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

USFS/GTAC/LCMS/v2021-7
資料集開放期間
1985-06-01T00:00:00Z–2021-09-30T00:00:00Z
資料集產生者
Earth Engine 程式碼片段
ee.ImageCollection("USFS/GTAC/LCMS/v2021-7")
標記
變更
change-detection
森林
gtac
地貌
landsat-derived
landuse
landuse-landcover
lcms
redcastle-resources
rmrs
sentinel2-derived
時間序列
usda
usfs

說明

這項產品是「地景變化監控系統」(LCMS) 資料套件的一部分。顯示每年 LCMS 模擬的變化、土地覆蓋和/或土地使用類別。這個 LCMS 版本涵蓋美國本土 (CONUS) 和阿拉斯加東南部 (SEAK)。

LCMS 是一種以遙測為基礎的系統，用於繪製和監控美國各地的地景變化。該計畫的目標是運用最新技術和變更偵測進展，開發一致的方法，製作「最佳可用」的地景變化地圖。

輸出內容包括三項年度產品：變化、土地覆蓋和土地用途。 這項變更專指植被覆蓋，包括緩慢流失、快速流失 (也包括水文變化，例如淹水或乾旱) 和增加。這些值是針對 Landsat 時間序列的每年預測值，也是 LCMS 的基礎產品。土地覆蓋和土地使用地圖會顯示每年生命形式層級的土地覆蓋，以及廣泛層級的土地使用情形。

由於沒有任何演算法在所有情況下都能發揮最佳效用，LCMS 會使用模型組合做為預測因子，藉此提升各種生態系統和變化過程的地圖準確度 (Healey 等人，2018)。這套 LCMS 變化、土地覆蓋和土地利用地圖，可全面呈現美國過去 40 年來的景觀變化。

LCMS 模型的預測層包括 LandTrendr 和 CCDC 變化偵測演算法的輸出內容，以及地形資訊。這些元件全都使用 Google Earth Engine 存取及處理 (Gorelick 等人，2017)。

CCDC 會直接使用 Landsat Tier 1 和 Sentinel 2A、2B Level-1C 大氣頂層反射率資料，並產生 LandTrendr 的年度合成資料。cFmask 雲遮罩演算法 (Foga 等人，2017)，這是 Fmask 2.0 (Zhu 和 Woodcock，2012 年) (僅限 Landsat)、cloudScore (Chastain 等人，2019) (僅限 Landsat) 和 s2cloudless (Sentinel-Hub, 2021) (僅限 Sentinel 2) 用於遮蓋雲朵，而 TDOM (Chastain et al., 2019) 用於遮蓋雲影 (Landsat 和 Sentinel 2)。對於 LandTrendr，系統接著會計算年度中位數，將每年的無雲和無雲陰影值彙整為單一合成值。

複合時間序列會使用 LandTrendr (Kennedy 等人，2010; Kennedy et al., 2018; Cohen et al., 2018)。

所有雲朵和雲影的無雲值也會使用 CCDC 演算法 (Zhu 和 Woodcock，2014 年) 進行時間區隔。

原始複合值、LandTrendr 擬合值、成對差異、區隔持續時間、變化幅度和斜率，以及 CCDC 9 月 1 日的正弦和餘弦係數 (前 3 個諧波)、擬合值和成對差異，以及來自 10 公尺全國高程資料集 (NED) (Gesch 等人，2009 年) 和 SEAK 的 30 公尺 NED，做為隨機森林 (Breiman，2001 年) 模型中的獨立預測變數。

參考資料是透過 TimeSync 收集而來。這項網頁工具可協助分析師從 1984 年至今，以視覺化方式呈現及解讀 Landsat 資料記錄 (Cohen 等人，2010 年)。

其他資源

如有任何問題或特定資料要求，請傳送電子郵件至 [sm.fs.lcms@usda.gov]。* Breiman, L.、2001 年。 隨機森林。機器學習。Springer, 45: 5-32 doi:10.1023/A:1010933404324

  • Chastain, R.、Housman, I.、Goldstein, J.、Finco, M. 和 Tenneson, K.，2019 年。 美國本土上空大氣層頂端的光譜特徵，在 Sentinel-2A 和 2B MSI、Landsat-8 OLI，以及 Landsat-7 ETM 之間進行實證跨感應器比較。In Remote Sensing of Environment. Science Direct, 221: 274-285 doi:10.1016/j.rse.2018.11.012

