এই পৃষ্ঠাটি Cloud Translation API অনুবাদ করেছে।

USFS Landscape Change Monitoring System v2022.8 (CONUS and OCONUS) [deprecated]

ডেটাসেটের উপলভ্যতা: 1985-01-01T00:00:00Z–2022-12-31T00:00:00Z
ডেটাসেট প্রদানকারী: ইউএসডিএ ফরেস্ট সার্ভিস (ইউএসএফএস) জিওস্পেশিয়াল টেকনোলজি অ্যান্ড অ্যাপ্লিকেশন সেন্টার (জিটিএসি)

ট্যাগ: পরিবর্তন

পরিবর্তন-সনাক্তকরণ

বন।

জিটিএসি

ভূমি আচ্ছাদন

ল্যান্ডস্যাট-প্রাপ্ত

ভূমি ব্যবহার

ভূমি ব্যবহার-ভূমি আচ্ছাদন

এলসিএমএস

রেডক্যাসল-রিসোর্সেস

আরএমআরএস

সেন্টিনেল২-প্রাপ্ত

সময়-ধারাবাহিক

ইউএসডিএ

ইউএসএফএস

বিবরণ

এই পণ্যটি ল্যান্ডস্কেপ চেঞ্জ মনিটরিং সিস্টেম (LCMS) ডেটা স্যুটের অংশ। এটি CONUS এবং OCONUS-এর প্রতিটি বছরের জন্য LCMS-মডেলযুক্ত পরিবর্তন, ভূমি আচ্ছাদন এবং/অথবা ভূমি ব্যবহারের ক্লাস দেখায়।

LCMS হল মার্কিন যুক্তরাষ্ট্র জুড়ে ভূদৃশ্য পরিবর্তনের ম্যাপিং এবং পর্যবেক্ষণের জন্য একটি রিমোট সেন্সিং-ভিত্তিক সিস্টেম। এর উদ্দেশ্য হল ভূদৃশ্য পরিবর্তনের একটি "সর্বোত্তম উপলব্ধ" মানচিত্র তৈরি করার জন্য সর্বশেষ প্রযুক্তি এবং পরিবর্তন সনাক্তকরণের অগ্রগতি ব্যবহার করে একটি সামঞ্জস্যপূর্ণ পদ্ধতি বিকাশ করা।

আউটপুটগুলির মধ্যে তিনটি বার্ষিক পণ্য অন্তর্ভুক্ত রয়েছে: পরিবর্তন, ভূমি আচ্ছাদন এবং ভূমি ব্যবহার। পরিবর্তন বিশেষভাবে উদ্ভিদ আচ্ছাদনের সাথে সম্পর্কিত এবং ধীর ক্ষয়, দ্রুত ক্ষয় (যার মধ্যে জলবিদ্যুৎ পরিবর্তন যেমন প্লাবন বা শুষ্ককরণও অন্তর্ভুক্ত) এবং লাভ অন্তর্ভুক্ত। এই মানগুলি ল্যান্ডস্যাট সময় সিরিজের প্রতিটি বছরের জন্য পূর্বাভাসিত এবং LCMS-এর জন্য ভিত্তি পণ্য হিসাবে কাজ করে। ভূমি আচ্ছাদন এবং ভূমি ব্যবহারের মানচিত্রগুলি প্রতি বছরের জন্য জীবন-রূপ স্তরের ভূমি আচ্ছাদন এবং বিস্তৃত-স্তরের ভূমি ব্যবহার চিত্রিত করে।

যেহেতু কোনও অ্যালগরিদমই সকল পরিস্থিতিতে সেরা কাজ করে না, তাই LCMS ভবিষ্যদ্বাণীকারী হিসেবে মডেলের একটি সমষ্টি ব্যবহার করে, যা বিভিন্ন বাস্তুতন্ত্র এবং পরিবর্তন প্রক্রিয়া জুড়ে মানচিত্রের নির্ভুলতা উন্নত করে (Healey et al., 2018)। LCMS পরিবর্তন, ভূমি আচ্ছাদন এবং ভূমি ব্যবহারের মানচিত্রের ফলে সৃষ্ট স্যুট গত চার দশক ধরে মার্কিন যুক্তরাষ্ট্র জুড়ে ভূদৃশ্য পরিবর্তনের একটি সামগ্রিক চিত্র তুলে ধরে।

LCMS মডেলের জন্য ভবিষ্যদ্বাণীকারী স্তরগুলির মধ্যে রয়েছে LandTrendr এবং CCDC পরিবর্তন সনাক্তকরণ অ্যালগরিদম থেকে আউটপুট এবং ভূখণ্ডের তথ্য। এই উপাদানগুলি সমস্ত Google Earth Engine ব্যবহার করে অ্যাক্সেস এবং প্রক্রিয়াজাত করা হয় (Gorelick et al., 2017)।

CCDC-এর জন্য, CONUS-এর জন্য মার্কিন যুক্তরাষ্ট্রের ভূতাত্ত্বিক জরিপ (USGS) সংগ্রহ 2 ল্যান্ডস্যাট টিয়ার 1 পৃষ্ঠ প্রতিফলন ডেটা এবং SEAK, PRUSVI এবং HI-এর জন্য ল্যান্ডস্যাট টিয়ার 1 বায়ুমণ্ডল প্রতিফলন ডেটা ব্যবহার করা হয়েছিল। LandTrendr-এর জন্য বার্ষিক কম্পোজিট তৈরি করতে, USGS সংগ্রহ 2 ল্যান্ডস্যাট টিয়ার 1 এবং সেন্টিনেল 2A, 2B স্তর-1C বায়ুমণ্ডল প্রতিফলন ডেটা ব্যবহার করা হয়েছিল। cFmask ক্লাউড মাস্কিং অ্যালগরিদম (Foga et al., 2017), যা Fmask 2.0 (Zhu and Woodcock, 2012) (Landsat-only), cloudScore (Chastain et al., 2019) (Landsat-only), এবং s2cloudless (Sentinel-Hub, 2021) (Sentinel 2-only) এর একটি বাস্তবায়ন, মেঘকে ঢাকতে ব্যবহৃত হয়, যেখানে TDOM (Chastain et al., 2019) মেঘের ছায়া ঢাকতে ব্যবহৃত হয় (Landsat এবং Sentinel 2)। LandTrendr-এর জন্য, বার্ষিক মেডয়েড গণনা করা হয় প্রতি বছর থেকে মেঘ এবং মেঘের ছায়া-মুক্ত মানগুলিকে একটি একক কম্পোজিটে সংক্ষেপিত করার জন্য।

LandTrendr ব্যবহার করে যৌগিক সময় সিরিজটি অস্থায়ীভাবে ভাগ করা হয়েছে (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018)।

সমস্ত ক্লাউড এবং ক্লাউড ছায়ামুক্ত মানগুলিও CCDC অ্যালগরিদম ব্যবহার করে অস্থায়ীভাবে ভাগ করা হয়েছে (ঝু এবং উডকক, ২০১৪)।

১০ মিটার USGS 3D উচ্চতা প্রোগ্রাম (3DEP) তথ্য (US Geological Survey, 2019) থেকে কাঁচা যৌগিক মান, LandTrendr লাগানো মান, জোড়া-ভিত্তিক পার্থক্য, সেগমেন্টের সময়কাল, পরিবর্তনের মাত্রা এবং ঢাল, এবং CCDC 1 সেপ্টেম্বর সাইন এবং কোসাইন সহগ (প্রথম 3টি সুরেলা), লাগানো মান এবং জোড়া-ভিত্তিক পার্থক্য, উচ্চতা, ঢাল, দিকের সাইন, দিকের কোসাইন এবং টোপোগ্রাফিক অবস্থান সূচক (Weiss, 2001) সহ একটি র‍্যান্ডম ফরেস্ট (Breiman, 2001) মডেলে স্বাধীন ভবিষ্যদ্বাণীকারী চলক হিসাবে ব্যবহৃত হয়।

রেফারেন্স ডেটা সংগ্রহ করা হয় টাইমসিঙ্ক ব্যবহার করে, একটি ওয়েব-ভিত্তিক টুল যা বিশ্লেষকদের ১৯৮৪-বর্তমান ল্যান্ডস্যাট ডেটা রেকর্ড কল্পনা এবং ব্যাখ্যা করতে সাহায্য করে (কোহেন এট আল., ২০১০)।

অতিরিক্ত সম্পদ

LCMS ডেটা ব্যবহারের আরও বিস্তারিত কোড উদাহরণ ।
LCMS ডেটা এক্সপ্লোরার হল একটি ওয়েব-ভিত্তিক অ্যাপ্লিকেশন যা ব্যবহারকারীদের LCMS ডেটা দেখার, বিশ্লেষণ করার, সারসংক্ষেপ করার এবং ডাউনলোড করার ক্ষমতা প্রদান করে।
পদ্ধতি এবং নির্ভুলতা মূল্যায়ন সম্পর্কিত আরও বিস্তারিত তথ্যের জন্য অনুগ্রহ করে LCMS পদ্ধতি সংক্ষিপ্ত বিবরণ দেখুন, অথবা ডেটা ডাউনলোড, মেটাডেটা এবং সহায়তা নথির জন্য LCMS জিওডেটা ক্লিয়ারিংহাউস দেখুন ।

যেকোনো প্রশ্ন বা নির্দিষ্ট তথ্যের অনুরোধের জন্য [sm.fs.lcms@usda.gov] এ যোগাযোগ করুন।

