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

USFS/GTAC/LCMS/v2022-8
در دسترس بودن مجموعه داده
1985-01-01T00:00:00Z–2022-12-31T00:00:00Z
ارائه دهنده مجموعه داده
قطعه موتور زمین
ee.ImageCollection("USFS/GTAC/LCMS/v2022-8")
برچسب ها
تغییر دهید
تشخیص تغییر
جنگل
gtac
پوشش زمین
مشتق شده از landsat
استفاده از زمین
کاربری زمین-پوشش زمین
lcms
redcastle-resources
rmrs
مشتق از sentinel2
سری زمانی
usda
usfs

توضیحات

این محصول بخشی از مجموعه داده های سیستم مانیتورینگ تغییر چشم انداز (LCMS) است. این تغییرات، پوشش زمین، و/یا کلاس‌های کاربری زمین با مدل LCMS را برای هر سالی که CONUS و OCONUS را پوشش می‌دهد، نشان می‌دهد.

LCMS یک سیستم مبتنی بر سنجش از دور برای نقشه برداری و نظارت بر تغییرات چشم انداز در سراسر ایالات متحده است. هدف آن توسعه یک رویکرد منسجم با استفاده از آخرین فناوری و پیشرفت‌ها در تشخیص تغییر برای تولید «بهترین نقشه موجود» از تغییرات چشم‌انداز است.

خروجی ها شامل سه محصول سالانه است: تغییر، پوشش زمین و کاربری. تغییر به طور خاص به پوشش گیاهی مربوط می شود و شامل از دست دادن آهسته، از دست دادن سریع (که همچنین شامل تغییرات هیدرولوژیکی مانند طغیان یا خشک شدن) و افزایش است. این مقادیر برای هر سال سری زمانی Landsat پیش‌بینی می‌شوند و به عنوان محصولات پایه برای LCMS عمل می‌کنند. نقشه های پوشش زمین و کاربری اراضی سطح پوشش زمین و کاربری سطح وسیع زمین را برای هر سال نشان می دهد.

از آنجایی که هیچ الگوریتمی در همه موقعیت ها بهترین عملکرد را ندارد، LCMS از مجموعه ای از مدل ها به عنوان پیش بینی کننده استفاده می کند که دقت نقشه را در طیف وسیعی از اکوسیستم ها و فرآیندهای تغییر بهبود می بخشد (هیلی و همکاران، 2018). مجموعه حاصل از تغییرات LCMS، پوشش زمین و نقشه‌های کاربری زمین، تصویری جامع از تغییرات چشم‌انداز در سراسر ایالات متحده در طول چهار دهه گذشته ارائه می‌دهد.

لایه‌های پیش‌بینی‌کننده برای مدل LCMS شامل خروجی‌های الگوریتم‌های تشخیص تغییر LandTrendr و CCDC و اطلاعات زمین است. همه این مؤلفه ها با استفاده از موتور Google Earth قابل دسترسی و پردازش هستند (Gorelick et al., 2017).

برای CCDC، داده‌های بازتاب سطحی مجموعه 2 Landsat Tier 1 برای CCDC، و Landsat Tier 1 بالای داده‌های بازتاب جو برای SEAK، PRUSVI و HI استفاده شد. برای تولید کامپوزیت‌های سالانه برای LandTrendr، از داده‌های بازتاب بالای اتمسفر، USGS Collection 2 Landsat Tier 1 و Sentinel 2A, 2B Level-1C استفاده شد. الگوریتم پوشاندن ابری cFmask (Foga et al., 2017) که پیاده سازی Fmask 2.0 (Zhu and Woodcock, 2012) (فقط Landsat)، cloudScore (Chastain و همکاران، 2019) (Landsat-only) و (S2inent-S2inelless) (Landsat-only) و s2inentS2inelHel. 2-فقط) برای پوشاندن ابرها استفاده می شود، در حالی که TDOM (چستاین و همکاران، 2019) برای پوشاندن سایه های ابر استفاده می شود (Landsat و Sentinel 2). برای LandTrendr، medoid سالانه محاسبه می‌شود تا مقادیر ابر و ابری بدون سایه از هر سال را در یک ترکیب واحد خلاصه کند.

سری زمانی مرکب با استفاده از LandTrendr به صورت موقت تقسیم بندی می شود (کندی و همکاران، 2010؛ کندی و همکاران، 2018؛ کوهن و همکاران، 2018).

تمام مقادیر بدون سایه ابر و ابر نیز به طور موقت با استفاده از الگوریتم CCDC تقسیم بندی می شوند (Zhu and Woodcock, 2014).