  • Cohen, W. B. Yang, Z. 和 Kennedy, R.，2010 年。 使用 Landsat 年度時間序列偵測森林干擾和復原趨勢：2.TimeSync - 校準和驗證工具。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. 和 Gorelick, N.，2018 年。 用於森林干擾偵測的 LandTrendr 多光譜集合。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 年。比較及驗證雲端偵測演算法，適用於作業 Landsat 資料產品。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.、及 Carswell, W. J., 2009 年。國家地圖 - 海拔。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. 和 Zhu, Z.，2018 年。 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

  • Kennedy, R. E.、Yang, Z. 和 Cohen, W. B. 2010 年。 使用 Landsat 每年時間序列資料偵測森林干擾和復原趨勢：1.LandTrendr - 時間區隔演算法。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. 和 Healey, S.，2018 年。 在 Google Earth Engine 上實作 LandTrendr 演算法。在遙感中，MDPI, 10(5): 691 doi:10.3390/rs10050691

  • Sentinel-Hub，2021 年。 Sentinel 2 Cloud Detector。[線上]。 網址：https://github.com/sentinel-hub/sentinel2-cloud-detector

  • Weiss, A.D.、2001 年。 Topographic position and landforms analysis Poster Presentation, ESRI Users Conference, San Diego, CA.

  • Zhu, Z. 和 Woodcock, C. E. (2012 年)。 在 Landsat 影像中偵測雲朵和雲影。In Remote Sensing of Environment. Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028

  • Zhu, Z. 和 Woodcock, C. E.、2014 年。 使用所有可用的 Landsat 資料，持續偵測土地覆蓋的變化並進行分類。In Remote Sensing of Environment. Science Direct, 144: 152-171 doi:10.1016/j.rse.2014.01.011

頻帶

波段

像素大小：30 公尺 (所有頻帶)

名稱 像素大小 說明
Change 30 公尺

最終主題 LCMS 變更產品。每年都會對應三種變化類別 (緩慢流失、快速流失和增加)。每個類別都是使用個別的隨機森林模型預測，該模型會輸出像素屬於該類別的機率 (隨機森林模型中樹狀結構的比例)。因此，每個像素每年都會有三種不同的模型輸出結果。系統會將最終類別指派給機率最高且高於指定門檻的變更類別。如果像素的值未超過各類別的相應門檻，系統就會將該像素指派給「穩定」類別。
Land_Cover 30 公尺

最終主題式 LCMS 地貌產品。每年都會使用 TimeSync 參考資料和從 Landsat 圖像取得的光譜資訊，繪製 14 個地貌類別。每個類別都是使用個別的隨機森林模型預測，該模型會輸出像素屬於該類別的機率 (隨機森林模型中樹狀結構的比例)。因此，每個像素每年都有 14 種不同的模型輸出結果，並會將機率最高的最終類別指派給土地覆蓋。14 個土地覆蓋類別中有 7 個代表單一土地覆蓋，也就是該土地覆蓋類型涵蓋像素的大部分區域，且沒有其他類別涵蓋超過 10% 的像素。另有七堂混合課程。這些像素代表額外的土地覆蓋類別至少涵蓋 10% 的像素。
Land_Use 30 公尺

最終主題 LCMS 土地使用產品。每年都會使用 TimeSync 參考資料和從 Landsat 圖像取得的光譜資訊，繪製 6 個土地用途類別。每個類別都是使用個別的隨機森林模型預測，該模型會輸出像素屬於該類別的機率 (隨機森林模型中樹狀結構的比例)。因此，每個像素每年都有 6 種不同的模型輸出結果，而最終類別會指派給機率最高的土地用途。
Change_Raw_Probability_Slow_Loss 30 公尺

LCMS 原始模型預測的緩慢流失機率。定義為：緩慢遺失 包括 TimeSync 變更程序中的下列類別 解讀 -

  • 結構性衰退 - 樹木或其他木本植物因非人為或非機械因素導致生長條件不佳，而發生物理性變化。這類損失通常會在光譜訊號中形成趨勢 (例如 NDVI 減少、濕度減少、SWIR 增加等)，但趨勢可能不明顯。木本植被環境發生結構性衰退，最可能的原因是昆蟲、疾病、乾旱、酸雨等。結構性衰退可能包括不會導致死亡的落葉事件，例如舞毒蛾和雲杉捲葉蛾侵擾，這類事件可能在 1 到 2 年內復原。