ব্রেইম্যান, এল., ২০০১। র‍্যান্ডম ফরেস্টস। মেশিন লার্নিং-এ। স্প্রিংগার , ৪৫: ৫-৩২ doi:১০.১০২৩/এ:১০১০৯৩৩৪০৪৩২৪
চ্যাস্টেইন, আর., হাউসম্যান, আই., গোল্ডস্টেইন, জে., ফিনকো, এম., এবং টেনেসন, কে., ২০১৯। সেন্টিনেল-২এ এবং ২বি এমএসআই, ল্যান্ডস্যাট-৮ ওএলআই, এবং ল্যান্ডস্যাট-৭ ইটিএম এর সমসাময়িক মার্কিন যুক্তরাষ্ট্রের বায়ুমণ্ডলের বর্ণালী বৈশিষ্ট্যের শীর্ষের অভিজ্ঞতামূলক ক্রস সেন্সর তুলনা। পরিবেশের দূরবর্তী সংবেদনে। বিজ্ঞান সরাসরি , ২২১: ২৭৪-২৮৫ doi:১০.১০১৬/j.rse.২০১৮.১১.০১২
কোহেন, ডব্লিউবি, ইয়াং, জেড., এবং কেনেডি, আর., ২০১০। বার্ষিক ল্যান্ডস্যাট টাইম সিরিজ ব্যবহার করে বন বিপর্যয় এবং পুনরুদ্ধারের প্রবণতা সনাক্তকরণ: ২. টাইমসিঙ্ক - ক্রমাঙ্কন এবং বৈধকরণের জন্য সরঞ্জাম। পরিবেশের দূরবর্তী সংবেদনে। সায়েন্স ডাইরেক্ট , ১১৪(১২): ২৯১১-২৯২৪ doi:১০.১০১৬/j.rse.২০১০.০৭.০১০
কোহেন, ডব্লিউবি, ইয়াং, জেড., হিলি, এসপি, কেনেডি, আরই, এবং গোরেলিক, এন., ২০১৮। বনের ঝামেলা সনাক্তকরণের জন্য একটি ল্যান্ডট্রেন্ডার মাল্টিস্পেকট্রাল এনসেম্বল। পরিবেশের দূরবর্তী সংবেদনে। সায়েন্স ডাইরেক্ট , ২০৫: ১৩১-১৪০ doi:১০.১০১৬/j.rse.২০১৭.১১.০১৫
ফোগা, এস., স্কারামুজ্জা, পিএল, গুও, এস., ঝু, জেড., ডিলি, আরডি, বেকম্যান, টি., শ্মিট, জিএল, ডোয়ায়ার, জেএল, হিউজেস, এমজে, লাউ, বি., ২০১৭। ক্লাউড ডিটেকশন অ্যালগরিদম তুলনা এবং কার্যকরী ল্যান্ডস্যাট ডেটা পণ্যের বৈধতা। ইন রিমোট সেন্সিং অফ এনভায়রনমেন্ট। সায়েন্স ডাইরেক্ট , ১৯৪: ৩৭৯-৩৯০ doi:১০.১০১৬/j.rse.২০১৭.০৩.০২৬
মার্কিন ভূতাত্ত্বিক জরিপ, ২০১৯। ইউএসজিএস থ্রিডি এলিভেশন প্রোগ্রাম ডিজিটাল এলিভেশন মডেল, আগস্ট ২০২২ এ https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m এ অ্যাক্সেস করা হয়েছে।
হিলি, এসপি, কোহেন, ডব্লিউবি, ইয়াং, জেড., কেনেথ ব্রুয়ার, সি., ব্রুকস, ইবি, গোরেলিক, এন., হার্নান্দেজ, এজে, হুয়াং, সি., জোসেফ হিউজেস, এম., কেনেডি, আরই, লাভল্যান্ড, টিআর, মইসেন, জিজি, শ্রোডার, টিএ, স্টেহম্যান, এসভি, ভোগেলম্যান, জেই, উডকক, সিই, ইয়াং, এল., এবং ঝু, জেড., ২০১৮। স্ট্যাকড জেনারেলাইজেশন ব্যবহার করে বন পরিবর্তনের ম্যাপিং: একটি সমষ্টিগত পদ্ধতি। পরিবেশের দূরবর্তী সংবেদনে। সায়েন্স ডাইরেক্ট , ২০৪: ৭১৭-৭২৮ doi:১০.১০১৬/j.rse.২০১৭.০৯.০২৯
কেনেডি, আরই, ইয়াং, জেড., এবং কোহেন, ডব্লিউবি, ২০১০। বার্ষিক ল্যান্ডস্যাট টাইম সিরিজ ব্যবহার করে বন বিপর্যয় এবং পুনরুদ্ধারের প্রবণতা সনাক্তকরণ: ১. ল্যান্ডট্রেন্ডার - টেম্পোরাল সেগমেন্টেশন অ্যালগরিদম। পরিবেশের দূরবর্তী সংবেদনে। সায়েন্স ডাইরেক্ট , ১১৪(১২): ২৮৯৭-২৯১০ doi:১০.১০১৬/j.rse.২০১০.০৭.০০৮
কেনেডি, আর., ইয়াং, জে., গোরেলিক, এন., ব্রাটেন, জে., ক্যাভালক্যান্টে, এল., কোহেন, ডব্লিউ., এবং হিলি, এস., ২০১৮। গুগল আর্থ ইঞ্জিনে ল্যান্ডট্রেন্ডার অ্যালগরিদমের বাস্তবায়ন। রিমোট সেন্সিংয়ে। MDPI , 10(5): 691 doi:10.3390/rs10050691
সেন্টিনেল-হাব, ২০২১। সেন্টিনেল ২ ক্লাউড ডিটেক্টর। [অনলাইন]। এখানে পাওয়া যাবে: https://github.com/sentinel-hub/sentinel2-cloud-detector
ওয়েইস, এডি, ২০০১। ভূ-প্রকৃতির অবস্থান এবং ভূমিরূপ বিশ্লেষণ পোস্টার উপস্থাপনা, ইএসআরআই ব্যবহারকারী সম্মেলন, সান দিয়েগো, সিএজু, জেড., এবং উডকক, সিই (২০১২)। ল্যান্ডস্যাট চিত্রকল্পে বস্তু-ভিত্তিক মেঘ এবং মেঘের ছায়া সনাক্তকরণ। ১১৮: ৮৩-৯৪
ঝু, জেড., এবং উডকক, সিই, ২০১২। ল্যান্ডস্যাট চিত্রকল্পে বস্তু-ভিত্তিক মেঘ এবং মেঘের ছায়া সনাক্তকরণ। পরিবেশের দূরবর্তী সংবেদনে। বিজ্ঞান সরাসরি , ১১৮: ৮৩-৯৪ doi:১০.১০১৬/j.rse.২০১১.১০.০২৮
ঝু, জেড., এবং উডকক, সিই, ২০১৪। সমস্ত উপলব্ধ ল্যান্ডস্যাট ডেটা ব্যবহার করে ভূমি আচ্ছাদনের ক্রমাগত পরিবর্তন সনাক্তকরণ এবং শ্রেণীবিভাগ। পরিবেশের দূরবর্তী অনুধাবনে। বিজ্ঞান সরাসরি , ১৪৪: ১৫২-১৭১ doi:১০.১০১৬/j.rse.২০১৪.০১.০১১