مقادیر ترکیبی خام، مقادیر برازش LandTrendr، تفاوت‌های زوجی، مدت زمان قطعه، بزرگی تغییر و شیب، و ضرایب سینوسی و کسینوس CCDC 1 سپتامبر (3 هارمونیک اول)، مقادیر برازش شده، و تفاوت‌های زوجی، همراه با ارتفاع، شیب، شیب، هم‌سنوس و موقعیت از نظر دید 2001) از داده های 10 متری USGS 3D Elevation Program (3DEP) (سنجش زمین شناسی ایالات متحده، 2019)، به عنوان متغیرهای پیش بینی مستقل در مدل جنگل تصادفی (Breiman، 2001) استفاده می شود.

داده های مرجع با استفاده از TimeSync، یک ابزار مبتنی بر وب که به تحلیلگران کمک می کند تا رکورد داده های Landsat از سال 1984 تا کنون را تجسم و تفسیر کنند، جمع آوری می شوند (کوهن و همکاران، 2010).

منابع اضافی

برای هرگونه سوال یا درخواست داده خاص با [sm.fs.lcms@usda.gov] تماس بگیرید.

  • بریمن، ال.، 2001. جنگل های تصادفی. در یادگیری ماشین. Springer , 45: 5-32 doi:10.1023/A:1010933404324

  • Chastain، R.، Housman، I.، Goldstein، J.، Finco، M.، و Tenneson، K.، 2019. مقایسه تجربی سنسور متقابل Sentinel-2A و 2B MSI، Landsat-8 OLI، و Landsat-7 ETM بالای ویژگی های طیفی جو بر روی ایالات متحده. در سنجش از دور محیط. Science Direct ، 221: 274-285 doi:10.1016/j.rse.2018.11.012

  • کوهن، WB، یانگ، Z.، و کندی، R.، 2010. تشخیص روند در آشفتگی و بازیابی جنگل با استفاده از سری زمانی سالانه Landsat: 2. TimeSync - ابزارهایی برای کالیبراسیون و اعتبار سنجی. در سنجش از دور محیط. Science Direct , 114(12): 2911-2924 doi:10.1016/j.rse.2010.07.010

  • کوهن، WB، یانگ، زی، هیلی، SP، کندی، RE، و گورلیک، N.، 2018. یک مجموعه چند طیفی LandTrendr برای تشخیص اختلال جنگل. در سنجش از دور محیط. 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. مقایسه و اعتبارسنجی الگوریتم تشخیص ابر برای محصولات داده عملیاتی Landsat. در سنجش از دور محیط. Science Direct , 194: 379-390 doi:10.1016/j.rse.2017.03.026

  • سازمان زمین‌شناسی ایالات متحده، 2019. مدل ارتفاعی دیجیتال برنامه ارتفاعی سه‌بعدی USGS، دسترسی به اوت 2022 در https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m

  • هیلی، اس پی، کوهن، دبلیو بی، یانگ، زی، کنت بروور، سی.، بروکس، ای بی، گورلیک، ن.، هرناندز، ای جی، هوانگ، سی، جوزف هیوز، ام.، کندی، RE، لاولند، TR، مویسن، جی.جی.، شرودر، TA، استهمن، ووگل، ووگل، ووگل، اس. Yang, L., and Zhu, Z., 2018. نقشه برداری تغییر جنگل با استفاده از تعمیم انباشته: یک رویکرد گروهی. در سنجش از دور محیط. Science Direct , 204: 717-728 doi:10.1016/j.rse.2017.09.029

  • کندی، RE، یانگ، Z.، و کوهن، WB، 2010. تشخیص روند در اختلال جنگل و بازیابی با استفاده از سری زمانی سالانه Landsat: 1. LandTrendr - الگوریتم های تقسیم بندی زمانی. در سنجش از دور محیط. 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. پیاده سازی الگوریتم LandTrendr در موتور Google Earth. در سنجش از دور. MDPI , 10(5): 691 doi:10.3390/rs10050691

  • Sentinel-Hub، 2021. آشکارساز ابر Sentinel 2. [آنلاین]. موجود در: https://github.com/sentinel-hub/sentinel2-cloud-detector

  • Weiss، AD، 2001. موقعیت توپوگرافی و تجزیه و تحلیل لندفرم ها ارائه پوستر، کنفرانس کاربران ESRI، سن دیگو، CAZhu، Z.، و Woodcock، CE (2012). تشخیص ابر و سایه ابر مبتنی بر شی در تصاویر Landsat. 118: 83-94

