gölgesi içermeyen değerler, CCDC algoritması (Zhu ve Woodcock, 2014) kullanılarak zamansal olarak da segmentlere ayrılır.

10 m Ulusal Yükseklik Veri Seti'nden (NED) (Gesch ve diğerleri, 2009) yükseklik, eğim, yönün sinüsü, yönün kosinüsü ve topografik konum indeksleri (Weiss, 2001) ile birlikte ham bileşik değerler, LandTrendr'a uygun değerler, çiftler arasındaki farklar, segment süresi, değişim büyüklüğü ve eğim ile CCDC Eylül 1 sinüs ve kosinüs katsayıları (ilk 3 harmonik), uygun değerler ve çiftler arasındaki farklar kullanıldı. SEAK için ise 30 m NED kullanıldı. Bu değerler, Random Forest (Breiman, 2001) modelinde bağımsız tahmin değişkenleri olarak kullanılır.

Referans verileri, analistlerin 1984'ten günümüze Landsat veri kaydını görselleştirmesine ve yorumlamasına yardımcı olan web tabanlı bir araç olan TimeSync kullanılarak toplanır (Cohen ve diğerleri, 2010).

Ek Kaynaklar

Sorularınız veya belirli veri istekleriniz için [sm.fs.lcms@usda.gov] ile iletişime geçin. * Breiman, L., 2001. Random Forests. In Machine Learning. Springer, 45: 5-32 doi:10.1023/A:1010933404324

  • Chastain, R., Housman, I., Goldstein, J., Finco, M., and Tenneson, K., 2019. Empirical cross sensor comparison of Sentinel-2A and 2B MSI, Landsat-8 OLI, and Landsat-7 ETM top of atmosphere spectral characteristics over the conterminous United States. In Remote Sensing of Environment. 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: Kalibrasyon ve doğrulama araçları. In Remote Sensing of Environment. Science Direct, 114(12): 2911-2924 doi:10.1016/j.rse.2010.07.010

  • Cohen, W. B., Yang, Z., Healey, S. P., Kennedy, R. E., ve Gorelick, N., 2018. A LandTrendr multispectral ensemble for forest disturbance detection. In Remote Sensing of Environment. Science Direct, 205: 131-140 doi:10.1016/j.rse.2017.11.015

  • Foga, S., Scaramuzza, P.L., Guo, S., Zhu, Z., Dilley, R.D., Beckmann, T., Schmidt, G.L., Dwyer, J.L., Hughes, M.J., Laue, B., 2017. Cloud detection algorithm comparison and validation for operational Landsat data products. In Remote Sensing of Environment. Science Direct, 194: 379-390 doi:10.1016/j.rse.2017.03.026

  • Gesch, D., Evans, G., Mauck, J., Hutchinson, J., & Carswell, W. J., 2009. The National Map - Elevation. In Fact Sheet, doi:10.3133/fs20093053

  • Healey, S. P., Cohen, W. B., Yang, Z., Kenneth Brewer, C., Brooks, E. B., Gorelick, N., Hernandez, A. J., Huang, C., Joseph Hughes, M., Kennedy, R. E., Loveland, T. R., Moisen, G. G., Schroeder, T. A., Stehman, S. V., Vogelmann, J. E., Woodcock, C. E., Yang, L., and Zhu, Z., 2018. Yığılmış genelleme kullanarak orman değişikliğini eşleme: Bir topluluk yaklaşımı. In Remote Sensing of Environment. Science Direct, 204: 717-728 doi:10.1016/j.rse.2017.09.029

  • Kennedy, R. E., Yang, Z., and Cohen, W. B., 2010. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 1. LandTrendr - Temporal segmentation algorithms. In Remote Sensing of Environment. 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. ve 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. Sentinel 2 Cloud Detector. [Online]. Available at: https://github.com/sentinel-hub/sentinel2-cloud-detector

  • Weiss, A.D., 2001. Topografik konum ve yer şekilleri analizi Poster Sunumu, ESRI Kullanıcıları Konferansı, San Diego, CA.