ব্যান্ড

পিক্সেল আকার
৩০ মিটার

ব্যান্ড

নাম	পিক্সেল আকার	বিবরণ
`Change`	মিটার	চূড়ান্ত থিম্যাটিক LCMS পরিবর্তন পণ্য। প্রতি বছরের জন্য মোট তিনটি পরিবর্তন শ্রেণী (ধীর ক্ষতি, দ্রুত ক্ষতি এবং লাভ) ম্যাপ করা হয়। প্রতিটি শ্রেণীর জন্য একটি পৃথক র‍্যান্ডম ফরেস্ট মডেল ব্যবহার করে পূর্বাভাস দেওয়া হয়, যা একটি সম্ভাব্যতা (র‍্যান্ডম ফরেস্ট মডেলের মধ্যে গাছের অনুপাত) আউটপুট দেয় যে পিক্সেলটি সেই শ্রেণীর অন্তর্গত। এই কারণে, প্রতিটি পিক্সেলের প্রতি বছরের জন্য তিনটি ভিন্ন মডেল আউটপুট থাকে। চূড়ান্ত শ্রেণীগুলি পরিবর্তন শ্রেণীতে বরাদ্দ করা হয় যার সর্বোচ্চ সম্ভাবনা থাকে যা একটি নির্দিষ্ট থ্রেশহোল্ডের উপরেও থাকে। যে কোনও পিক্সেলের প্রতিটি শ্রেণীর সংশ্লিষ্ট থ্রেশহোল্ডের উপরে কোনও মান নেই তা স্থিতিশীল শ্রেণীতে বরাদ্দ করা হয়।
`Land_Cover`	মিটার	চূড়ান্ত থিম্যাটিক LCMS ভূমি আচ্ছাদন পণ্য। TimeSync রেফারেন্স ডেটা এবং Landsat চিত্র থেকে প্রাপ্ত বর্ণালী তথ্য ব্যবহার করে বার্ষিক ভিত্তিতে মোট ১৪টি ভূমি আচ্ছাদন শ্রেণী ম্যাপ করা হয়। প্রতিটি শ্রেণীর একটি পৃথক র‍্যান্ডম ফরেস্ট মডেল ব্যবহার করে ভবিষ্যদ্বাণী করা হয়, যা একটি সম্ভাব্যতা (র‍্যান্ডম ফরেস্ট মডেলের মধ্যে গাছের অনুপাত) আউটপুট করে যে পিক্সেলটি সেই শ্রেণীর অন্তর্গত। এই কারণে, প্রতিটি পিক্সেলের প্রতি বছরের জন্য ১৪টি ভিন্ন মডেল আউটপুট থাকে এবং চূড়ান্ত শ্রেণীগুলি সর্বোচ্চ সম্ভাব্যতা সহ ভূমি আচ্ছাদনের জন্য নির্ধারিত হয়। ১৪টি ভূমি আচ্ছাদন শ্রেণীর মধ্যে সাতটি একটি একক ভূমি আচ্ছাদন নির্দেশ করে, যেখানে সেই ভূমি আচ্ছাদন প্রকারটি পিক্সেলের বেশিরভাগ এলাকা জুড়ে থাকে এবং অন্য কোনও শ্রেণী পিক্সেলের ১০% এর বেশি জুড়ে না। আরও সাতটি মিশ্র শ্রেণী রয়েছে। এগুলি এমন পিক্সেলগুলিকে প্রতিনিধিত্ব করে যেখানে একটি অতিরিক্ত ভূমি আচ্ছাদন শ্রেণী পিক্সেলের কমপক্ষে ১০% জুড়ে থাকে।
`Land_Use`	মিটার	চূড়ান্ত বিষয়ভিত্তিক LCMS ভূমি ব্যবহারের পণ্য। TimeSync রেফারেন্স ডেটা এবং Landsat চিত্র থেকে প্রাপ্ত বর্ণালী তথ্য ব্যবহার করে বার্ষিক ভিত্তিতে মোট 6টি ভূমি ব্যবহারের শ্রেণী ম্যাপ করা হয়। প্রতিটি শ্রেণীর একটি পৃথক র‍্যান্ডম ফরেস্ট মডেল ব্যবহার করে পূর্বাভাস দেওয়া হয়, যা একটি সম্ভাব্যতা (র‍্যান্ডম ফরেস্ট মডেলের মধ্যে গাছের অনুপাত) আউটপুট দেয় যে পিক্সেলটি সেই শ্রেণীর অন্তর্গত। এই কারণে, প্রতিটি পিক্সেলের প্রতি বছরের জন্য 6টি ভিন্ন মডেল আউটপুট থাকে এবং চূড়ান্ত শ্রেণীগুলি সর্বোচ্চ সম্ভাব্যতা সহ ভূমি ব্যবহারের জন্য নির্ধারিত হয়।
`Change_Raw_Probability_Slow_Loss`	মিটার	Raw LCMS মডেলে স্লো লস এর সম্ভাব্যতা। সংজ্ঞায়িত করা হয়েছে: স্লো লস টাইমসিঙ্ক পরিবর্তন প্রক্রিয়া ব্যাখ্যা থেকে নিম্নলিখিত ক্লাসগুলি অন্তর্ভুক্ত করে- কাঠামোগত অবক্ষয় - এমন জমি যেখানে গাছ বা অন্যান্য কাঠের গাছপালা অ-মানব-উদ্ভূত বা অ-যান্ত্রিক কারণগুলির দ্বারা সৃষ্ট প্রতিকূল ক্রমবর্ধমান অবস্থার দ্বারা শারীরিকভাবে পরিবর্তিত হয়। এই ধরণের ক্ষতি সাধারণত বর্ণালী সংকেত (গুলি) তে একটি প্রবণতা তৈরি করে (যেমন NDVI হ্রাস, আর্দ্রতা হ্রাস; SWIR বৃদ্ধি; ইত্যাদি) তবে প্রবণতাটি সূক্ষ্ম হতে পারে। কাঠের গাছপালা পরিবেশে কাঠামোগত অবক্ষয় ঘটে, সম্ভবত পোকামাকড়, রোগ, খরা, অ্যাসিড বৃষ্টি ইত্যাদির কারণে। কাঠামোগত অবক্ষয়ের মধ্যে পত্রমোচনের ঘটনা অন্তর্ভুক্ত থাকতে পারে যা মৃত্যুর কারণ হয় না যেমন জিপসি মথ এবং স্প্রুস কুঁড়ি পোকার আক্রমণ যা 1 বা 2 বছরের মধ্যে পুনরুদ্ধার হতে পারে। বর্ণালী পতন - এমন একটি প্লট যেখানে বর্ণালী সংকেত এক বা একাধিক বর্ণালী ব্যান্ড বা সূচকে একটি প্রবণতা দেখায় (যেমন NDVI হ্রাস, আর্দ্রতা হ্রাস; SWIR বৃদ্ধি; ইত্যাদি)। উদাহরণগুলির মধ্যে রয়েছে এমন কিছু ক্ষেত্রে যেখানে: a) অ-বন/অ-কাঠের গাছপালা হ্রাসের ইঙ্গিত দেয় এমন একটি প্রবণতা দেখায় (যেমন NDVI হ্রাস, আর্দ্রতা হ্রাস; SWIR বৃদ্ধি; ইত্যাদি), অথবা b) যেখানে কাঠের গাছপালা হ্রাসের প্রবণতা দেখায় যা কাঠের গাছপালা হ্রাসের সাথে সম্পর্কিত নয়, যেমন যখন পরিপক্ক গাছের ছাউনি বন্ধ হয়ে যায় যার ফলে ছায়া বৃদ্ধি পায়, যখন প্রজাতির গঠন শঙ্কু থেকে কাঠের কাঠে পরিবর্তিত হয়, অথবা যখন একটি শুষ্ক সময়কাল (শক্তিশালী, আরও তীব্র খরার বিপরীতে) শক্তিতে স্পষ্ট হ্রাস ঘটায়, কিন্তু কাঠের উপাদান বা পাতার ক্ষেত্রের কোনও ক্ষতি হয় না।
`Change_Raw_Probability_Fast_Loss`	মিটার	Raw LCMS মডেলে ফাস্ট লস এর সম্ভাব্যতা। সংজ্ঞায়িত করা হয়েছে: ফাস্ট লস টাইমসিঙ্ক পরিবর্তন প্রক্রিয়া ব্যাখ্যা থেকে নিম্নলিখিত ক্লাসগুলি অন্তর্ভুক্ত করে- আগুন - আগুনের কারণে পরিবর্তিত জমি, অগ্নিকাণ্ডের কারণ (প্রাকৃতিক বা মানবসৃষ্ট), তীব্রতা, বা ভূমি ব্যবহার যাই হোক না কেন। ফসল কাটা - বনভূমি যেখানে গাছ, গুল্ম বা অন্যান্য গাছপালা মানবসৃষ্ট উপায়ে কেটে ফেলা হয়েছে বা অপসারণ করা হয়েছে। উদাহরণগুলির মধ্যে রয়েছে পরিষ্কার কাটা, আগুন বা পোকামাকড়ের প্রাদুর্ভাবের পরে গাছ কাটা, পাতলা করা এবং অন্যান্য বন ব্যবস্থাপনার ব্যবস্থা (যেমন আশ্রয় কাঠ/বীজ গাছ কাটা)। যান্ত্রিক - বন-বহির্ভূত জমি যেখানে গাছ, গুল্ম বা অন্যান্য গাছপালা যান্ত্রিকভাবে কেটে ফেলা হয়েছে বা শিকল দিয়ে বেঁধে, স্ক্র্যাপ করে, ব্রাশ করাত করে, বুলডোজার দিয়ে বা বন-বহির্ভূত গাছপালা অপসারণের অন্য কোনও পদ্ধতি ব্যবহার করে অপসারণ করা হয়েছে। বাতাস/বরফ - জমি (ব্যবহার নির্বিশেষে) যেখানে হারিকেন, টর্নেডো, ঝড় এবং বরফ ঝড়ের কারণে জমাট বাঁধা বৃষ্টি সহ অন্যান্য তীব্র আবহাওয়ার কারণে গাছপালা পরিবর্তিত হয়। জলবিদ্যা - এমন জমি যেখানে বন্যার ফলে কাঠের আচ্ছাদন বা অন্যান্য ভূমি আচ্ছাদন উপাদান উল্লেখযোগ্যভাবে পরিবর্তিত হয়েছে, ভূমির ব্যবহার নির্বিশেষে (যেমন বন্যার পরে স্রোতের ধারে এবং তার আশেপাশে নুড়ি এবং গাছপালার নতুন মিশ্রণ)। ধ্বংসাবশেষ - ভূমিধস, তুষারধ্বস, আগ্নেয়গিরি, ধ্বংসাবশেষের প্রবাহ ইত্যাদির সাথে সম্পর্কিত প্রাকৃতিক উপাদানের চলাচলের ফলে পরিবর্তিত জমি (ব্যবহার নির্বিশেষে)। অন্যান্য - জমি (ব্যবহার নির্বিশেষে) যেখানে বর্ণালী প্রবণতা বা অন্যান্য সহায়ক প্রমাণ ইঙ্গিত দেয় যে কোনও ব্যাঘাত বা পরিবর্তনের ঘটনা ঘটেছে কিন্তু নির্দিষ্ট কারণ নির্ধারণ করা যায়নি বা পরিবর্তনের ধরণ উপরে সংজ্ঞায়িত পরিবর্তন প্রক্রিয়ার কোনও বিভাগ পূরণ করতে ব্যর্থ হয়েছে।
`Change_Raw_Probability_Gain`	মিটার	কাঁচা এলসিএমএস মডেলে লাভের সম্ভাব্যতা। সংজ্ঞায়িত করা হয়েছে: এক বা একাধিক বছর ধরে বৃদ্ধি এবং ধারাবাহিকতার কারণে গাছপালা আচ্ছাদনের বৃদ্ধি প্রদর্শনকারী জমি। গাছপালা পুনরুত্থানের সাথে সম্পর্কিত বর্ণালী পরিবর্তন প্রকাশ করতে পারে এমন যেকোনো এলাকার জন্য প্রযোজ্য। উন্নত অঞ্চলে, পরিপক্ক গাছপালা এবং/অথবা নতুন স্থাপিত লন এবং ল্যান্ডস্কেপিংয়ের ফলে বৃদ্ধি পেতে পারে। বনে, বৃদ্ধির মধ্যে খালি মাটি থেকে গাছপালা বৃদ্ধি, সেইসাথে মধ্যবর্তী এবং সহ-প্রধান গাছ এবং/অথবা নিম্ন-ঘাস এবং গুল্মগুলির ওভারটপিং অন্তর্ভুক্ত থাকে। বন কাটার পরে রেকর্ড করা বৃদ্ধি/পুনরুদ্ধার অংশগুলি সম্ভবত বন পুনরুত্পাদন হওয়ার সাথে সাথে বিভিন্ন ভূমি আচ্ছাদন শ্রেণীর মধ্য দিয়ে স্থানান্তরিত হবে। এই পরিবর্তনগুলিকে বৃদ্ধি/পুনরুদ্ধার হিসাবে বিবেচনা করার জন্য, বর্ণালী মানগুলিকে একটি ক্রমবর্ধমান প্রবণতা রেখার সাথে ঘনিষ্ঠভাবে মেনে চলতে হবে (যেমন একটি ইতিবাচক ঢাল যা ~20 বছর পর্যন্ত বাড়ানো হলে, NDVI এর .10 ইউনিটের ক্রমানুসারে হবে) যা বেশ কয়েক বছর ধরে স্থায়ী হয়।
`Land_Cover_Raw_Probability_Trees`	মিটার	কাঁচা এলসিএমএস মডেলে গাছের সম্ভাব্যতা। সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ জীবিত বা স্থায়ী মৃত গাছ দ্বারা গঠিত।
`Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix`	মিটার	কাঁচা LCMS মডেলে লম্বা গুল্ম এবং গাছের মিশ্রণের সম্ভাব্যতা (শুধুমাত্র SEAK)। সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ ১ মিটারের বেশি উচ্চতার গুল্ম দ্বারা গঠিত এবং কমপক্ষে ১০% জীবিত বা স্থায়ী মৃত গাছও রয়েছে।
`Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix`	মিটার	কাঁচা LCMS মডেলে ঝোপঝাড় এবং গাছের মিশ্রণের সম্ভাব্যতা। সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ ঝোপঝাড় দ্বারা গঠিত এবং কমপক্ষে 10% জীবিত বা স্থায়ী মৃত গাছ দ্বারা গঠিত।
`Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix`	মিটার	কাঁচা এলসিএমএস মডেলে ঘাস/জঙ্গল/গুল্ম এবং গাছের মিশ্রণের সম্ভাব্যতা। সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ বহুবর্ষজীবী ঘাস, জঙ্গল, অথবা অন্যান্য ধরণের ভেষজ উদ্ভিদ দ্বারা গঠিত এবং কমপক্ষে ১০% জীবিত বা স্থায়ী মৃত গাছও রয়েছে।