  • زو، زی و وودکاک، CE، 2012 . تشخیص ابر و سایه ابر مبتنی بر شی در تصاویر Landsat. در سنجش از دور محیط. Science Direct , 118: 83-94 doi:10.1016/j.rse.2011.10.028

  • Zhu, Z., and Woodcock, CE, 2014. تشخیص تغییر مداوم و طبقه بندی پوشش زمین با استفاده از تمام داده های موجود Landsat. در سنجش از دور محیط. Science Direct , 144: 152-171 doi:10.1016/j.rse.2014.01.011

باندها

اندازه پیکسل
30 متر

باندها

نام اندازه پیکسل توضیحات
Change متر

محصول نهایی تغییر LCMS موضوعی. در مجموع سه کلاس تغییر (زیان آهسته، زیان سریع و سود) برای هر سال ترسیم شده است. هر کلاس با استفاده از یک مدل جنگل تصادفی جداگانه پیش‌بینی می‌شود، که احتمال (نسبت درختان موجود در مدل جنگل تصادفی) که پیکسل به آن کلاس تعلق دارد را خروجی می‌دهد. به همین دلیل، پیکسل های جداگانه برای هر سال سه خروجی مدل متفاوت دارند. کلاس‌های نهایی به کلاس تغییر با بالاترین احتمال تخصیص داده می‌شوند که همچنین بالاتر از یک آستانه مشخص است. هر پیکسلی که هیچ مقداری بالاتر از آستانه مربوط به هر کلاس نداشته باشد به کلاس Stable اختصاص داده می شود.

Land_Cover متر

محصول نهایی پوشش زمین LCMS موضوعی. در مجموع 14 طبقه پوشش زمین به صورت سالانه با استفاده از داده های مرجع TimeSync و اطلاعات طیفی به دست آمده از تصاویر Landsat نقشه برداری می شود. هر کلاس با استفاده از یک مدل جنگل تصادفی جداگانه پیش‌بینی می‌شود، که احتمال (نسبت درختان موجود در مدل جنگل تصادفی) که پیکسل به آن کلاس تعلق دارد را خروجی می‌دهد. به همین دلیل، پیکسل های مجزا برای هر سال 14 خروجی مدل متفاوت دارند و کلاس های نهایی با بیشترین احتمال به پوشش زمین اختصاص می یابد. هفت طبقه از 14 طبقه پوشش زمین نشان دهنده یک پوشش زمین واحد است، که در آن نوع پوشش زمین بیشتر مساحت پیکسل را پوشش می دهد و هیچ طبقه دیگری بیش از 10٪ از پیکسل را پوشش نمی دهد. همچنین هفت کلاس مختلط وجود دارد. اینها پیکسل هایی را نشان می دهند که در آنها یک کلاس پوشش زمین اضافی حداقل 10٪ از پیکسل را پوشش می دهد.

Land_Use متر

محصول نهایی LCMS موضوعی کاربری زمین. در مجموع 6 کلاس کاربری زمین به صورت سالانه با استفاده از داده های مرجع TimeSync و اطلاعات طیفی به دست آمده از تصاویر Landsat نقشه برداری می شود. هر کلاس با استفاده از یک مدل جنگل تصادفی جداگانه پیش‌بینی می‌شود، که احتمال (نسبت درختان موجود در مدل جنگل تصادفی) که پیکسل به آن کلاس تعلق دارد را خروجی می‌دهد. به همین دلیل، پیکسل‌های جداگانه برای هر سال 6 خروجی مدل متفاوت دارند و کلاس‌های نهایی با بیشترین احتمال به کاربری اختصاص داده می‌شوند.

Change_Raw_Probability_Slow_Loss متر

LCMS خام احتمال از دست دادن آهسته مدل شده است. تعریف شده به صورت: Slow Loss شامل کلاس های زیر از تفسیر فرآیند تغییر TimeSync است-

  • زوال ساختاری - زمینی که در آن درختان یا سایر پوشش های گیاهی چوبی به دلیل شرایط رشد نامطلوب ناشی از عوامل غیر انسانی یا غیر مکانیکی تغییر فیزیکی می دهند. این نوع از دست دادن به طور کلی باید یک روند در سیگنال(های) طیفی ایجاد کند (به عنوان مثال کاهش NDVI، کاهش رطوبت، افزایش SWIR و غیره) با این حال روند می تواند ظریف باشد. کاهش ساختاری در محیط‌های پوشش گیاهی چوبی اتفاق می‌افتد، به احتمال زیاد ناشی از حشرات، بیماری، خشکسالی، باران اسیدی و غیره. زوال ساختاری می‌تواند شامل رخدادهای برگ‌زدایی باشد که منجر به مرگ و میر نمی‌شود، مانند هجوم کرم جوانه‌های صنوبر و شب پره کولی که ممکن است طی 1 یا 2 سال بهبود یابد.