  • Zhu, Z., and Woodcock, C. E. (2012). Object-based cloud and cloud shadow detection in Landsat imagery. In Remote Sensing of Environment. Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028

  • Zhu, Z., and Woodcock, C. E., 2014. Mevcut tüm Landsat verilerini kullanarak arazi örtüsünün sürekli olarak değişimini tespit etme ve sınıflandırma. In Remote Sensing of Environment. Science Direct, 144: 152-171 doi:10.1016/j.rse.2014.01.011

Bantlar

Bantlar

Piksel boyutu: 30 metre (tüm bantlar)

Ad Piksel Boyutu Açıklama
Change 30 metre

Son tematik LCMS, ürünü değiştirir. Her yıl için toplam üç değişiklik sınıfı (yavaş kayıp, hızlı kayıp ve kazanç) eşlenir. Her sınıf, pikselin bu sınıfa ait olma olasılığını (Random Forest modelindeki ağaçların oranı) veren ayrı bir Random Forest modeli kullanılarak tahmin edilir. Bu nedenle, her yıl için piksellerin üç farklı model çıkışı vardır. Son sınıflar, belirtilen eşiğin üzerinde olan ve en yüksek olasılığa sahip değişiklik sınıfına atanır. Her sınıfın eşiğinin üzerinde herhangi bir değeri olmayan pikseller ise Kararlı sınıfına atanır.
Land_Cover 30 metre

Son tematik LCMS arazi örtüsü ürünü. TimeSync referans verileri ve Landsat görüntülerinden elde edilen spektral bilgiler kullanılarak her yıl toplam 14 arazi örtüsü sınıfı haritalandırılır. Her sınıf, pikselin söz konusu sınıfa ait olma olasılığını (rastgele orman modelindeki ağaçların oranı) çıkaran ayrı bir rastgele orman modeli kullanılarak tahmin edilir. Bu nedenle, her bir pikselin her yıl için 14 farklı model çıkışı vardır ve son sınıflar, en yüksek olasılığa sahip arazi örtüsüne atanır. 14 arazi örtüsü sınıfından yedisi tek bir arazi örtüsünü gösterir. Bu arazi örtüsü türü, pikselin alanının çoğunu kaplar ve başka hiçbir sınıf pikselin% 10'undan fazlasını kaplamaz. Ayrıca yedi karma sınıf vardır. Bunlar, ek bir arazi örtüsü sınıfının pikselin en az% 10'unu kapladığı pikselleri ifade eder.
Land_Use 30 metre

Son tematik LCMS arazi kullanımı ürünü. TimeSync referans verileri ve Landsat görüntülerinden elde edilen spektral bilgiler kullanılarak yılda toplam 6 arazi kullanım sınıfı haritalandırılır. Her sınıf, pikselin söz konusu sınıfa ait olma olasılığını (rastgele orman modelindeki ağaçların oranı) çıkaran ayrı bir rastgele orman modeli kullanılarak tahmin edilir. Bu nedenle, her bir pikselin her yıl için 6 farklı model çıkışı vardır ve son sınıflar, en yüksek olasılığa sahip arazi kullanımına atanır.
Change_Raw_Probability_Slow_Loss 30 metre

Yavaş Kayıp'ın ham LCMS modellenmiş olasılığı. Şu şekilde tanımlanır: Yavaş Kayıp, TimeSync değişiklik sürecindeki aşağıdaki sınıfları içerir: yorumlama-

  • Yapısal gerileme: Ağaçların veya diğer odunsu bitkilerin, insan kaynaklı olmayan ya da mekanik olmayan faktörlerin neden olduğu olumsuz büyüme koşullarıyla fiziksel olarak değiştiği alanlar. Bu tür kayıplar genellikle spektral sinyallerde (ör.NDVI azalması, nem azalması, SWIR artışı vb.) bir trend oluşturur ancak bu trend belirgin olmayabilir. Yapısal gerileme, odunsu bitki ortamlarında en çok böcekler, hastalıklar, kuraklık, asit yağmuru vb. nedenlerle meydana gelir. Yapısal gerileme, 1 veya 2 yıl içinde iyileşebilecek olan çingene kelebeği ve ladin tomurcuk kurdu istilaları gibi ölüme yol açmayan yaprak dökme olaylarını içerebilir.