`Land_Cover_Raw_Probability_Barren-and-Trees-Mix`	মিটার	কাঁচা এলসিএমএস মডেলে অনুর্বর এবং গাছের মিশ্রণের সম্ভাব্যতা। সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশই বিশৃঙ্খলার কারণে উন্মুক্ত খালি মাটি (যেমন, যান্ত্রিক পরিষ্কার বা বন কাটার ফলে উন্মুক্ত মাটি), সেইসাথে মরুভূমি, প্লেয়া, শিলা আউটক্রপিং (পৃষ্ঠ খনির কার্যকলাপের ফলে উন্মুক্ত খনিজ এবং অন্যান্য ভূতাত্ত্বিক উপকরণ সহ), বালির টিলা, লবণাক্ত সমতল এবং সৈকতের মতো বহুবর্ষজীবী অনুর্বর এলাকা দ্বারা গঠিত। ময়লা এবং নুড়ি দিয়ে তৈরি রাস্তাগুলিকেও অনুর্বর বলে মনে করা হয় এবং কমপক্ষে 10% জীবিত বা দাঁড়িয়ে থাকা মৃত গাছ দ্বারা গঠিত।
`Land_Cover_Raw_Probability_Tall-Shrubs`	মিটার	কাঁচা LCMS মডেলে লম্বা গুল্মের সম্ভাব্যতা (শুধুমাত্র SEAK)। সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ ১ মিটারের বেশি উচ্চতার গুল্ম দ্বারা গঠিত।
`Land_Cover_Raw_Probability_Shrubs`	মিটার	কাঁচা এলসিএমএস মডেলে গুল্মের সম্ভাব্যতা। সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ গুল্ম দ্বারা গঠিত।
`Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix`	মিটার	কাঁচা এলসিএমএস মডেলে ঘাস/ফর্ব/ভেষজ এবং গুল্ম মিশ্রণের সম্ভাব্যতা। সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ বহুবর্ষজীবী ঘাস, ফর্বস, অথবা অন্যান্য ধরণের ভেষজ উদ্ভিদ দ্বারা গঠিত এবং কমপক্ষে ১০% গুল্ম দ্বারাও গঠিত।
`Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix`	মিটার	কাঁচা এলসিএমএস মডেলে অনুর্বর এবং গুল্ম মিশ্রণের সম্ভাব্যতা। সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশই বিশৃঙ্খলার কারণে উন্মুক্ত খালি মাটি (যেমন, যান্ত্রিক পরিষ্কার বা বন ফসল কাটার ফলে উন্মুক্ত মাটি), পাশাপাশি মরুভূমি, প্লেয়া, শিলা আউটক্রপিং (পৃষ্ঠ খনির কার্যকলাপের ফলে উন্মুক্ত খনিজ এবং অন্যান্য ভূতাত্ত্বিক উপকরণ সহ), বালির টিলা, লবণাক্ত সমতল এবং সৈকতের মতো বহুবর্ষজীবী অনুর্বর এলাকা দ্বারা গঠিত। মাটি এবং নুড়ি দিয়ে তৈরি রাস্তাগুলিকেও অনুর্বর বলে মনে করা হয় এবং কমপক্ষে 10% গুল্মও রয়েছে।
`Land_Cover_Raw_Probability_Grass-Forb-Herb`	মিটার	কাঁচা এলসিএমএস মডেলে ঘাস/জঙ্গল/জঙ্গলের সম্ভাব্যতা সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ বহুবর্ষজীবী ঘাস, জঙ্গল, অথবা অন্যান্য ধরণের ভেষজ উদ্ভিদ দ্বারা গঠিত।
`Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix`	মিটার	কাঁচা এলসিএমএস মডেলে অনুর্বর এবং ঘাস/জঙ্গল/ভেষজ মিশ্রণের সম্ভাব্যতা। সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশই বিশৃঙ্খলার কারণে উন্মুক্ত খালি মাটি (যেমন, যান্ত্রিক পরিষ্কার বা বন ফসলের ফলে উন্মুক্ত মাটি), সেইসাথে মরুভূমি, প্লেয়া, শিলা আউটক্রপিং (পৃষ্ঠ খনির কার্যকলাপের ফলে উন্মুক্ত খনিজ এবং অন্যান্য ভূতাত্ত্বিক উপকরণ সহ), বালির টিলা, লবণাক্ত সমতল এবং সৈকতের মতো বহুবর্ষজীবী অনুর্বর এলাকা দ্বারা গঠিত। ময়লা এবং নুড়ি দিয়ে তৈরি রাস্তাগুলিকেও অনুর্বর বলে মনে করা হয় এবং কমপক্ষে 10% বহুবর্ষজীবী ঘাস, জঙ্গল, বা অন্যান্য ধরণের ভেষজ উদ্ভিদ দ্বারা গঠিত।
`Land_Cover_Raw_Probability_Barren-or-Impervious`	মিটার	কাঁচা এলসিএমএস মডেল অনুর্বর বা অপ্রতিরোধ্যের সম্ভাব্যতা। সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশে রয়েছে ১) বিশৃঙ্খলার ফলে উন্মুক্ত খালি মাটি (যেমন, যান্ত্রিক পরিষ্কার বা বন কাটার ফলে উন্মুক্ত মাটি), সেইসাথে মরুভূমি, প্লেয়া, শিলা আউটক্রপিং (পৃষ্ঠ খনির কার্যকলাপের ফলে উন্মুক্ত খনিজ এবং অন্যান্য ভূতাত্ত্বিক উপকরণ সহ), বালির টিলা, লবণাক্ত সমতল এবং সৈকতের মতো বহুবর্ষজীবী অনুর্বর এলাকা। ময়লা এবং নুড়ি দিয়ে তৈরি রাস্তাগুলিকেও অনুর্বর বলে মনে করা হয় অথবা ২) মানুষের তৈরি উপকরণ যা পানি প্রবেশ করতে পারে না, যেমন পাকা রাস্তা, ছাদ এবং পার্কিং লট।
`Land_Cover_Raw_Probability_Snow-or-Ice`	মিটার	কাঁচা এলসিএমএস মডেলে তুষার বা বরফের সম্ভাব্যতা। সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ তুষার বা বরফ দিয়ে তৈরি।
`Land_Cover_Raw_Probability_Water`	মিটার	কাঁচা এলসিএমএস মডেলে পানির সম্ভাব্যতা। সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশই জল দিয়ে গঠিত।
`Land_Use_Raw_Probability_Agriculture`	মিটার	কাঁচা এলসিএমএস মডেলে কৃষির সম্ভাব্যতা। সংজ্ঞায়িত করা হয়েছে: খাদ্য, আঁশ এবং জ্বালানি উৎপাদনের জন্য ব্যবহৃত জমি যা হয় উদ্ভিদযুক্ত বা অ-উদ্ভিদযুক্ত অবস্থায় থাকে। এর মধ্যে রয়েছে চাষাবাদকৃত এবং অকর্ষিত ফসলি জমি, খড়ের জমি, বাগান, দ্রাক্ষাক্ষেত্র, সীমিত পশুপালন কার্যক্রম এবং ফল, বাদাম বা বেরি উৎপাদনের জন্য রোপিত এলাকা। মূলত কৃষি ব্যবহারের জন্য ব্যবহৃত রাস্তা (অর্থাৎ শহর থেকে শহরে গণপরিবহনের জন্য ব্যবহৃত হয় না) কৃষি জমির ব্যবহার হিসাবে বিবেচিত হয়।
`Land_Use_Raw_Probability_Developed`	মিটার	কাঁচা এলসিএমএস মডেলে বিকশিত সম্ভাব্যতাকে এভাবে সংজ্ঞায়িত করা হয়েছে: মানুষের তৈরি কাঠামো (যেমন উচ্চ ঘনত্বের আবাসিক, বাণিজ্যিক, শিল্প, খনি বা পরিবহন), অথবা গাছপালা (গাছ সহ) এবং কাঠামো (যেমন, কম ঘনত্বের আবাসিক, লন, বিনোদনমূলক সুবিধা, কবরস্থান, পরিবহন এবং ইউটিলিটি করিডোর, ইত্যাদি) উভয়ের মিশ্রণ, যার মধ্যে মানব কার্যকলাপ দ্বারা কার্যকরীভাবে পরিবর্তিত যেকোনো জমি অন্তর্ভুক্ত।
`Land_Use_Raw_Probability_Forest`	মিটার	কাঁচা এলসিএমএস মডেলে বনের সম্ভাব্যতা। সংজ্ঞায়িত করা হয়েছে: এমন জমি যা রোপণ করা হয় বা প্রাকৃতিকভাবে গাছপালাযুক্ত এবং যেখানে নিকট-মেয়াদী ধারাবাহিক ক্রম অনুসারে কোনও সময়ে ১০% বা তার বেশি বৃক্ষরোপণ থাকে (অথবা ধারণ করার সম্ভাবনা থাকে)। এর মধ্যে পর্ণমোচী, চিরসবুজ এবং/অথবা মিশ্র প্রাকৃতিক বন, বন রোপণ এবং কাঠের জলাভূমি অন্তর্ভুক্ত থাকতে পারে।
`Land_Use_Raw_Probability_Non-Forest-Wetland`	মিটার	অ-বনজ জলাভূমির সম্ভাব্যতা কাঁচা এলসিএমএস মডেল অনুসারে। সংজ্ঞায়িত করা হয়েছে: দৃশ্যমান জলস্তরের সংলগ্ন বা এর মধ্যে (স্থায়ীভাবে বা ঋতুগতভাবে পরিপূর্ণ) যেখানে ঝোপঝাড় বা স্থায়ী উদীয়মান উদ্ভিদের আধিপত্য রয়েছে। এই জলাভূমিগুলি হ্রদ, নদীনালা বা মোহনার তীরে অবস্থিত হতে পারে; নদীর প্লাবনভূমিতে; বিচ্ছিন্ন জলাভূমিতে; অথবা ঢালে। এগুলি কৃষিক্ষেত্রে প্রেইরি গর্ত, নিষ্কাশন খাদ এবং মজুদ পুকুর হিসাবেও দেখা দিতে পারে এবং হ্রদ বা নদীর মাঝখানে দ্বীপ হিসাবেও দেখা দিতে পারে। অন্যান্য উদাহরণগুলির মধ্যে রয়েছে জলাভূমি, জলাভূমি, জলাভূমি, জলাভূমি, মাস্কেগ, স্লো, বেড়া এবং বেউস।
`Land_Use_Raw_Probability_Other`	মিটার	কাঁচা এলসিএমএস মডেলের সম্ভাব্যতা অন্যান্য। সংজ্ঞায়িত করা হয়েছে: জমি (ব্যবহার নির্বিশেষে) যেখানে বর্ণালী প্রবণতা বা অন্যান্য সহায়ক প্রমাণ ইঙ্গিত দেয় যে কোনও ব্যাঘাত বা পরিবর্তনের ঘটনা ঘটেছে কিন্তু নির্দিষ্ট কারণ নির্ধারণ করা যায় না বা পরিবর্তনের ধরণ উপরে সংজ্ঞায়িত কোনও পরিবর্তন প্রক্রিয়া বিভাগ পূরণ করতে ব্যর্থ হয়।
`Land_Use_Raw_Probability_Rangeland-or-Pasture`	মিটার	কাঁচা এলসিএমএস মডেলে রঞ্জল্যান্ড বা চারণভূমির সম্ভাব্যতা। সংজ্ঞায়িত করা হয়েছে: এই শ্রেণীতে এমন যেকোনো এলাকা অন্তর্ভুক্ত যা হয় a.) রেঞ্জল্যান্ড, যেখানে গাছপালা হল স্থানীয় ঘাস, গুল্ম, জঙ্গল এবং ঘাসের মতো উদ্ভিদের মিশ্রণ যা মূলত বৃষ্টিপাত, তাপমাত্রা, উচ্চতা এবং আগুনের মতো প্রাকৃতিক কারণ এবং প্রক্রিয়া থেকে উদ্ভূত হয়, যদিও সীমিত ব্যবস্থাপনায় গৃহপালিত এবং বন্য তৃণভোজীদের দ্বারা নির্ধারিত পোড়ানো এবং চারণ অন্তর্ভুক্ত থাকতে পারে; অথবা b.) চারণভূমি, যেখানে গাছপালা মিশ্র, মূলত প্রাকৃতিক ঘাস, জঙ্গল এবং ভেষজ থেকে শুরু করে আরও পরিচালিত উদ্ভিদ পর্যন্ত হতে পারে যা ঘাসের প্রজাতির দ্বারা প্রভাবিত যা বীজ বপন করা হয়েছে এবং কাছাকাছি এক-চাষ বজায় রাখার জন্য পরিচালিত হয়েছে।
`QA_Bits`	মিটার	বার্ষিক LCMS পণ্য আউটপুট মানের উৎপত্তি সম্পর্কে আনুষঙ্গিক তথ্য।
QA_Bits এর জন্য বিটমাস্ক বিট ০: পিক্সেলটি ইন্টারপোলেট করা আছে কিনা। ০: ইন্টারপোলেটেড ১: ইন্টারপোলেট করা হয়নি বিট ১-৫: পিক্সেলটি কোন সেন্সর থেকে এসেছে। ৪: ল্যান্ডস্যাট ৪ ৫: ল্যান্ডস্যাট ৫ ৭: ল্যান্ডস্যাট ৭ ৮: ল্যান্ডস্যাট ৮ ৯: ল্যান্ডস্যাট ৯ ২১: সেন্টিনেল ২এ ২২: সেন্টিনেল ২বি বিট ৬-১৪: কোন জুলিয়ান দিবস থেকে পিক্সেলটি এসেছে (১-৩৬৫)।