  • انحطاط طیفی - نموداری که در آن سیگنال طیفی روندی را در یک یا چند باند یا شاخص طیفی نشان می دهد (مثلاً کاهش NDVI، کاهش رطوبت، افزایش SWIR و غیره). مثال‌ها شامل مواردی است که: الف) پوشش گیاهی غیرجنگلی/غیر چوبی روندی حاکی از کاهش را نشان می‌دهد (مثلاً کاهش NDVI، کاهش رطوبت، افزایش SWIR، و غیره)، یا ب) جایی که پوشش گیاهی چوبی روند کاهشی را نشان می‌دهد که به از بین رفتن پوشش گیاهی چوبی مربوط نمی‌شود، مانند زمانی که زمانی که سایه‌های درختان بالغ تغییر می‌کند، زمانی که سایه‌های درختان بالغ تغییر می‌کند، زمانی که سایه‌های درختان بالغ تغییر می‌کند، یا زمانی که تاج‌پوش‌های درختان بالغ تغییر می‌کند، در نتیجه تغییر می‌کند. دوره خشکی (برخلاف خشکسالی شدیدتر و حادتر) باعث کاهش ظاهری بنیه، اما بدون از دست دادن مواد چوبی یا سطح برگ می شود.

Change_Raw_Probability_Fast_Loss متر

LCMS خام احتمال از دست دادن سریع مدل شده است. تعریف شده به صورت: Fast Loss شامل کلاس های زیر از تفسیر فرآیند تغییر TimeSync است-

  • آتش - زمین تغییر یافته توسط آتش، صرف نظر از علت اشتعال (طبیعی یا انسانی)، شدت، یا کاربری زمین.

  • برداشت - زمین های جنگلی که در آن درختان، درختچه ها یا سایر پوشش های گیاهی با روش های انسانی قطع یا حذف شده اند. به عنوان مثال می توان به قطع درختان، قطع درختان نجات پس از آتش سوزی یا شیوع حشرات، نازک شدن و سایر تجویزهای مدیریت جنگل (مثلاً برداشت چوب / درخت بذر) اشاره کرد.

  • مکانیکی - زمین های غیر جنگلی که در آن درختان، درختچه ها یا سایر پوشش های گیاهی به طور مکانیکی با زنجیر، خراش دادن، اره کردن با قلم مو، بولدوزر کردن، یا هر روش دیگری برای حذف پوشش گیاهی غیر جنگلی قطع یا حذف شده است.

  • باد/یخ - زمین (صرف نظر از استفاده) که در آن پوشش گیاهی توسط باد ناشی از طوفان، گردباد، طوفان و سایر رویدادهای شدید آب و هوایی از جمله باران یخ زده ناشی از طوفان های یخ تغییر می کند.

  • هیدرولوژی - زمینی که سیل به طور قابل توجهی پوشش چوبی یا سایر عناصر پوشش زمین را بدون توجه به کاربری زمین تغییر داده است (مثلاً مخلوط های جدید شن و پوشش گیاهی در داخل و اطراف بستر رودخانه ها پس از سیل).

  • زباله - زمین (صرف نظر از استفاده) تغییر یافته توسط حرکت مواد طبیعی مرتبط با رانش زمین، بهمن، آتشفشان، جریان زباله و غیره.

  • سایر - زمین (بدون در نظر گرفتن کاربری) که در آن روند طیفی یا سایر شواهد پشتیبان حاکی از وقوع یک اختلال یا رویداد تغییر است اما علت قطعی آن قابل تعیین نیست یا نوع تغییر با هیچ یک از دسته بندی های فرآیند تغییر تعریف شده در بالا مطابقت ندارد.