  • Spektral Düşüş: Spektral sinyalin, spektral bantların veya indekslerin birinde ya da daha fazlasında (ör. NDVI düşüşü, nem düşüşü, SWIR artışı vb.) bir eğilim gösterdiği grafik. Örneğin: a) Orman dışı/odunsu olmayan bitki örtüsünün düşüşe işaret eden bir eğilim gösterdiği (ör. NDVI düşüşü, nem düşüşü, SWIR artışı vb.) veya b) odunsu bitki örtüsünün, odunsu bitki örtüsü kaybıyla ilgili olmayan bir düşüş eğilimi gösterdiği (ör. olgun ağaçların kanopileri kapanarak gölgelenmenin artması, tür bileşiminin kozalaklıdan sert ağaca değişmesi veya kurak bir dönemde (daha güçlü ve akut kuraklığın aksine) odunsu malzeme veya yaprak alanında kayıp olmamasına rağmen canlılıkta belirgin bir düşüş yaşanması) durumları.
Change_Raw_Probability_Fast_Loss 30 metre

Hızlı Kayıp'ın ham LCMS modellenmiş olasılığı. Şu şekilde tanımlanır: Hızlı Kayıp TimeSync değişiklik sürecindeki şu sınıfları içerir: yorum-

  • Yangın: Tutuşma nedenine (doğal veya insan kaynaklı), şiddetine ya da arazi kullanımına bakılmaksızın, yangın nedeniyle değişime uğramış arazi.

  • Hasat: Ağaçların, çalıların veya diğer bitki örtüsünün insan kaynaklı yöntemlerle kesildiği ya da kaldırıldığı orman arazisi. Örnekler arasında açık alan kesimi, yangın veya böcek salgınlarından sonra kurtarma amaçlı ağaç kesimi, seyreltme ve diğer orman yönetimi uygulamaları (ör. koruyucu ağaç/tohum ağacı hasadı) yer alır.

  • Mekanik: Ağaçların, çalıların veya diğer bitki örtüsünün zincirleme, kazıma, çalı kesme, buldozerle yıkma ya da orman dışı bitki örtüsünü kaldırmaya yönelik başka yöntemlerle mekanik olarak kesildiği veya kaldırıldığı orman dışı arazi.

  • Rüzgar/buz: Bitki örtüsünün, kasırgalardan, hortumlardan, fırtınalardan ve buz fırtınalarından kaynaklanan buzlu yağmur da dahil olmak üzere diğer şiddetli hava olaylarından kaynaklanan rüzgarla değiştiği arazi (kullanım şeklinden bağımsız olarak).

  • Hidroloji: Arazi kullanımından bağımsız olarak, selin odunsu örtüyü veya diğer arazi örtüsü unsurlarını önemli ölçüde değiştirdiği arazi (ör. selden sonra dere yataklarında ve çevresinde yeni çakıl ve bitki karışımları).

  • Enkaz - Heyelanlar, çığlar, volkanlar, enkaz akıntıları vb. ile ilişkili doğal malzeme hareketiyle değiştirilmiş arazi (kullanımdan bağımsız olarak)

  • Diğer: Spektral trendin veya diğer destekleyici kanıtların bir bozulma ya da değişiklik olayının meydana geldiğini gösterdiği ancak kesin nedenin belirlenemediği veya değişiklik türünün yukarıda tanımlanan değişiklik süreci kategorilerinden herhangi birini karşılamadığı arazi (kullanım şeklinden bağımsız olarak).
Change_Raw_Probability_Gain 30 metre