ক্লাস টেবিল পরিবর্তন করুন

মূল্য	রঙ	বিবরণ
১	#3d4551	স্থিতিশীল
২	#f39268 এর বিবরণ	ধীর ক্ষতি
৩	#d54309 সম্পর্কে	দ্রুত ক্ষতি
৪	#০০এ৩৯৮	লাভ
৫	#১বি১৭১৬	নন-প্রসেসিং এরিয়া মাস্ক

ল্যান্ড_কভার ক্লাস টেবিল

মূল্য	রঙ	বিবরণ
১	#০০৫ই০০	গাছ
২	#০০৮০০০	লম্বা গুল্ম এবং গাছের মিশ্রণ (শুধুমাত্র সমুদ্রপৃষ্ঠের জন্য)
৩	#০০সিসি০০	গুল্ম ও গাছের মিশ্রণ
৪	#b3ff1a সম্পর্কে	ঘাস/কাঁঠাল/ভেষজ ও গাছের মিশ্রণ
৫	#৯৯এফ৯৯	অনুর্বর ও গাছের মিশ্রণ
৬	#b30088 সম্পর্কে	লম্বা গুল্ম (শুধুমাত্র সমুদ্রতীরবর্তী)
৭	#e68a00	গুল্ম
৮	#ফাড৩৩	ঘাস/কাঁঠাল/ভেষজ ও গুল্মের মিশ্রণ
৯	#ফে0বি৩	অনুর্বর ও ঝোপঝাড়ের মিশ্রণ
১০	#ffff00	ঘাস/কাঁঠাল/ভেষজ
১১	#aa7700 এর বিবরণ	অনুর্বর ও ঘাস/ফর্ব/ভেষজ মিশ্রণ
১২	#d3bf9b এর বিবরণ	অনুর্বর বা অভেদ্য
১৩	#ফফফফ	তুষার অথবা বরফ
১৪	#৪৭৮০এফ৩	জল
১৫	#১বি১৭১৬	নন-প্রসেসিং এরিয়া মাস্ক

ভূমি ব্যবহারের ক্লাস টেবিল

মূল্য	রঙ	বিবরণ
১	#efff6b সম্পর্কে	কৃষি
২	#ff2ff8 এর বিবরণ	উন্নত
৩	#১বি৯ডি০সি	বন।
৪	#৯৭ফফফ	অ-বন জলাভূমি
৫	#a1a1a1	অন্যান্য
৬	#c2b34a সম্পর্কে	রেঞ্জল্যান্ড বা চারণভূমি
৭	#১বি১৭১৬	নন-প্রসেসিং এরিয়া মাস্ক

ছবির বৈশিষ্ট্য

ছবির বৈশিষ্ট্য

নাম	আদর্শ	বিবরণ
অধ্যয়নের_ক্ষেত্র	স্ট্রিং	LCMS বর্তমানে মার্কিন যুক্তরাষ্ট্র, দক্ষিণ-পূর্ব আলাস্কা, পুয়ের্তো রিকো-মার্কিন ভার্জিন দ্বীপপুঞ্জ এবং হাওয়াই জুড়ে কাজ করে। এই সংস্করণে মার্কিন যুক্তরাষ্ট্র, দক্ষিণ-পূর্ব আলাস্কা, পুয়ের্তো রিকো-মার্কিন ভার্জিন দ্বীপপুঞ্জ এবং হাওয়াই জুড়ে আউটপুট রয়েছে। সম্ভাব্য মান: 'CONUS, SEAK, PRUSVI, HI'
বছর	আইএনটি	পণ্যের বছর

ব্যবহারের শর্তাবলী

ব্যবহারের শর্তাবলী

ইউএসডিএ ফরেস্ট সার্ভিস কোনও নির্দিষ্ট উদ্দেশ্যে ব্যবসায়িকতা এবং উপযুক্ততার ওয়ারেন্টি সহ কোনও প্রকাশ্য বা অন্তর্নিহিত ওয়ারেন্টি দেয় না, অথবা এই ভূ-স্থানিক তথ্যের নির্ভুলতা, নির্ভরযোগ্যতা, সম্পূর্ণতা বা উপযোগিতা, অথবা এই ভূ-স্থানিক তথ্যের অনুপযুক্ত বা ভুল ব্যবহারের জন্য কোনও আইনি দায় বা দায়িত্ব গ্রহণ করে না। এই ভূ-স্থানিক তথ্য এবং সম্পর্কিত মানচিত্র বা গ্রাফিক্স আইনি নথি নয় এবং সেভাবে ব্যবহারের উদ্দেশ্যে নয়। তথ্য এবং মানচিত্রগুলি মালিকানা, মালিকানা, আইনি বর্ণনা বা সীমানা, আইনি এখতিয়ার, বা সরকারী বা ব্যক্তিগত জমিতে প্রযোজ্য বিধিনিষেধ নির্ধারণ করতে ব্যবহার করা যাবে না। প্রাকৃতিক বিপদগুলি তথ্য এবং মানচিত্রে চিত্রিত হতে পারে বা নাও হতে পারে এবং ভূমি ব্যবহারকারীদের যথাযথ সতর্কতা অবলম্বন করা উচিত। তথ্যগুলি গতিশীল এবং সময়ের সাথে সাথে পরিবর্তিত হতে পারে। ব্যবহারকারীর দায়িত্ব ভূ-স্থানিক তথ্যের সীমাবদ্ধতা যাচাই করা এবং সেই অনুযায়ী তথ্য ব্যবহার করা।

এই তথ্যগুলি মার্কিন সরকারের তহবিল ব্যবহার করে সংগ্রহ করা হয়েছে এবং অতিরিক্ত অনুমতি বা ফি ছাড়াই ব্যবহার করা যেতে পারে। আপনি যদি এই তথ্যগুলি কোনও প্রকাশনা, উপস্থাপনা বা অন্যান্য গবেষণা পণ্যে ব্যবহার করেন তবে দয়া করে নিম্নলিখিত উদ্ধৃতি ব্যবহার করুন:

USDA বন পরিষেবা। ২০২৩। USFS ল্যান্ডস্কেপ পরিবর্তন পর্যবেক্ষণ ব্যবস্থা v2022.8 (সামঞ্জস্যপূর্ণ মার্কিন যুক্তরাষ্ট্র এবং দক্ষিণ-পূর্ব আলাস্কা)। সল্ট লেক সিটি, উটাহ।

উদ্ধৃতি

USDA বন পরিষেবা। ২০২৩। USFS ল্যান্ডস্কেপ পরিবর্তন পর্যবেক্ষণ ব্যবস্থা v2022.8 (সামঞ্জস্যপূর্ণ মার্কিন যুক্তরাষ্ট্র এবং দক্ষিণ-পূর্ব আলাস্কা)। সল্ট লেক সিটি, উটাহ।

আর্থ ইঞ্জিনের সাহায্যে ঘুরে দেখুন

গুরুত্বপূর্ণ: আর্থ ইঞ্জিন হল পেটাবাইট-স্কেল বৈজ্ঞানিক বিশ্লেষণ এবং ভূ-স্থানিক ডেটাসেটের ভিজ্যুয়ালাইজেশনের জন্য একটি প্ল্যাটফর্ম, যা জনসাধারণের সুবিধার জন্য এবং ব্যবসা ও সরকারী ব্যবহারকারীদের জন্যও প্রযোজ্য। আর্থ ইঞ্জিন গবেষণা, শিক্ষা এবং অলাভজনক ব্যবহারের জন্য বিনামূল্যে ব্যবহার করা যেতে পারে। শুরু করতে, অনুগ্রহ করে আর্থ ইঞ্জিন অ্যাক্সেসের জন্য নিবন্ধন করুন।

কোড এডিটর (জাভাস্ক্রিপ্ট)

var dataset = ee.ImageCollection('USFS/GTAC/LCMS/v2022-8');

var lcms = dataset.filterDate('2020', '2021')  // range: [1985, 2022]
               .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);

কোড এডিটরে খুলুন

USFS ল্যান্ডস্কেপ পরিবর্তন পর্যবেক্ষণ সিস্টেম v2022.8 (CONUS এবং OCONUS) [অবঞ্চিত]

এই পণ্যটি ল্যান্ডস্কেপ চেঞ্জ মনিটরিং সিস্টেম (LCMS) ডেটা স্যুটের অংশ। এটি CONUS এবং OCONUS-এর জন্য প্রতি বছরের জন্য LCMS-মডেলযুক্ত পরিবর্তন, ভূমি আচ্ছাদন এবং/অথবা ভূমি ব্যবহারের ক্লাস দেখায়। LCMS হল মার্কিন যুক্তরাষ্ট্র জুড়ে ল্যান্ডস্কেপ পরিবর্তনের ম্যাপিং এবং পর্যবেক্ষণের জন্য একটি রিমোট সেন্সিং-ভিত্তিক সিস্টেম। এর উদ্দেশ্য ...