  • 光譜衰退 - 繪圖，顯示一或多個光譜帶或指數的光譜訊號趨勢 (例如 NDVI 降低、濕度降低、SWIR 增加等)。例如：a) 非森林/非木本植被呈現衰退趨勢 (例如 NDVI 降低、濕度降低、SWIR 增加等)，或 b) 木本植被呈現衰退趨勢，但與木本植被流失無關，例如成熟樹冠封閉導致陰影增加、物種組成從針葉樹變為闊葉樹，或乾旱期 (相較於更強烈、更嚴重的乾旱) 導致活力明顯下降，但木本物質或葉面積並未減少。
Change_Raw_Probability_Fast_Loss 30 公尺

原始 LCMS 模擬的快速流失機率。定義為：快速遺失包括以下類別 (來自 TimeSync 變更程序解讀)：

  • 火災 - 土地因火災而改變，無論起火原因 (自然或人為)、嚴重程度或土地用途為何。

  • 收成 - 樹木、灌木或其他植被因人為因素而遭砍伐或移除的林地。例如皆伐、火災或蟲害爆發後的搶救伐採、疏伐和其他森林管理處方 (例如避難林/種子樹採伐)。

  • 機械式 - 非森林土地，樹木、灌木或其他植被已透過鏈鋸、刮除、刷鋸、推土機或任何其他非森林植被移除方法，以機械方式切斷或移除。

  • 風/冰 - 陸地 (不論用途) 的植被因颶風、龍捲風、風暴和其他惡劣天氣事件 (包括冰風暴造成的凍雨) 而改變。

  • 水文 - 洪水顯著改變木質覆蓋或其他土地覆蓋元素的土地，不論土地用途為何 (例如洪水過後，河床內外出現新的碎石和植被混合物)。

  • 碎屑 - 土地 (不論用途) 因自然物質移動而改變，例如山崩、雪崩、火山爆發、碎屑流等。

  • 其他 - 土地 (不論用途)，其中光譜趨勢或其他佐證顯示發生干擾或變化事件，但無法確定確切原因，或變化類型不符合上述任何變化程序類別。
Change_Raw_Probability_Gain 30 公尺

原始 LCMS 模擬的收益機率。定義：由於一年或多年來的生長和演替，植被覆蓋率增加的土地。適用於可能出現與植被再生相關光譜變化的任何區域。在已開發區域，成長可能來自於成熟的植被和/或新安裝的草坪和景觀。在森林中，生長包括從裸露地面生長的植被，以及中等和共同優勢樹木和/或低窪草和灌木的頂部。森林砍伐後記錄到的成長/復原區段，可能會隨著森林再生而經歷不同的地貌類別。如要將這些變化視為成長/恢復，光譜值應緊密遵循上升趨勢線 (例如正斜率，如果延伸至約 20 年，則為 NDVI 的 0.10 個單位)，且這種情況持續數年。
Land_Cover_Raw_Probability_Trees 30 公尺

樹木的原始 LCMS 模擬機率。定義：像素的大部分區域由活樹或枯樹組成。
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix 30 公尺

原始 LCMS 建模機率，適用於高灌木和樹木混合 (僅限東南阿拉斯加)。定義：大部分像素由高度超過 1 公尺的灌木叢組成，且至少有 10% 的活樹或枯樹。
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix 30 公尺

灌木和樹木混合的原始 LCMS 模擬機率。定義：像素的大部分由灌木組成，且至少有 10% 的活樹或枯樹。
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix 30 公尺

草/闊葉草/草本植物和樹木混合的原始 LCMS 模擬機率。定義：大部分像素由多年生草類、闊葉草或其他草本植被組成，且至少有 10% 的活樹或枯樹。
Land_Cover_Raw_Probability_Barren-and-Trees-Mix 30 公尺

原始 LCMS 模擬的 Barren 和 Trees Mix 機率。定義為：像素的大部分區域由受干擾而裸露的土壤組成 (例如機械清除或森林砍伐後裸露的土壤)，以及永久荒蕪的區域，例如沙漠、鹽湖、岩層 (包括因露天採礦活動而裸露的礦物和其他地質物質)、沙丘、鹽灘和海灘。泥土和碎石路也視為荒地，且至少有 10% 的活樹或枯樹。
Land_Cover_Raw_Probability_Tall-Shrubs 30 公尺

高灌木叢的原始 LCMS 模擬機率 (僅限東南阿拉斯加)。定義： 像素的大部分是由高度超過 1 公尺的灌木叢組成。
Land_Cover_Raw_Probability_Shrubs 30 公尺

灌木叢的原始 LCMS 模擬機率。定義：像素的大部分區域由灌木叢組成。
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix 30 公尺