Change_Raw_Probability_Gain متر

LCMS خام احتمال سود را مدل‌سازی کرده است. به این صورت تعریف می شود: زمینی که به دلیل رشد و جانشینی در طی یک یا چند سال، افزایش پوشش گیاهی را نشان می دهد. قابل استفاده برای هر منطقه ای که ممکن است تغییرات طیفی مرتبط با رشد مجدد پوشش گیاهی را بیان کند. در مناطق توسعه‌یافته، رشد می‌تواند ناشی از رشد گیاهی و/یا چمن‌زارها و محوطه‌سازی‌های تازه نصب شده باشد. در جنگل‌ها، رشد شامل رشد پوشش گیاهی از زمین برهنه، و همچنین رویش بیش از حد درختان میانی و مشترک و/یا علف‌ها و درختچه‌های پایین‌تر است. بخش‌های رشد/بازیابی ثبت‌شده پس از برداشت جنگل، احتمالاً با بازسازی جنگل از میان طبقات مختلف پوشش زمین عبور می‌کنند. برای اینکه این تغییرات رشد/بازیابی در نظر گرفته شوند، مقادیر طیفی باید دقیقاً به یک خط روند فزاینده (مثلاً یک شیب مثبت که اگر تا 20 سال افزایش یابد، در حد 0.10 واحد NDVI باشد) که برای چندین سال ادامه می‌یابد، پایبند باشد.

Land_Cover_Raw_Probability_Trees متر

LCMS خام مدل‌سازی احتمال درختان. به این صورت تعریف می شود: اکثر پیکسل ها از درختان مرده زنده یا ایستاده تشکیل شده است.

Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix متر

احتمال مدل‌سازی خام LCMS ترکیب درختچه‌ها و درختان بلند (فقط SEAK). به این صورت تعریف می شود: اکثر پیکسل ها از بوته هایی با ارتفاع بیشتر از 1 متر تشکیل شده است و همچنین از حداقل 10٪ درختان مرده زنده یا ایستاده تشکیل شده است.

Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix متر

LCMS خام مدل‌سازی احتمال مخلوط درختچه‌ها و درختان. به این صورت تعریف می شود: اکثر پیکسل ها از بوته ها و همچنین از حداقل 10٪ درختان مرده زنده یا ایستاده تشکیل شده است.

Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix متر

LCMS خام مدل‌سازی شده احتمال مخلوط علف/فورب/علف و درخت. به این صورت تعریف می‌شود: اکثر پیکسل‌ها از چمن‌های چندساله، علف‌ها، یا سایر اشکال گیاهی علفی تشکیل شده است و همچنین از حداقل 10 درصد درختان مرده زنده یا ایستاده تشکیل شده است.

Land_Cover_Raw_Probability_Barren-and-Trees-Mix متر

LCMS خام مدل‌سازی احتمال مخلوط بی‌ثمر و درختان. به این صورت تعریف می‌شود: اکثر پیکسل‌ها از خاک برهنه در معرض اختلال (مثلاً خاکی که توسط پاکسازی مکانیکی یا برداشت جنگل پوشانده شده است) و همچنین مناطق دائمی بایر مانند بیابان‌ها، پلایاها، رخنمون‌های صخره‌ای (شامل مواد معدنی و سایر مواد زمین‌شناسی در معرض فعالیت‌های معدنی سطحی)، تپه‌های شنی، تپه‌های شنی، تپه‌های نمکی سطحی، تپه‌های شنی، سواحل و غیره است. جاده های ساخته شده از خاک و شن نیز بایر در نظر گرفته می شوند و همچنین از حداقل 10٪ درختان مرده زنده یا ایستاده تشکیل شده است.

Land_Cover_Raw_Probability_Tall-Shrubs متر

احتمال مدل‌سازی شده با LCMS خام درختچه‌های بلند (فقط SEAK). به این صورت تعریف می شود: اکثر پیکسل ها از بوته هایی با ارتفاع بیشتر از 1 متر تشکیل شده است.

Land_Cover_Raw_Probability_Shrubs متر

LCMS خام مدل‌سازی احتمال درختچه‌ها. به این صورت تعریف می شود: اکثر پیکسل ها از بوته ها تشکیل شده است.

Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix متر

احتمال مدل‌سازی خام LCMS مخلوط علف/فورب/علف و بوته. به این صورت تعریف می شود: اکثر پیکسل ها از چمن های چند ساله، علفزارها یا سایر اشکال گیاهی علفی تشکیل شده است و همچنین از حداقل 10٪ بوته ها تشکیل شده است.

Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix متر

احتمال مدل‌سازی خام LCMS مخلوط بی‌ثمر و درختچه‌ها. به این صورت تعریف می‌شود: اکثر پیکسل‌ها از خاک برهنه در معرض اختلال (مثلاً خاکی که توسط پاکسازی مکانیکی یا برداشت جنگل پوشانده شده است) و همچنین مناطق دائمی بایر مانند بیابان‌ها، پلایاها، رخنمون‌های صخره‌ای (شامل مواد معدنی و سایر مواد زمین‌شناسی در معرض فعالیت‌های معدنی سطحی)، تپه‌های شنی، تپه‌های شنی، تپه‌های نمکی سطحی، تپه‌های شنی، سواحل و غیره است. جاده های ساخته شده از خاک و سنگریزه نیز بایر محسوب می شوند و همچنین حداقل 10 درصد از درختچه ها تشکیل شده است.