USFS/GTAC/LCMS/v2022-8, পরিবর্তন, পরিবর্তন-সনাক্তকরণ, বন, gtac, ভূমিকম্প, ভূমিস্যাট-প্রাপ্ত, ভূমিব্যবহার, ভূমিকম্প-প্রাপ্ত, রেডক্যাসল-সম্পদ, rmrs, sentinel2-প্রাপ্ত, সময়-সিরিজ, usda, usfs

1985-01-01T00:00:00Z/2022-12-31T00:00:00Z

২০.৩৮৩৭৯ -১৩৫.২৮৬৩৮৭ ৫২.৪৫৯৩৬৪ -৫৬.৪৪৬৩০৬

গুগল আর্থ ইঞ্জিন

https://developers.google.com/earth-engine/datasets

ডেটাসেটের উপলভ্যতা: 1985-01-01T00:00:00Z–2022-12-31T00:00:00Z
ডেটাসেট প্রদানকারী: ইউএসডিএ ফরেস্ট সার্ভিস (ইউএসএফএস) জিওস্পেশিয়াল টেকনোলজি অ্যান্ড অ্যাপ্লিকেশন সেন্টার (জিটিএসি)

ট্যাগ: পরিবর্তন

পরিবর্তন-সনাক্তকরণ

বন।

জিটিএসি

ভূমি আচ্ছাদন

ল্যান্ডস্যাট-প্রাপ্ত

ভূমি ব্যবহার

ভূমি ব্যবহার-ভূমি আচ্ছাদন

এলসিএমএস

রেডক্যাসল-রিসোর্সেস

আরএমআরএস

সেন্টিনেল২-প্রাপ্ত

সময়-ধারাবাহিক

ইউএসডিএ

ইউএসএফএস

বিবরণ

অতিরিক্ত সম্পদ

LCMS ডেটা ব্যবহারের আরও বিস্তারিত কোড উদাহরণ ।
LCMS ডেটা এক্সপ্লোরার হল একটি ওয়েব-ভিত্তিক অ্যাপ্লিকেশন যা ব্যবহারকারীদের LCMS ডেটা দেখার, বিশ্লেষণ করার, সারসংক্ষেপ করার এবং ডাউনলোড করার ক্ষমতা প্রদান করে।
পদ্ধতি এবং নির্ভুলতা মূল্যায়ন সম্পর্কিত আরও বিস্তারিত তথ্যের জন্য অনুগ্রহ করে LCMS পদ্ধতি সংক্ষিপ্ত বিবরণ দেখুন, অথবা ডেটা ডাউনলোড, মেটাডেটা এবং সহায়তা নথির জন্য LCMS জিওডেটা ক্লিয়ারিংহাউস দেখুন ।

যেকোনো প্রশ্ন বা নির্দিষ্ট তথ্যের অনুরোধের জন্য [sm.fs.lcms@usda.gov] এ যোগাযোগ করুন।

ব্রেইম্যান, এল., ২০০১। র‍্যান্ডম ফরেস্টস। মেশিন লার্নিং-এ। স্প্রিংগার , ৪৫: ৫-৩২ doi:১০.১০২৩/এ:১০১০৯৩৩৪০৪৩২৪
চ্যাস্টেইন, আর., হাউসম্যান, আই., গোল্ডস্টেইন, জে., ফিনকো, এম., এবং টেনেসন, কে., ২০১৯। সেন্টিনেল-২এ এবং ২বি এমএসআই, ল্যান্ডস্যাট-৮ ওএলআই, এবং ল্যান্ডস্যাট-৭ ইটিএম এর সমসাময়িক মার্কিন যুক্তরাষ্ট্রের বায়ুমণ্ডলের বর্ণালী বৈশিষ্ট্যের শীর্ষের অভিজ্ঞতামূলক ক্রস সেন্সর তুলনা। পরিবেশের দূরবর্তী সংবেদনে। বিজ্ঞান সরাসরি , ২২১: ২৭৪-২৮৫ doi:১০.১০১৬/j.rse.২০১৮.১১.০১২
কোহেন, ডব্লিউবি, ইয়াং, জেড., এবং কেনেডি, আর., ২০১০। বার্ষিক ল্যান্ডস্যাট টাইম সিরিজ ব্যবহার করে বন বিপর্যয় এবং পুনরুদ্ধারের প্রবণতা সনাক্তকরণ: ২. টাইমসিঙ্ক - ক্রমাঙ্কন এবং বৈধকরণের জন্য সরঞ্জাম। পরিবেশের দূরবর্তী সংবেদনে। সায়েন্স ডাইরেক্ট , ১১৪(১২): ২৯১১-২৯২৪ doi:১০.১০১৬/j.rse.২০১০.০৭.০১০
কোহেন, ডব্লিউবি, ইয়াং, জেড., হিলি, এসপি, কেনেডি, আরই, এবং গোরেলিক, এন., ২০১৮। বনের ঝামেলা সনাক্তকরণের জন্য একটি ল্যান্ডট্রেন্ডার মাল্টিস্পেকট্রাল এনসেম্বল। পরিবেশের দূরবর্তী সংবেদনে। সায়েন্স ডাইরেক্ট , ২০৫: ১৩১-১৪০ doi:১০.১০১৬/j.rse.২০১৭.১১.০১৫
ফোগা, এস., স্কারামুজ্জা, পিএল, গুও, এস., ঝু, জেড., ডিলি, আরডি, বেকম্যান, টি., শ্মিট, জিএল, ডোয়ায়ার, জেএল, হিউজেস, এমজে, লাউ, বি., ২০১৭। ক্লাউড ডিটেকশন অ্যালগরিদম তুলনা এবং কার্যকরী ল্যান্ডস্যাট ডেটা পণ্যের বৈধতা। ইন রিমোট সেন্সিং অফ এনভায়রনমেন্ট। সায়েন্স ডাইরেক্ট , ১৯৪: ৩৭৯-৩৯০ doi:১০.১০১৬/j.rse.২০১৭.০৩.০২৬
মার্কিন ভূতাত্ত্বিক জরিপ, ২০১৯। ইউএসজিএস থ্রিডি এলিভেশন প্রোগ্রাম ডিজিটাল এলিভেশন মডেল, আগস্ট ২০২২ এ https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m এ অ্যাক্সেস করা হয়েছে।
হিলি, এসপি, কোহেন, ডব্লিউবি, ইয়াং, জেড., কেনেথ ব্রুয়ার, সি., ব্রুকস, ইবি, গোরেলিক, এন., হার্নান্দেজ, এজে, হুয়াং, সি., জোসেফ হিউজেস, এম., কেনেডি, আরই, লাভল্যান্ড, টিআর, মইসেন, জিজি, শ্রোডার, টিএ, স্টেহম্যান, এসভি, ভোগেলম্যান, জেই, উডকক, সিই, ইয়াং, এল., এবং ঝু, জেড., ২০১৮। স্ট্যাকড জেনারেলাইজেশন ব্যবহার করে বন পরিবর্তনের ম্যাপিং: একটি সমষ্টিগত পদ্ধতি। পরিবেশের দূরবর্তী সংবেদনে। সায়েন্স ডাইরেক্ট , ২০৪: ৭১৭-৭২৮ doi:১০.১০১৬/j.rse.২০১৭.০৯.০২৯
কেনেডি, আরই, ইয়াং, জেড., এবং কোহেন, ডব্লিউবি, ২০১০। বার্ষিক ল্যান্ডস্যাট টাইম সিরিজ ব্যবহার করে বন বিপর্যয় এবং পুনরুদ্ধারের প্রবণতা সনাক্তকরণ: ১. ল্যান্ডট্রেন্ডার - টেম্পোরাল সেগমেন্টেশন অ্যালগরিদম। পরিবেশের দূরবর্তী সংবেদনে। সায়েন্স ডাইরেক্ট , ১১৪(১২): ২৮৯৭-২৯১০ doi:১০.১০১৬/j.rse.২০১০.০৭.০০৮
কেনেডি, আর., ইয়াং, জে., গোরেলিক, এন., ব্রাটেন, জে., ক্যাভালক্যান্টে, এল., কোহেন, ডব্লিউ., এবং হিলি, এস., ২০১৮। গুগল আর্থ ইঞ্জিনে ল্যান্ডট্রেন্ডার অ্যালগরিদমের বাস্তবায়ন। রিমোট সেন্সিংয়ে। MDPI , 10(5): 691 doi:10.3390/rs10050691
সেন্টিনেল-হাব, ২০২১। সেন্টিনেল ২ ক্লাউড ডিটেক্টর। [অনলাইন]। এখানে পাওয়া যাবে: https://github.com/sentinel-hub/sentinel2-cloud-detector
ওয়েইস, এডি, ২০০১। ভূ-প্রকৃতির অবস্থান এবং ভূমিরূপ বিশ্লেষণ পোস্টার উপস্থাপনা, ইএসআরআই ব্যবহারকারী সম্মেলন, সান দিয়েগো, সিএজু, জেড., এবং উডকক, সিই (২০১২)। ল্যান্ডস্যাট চিত্রকল্পে বস্তু-ভিত্তিক মেঘ এবং মেঘের ছায়া সনাক্তকরণ। ১১৮: ৮৩-৯৪
ঝু, জেড., এবং উডকক, সিই, ২০১২। ল্যান্ডস্যাট চিত্রকল্পে বস্তু-ভিত্তিক মেঘ এবং মেঘের ছায়া সনাক্তকরণ। পরিবেশের দূরবর্তী সংবেদনে। বিজ্ঞান সরাসরি , ১১৮: ৮৩-৯৪ doi:১০.১০১৬/j.rse.২০১১.১০.০২৮
ঝু, জেড., এবং উডকক, সিই, ২০১৪। সমস্ত উপলব্ধ ল্যান্ডস্যাট ডেটা ব্যবহার করে ভূমি আচ্ছাদনের ক্রমাগত পরিবর্তন সনাক্তকরণ এবং শ্রেণীবিভাগ। পরিবেশের দূরবর্তী অনুধাবনে। বিজ্ঞান সরাসরি , ১৪৪: ১৫২-১৭১ doi:১০.১০১৬/j.rse.২০১৪.০১.০১১

