- Veri Kümesi Kullanılabilirliği
- 1985-06-01T00:00:00Z–2021-09-30T00:00:00Z
- Veri Kümesi Sağlayıcı
- USDA Orman Hizmetleri (USFS) Coğrafi Teknoloji ve Uygulama Merkezi (GTAC)
- Etiketler
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 değişikliğini haritalandırmak ve izlemek için kullanılan uzaktan algılamaya dayalı bir sistemdir. Bu projenin amacı, manzara değişikliğinin "en iyi mevcut" haritasını oluşturmak için en son teknolojiyi ve değişiklik tespitindeki gelişmeleri kullanarak tutarlı bir yaklaşım geliştirmektir.
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). Bunun sonucunda elde edilen LCMS değişikliği, arazi örtüsü ve arazi kullanımı haritaları, 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, 2002) 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, CCDC Eylül 1 sinüs ve kosinüs katsayıları (ilk 3 harmonik), uygun değerler ve çiftler arasındaki farklar. 2009) kullanıldı ve SEAK için 30 m NED kullanıldı. Bunlar, bir Rastgele Orman (Breiman, 2001) modelinde bağımsız kestirici değişkenler olarak kullanıldı.
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
LCMS verilerini kullanmayla ilgili daha ayrıntılı bir kod örneği.
LCMS Veri Gezgini, kullanıcıların LCMS verilerini görüntülemesine, analiz etmesine, özetlemesine ve indirmesine olanak tanıyan web tabanlı bir uygulamadır.
Yöntemler ve doğruluk değerlendirmesi hakkında daha ayrıntılı bilgi için lütfen LCMS Yöntemleri Özeti'ni, veri indirme, meta veriler ve destek belgeleri için ise LCMS Coğrafi Veri Merkezi'ni inceleyin.
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., ve 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 genelleştirme 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. Topographic position and landforms analysis Poster Presentation, ESRI Users Conference, San Diego, CAZhu, 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
Piksel Boyutu
30 metre
Bantlar
| Ad | Piksel Boyutu | Açıklama | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Change |
metre | Son tematik LCMS değişikliği ürünü. Her yıl için toplam üç değişiklik sınıfı (yavaş kayıp, hızlı kayıp ve kazanç) eşleştirilir. Her sınıf, ayrı bir rastgele orman modeli kullanılarak tahmin edilir. Bu model, pikselin söz konusu sınıfa ait olma olasılığını (rastgele orman modelindeki ağaçların oranı) verir. Bu nedenle, her bir pikselin her yıl için üç farklı model çıkışı vardır. Son sınıflar, belirli bir eşiğin üzerinde olan ve en yüksek olasılığa sahip değişiklik sınıfına atanır. Her sınıfın eşiğinin üzerinde değeri olmayan pikseller, Kararlı sınıfa atanır. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover |
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, ayrı bir rastgele orman modeli kullanılarak tahmin edilir. Bu model, pikselin söz konusu sınıfa ait olma olasılığını (rastgele orman modelindeki ağaçların oranı) verir. 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 temsil eder. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use |
metre | Son tematik LCMS arazi kullanım ürünü. TimeSync referans verileri ve Landsat görüntülerinden elde edilen spektral bilgiler kullanılarak yılda toplam 6 arazi kullanım sınıfı haritalandırılır. Her sınıf, ayrı bir rastgele orman modeli kullanılarak tahmin edilir. Bu model, pikselin söz konusu sınıfa ait olma olasılığını (rastgele orman modelindeki ağaçların oranı) verir. Bu nedenle, her bir pikselin her yıl için 6 farklı model çıkışı vardır ve nihai sınıflar, en yüksek olasılığa sahip arazi kullanımına atanır. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Change_Raw_Probability_Slow_Loss |
metre | Yavaş Kayıp'ın ham LCMS ile modellenmiş olasılığı. Şu şekilde tanımlanır: Yavaş Kayıp TimeSync değişiklik sürecindeki şu sınıfları içerir: yorum-
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Change_Raw_Probability_Fast_Loss |
metre | Hızlı Kayıp'ın modellenmiş olasılığı. Şu şekilde tanımlanır: Hızlı Kayıp TimeSync değişiklik sürecindeki şu sınıfları içerir: yorum-
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Change_Raw_Probability_Gain |