草/禾草/草本植物和灌木叢混合的原始 LCMS 模擬機率。定義：大部分像素由多年生草類、草本植物或其他草本植被組成，且至少有 10% 的像素由灌木組成。
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix 30 公尺

荒地和灌木叢混合的原始 LCMS 模擬機率。定義為：像素的大部分區域由受干擾而裸露的土壤組成 (例如機械清除或森林砍伐後裸露的土壤)，以及永久荒蕪的區域，例如沙漠、鹽湖、岩層 (包括因露天採礦活動而裸露的礦物和其他地質物質)、沙丘、鹽灘和海灘。泥土和碎石路也視為荒地，且至少有 10% 的灌木叢。
Land_Cover_Raw_Probability_Grass-Forb-Herb 30 公尺

草/闊葉草/草本植物的原始 LCMS 模擬機率。定義：大部分像素由多年生草、草本植物或其他草本植被組成。
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix 30 公尺

裸露地和草/闊葉草/草本植物混合的原始 LCMS 模擬機率。定義：像素的大部分區域由因干擾而裸露的土壤組成 (例如因機械清除或森林砍伐而裸露的土壤)，以及永久貧瘠的區域，例如沙漠、鹽湖、露出地面的岩層 (包括因露天採礦活動而裸露的礦物和其他地質物質)、沙丘、鹽灘和海灘。泥土和碎石路也視為荒地，且至少有 10% 的多年生草、草本植物或其他草本植被。
Land_Cover_Raw_Probability_Barren-or-Impervious 30 公尺

以原始 LCMS 模擬的荒地或不透水地機率。定義：像素的大部分區域由以下項目組成：1) 因干擾而裸露的土壤 (例如機械清除或森林砍伐後裸露的土壤)，以及長期荒蕪的區域，例如沙漠、鹽湖、露出地面的岩層 (包括因露天採礦活動而裸露的礦物和其他地質物質)、沙丘、鹽灘和海灘。由泥土和碎石鋪成的道路，以及水無法滲透的 2) 人造材料 (例如鋪砌道路、屋頂和停車場)，也視為貧瘠或不透水。
Land_Cover_Raw_Probability_Snow-or-Ice 30 公尺

雪或冰的原始 LCMS 模擬機率。定義：像素的大部分區域由雪或冰組成。
Land_Cover_Raw_Probability_Water 30 公尺

原始 LCMS 模擬的水機率。定義：像素的大部分區域為水域。
Land_Use_Raw_Probability_Agriculture 30 公尺

農業的原始 LCMS 模擬機率。定義為：用於生產食物、纖維和燃料的土地，無論是否植被覆蓋。包括但不限於耕作和未耕作的農地、乾草地、果園、葡萄園、圈養牲畜作業，以及種植水果、堅果或漿果的區域。主要用於農業用途的道路 (即不適用於城鎮間的大眾運輸) 視為農業土地用途。
Land_Use_Raw_Probability_Developed 30 公尺

已開發的原始 LCMS 模擬機率。定義：由人造結構物 (例如高密度住宅、商業、工業、採礦或交通運輸) 覆蓋的土地，或植被 (包括樹木) 和結構物混合的土地 (例如低密度住宅、草坪、休閒設施、墓地、交通運輸和公用事業走廊等)，包括因人類活動而功能性改變的任何土地。
Land_Use_Raw_Probability_Forest 30 公尺

森林的原始 LCMS 模擬機率。定義為：種植或自然植被的土地，在近期演替序列的某個時間點，包含 (或可能包含) 10% 以上的樹木覆蓋率。這可能包括天然林、造林地和木本濕地的落葉、常綠和/或混合類別。
Land_Use_Raw_Probability_Non-Forest-Wetland 30 公尺

非森林濕地的原始 LCMS 模擬機率。定義：位於可見水位線附近或內部的土地 (永久或季節性飽和)，以灌木或持續性挺水植物為主。這些濕地可能位於湖泊、河道或河口岸邊；河漫灘；孤立的集水區；或斜坡上。也可能出現在農業景觀中，例如草原窪地、排水溝和蓄水池，或出現在湖泊或河流中央，形成島嶼。其他例子包括沼澤、濕地、沼澤地、泥沼、苔原、水塘、沼澤地和河口。
Land_Use_Raw_Probability_Other 30 公尺