Ham LCMS, kazanç olasılığını modeller. Bir veya daha fazla yıl boyunca büyüme ve ardışık gelişim nedeniyle bitki örtüsünde artış gösteren arazi olarak tanımlanır. Bitki örtüsünün yeniden büyümesiyle ilişkili spektral değişiklik gösterebilecek tüm alanlar için geçerlidir. Gelişmiş alanlarda büyüme, olgunlaşan bitki örtüsünden ve/veya yeni ekilen çimlerden ve peyzajdan kaynaklanabilir. Ormanlarda büyüme, çıplak zeminden bitki örtüsünün büyümesinin yanı sıra orta ve ortak baskın ağaçların ve/veya alçakta bulunan otların ve çalıların üst kısımlarının büyümesini içerir. Orman hasadından sonra kaydedilen büyüme/toparlanma segmentleri, orman yenilenirken farklı arazi örtüsü sınıfları arasında geçiş yapabilir. Bu değişikliklerin büyüme/toparlanma olarak kabul edilmesi için spektral değerlerin birkaç yıl boyunca devam eden artan bir trend çizgisine (ör. yaklaşık 20 yıla uzatıldığında NDVI'nin 0,10 birimi civarında olacak pozitif bir eğim) yakından uyması gerekir.
Land_Cover_Raw_Probability_Trees 30 metre

Ağaçların modellenmiş ham LCMS olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı canlı veya ayakta ölü ağaçlardan oluşur.
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix 30 metre

Tall Shrubs and Trees Mix (SEAK Only) için modellenmiş ham LCMS olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı, yüksekliği 1 metreden fazla olan çalılar ve en az% 10 oranında canlı veya ayakta ölü ağaçlardan oluşur.
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix 30 metre

Çalı ve Ağaç Karışımı'nın modellenmiş olasılığını gösteren ham LCMS. Şu şekilde tanımlanır: Pikselin büyük bir kısmı çalılardan oluşur ve en az% 10'u canlı veya ayakta ölü ağaçlardan oluşur.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix 30 metre

Çim/çiçek/ot ve ağaç karışımı olasılığının modellenmiş ham LCMS'si. Şu şekilde tanımlanır: Pikselin büyük bir kısmı çok yıllık çimler, çiçekler veya diğer otsu bitki örtüsü biçimlerinden oluşur ve en az% 10 oranında canlı ya da ayakta ölü ağaç içerir.
Land_Cover_Raw_Probability_Barren-and-Trees-Mix 30 metre

Çorak ve Ağaç Karışımı'nın ham LCMS ile modellenmiş olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı, rahatsızlık nedeniyle açığa çıkan çıplak topraktan (ör. mekanik temizleme veya orman hasadı ile açığa çıkan toprak) oluşur. Ayrıca çorak alanlar (ör. yüzey madenciliği faaliyetleriyle açığa çıkan mineraller ve diğer jeolojik malzemeler dahil olmak üzere kaya çıkıntıları), kum tepeleri, tuz düzlükleri ve plajlar da bu kategoriye girer. Toprak ve çakıldan yapılmış yollar da çorak olarak kabul edilir ve en az% 10 canlı veya ayakta ölü ağaç içerir.
Land_Cover_Raw_Probability_Tall-Shrubs 30 metre

Tall Shrubs'ın (yalnızca SEAK) modellenmiş olasılığını gösteren ham LCMS. Şu şekilde tanımlanır: Pikselin büyük kısmı, yüksekliği 1 metreden fazla olan çalılarla kaplıdır.
Land_Cover_Raw_Probability_Shrubs 30 metre

Çalıların ham LCMS modellenmiş olasılığı. Şu şekilde tanımlanır: Pikselin büyük kısmı çalılardan oluşur.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix 30 metre

Çim/çiçek/ot ve çalı karışımının ham LCMS ile modellenmiş olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı çok yıllık otlar, çiçekli bitkiler veya diğer otsu bitki örtüsü biçimlerinden oluşur ve en az% 10 oranında çalı içerir.
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix 30 metre