metre | Kazanç için modellenmiş ham LCMS olasılığı. Şu şekilde tanımlanır: Bir veya daha fazla yıl boyunca büyüme ve ardıllık nedeniyle bitki örtüsünde artış gösteren arazi. Bitki örtüsünün yeniden büyümesiyle ilişkili spektral değişiklik gösterebilecek tüm alanlar için geçerlidir. Gelişmiş bölgelerde büyüme, olgunlaşan bitki örtüsü ve/veya yeni ekilen çimler ve peyzajdan kaynaklanabilir. Ormanlarda büyüme, çıplak topraklarda bitki örtüsünün büyümesinin yanı sıra orta ve eş baskın ağaçların ve/veya alçakta kalan otlar ile çalıların üst kısımlarını da içerir. Orman hasadından sonra kaydedilen büyüme/iyileşme segmentleri, orman yenilenirken farklı arazi örtüsü sınıflarına 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 |
metre | LCMS'nin ağaç olasılığı için modellenmiş ham verileri. Şu şekilde tanımlanır: Pikselin büyük bir kısmı canlı veya ayakta ölü ağaçlardan oluşur. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix |
metre | Uzun çalılar ve ağaç karışımı (yalnızca Güneydoğu Alaska) için modellenmiş ham LCMS olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı, yüksekliği 1 metreden fazla olan çalılardan oluşur ve en az% 10 oranında canlı veya ayakta ölü ağaçlar içerir. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix |
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 |
metre | Çim/çiçek/ot ve ağaç karışımı olma olasılığının ham LCMS modeli. Şu şekilde tanımlanır: Pikselin büyük bir kısmı çok yıllık otlar, çiçekli bitkiler veya diğer otsu bitki örtüsü biçimlerinden oluşur ve en az% 10 oranında canlı ya da ayakta ölü ağaçlar içerir. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Barren-and-Trees-Mix |
metre | Barren and Trees Mix'in ham LCMS modelleme olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı, rahatsızlık nedeniyle açığa çıkan çıplak topraktan (ör.mekanik temizleme veya orman hasadı ile ortaya çıkan toprak) oluşur. Ayrıca çöl, playa, kaya çıkıntıları (yüzey madenciliği faaliyetleriyle açığa çıkan mineraller ve diğer jeolojik malzemeler dahil), kum tepeleri, tuz düzlükleri ve plajlar gibi sürekli olarak verimsiz alanlar da bu kategoriye girer. Toprak ve çakıl yollarda da en az% 10 canlı veya ayakta ölü ağaç bulunur ve bu yollar da çorak olarak kabul edilir. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Tall-Shrubs |
metre | Uzun çalıların (yalnızca Güneydoğu Alaska) modellenmiş olasılığını gösteren ham LCMS. Şu şekilde tanımlanır: Pikselin büyük kısmı, yüksekliği 1 metreden fazla olan çalılarla kaplıdır. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Shrubs |
metre | Çalıların ham LCMS modellenmiş olasılığı. Şu şekilde tanımlanır: Pikselin büyük kısmı çalılardan oluşur. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix |
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 |
metre | Çorak ve çalı karışımı için modellenmiş ham LCMS olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı, rahatsızlık nedeniyle açığa çıkan çıplak topraktan (ör.mekanik temizleme veya orman hasadı ile ortaya çıkan toprak) oluşur. Ayrıca çöl, playa, kaya çıkıntıları (yüzey madenciliği faaliyetleriyle açığa çıkan mineraller ve diğer jeolojik malzemeler dahil), kum tepeleri, tuz düzlükleri ve plajlar gibi sürekli olarak verimsiz alanlar da bu kategoriye girer. Toprak ve çakıldan oluşan yollar da çorak olarak kabul edilir ve en az% 10 oranında çalı içerir. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Grass-Forb-Herb |
metre | Çim/çiçek/ot olma olasılığının modellenmiş ham LCMS değeri. Şu şekilde tanımlanır: Pikselin büyük bir kısmı çok yıllık otlar, çiçekli otlar veya diğer otsu bitki türlerinden oluşur. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix |
metre | Barren ve Grass/Forb/Herb Mix'in 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 çöller, playa'lar, kaya çıkıntıları (yüzey madenciliği faaliyetleriyle açığa çıkan mineraller ve diğer jeolojik malzemeler dahil), kum tepeleri, tuz düzlükleri ve plajlar gibi sürekli olarak verimsiz alanlar da bu kategoriye girer. Toprak ve çakıldan oluşan yollar da çıplak olarak kabul edilir ve en az% 10 oranında çok yıllık otlar, çiçekli bitkiler veya diğer otsu bitki türlerinden oluşur. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Barren-or-Impervious |