ব্যান্ড

পিক্সেল আকার
৩০ মিটার

ব্যান্ড

নাম	পিক্সেল আকার	বিবরণ
`Change`	মিটার	চূড়ান্ত থিম্যাটিক LCMS পরিবর্তন পণ্য। প্রতি বছরের জন্য মোট তিনটি পরিবর্তন শ্রেণী (ধীর ক্ষতি, দ্রুত ক্ষতি এবং লাভ) ম্যাপ করা হয়। প্রতিটি শ্রেণীর জন্য একটি পৃথক র‍্যান্ডম ফরেস্ট মডেল ব্যবহার করে পূর্বাভাস দেওয়া হয়, যা একটি সম্ভাব্যতা (র‍্যান্ডম ফরেস্ট মডেলের মধ্যে গাছের অনুপাত) আউটপুট দেয় যে পিক্সেলটি সেই শ্রেণীর অন্তর্গত। এই কারণে, প্রতিটি পিক্সেলের প্রতি বছরের জন্য তিনটি ভিন্ন মডেল আউটপুট থাকে। চূড়ান্ত শ্রেণীগুলি পরিবর্তন শ্রেণীতে বরাদ্দ করা হয় যার সর্বোচ্চ সম্ভাবনা থাকে যা একটি নির্দিষ্ট থ্রেশহোল্ডের উপরেও থাকে। যে কোনও পিক্সেলের প্রতিটি শ্রেণীর সংশ্লিষ্ট থ্রেশহোল্ডের উপরে কোনও মান নেই তা স্থিতিশীল শ্রেণীতে বরাদ্দ করা হয়।
`Land_Cover`	মিটার	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`	মিটার	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`	মিটার	Raw LCMS modeled probability of Slow Loss. Defined as: Slow Loss includes the following classes from the TimeSync change process interpretation- 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`	মিটার	Raw LCMS modeled probability of Fast Loss. Defined as: Fast Loss includes the following classes from the TimeSync change process interpretation- Fire - Land altered by fire, regardless of the cause of the ignition (natural or anthropogenic), severity, or land use. Harvest - Forest land where trees, shrubs or other vegetation have been severed or removed by anthropogenic means. Examples include clearcutting, salvage logging after fire or insect outbreaks, thinning and other forest management prescriptions (eg shelterwood/seedtree harvest). Mechanical - Non-forest land where trees, shrubs or other vegetation has been mechanically severed or removed by chaining, scraping, brush sawing, bulldozing, or any other methods of non-forest vegetation removal. Wind/ice - Land (regardless of use) where vegetation is altered by wind from hurricanes, tornados, storms and other severe weather events including freezing rain from ice storms. Hydrology - Land where flooding has significantly altered woody cover or other Land cover elements regardless of land use (eg new mixtures of gravel and vegetation in and around streambeds after a flood). Debris - Land (regardless of use) altered by natural material movement associated with landslides, avalanches, volcanos, debris flows, etc. Other - Land (regardless of use) where the spectral trend or other supporting evidence suggests a disturbance or change event has occurred but the definitive cause cannot be determined or the type of change fails to meet any of the change process categories defined above.
`Change_Raw_Probability_Gain`	মিটার	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`	মিটার	Raw LCMS modeled probability of Trees. Defined as: The majority of the pixel is comprised of live or standing dead trees.
`Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix`	মিটার	Raw LCMS modeled probability of Tall Shrubs and Trees Mix (SEAK Only). Defined as: The majority of the pixel is comprised of shrubs greater than 1m in height and is also comprised of at least 10% live or standing dead trees.
`Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix`	মিটার	Raw LCMS modeled probability of Shrubs and Trees Mix. Defined as: The majority of the pixel is comprised of shrubs and is also comprised of at least 10% live or standing dead trees.
`Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix`	মিটার	Raw LCMS modeled probability of Grass/Forb/Herb and Trees Mix. Defined as: The majority of the pixel is comprised of perennial grasses, forbs, or other forms of herbaceous vegetation and is also comprised of at least 10% live or standing dead trees.
`Land_Cover_Raw_Probability_Barren-and-Trees-Mix`	মিটার	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`	মিটার	Raw LCMS modeled probability of Tall Shrubs (SEAK Only). Defined as: The majority of the pixel is comprised of shrubs greater than 1m in height.
`Land_Cover_Raw_Probability_Shrubs`	মিটার	Raw LCMS modeled probability of Shrubs. Defined as: The majority of the pixel is comprised of shrubs.
`Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix`	মিটার	Raw LCMS modeled probability of Grass/Forb/Herb and Shrubs Mix. Defined as: The majority of the pixel is comprised of perennial grasses, forbs, or other forms of herbaceous vegetation and is also comprised of at least 10% shrubs.
`Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix`	মিটার	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`	মিটার	Raw LCMS modeled probability of Grass/Forb/Herb. Defined as: The majority of the pixel is comprised of perennial grasses, forbs, or other forms of herbaceous vegetation.
`Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix`	মিটার	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`	মিটার	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`	মিটার	Raw LCMS modeled probability of Snow or Ice. Defined as: The majority of the pixel is comprised of snow or ice.
`Land_Cover_Raw_Probability_Water`	মিটার	Raw LCMS modeled probability of Water. Defined as: The majority of the pixel is comprised of water.
`Land_Use_Raw_Probability_Agriculture`	মিটার	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`	মিটার	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`	মিটার	Raw LCMS modeled probability of Forest. Defined as: Land that is planted or naturally vegetated and which contains (or is likely to contain) 10% or greater tree cover at some time during a near-term successional sequence. This may include deciduous, evergreen and/or mixed categories of natural forest, forest plantations, and woody wetlands.
`Land_Use_Raw_Probability_Non-Forest-Wetland`	মিটার	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`	মিটার	Raw LCMS modeled probability of Other. Defined as: Land (regardless of use) where the spectral trend or other supporting evidence suggests a disturbance or change event has occurred but the definitive cause cannot be determined or the type of change fails to meet any of the change process categories defined above.
`Land_Use_Raw_Probability_Rangeland-or-Pasture`	মিটার	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`	মিটার	Ancillary information on the origin of the annual LCMS product output values.
Bitmask for QA_Bits Bit 0: Whether the pixel is interpolated. 0: Interpolated 1: Not interpolated Bits 1-5: Which sensor the pixel came from. 4: Landsat 4 5: Landsat 5 7: Landsat 7 8: Landsat 8 9: Landsat 9 21: Sentinel 2A 22: Sentinel 2B Bits 6-14: Which Julian day the pixel came from (1-365).

Change Class Table

মূল্য	রঙ	বিবরণ
১	#3d4551	স্থিতিশীল
২	#f39268	Slow Loss
৩	#d54309	Fast Loss
৪	#00a398	লাভ
৫	#1b1716	Non-Processing Area Mask

Land_Cover Class Table

মূল্য	রঙ	বিবরণ
১	#005e00	গাছ
২	#০০৮০০০	Tall Shrubs & Trees Mix (SEAK Only)
৩	#০০সিসি০০	Shrubs & Trees Mix
৪	#b3ff1a	Grass/Forb/Herb & Trees Mix
৫	#99ff99	Barren & Trees Mix
৬	#b30088	Tall Shrubs (SEAK Only)
৭	#e68a00	গুল্ম
৮	#ffad33	Grass/Forb/Herb & Shrubs Mix
৯	#ffe0b3	Barren & Shrubs Mix
১০	#ffff00	Grass/Forb/Herb
১১	#aa7700	Barren & Grass/Forb/Herb Mix
১২	#d3bf9b	Barren or Impervious
১৩	#ফফফফ	Snow or Ice
১৪	#4780f3	জল
১৫	#1b1716	Non-Processing Area Mask

Land_Use Class Table

মূল্য	রঙ	বিবরণ
১	#efff6b	কৃষি
২	#ff2ff8	উন্নত
৩	#1b9d0c	বন।
৪	#97ffff	Non-Forest Wetland
৫	#a1a1a1	অন্যান্য
৬	#c2b34a	Rangeland or Pasture
৭	#1b1716	Non-Processing Area Mask

ছবির বৈশিষ্ট্য

ছবির বৈশিষ্ট্য

নাম	আদর্শ	বিবরণ
অধ্যয়নের_ক্ষেত্র	স্ট্রিং	LCMS currently covers the conterminous United States, Southeastern Alaska, Puerto Rico-US Virgin Islands, and Hawaii. This version contains outputs across conterminous United States, Southeastern Alaska, Puerto Rico-US Virgin Islands, and Hawaii. Possible values: 'CONUS, SEAK, PRUSVI, HI'
বছর	আইএনটি	Year of the product

ব্যবহারের শর্তাবলী

ব্যবহারের শর্তাবলী

These data were collected using funding from the US Government and can be used without additional permissions or fees. If you use these data in a publication, presentation, or other research product please use the following citation:

USDA Forest Service. 2023. USFS Landscape Change Monitoring System v2022.8 (Conterminous United States and Southeastern Alaska). Salt Lake City, Utah.

উদ্ধৃতি

USDA Forest Service. 2023. USFS Landscape Change Monitoring System v2022.8 (Conterminous United States and Southeastern Alaska). Salt Lake City, Utah.

আর্থ ইঞ্জিনের সাহায্যে ঘুরে দেখুন

কোড এডিটর (জাভাস্ক্রিপ্ট)

var dataset = ee.ImageCollection('USFS/GTAC/LCMS/v2022-8');

var lcms = dataset.filterDate('2020', '2021')  // range: [1985, 2022]
               .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);

কোড এডিটরে খুলুন

USFS Landscape Change Monitoring System v2022.8 (CONUS and OCONUS) [deprecated]

This product is part of the Landscape Change Monitoring System (LCMS) data suite. It shows LCMS-modeled change, land cover, and/or land use classes for each year that covers the CONUS and OCONUS. LCMS is a remote sensing-based system for mapping and monitoring landscape change across the United States. Its objective …

USFS/GTAC/LCMS/v2022-8, change,change-detection,forest,gtac,landcover,landsat-derived,landuse,landuse-landcover,redcastle-resources,rmrs,sentinel2-derived,time-series,usda,usfs

1985-01-01T00:00:00Z/2022-12-31T00:00:00Z

20.38379 -135.286387 52.459364 -56.446306

গুগল আর্থ ইঞ্জিন

https://developers.google.com/earth-engine/datasets

ডেটাসেটের উপলভ্যতা: 1985-01-01T00:00:00Z–2022-12-31T00:00:00Z
ডেটাসেট প্রদানকারী: USDA Forest Service (USFS) Geospatial Technology and Applications Center (GTAC)

ট্যাগ: পরিবর্তন

change-detection

বন।

gtac

landcover

landsat-derived

landuse

landuse-landcover

এলসিএমএস

redcastle-resources

rmrs

sentinel2-derived

সময়-ধারাবাহিক

ইউএসডিএ

usfs

বিবরণ

This product is part of the Landscape Change Monitoring System (LCMS) data suite. It shows LCMS-modeled change, land cover, and/or land use classes for each year that covers the CONUS and OCONUS.

LCMS is a remote sensing-based system for mapping and monitoring landscape change across the United States. Its objective is to develop a consistent approach using the latest technology and advancements in change detection to produce a "best available" map of landscape change.

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.

Because no algorithm performs best in all situations, LCMS uses an ensemble of models as predictors, which improves map accuracy across a range of ecosystems and change processes (Healey et al., 2018). The resulting suite of LCMS change, land cover, and land use maps offer a holistic depiction of landscape change across the United States over the past four decades.

Predictor layers for the LCMS model include outputs from the LandTrendr and CCDC change detection algorithms, and terrain information. These components are all accessed and processed using Google Earth Engine (Gorelick et al., 2017).