Land_Cover_Raw_Probability_Grass-Forb-Herb متر

احتمال مدل‌سازی خام LCMS از Grass/Forb/Herb. به این صورت تعریف می شود: اکثر پیکسل ها از علف های چند ساله، فورب ها یا سایر اشکال گیاهی علفی تشکیل شده است.

Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix متر

احتمال مدل‌سازی خام LCMS مخلوط بی‌ثمر و علف/فورب/علف. به این صورت تعریف می‌شود: اکثر پیکسل‌ها از خاک برهنه در معرض اختلال (مثلاً خاکی که توسط پاکسازی مکانیکی یا برداشت جنگل پوشانده شده است) و همچنین مناطق دائمی بایر مانند بیابان‌ها، پلایاها، رخنمون‌های صخره‌ای (شامل مواد معدنی و سایر مواد زمین‌شناسی در معرض فعالیت‌های معدنی سطحی)، تپه‌های شنی، تپه‌های شنی، تپه‌های نمکی سطحی، تپه‌های شنی، سواحل و غیره است. جاده های ساخته شده از خاک و شن نیز بایر در نظر گرفته می شوند و همچنین حداقل 10٪ از چمن های چند ساله، فورب ها یا سایر اشکال گیاهی علفی تشکیل شده است.

Land_Cover_Raw_Probability_Barren-or-Impervious متر

LCMS خام مدل‌سازی احتمال عقیم یا غیرقابل نفوذ. به این صورت تعریف می‌شود: اکثر پیکسل‌ها شامل 1) خاک برهنه در معرض اختلال (مثلاً خاکی که توسط پاکسازی مکانیکی یا برداشت جنگل پوشانده شده است)، و همچنین مناطق دائمی بی‌ثمر مانند بیابان‌ها، پلایاها، رخنمون‌های صخره‌ای (شامل مواد معدنی و سایر مواد زمین‌شناسی که در معرض فعالیت‌های معدنی سطحی و ماسه‌های معدنی ساحلی قرار گرفته‌اند) است. جاده های ساخته شده از خاک و شن نیز بایر یا 2) مصالح ساخته دست بشر که آب به آنها نفوذ نمی کند، مانند جاده های آسفالته، پشت بام ها و پارکینگ ها محسوب می شوند.

Land_Cover_Raw_Probability_Snow-or-Ice متر

LCMS خام مدل‌سازی احتمال برف یا یخ. به این صورت تعریف می شود: اکثر پیکسل ها از برف یا یخ تشکیل شده است.

Land_Cover_Raw_Probability_Water متر

LCMS خام مدل‌سازی احتمال آب. تعریف شده به این صورت: اکثر پیکسل از آب تشکیل شده است.

Land_Use_Raw_Probability_Agriculture متر

LCMS خام مدل‌سازی احتمال کشاورزی. به این صورت تعریف می شود: زمینی که برای تولید مواد غذایی، الیاف و سوخت استفاده می شود که در حالت پوشش گیاهی یا غیر گیاهی باشد. این شامل اما نه محدود به زمین‌های زراعی، زمین‌های یونجه، باغ‌های میوه، تاکستان‌ها، عملیات دامداری محدود، و مناطقی که برای تولید میوه، آجیل یا انواع توت‌ها کاشته شده‌اند، می‌شود. جاده هایی که عمدتاً برای مصارف کشاورزی استفاده می شوند (یعنی برای حمل و نقل عمومی از شهر به شهر استفاده نمی شوند) کاربری زمین کشاورزی در نظر گرفته می شوند.

Land_Use_Raw_Probability_Developed متر

LCMS خام مدل شده احتمال توسعه یافته است. به این صورت تعریف می‌شود: زمین تحت پوشش سازه‌های دست‌ساز (مانند مسکونی، تجاری، صنعتی، معدنی یا حمل‌ونقلی با تراکم بالا)، یا مخلوطی از پوشش گیاهی (شامل درختان) و سازه‌ها (مثلاً مسکونی با تراکم کم، چمن‌زارها، تأسیسات تفریحی، گورستان‌ها، راهروهای حمل‌ونقل و تاسیسات، و غیره)، از جمله هر گونه فعالیت‌های زمینی که از نظر کارکردی زمینی به آن اختصاص دارد.