Çorak ve çalı karışımı olasılığının modellenmiş ham LCMS'si. Şu şekilde tanımlanır: Pikselin büyük bir kısmı, rahatsızlık nedeniyle açığa çıkan çıplak topraktan (ör. mekanik temizleme veya orman hasadı ile açığa çıkan toprak) ve çöl, playa, kaya çıkıntıları (yüzey madenciliği faaliyetleriyle açığa çıkan mineraller ve diğer jeolojik malzemeler dahil), kum tepeleri, tuz düzlükleri ve plajlar gibi sürekli olarak çorak alanlardan oluşur. Toprak ve çakıldan yapılmış yollar da çorak olarak kabul edilir ve en az% 10 çalı içerir.
Land_Cover_Raw_Probability_Grass-Forb-Herb 30 metre

Çim/çiçekli bitki/ot olma olasılığının modellenmiş ham LCMS değeri. Şu şekilde tanımlanır: Pikselin büyük bir kısmı çok yıllık otlar, çiçekli bitkiler veya diğer otsu bitki türlerinden oluşur.
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix 30 metre

Çorak ve çimen/çiçek/ot karışımı olma olasılığının modellenmiş ham LCMS'si. Şu şekilde tanımlanır: Pikselin büyük bir kısmı, rahatsızlık nedeniyle açığa çıkan çıplak topraktan (ör. mekanik temizleme veya orman hasadı ile açığa çıkan toprak) oluşur. Ayrıca çorak alanlar (ör. çöller, playa'lar, kaya çıkıntıları (yüzey madenciliği faaliyetleriyle açığa çıkan mineraller ve diğer jeolojik malzemeler dahil), kum tepeleri, tuz düzlükleri ve plajlar) da bu kategoriye girer. Toprak ve çakıldan yapılmış yollar da çorak olarak kabul edilir ve en az% 10 oranında çok yıllık çimen, çiçek veya diğer ot formlarını içerir.
Land_Cover_Raw_Probability_Barren-or-Impervious 30 metre

Çorak veya geçirimsiz olma olasılığının LCMS ile modellenmiş işlenmemiş hali. Şu şekilde tanımlanır: Pikselin büyük bir kısmı 1) rahatsızlık nedeniyle açığa çıkan çıplak toprağın (ör.mekanik temizleme veya orman hasadı ile açığa çıkan toprak) yanı sıra çöl, playa, kaya çıkıntıları (yüzey madenciliği faaliyetleriyle açığa çıkan mineraller ve diğer jeolojik malzemeler dahil), kum tepeleri, tuz düzlükleri ve plajlar gibi sürekli olarak çorak alanlardan oluşur. Toprak ve çakıldan yapılmış yollar da çorak olarak kabul edilir veya 2) suyun nüfuz edemediği insan yapımı malzemelerden (ör. asfalt yollar, çatılar ve otoparklar) oluşur.
Land_Cover_Raw_Probability_Snow-or-Ice 30 metre

Kar veya buzun ham LCMS ile modellenmiş olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı kar veya buzdan oluşur.
Land_Cover_Raw_Probability_Water 30 metre

Su olasılığı, ham LCMS ile modellenir. Şu şekilde tanımlanır: Pikselin büyük bir kısmı sudan oluşur.
Land_Use_Raw_Probability_Agriculture 30 metre

Tarım için modellenmiş ham LCMS olasılığı. Şu şekilde tanımlanır: Gıda, lif ve yakıt üretimi için kullanılan, bitki örtüsü olan veya olmayan arazi. Bu kapsamda, ekili ve ekili olmayan tarım arazileri, otlaklar, meyve bahçeleri, bağlar, kapalı hayvancılık tesisleri ve meyve, fındık ya da çilek üretimi için ekilen alanlar yer alır ancak bunlarla sınırlı değildir. Öncelikli olarak tarım amaçlı kullanılan yollar (ör. kasabalar arası toplu taşıma için kullanılmayan yollar) tarım arazisi olarak kabul edilir.
Land_Use_Raw_Probability_Developed 30 metre

Geliştirilmiş ham LCMS modellenmiş olasılığı. Şu şekilde tanımlanır: İnsan yapımı yapılarla (ör. yüksek yoğunluklu yerleşim, ticari, endüstriyel, madencilik veya ulaşım) kaplı arazi ya da hem bitki örtüsü (ağaçlar dahil) hem de yapılar (ör. düşük yoğunluklu yerleşim, çimler, rekreasyon tesisleri, mezarlıklar, ulaşım ve kamu hizmeti koridorları vb.) karışımı olan arazi. İnsan faaliyetleriyle işlevsel olarak değiştirilmiş tüm araziler de buna dahildir.
Land_Use_Raw_Probability_Forest 30 metre