For CCDC, United States Geological Survey (USGS) Collection 2 Landsat Tier 1 surface reflectance data were used for the CONUS, and Landsat Tier 1 top of atmosphere reflectance data for SEAK, PRUSVI and HI. To produce annual composites for LandTrendr, USGS Collection 2 Landsat Tier 1 and Sentinel 2A, 2B Level-1C top of atmosphere reflectance data were used. 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.

The composite time series is temporally segmented using LandTrendr (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).

All cloud and cloud shadow free values are also temporally segmented using the CCDC algorithm (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 USGS 3D Elevation Program (3DEP) data (US Geological Survey, 2019), are used as independent predictor variables in a Random Forest (Breiman, 2001) model.

Reference data are collected using TimeSync, a web-based tool that helps analysts visualize and interpret the Landsat data record from 1984-present (Cohen et al., 2010).

অতিরিক্ত সম্পদ

A more detailed code example of using LCMS data .
The LCMS Data Explorer is a web-based application that provides users the ability to view, analyze, summarize and download LCMS data.
Please see the LCMS Methods Brief for more detailed information regarding methods and accuracy assessment, or the LCMS Geodata Clearinghouse for data downloads, metadata, and support documents.

Contact [sm.fs.lcms@usda.gov] with any questions or specific data requests.

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, WB, Yang, Z., and Kennedy, R., 2010. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 2. TimeSync - Tools for calibration and validation. In Remote Sensing of Environment. Science Direct , 114(12): 2911-2924 doi:10.1016/j.rse.2010.07.010
Cohen, WB, Yang, Z., Healey, SP, Kennedy, RE, and 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, PL, Guo, S., Zhu, Z., Dilley, RD, Beckmann, T., Schmidt, GL, Dwyer, JL, Hughes, MJ, 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
US Geological Survey, 2019. USGS 3D Elevation Program Digital Elevation Model, accessed August 2022 at https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m
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
Kennedy, RE, Yang, Z., and Cohen, WB, 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., 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. Sentinel 2 Cloud Detector. [Online]. Available at: https://github.com/sentinel-hub/sentinel2-cloud-detector
Weiss, AD, 2001. Topographic position and landforms analysis Poster Presentation, ESRI Users Conference, San Diego, CAZhu, Z., and Woodcock, CE (2012). Object-based cloud and cloud shadow detection in Landsat imagery. 118: 83-94
Zhu, Z., and Woodcock, CE, 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, CE, 2014. Continuous change detection and classification of land cover using all available Landsat data. In Remote Sensing of Environment. Science Direct , 144: 152-171 doi:10.1016/j.rse.2014.01.011

ব্যান্ড

পিক্সেল আকার
৩০ মিটার

ব্যান্ড

নাম	পিক্সেল আকার	বিবরণ
`Change`	মিটার	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`	মিটার	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`	মিটার	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`	মিটার	Raw LCMS modeled probability of Slow Loss. Defined as: Slow Loss includes the following classes from the TimeSync change process interpretation- 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`	মিটার	Raw LCMS modeled probability of Fast Loss. Defined as: Fast Loss includes the following classes from the TimeSync change process interpretation- Fire - Land altered by fire, regardless of the cause of the ignition (natural or anthropogenic), severity, or land use. Harvest - Forest land where trees, shrubs or other vegetation have been severed or removed by anthropogenic means. Examples include clearcutting, salvage logging after fire or insect outbreaks, thinning and other forest management prescriptions (eg shelterwood/seedtree harvest). Mechanical - Non-forest land where trees, shrubs or other vegetation has been mechanically severed or removed by chaining, scraping, brush sawing, bulldozing, or any other methods of non-forest vegetation removal. Wind/ice - Land (regardless of use) where vegetation is altered by wind from hurricanes, tornados, storms and other severe weather events including freezing rain from ice storms. Hydrology - Land where flooding has significantly altered woody cover or other Land cover elements regardless of land use (eg new mixtures of gravel and vegetation in and around streambeds after a flood). Debris - Land (regardless of use) altered by natural material movement associated with landslides, avalanches, volcanos, debris flows, etc. Other - Land (regardless of use) where the spectral trend or other supporting evidence suggests a disturbance or change event has occurred but the definitive cause cannot be determined or the type of change fails to meet any of the change process categories defined above.
`Change_Raw_Probability_Gain`	মিটার	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`	মিটার	Raw LCMS modeled probability of Trees. Defined as: The majority of the pixel is comprised of live or standing dead trees.
`Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix`	মিটার	Raw LCMS modeled probability of Tall Shrubs and Trees Mix (SEAK Only). Defined as: The majority of the pixel is comprised of shrubs greater than 1m in height and is also comprised of at least 10% live or standing dead trees.
`Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix`	মিটার	Raw LCMS modeled probability of Shrubs and Trees Mix. Defined as: The majority of the pixel is comprised of shrubs and is also comprised of at least 10% live or standing dead trees.
`Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix`	মিটার	Raw LCMS modeled probability of Grass/Forb/Herb and Trees Mix. Defined as: The majority of the pixel is comprised of perennial grasses, forbs, or other forms of herbaceous vegetation and is also comprised of at least 10% live or standing dead trees.
`Land_Cover_Raw_Probability_Barren-and-Trees-Mix`	মিটার	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`	মিটার	Raw LCMS modeled probability of Tall Shrubs (SEAK Only). Defined as: The majority of the pixel is comprised of shrubs greater than 1m in height.
`Land_Cover_Raw_Probability_Shrubs`	মিটার	Raw LCMS modeled probability of Shrubs. Defined as: The majority of the pixel is comprised of shrubs.
`Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix`	মিটার	Raw LCMS modeled probability of Grass/Forb/Herb and Shrubs Mix. Defined as: The majority of the pixel is comprised of perennial grasses, forbs, or other forms of herbaceous vegetation and is also comprised of at least 10% shrubs.
`Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix`	মিটার	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`	মিটার	Raw LCMS modeled probability of Grass/Forb/Herb. Defined as: The majority of the pixel is comprised of perennial grasses, forbs, or other forms of herbaceous vegetation.
`Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix`	মিটার	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`	মিটার	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`	মিটার	Raw LCMS modeled probability of Snow or Ice. Defined as: The majority of the pixel is comprised of snow or ice.
`Land_Cover_Raw_Probability_Water`	মিটার	Raw LCMS modeled probability of Water. Defined as: The majority of the pixel is comprised of water.
`Land_Use_Raw_Probability_Agriculture`	মিটার	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`	মিটার	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`	মিটার	Raw LCMS modeled probability of Forest. Defined as: Land that is planted or naturally vegetated and which contains (or is likely to contain) 10% or greater tree cover at some time during a near-term successional sequence. This may include deciduous, evergreen and/or mixed categories of natural forest, forest plantations, and woody wetlands.
`Land_Use_Raw_Probability_Non-Forest-Wetland`	মিটার	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`	মিটার	Raw LCMS modeled probability of Other. Defined as: Land (regardless of use) where the spectral trend or other supporting evidence suggests a disturbance or change event has occurred but the definitive cause cannot be determined or the type of change fails to meet any of the change process categories defined above.
`Land_Use_Raw_Probability_Rangeland-or-Pasture`	মিটার	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`	মিটার	Ancillary information on the origin of the annual LCMS product output values.
Bitmask for QA_Bits Bit 0: Whether the pixel is interpolated. 0: Interpolated 1: Not interpolated Bits 1-5: Which sensor the pixel came from. 4: Landsat 4 5: Landsat 5 7: Landsat 7 8: Landsat 8 9: Landsat 9 21: Sentinel 2A 22: Sentinel 2B Bits 6-14: Which Julian day the pixel came from (1-365).

Change Class Table

মূল্য	রঙ	বিবরণ
১	#3d4551	স্থিতিশীল
২	#f39268	Slow Loss
৩	#d54309	Fast Loss
৪	#00a398	লাভ
৫	#1b1716	Non-Processing Area Mask

Land_Cover Class Table

মূল্য	রঙ	বিবরণ
১	#005e00	গাছ
২	#০০৮০০০	Tall Shrubs & Trees Mix (SEAK Only)
৩	#০০সিসি০০	Shrubs & Trees Mix
৪	#b3ff1a	Grass/Forb/Herb & Trees Mix
৫	#99ff99	Barren & Trees Mix
৬	#b30088	Tall Shrubs (SEAK Only)
৭	#e68a00	গুল্ম
৮	#ffad33	Grass/Forb/Herb & Shrubs Mix
৯	#ffe0b3	Barren & Shrubs Mix
১০	#ffff00	Grass/Forb/Herb
১১	#aa7700	Barren & Grass/Forb/Herb Mix
১২	#d3bf9b	Barren or Impervious
১৩	#ফফফফ	Snow or Ice
১৪	#4780f3	জল
১৫	#1b1716	Non-Processing Area Mask

Land_Use Class Table

মূল্য	রঙ	বিবরণ
১	#efff6b	কৃষি
২	#ff2ff8	উন্নত
৩	#1b9d0c	বন।
৪	#97ffff	Non-Forest Wetland
৫	#a1a1a1	অন্যান্য
৬	#c2b34a	Rangeland or Pasture
৭	#1b1716	Non-Processing Area Mask

ছবির বৈশিষ্ট্য

ছবির বৈশিষ্ট্য

নাম	আদর্শ	বিবরণ
অধ্যয়নের_ক্ষেত্র	স্ট্রিং	LCMS currently covers the conterminous United States, Southeastern Alaska, Puerto Rico-US Virgin Islands, and Hawaii. This version contains outputs across conterminous United States, Southeastern Alaska, Puerto Rico-US Virgin Islands, and Hawaii. Possible values: 'CONUS, SEAK, PRUSVI, HI'
বছর	আইএনটি	Year of the product

ব্যবহারের শর্তাবলী

ব্যবহারের শর্তাবলী

USDA Forest Service. 2023. USFS Landscape Change Monitoring System v2022.8 (Conterminous United States and Southeastern Alaska). Salt Lake City, Utah.

উদ্ধৃতি

USDA Forest Service. 2023. USFS Landscape Change Monitoring System v2022.8 (Conterminous United States and Southeastern Alaska). Salt Lake City, Utah.

আর্থ ইঞ্জিনের সাহায্যে ঘুরে দেখুন

কোড এডিটর (জাভাস্ক্রিপ্ট)

var dataset = ee.ImageCollection('USFS/GTAC/LCMS/v2022-8');

var lcms = dataset.filterDate('2020', '2021')  // range: [1985, 2022]
               .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);

কোড এডিটরে খুলুন

USFS Landscape Change Monitoring System v2022.8 (CONUS and OCONUS) [deprecated]

USFS/GTAC/LCMS/v2022-8, change,change-detection,forest,gtac,landcover,landsat-derived,landuse,landuse-landcover,redcastle-resources,rmrs,sentinel2-derived,time-series,usda,usfs

1985-01-01T00:00:00Z/2022-12-31T00:00:00Z

20.38379 -135.286387 52.459364 -56.446306

গুগল আর্থ ইঞ্জিন

https://developers.google.com/earth-engine/datasets