Land_Use_Raw_Probability_Forest متر

LCMS خام مدل‌سازی احتمال جنگل. به این صورت تعریف می شود: زمینی که کاشته شده یا به طور طبیعی دارای پوشش گیاهی است و حاوی (یا احتمالاً حاوی) 10٪ یا بیشتر از پوشش درختی در یک دوره کوتاه مدت متوالی است. این ممکن است شامل دسته های برگریز، همیشه سبز و/یا ترکیبی از جنگل های طبیعی، مزارع جنگلی و تالاب های چوبی باشد.

Land_Use_Raw_Probability_Non-Forest-Wetland متر

احتمال مدل‌سازی خام LCMS تالاب غیر جنگلی به این صورت تعریف می‌شود: زمین‌های مجاور یا درون یک سطح آب قابل مشاهده (به طور دائمی یا اشباع فصلی) که توسط بوته‌ها یا نواحی دائمی تسلط دارند. این تالاب‌ها ممکن است در کنار دریاچه‌ها، کانال‌های رودخانه‌ها یا مصب‌ها واقع شوند. در دشت های سیلابی رودخانه؛ در حوضه های آبریز جدا شده؛ یا در شیب ها آنها همچنین ممکن است به عنوان چاله های چمنزار، خندق های زهکشی و حوضچه های ذخیره در مناظر کشاورزی رخ دهند و همچنین ممکن است به صورت جزایر در وسط دریاچه ها یا رودخانه ها ظاهر شوند. نمونه‌های دیگر نیز شامل مرداب‌ها، باتلاق‌ها، باتلاق‌ها، باتلاق‌ها، مشک‌ها، سوله‌ها، فنس‌ها و بایوس هستند.

Land_Use_Raw_Probability_Other متر

LCMS خام مدل‌سازی احتمال سایر. به این صورت تعریف می شود: زمین (بدون در نظر گرفتن کاربری) که در آن روند طیفی یا سایر شواهد پشتیبان حاکی از وقوع اختلال یا تغییر رویداد است اما علت قطعی آن قابل تعیین نیست یا نوع تغییر با هیچ یک از دسته های فرآیند تغییر تعریف شده در بالا مطابقت ندارد.

Land_Use_Raw_Probability_Rangeland-or-Pasture متر

LCMS خام مدل‌سازی احتمال مرتع یا مرتع. تعریف شده به این صورت: این طبقه شامل هر منطقه ای است که الف است.) مرتع، که در آن پوشش گیاهی ترکیبی از علف های بومی، بوته ها، چمنزارها و گیاهان علف مانند است که عمدتاً از عوامل و فرآیندهای طبیعی مانند بارندگی، دما، ارتفاع و آتش ناشی می شوند، اگرچه مدیریت محدود ممکن است شامل سوزاندن تجویز شده و همچنین چرای گیاهخواران اهلی و وحشی باشد. یا ب) مرتع، که در آن پوشش گیاهی ممکن است از علف‌های مخلوط، عمدتاً طبیعی، علف‌ها و گیاهان دارویی گرفته تا پوشش گیاهی مدیریت‌شده‌تر تحت سلطه گونه‌های علفی که بذردهی شده‌اند و موفق به نگهداری در نزدیکی تک‌کشت شده‌اند، باشد.

QA_Bits متر

اطلاعات جانبی در مورد مبدأ مقادیر خروجی محصول سالانه LCMS.

جدول کلاس را تغییر دهید

ارزش رنگ توضیحات
1 #3d4551

پایدار

2 #f39268

از دست دادن آهسته

3 #d54309

از دست دادن سریع

4 #00a398

به دست آوردن

5 #1b1716

ماسک منطقه غیر پردازش

میز کلاس زمین_پوشش

ارزش رنگ توضیحات
1 #005e00

درختان

2 #008000

ترکیب درختچه‌ها و درختان بلند (فقط SEAK)

3 #00cc00

مخلوط درختچه ها و درختان

4 #b3ff1a

مخلوط علف/فورب/علف و درخت

5 #99ff99

مخلوط بی ثمر و درختان

6 #b30088

درختچه های بلند (فقط SEAK)