Orman olma olasılığının LCMS ham verileriyle modellenmiş hali. Şu şekilde tanımlanır: Yakın vadeli bir ardışık dizilim sırasında bir noktada% 10 veya daha fazla ağaç örtüsü içeren (veya içermesi muhtemel olan) dikilmiş ya da doğal olarak bitki örtüsüyle kaplı arazi. Bu, doğal orman, orman plantasyonları ve ağaçlı sulak alanların yaprak döken, her zaman yeşil kalan ve/veya karışık kategorilerini içerebilir.
Land_Use_Raw_Probability_Non-Forest-Wetland 30 metre

Orman dışı sulak alanın ham LCMS modellenmiş olasılığı. Şu şekilde tanımlanır: Çalılar veya kalıcı olarak ortaya çıkan bitkilerin baskın olduğu, görünür bir su tablasının bitişiğinde ya da içinde bulunan (kalıcı veya mevsimsel olarak doygun) araziler. Bu sulak alanlar göllerin, nehir kanallarının veya haliçlerin kıyısında; nehir taşkın ovalarında; izole edilmiş havzalarda ya da yamaçlarda yer alabilir. Ayrıca tarım arazilerinde çayır çukurları, drenaj hendekleri ve hayvan sulama göletleri olarak da görülebilirler. Göllerin veya nehirlerin ortasında adalar olarak da görünebilirler. Diğer örnekler arasında bataklıklar, turbalıklar, sulak alanlar, çamurlar, muskegler, sloughlar, fensler ve bayoular da yer alır.
Land_Use_Raw_Probability_Other 30 metre

Diğer kategorisinin ham LCMS ile modellenmiş olasılığı. Şu şekilde tanımlanır: Spektral eğilimin veya diğer destekleyici kanıtların bir bozulma ya da değişiklik olayının meydana geldiğini gösterdiği ancak kesin nedenin belirlenemediği veya değişiklik türünün yukarıda tanımlanan değişiklik süreci kategorilerinden herhangi birini karşılamadığı arazi (kullanımdan bağımsız olarak).
Land_Use_Raw_Probability_Rangeland-or-Pasture 30 metre

LCMS'nin ham verileri, otlak veya mera olasılığını gösterir. Şu şekilde tanımlanır: Bu sınıf, a.) Bitki örtüsünün yağmur, sıcaklık, yükseklik ve yangın gibi doğal faktörler ve süreçlerden büyük ölçüde kaynaklanan yerel otlar, çalılar, çiçekli bitkiler ve ot benzeri bitkilerin karışımı olduğu otlaklar (sınırlı yönetim, kontrollü yakmanın yanı sıra evcil ve vahşi otoburların otlatılmasını da içerebilir) veya b.) Bitki örtüsünün karışık, büyük ölçüde doğal otlar, çiçekli bitkiler ve otlardan, neredeyse tek türü korumak için ekilmiş ve yönetilmiş ot türlerinin hakim olduğu daha yönetilen bitki örtüsüne kadar değişebileceği otlak.
QA_Bits 30 metre

Yıllık LCMS ürün çıktısı değerlerinin kaynağıyla ilgili ek bilgiler.