metre | Çorak veya geçirimsiz olma olasılığının ham LCMS modeli. Şu şekilde tanımlanır: Pikselin büyük bir kısmı 1) rahatsızlık nedeniyle açığa çıkan çıplak topraklardan (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 verimsiz alanlardan oluşur. Toprak ve çakıldan yapılmış yollar da kurak olarak kabul edilir veya 2) suyun nüfuz edemediği yapay malzemeler (ör. asfalt yollar, çatılar ve otoparklar). |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Snow-or-Ice |
metre | Kar veya buzlanma olasılığının ham LCMS modeli. Şu şekilde tanımlanır: Pikselin büyük bir kısmı kar veya buzdan oluşur. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Water |
metre | Su için modellenmiş ham LCMS olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı sudan oluşur. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Agriculture |
metre | Tarım için modellenmiş ham LCMS olasılığı. Şu şekilde tanımlanır: Bitki örtüsü olan veya olmayan, gıda, lif ve yakıt üretimi için kullanılan arazi. Bu yükümlülük, ekili ve ekili olmayan tarım arazilerini, otlakları, meyve bahçelerini, bağları, kapalı hayvancılık tesislerini ve meyve, fındık ya da çilek üretimi için ekilen alanları kapsar 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 |
metre | Gelişmiş ham LCMS modellenmiş olasılığı. Şu şekilde tanımlanır: İnsan yapımı yapılarla (ör. yüksek yoğunluklu yerleşim, ticari, sanayi, madencilik veya ulaşım) kaplı arazi ya da bitki örtüsü (ağaçlar dahil) ve yapıların (ör. düşük yoğunluklu yerleşim, çimler, rekreasyon tesisleri, mezarlıklar, ulaşım ve kamu hizmeti koridorları vb.) karışımı olan araziler ve insan faaliyetleriyle işlevsel olarak değiştirilmiş tüm araziler. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Forest |
metre | Ormanın ham LCMS ile modellenmiş olasılığı. Şu şekilde tanımlanır: Yakın vadede bir ardışık gelişim süreci boyunca bir zamanlar% 10 veya daha fazla ağaç örtüsü içeren (ya da içermesi muhtemel olan) ekilmiş veya doğal olarak bitki örtüsüyle kaplı arazi. Bu kapsamda yaprak döken, her dem yeşil ve/veya karışık doğal orman, orman plantasyonları ve ağaçlı sulak alan kategorileri yer alabilir. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Non-Forest-Wetland |
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, sazlıklar, çamurlar, muskegler, sloughlar, fensler ve bayoular da yer alır. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Other |
metre | Diğer için modellenen ham LCMS olasılığı. Şu şekilde tanımlanır: 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 (kullanımdan bağımsız olarak). |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Rangeland-or-Pasture |
metre | LCMS'nin ham verileriyle modellenmiş otlak veya mera olasılığı. 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, çoğunlukla doğal olan karışık otlar, çiçekli bitkiler ve otlardan, neredeyse tek türün hakim olduğu, tohumlanmış ve yönetilmiş ot türlerinin baskın olduğu daha kontrollü bitki örtüsüne kadar değişebildiği otlak. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
QA_Bits |
metre | Yıllık LCMS ürün çıktısı değerlerinin kaynağıyla ilgili ek bilgiler. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Sınıf Tablosunu Değiştirme
| 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 | Çim/Forb/Ot ve Ağaç Karışımı |
| 5 | #99ff99 | Çorak ve Ağaç Karışımı |
| 6 | #b30088 | Uzun Ağaçlıklar (yalnızca Güneydoğu Asya ve Kore) |
| 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 | Geliştirildi |
| 3 | #1b9d0c | orman |
| 4 | #97ffff | Orman Olmayan Sulak Alan |
| 5 | #a1a1a1 | Diğer |
| 6 | #c2b34a | Otlak veya Mera |
| 7 | #1b1716 | İşlenmeyen Alan Maskesi |
Resim Özellikleri
Resim Özellikleri
| Ad | Tür | Açıklama |
|---|---|---|
| study_area | Dize | LCMS şu anda bitişik Amerika Birleşik Devletleri, Güneydoğu Alaska ve Porto Riko-ABD Virgin Adaları'nı kapsamaktadır. Bu sürüm, ABD'nin bitişik eyaletleri 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 kullanımıyla ilgili hiçbir yasal yükümlülük ya da 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 izin veya ücret gerektirmeden 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
USDA Forest Service. 2022. USFS Landscape Change Monitoring System v2021.7 (Conterminous United States and Southeastern Alaska). Salt Lake City, Utah.
Earth Engine ile keşfetme
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);