7 #e68a00

درختچه ها

8 #ffad33

مخلوط علف/فورب/علف و بوته

9 #ffe0b3

مخلوط بی ثمر و درختچه

10 #ffff00

چمن/فورب/علف

11 #aa7700

مخلوط بی ثمر و علف/فورب/علف

12 #d3bf9b

عقیم یا غیر قابل نفوذ

13 #ففففف

برف یا یخ

14 #4780f3

آب

15 #1b1716

ماسک منطقه غیر پردازش

جدول کلاس کاربری زمین

ارزش رنگ توضیحات
1 #efff6b

کشاورزی

2 #ff2ff8

توسعه یافته است

3 #1b9d0c

جنگل

4 #97ffff

تالاب غیر جنگلی

5 #a1a1a1

دیگر

6 #c2b34a

مرتع یا مرتع

7 #1b1716

ماسک منطقه غیر پردازش

ویژگی های تصویر

ویژگی های تصویر

نام تایپ کنید توضیحات
منطقه_مطالعه STRING

LCMS در حال حاضر ایالات متحده، جنوب شرقی آلاسکا، جزایر ویرجین پورتوریکو-ایالات متحده، و هاوایی را پوشش می دهد. این نسخه شامل خروجی هایی در سراسر ایالات متحده، جنوب شرقی آلاسکا، جزایر ویرجین پورتوریکو-ایالات متحده، و هاوایی است. مقادیر ممکن: «CONUS، SEAK، PRUSVI، HI»

سال INT

سال تولید محصول

شرایط استفاده

شرایط استفاده

خدمات جنگلی USDA هیچ ضمانتی، صریح یا ضمنی، از جمله ضمانت‌های تجاری بودن و مناسب بودن برای یک هدف خاص، نمی‌دهد، و هیچ گونه مسئولیت قانونی یا مسئولیتی در قبال صحت، قابلیت اطمینان، کامل بودن یا مفید بودن این داده‌های مکانی، یا استفاده نادرست یا نادرست از این داده‌های مکانی نمی‌پذیرد. این داده‌های جغرافیایی و نقشه‌ها یا گرافیک‌های مرتبط، اسناد قانونی نیستند و برای استفاده از آن‌ها در نظر گرفته نشده‌اند. داده‌ها و نقشه‌ها نمی‌توانند برای تعیین عنوان، مالکیت، توصیفات قانونی یا مرزها، صلاحیت قانونی یا محدودیت‌هایی که ممکن است در زمین‌های عمومی یا خصوصی وجود داشته باشد استفاده شوند. خطرات طبیعی ممکن است روی داده ها و نقشه ها به تصویر کشیده شود یا نباشد، و استفاده کنندگان از زمین باید احتیاط لازم را داشته باشند. داده ها پویا هستند و ممکن است در طول زمان تغییر کنند. کاربر مسئول بررسی محدودیت های داده های مکانی و استفاده از داده ها بر اساس آن است.

این داده ها با استفاده از بودجه دولت ایالات متحده جمع آوری شده اند و می توانند بدون مجوز یا هزینه اضافی مورد استفاده قرار گیرند. اگر از این داده ها در یک نشریه، ارائه یا سایر محصولات تحقیقاتی استفاده می کنید، لطفاً از نقل قول زیر استفاده کنید:

خدمات جنگلداری USDA. 2023. سیستم نظارت بر تغییرات چشم انداز USFS v2022.8 (هم مرز با ایالات متحده و جنوب شرقی آلاسکا). سالت لیک سیتی، یوتا

نقل قول ها

نقل قول ها:

  • خدمات جنگلداری USDA. 2023. سیستم نظارت بر تغییرات چشم انداز USFS v2022.8 (هم مرز با ایالات متحده و جنوب شرقی آلاسکا). سالت لیک سیتی، یوتا

با Earth Engine کاوش کنید

ویرایشگر کد (جاوا اسکریپت) 

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);
در ویرایشگر کد باز کنید
این محصول بخشی از مجموعه داده های سیستم مانیتورینگ تغییر چشم انداز (LCMS) است. این تغییرات، پوشش زمین، و/یا کلاس‌های کاربری زمین با مدل LCMS را برای هر سالی که CONUS و OCONUS را پوشش می‌دهد، نشان می‌دهد. LCMS یک سیستم مبتنی بر سنجش از دور برای نقشه برداری و نظارت بر تغییرات چشم انداز در سراسر ایالات متحده است. هدف آن…
USFS/GTAC/LCMS/v2022-8، تغییر، تشخیص تغییر، جنگل، gtac، پوشش زمین، برگرفته از landsat، استفاده از زمین، استفاده از زمین، پوشش زمین، منابع قرمز، rmrs، مشتق از sentinel2، سری زمانی، usda، usfs
1985-01-01T00:00:00Z/2022-12-31T00:00:00Z
20.38379 -135.286387 52.459364 -56.446306
موتور Google Earth