Sınıf Tablosunu Değiştir

Değer Renk Açıklama
1 #3d4551

Kararlı
2 #f39268

Yavaş Kayıp
3 #d54309

Hızlı Kayıp
4 #00a398

Kazanç
5 #1b1716

İşlenmeyen Alan Maskesi

Land_Cover Sınıf Tablosu

Değer Renk Açıklama
1 #005e00

Ağaçlar
2 #008000

Uzun Çalılar ve Ağaçlar Karışımı (Yalnızca Güneydoğu Alaska)
3 #00cc00

Çalı ve Ağaç Karışımı
4 #b3ff1a

Çimen/Forb/Ot ve Ağaç Karışımı
5 #99ff99

Çorak ve Ağaç Karışımı
6 #b30088

Uzun Ağaçlıklar (yalnızca SEAK)
7 #e68a00

Ağaçlık
8 #ffad33

Çim/Çiçek/Ot ve Çalı Karışımı
9 #ffe0b3

Çorak ve Çalı Karışımı
10 #ffff00

Çim/Ot/Bitki
11 #aa7700

Çorak ve Çim/Çiçek/Ot Karışımı
12 #d3bf9b

Çorak veya Geçirimsiz
13 #ffffff

Kar veya buzlanma
14 #4780f3

Su
15 #1b1716

İşlenmeyen Alan Maskesi

Land_Use Sınıf Tablosu

Değer Renk Açıklama
1 #efff6b

Tarım
2 #ff2ff8

Geliştirme
3 #1b9d0c

orman
4 #97ffff

Orman Olmayan Sulak Alan
5 #a1a1a1

Diğer
6 #c2b34a

Otlak veya Mera
7 #1b1716

İşlenmeyen Alan Maskesi

Resim Özellikleri

Görüntü Özellikleri

Ad Tür Açıklama
study_area Dize

LCMS şu anda bitişik ABD, Güneydoğu Alaska ve Porto Riko-ABD Virgin Adaları'nı kapsamaktadır. Bu sürüm, bitişik ABD ve Güneydoğu Alaska'daki çıkışları içerir. Olası değerler: "CONUS, SEAK"

Kullanım Şartları

Kullanım Şartları

USDA Orman Hizmetleri, ticari elverişlilik ve belirli bir amaca uygunluk garantileri dahil olmak üzere açık veya zımni hiçbir garanti vermez ve bu coğrafi verilerin doğruluğu, güvenilirliği, eksiksizliği veya kullanışlılığı ya da bu coğrafi verilerin uygunsuz veya yanlış kullanımı için herhangi bir yasal yükümlülük veya sorumluluk üstlenmez. Bu coğrafi veriler ve ilgili haritalar veya grafikler yasal belgeler değildir ve bu şekilde kullanılmak üzere tasarlanmamıştır. Veriler ve haritalar; mülkiyet, sahiplik, yasal açıklamalar veya sınırlar, yasal yetki alanı ya da kamuya ait ya da özel arazilerde geçerli olabilecek kısıtlamaları belirlemek için kullanılamaz. Doğal tehlikeler verilerde ve haritalarda gösterilebilir veya gösterilmeyebilir. Arazi kullanıcıları gerekli önlemleri almalıdır. Veriler dinamiktir ve zaman içinde değişebilir. Kullanıcı, coğrafi verilerin sınırlamalarını doğrulamak ve verileri buna göre kullanmakla sorumludur.

Bu veriler ABD hükümetinin sağladığı fonlar kullanılarak toplanmıştır ve ek izinler veya ücretler olmadan kullanılabilir. Bu verileri bir yayında, sunumda veya başka bir araştırma ürününde kullanırsanız lütfen aşağıdaki alıntıyı kullanın:

USDA Forest Service. 2022. USFS Landscape Change Monitoring System v2021.7 (Conterminous United States and Southeastern Alaska). Salt Lake City, Utah.

Alıntılar

Alıntılar:

  • USDA Forest Service. 2022. USFS Landscape Change Monitoring System v2021.7 (Conterminous United States and Southeastern Alaska). Salt Lake City, Utah.

Earth Engine ile Keşif

Kod Düzenleyici (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);
Kod Düzenleyici'de aç
Bu ürün, Landscape Change Monitoring System (LCMS) veri paketinin bir parçasıdır. Her yıl için LCMS ile modellenmiş değişiklik, arazi örtüsü ve/veya arazi kullanımı sınıflarını gösterir. Bu LCMS sürümü, bitişik ABD (CONUS) ve Güneydoğu Alaska'yı (SEAK) kapsar. LCMS, peyzajı haritalandırmak ve izlemek için kullanılan uzaktan algılamaya dayalı bir sistemdir.
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