其他類別的原始 LCMS 模擬機率。定義：土地 (不論用途為何) 的光譜趨勢或其他佐證資料顯示發生擾動或變化事件，但無法確定明確原因，或變化類型不符合上述任何變化程序類別。
Land_Use_Raw_Probability_Rangeland-or-Pasture 30 公尺

原始 LCMS 模擬的牧草地或牧場機率。定義為：此類別包括任何區域，且該區域為：a.) 牧草地，植被是由原生草、灌木、草本植物和類草植物混合而成，主要由降雨、溫度、海拔和火災等自然因素和過程產生，雖然有限的管理可能包括規定的燃燒以及家畜和野生草食動物的放牧；或 b.) 牧草地，植被可能包括混合、大部分為天然的草、闊葉草和草本植物，也可能包括經過管理、以草種為主的植被，這些草種經過播種和管理，以維持近乎單一栽培的狀態。
QA_Bits 30 公尺

年度 LCMS 產品輸出值來源的輔助資訊。

變更類別表

值 顏色 說明
1 #3d4551

穩定
2 #f39268

緩慢損失
3 #d54309

Fast Loss
4 #00a398

增強
5 #1b1716

非處理區域遮罩

地貌類別表

值 顏色 說明
1 #005e00

樹木
2 #008000

高灌木和樹木混合 (僅限東南阿拉斯加)
3 #00cc00

灌木和樹木混合
4 #b3ff1a

草/草本植物/香草和樹木混合
5 #99ff99

荒地和樹木混合
6 #b30088

高灌木 (僅限東南阿拉斯加)
7 #e68a00

灌木
8 #ffad33

草/草本植物/香草和灌木混合
9 #ffe0b3

荒地和灌木叢合輯
10 #ffff00

草/草本植物
11 #aa7700

荒地和草/闊葉草/香草混合
12 #d3bf9b

不透水或不透水
13 #ffffff

積雪或結冰
14 #4780f3

水
15 #1b1716

非處理區域遮罩

土地用途類別表

值 顏色 說明
1 #efff6b

農業
2 #ff2ff8

已開發
3 #1b9d0c

森林
4 #97ffff

非森林濕地
5 #a1a1a1

其他
6 #c2b34a

牧草地或牧場
7 #1b1716

非處理區域遮罩

圖片屬性

影像屬性

名稱 類型 說明
study_area STRING

LCMS 目前涵蓋美國本土、阿拉斯加東南部，以及波多黎各和美屬維京群島。這個版本包含美國本土和阿拉斯加東南部地區的輸出內容。可能的值：「CONUS, SEAK」

使用條款

使用條款

美國農業部林務署不提供任何明示或默示擔保，包括適售性和特定用途適用性的擔保，也不對這些地理空間資料的準確性、可靠性、完整性或實用性，或對這些地理空間資料的不當或錯誤使用承擔任何法律責任或義務。這些地理空間資料和相關地圖或圖像並非法律文件，也不應做為法律文件使用。資料和地圖不得用於判斷公共或私人土地的權利、所有權、法律說明或界線、法律管轄權或限制。資料和地圖上可能不會顯示天然災害，土地使用者應謹慎行事。資料是動態的，可能會隨時間改變。使用者有責任驗證地理空間資料的限制，並據此使用資料。

這些資料是透過美國政府的資金收集而來，可供使用，無須額外權限或費用。如果您在出版物、簡報或其他研究產品中使用這些資料，請引用下列內容：

美國農業部林業局。2022 年。USFS Landscape Change Monitoring System v2021.7 (美國本土和阿拉斯加東南部)。猶他州鹽湖城。

參考資料

參考資料：

  • 美國農業部林業局。2022 年。美國森林局景觀變化監測系統 v2021.7 (美國本土和阿拉斯加東南部)。猶他州鹽湖城。

使用 Earth Engine 探索

程式碼編輯器 (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);
在程式碼編輯器開啟
這項產品是「地景變化監控系統」(LCMS) 資料套件的一部分。顯示每年 LCMS 模擬的變化、土地覆蓋和/或土地使用類別。這個 LCMS 版本涵蓋美國本土 (CONUS) 和阿拉斯加東南部 (SEAK)。LCMS 是一套以遙測為基礎的系統，用於繪製和監測地景…
USFS/GTAC/LCMS/v2021-7, change,change-detection,forest,gtac,landcover,landsat-derived,landuse,landuse-landcover,redcastle-resources,rmrs,sentinel2-derived,time-series,usda,usfs
1985-06-01T00:00:00Z/2021-09-30T00:00:00Z
20.38379 -135.286387 52.459364 -56.446306
Google Earth Engine