USFS Landscape Change Monitoring System v2023.9 (CONUS and OCONUS) [deprecated]

USFS/GTAC/LCMS/v2023-9
ডেটাসেটের উপলভ্যতা
1985-01-01T00:00:00Z–2023-12-31T00:00:00Z
ডেটাসেট প্রোডিউসার
Earth Engine স্নিপেট
ee.ImageCollection("USFS/GTAC/LCMS/v2023-9")
ট্যাগ
পরিবর্তন-শনাক্তকরণ
ফরেস্ট
gtac
ল্যান্ডকভার
ল্যান্ডস্যাট-প্রাপ্ত
ল্যান্ডইউজ
landuse-landcover
lcms
redcastle-resources
সেন্টিনেল-ডেরাইভড
টাইম-সিরিজ
usda
usfs

বিবরণ

এই প্রোডাক্টটি ল্যান্ডস্কেপ চেঞ্জ মনিটরিং সিস্টেম (LCMS) ডেটা স্যুটের অংশ। এটি প্রতি বছরের জন্য LCMS-মডেল করা পরিবর্তন, ল্যান্ড কভার এবং/অথবা ল্যান্ড ব্যবহারের ক্লাস দেখায় যা কন্টারমিনাস মার্কিন যুক্তরাষ্ট্র (CONUS) এবং CONUS-এর বাইরের এলাকা (OCONUS) কভার করে যার মধ্যে দক্ষিণ-পূর্ব আলাস্কা (SEAK), পুয়ের্তো রিকো-মার্কিন ভার্জিন দ্বীপপুঞ্জ (PRUSVI) এবং হাওয়াই (HI) অন্তর্ভুক্ত।

LCMS হল একটি রিমোট সেন্সিং-ভিত্তিক সিস্টেম যা মার্কিন যুক্তরাষ্ট্র জুড়ে ল্যান্ডস্কেপ পরিবর্তন ম্যাপিং এবং মনিটর করার জন্য ব্যবহার করা হয়। এর উদ্দেশ্য হল, ল্যান্ডস্কেপ পরিবর্তনের "সবচেয়ে ভালো উপলভ্য" ম্যাপ তৈরি করার জন্য পরিবর্তন শনাক্তকরণে লেটেস্ট প্রযুক্তি এবং অগ্রগতি ব্যবহার করে একটি সামঞ্জস্যপূর্ণ পদ্ধতি তৈরি করা।

আউটপুটে তিনটি বার্ষিক প্রোডাক্ট অন্তর্ভুক্ত থাকে: পরিবর্তন, ল্যান্ড কভার ও ল্যান্ড ব্যবহার। পরিবর্তনটি বিশেষভাবে গাছপালার আচ্ছাদনের সাথে সম্পর্কিত এবং এতে ধীরে ধীরে ক্ষতি, দ্রুত ক্ষতি (যার মধ্যে বন্যা বা শুকিয়ে যাওয়ার মতো হাইড্রোলজিক্যাল পরিবর্তনও অন্তর্ভুক্ত) এবং বৃদ্ধি অন্তর্ভুক্ত। এই মানগুলি Landsat টাইম সিরিজের প্রতিটি বছরের জন্য অনুমান করা হয় এবং LCMS-এর জন্য ফাউন্ডেশনাল প্রোডাক্ট হিসেবে কাজ করে। ল্যান্ড কভার ও ল্যান্ড ইউজ ম্যাপে প্রতি বছরের জন্য লাইফ-ফর্ম লেভেল ল্যান্ড কভার ও ব্রড-লেভেল ল্যান্ড ইউজ দেখানো হয়।

যেহেতু কোনও অ্যালগরিদম সব পরিস্থিতিতে সেরা পারফর্ম করে না, তাই LCMS প্রেডিক্টর হিসেবে মডেলের একটি এনসেম্বল ব্যবহার করে, যা বিভিন্ন ইকোসিস্টেম এবং পরিবর্তন প্রক্রিয়া জুড়ে ম্যাপের নির্ভুলতা উন্নত করে (হিলি এট আল., 2018). LCMS পরিবর্তন, ল্যান্ড কভার ও ল্যান্ড ব্যবহার ম্যাপের ফলে পাওয়া স্যুট ১৯৮৫ সাল থেকে মার্কিন যুক্তরাষ্ট্র জুড়ে ল্যান্ডস্কেপ পরিবর্তনের একটি সামগ্রিক চিত্র প্রদান করে।

LCMS মডেলের প্রেডিক্টর লেয়ারে LandTrendr ও CCDC পরিবর্তন শনাক্তকরণ অ্যালগরিদম থেকে পাওয়া আউটপুট এবং ভূখণ্ড সম্পর্কিত তথ্য অন্তর্ভুক্ত থাকে। এইসব কম্পোনেন্ট Google Earth Engine (Gorelick et al., ২০১৭)।

CCDC-এর জন্য, CONUS-এর ক্ষেত্রে United States Geological Survey (USGS) Collection 2 Landsat Tier 1 সারফেস রিফ্লেক্ট্যান্স ডেটা এবং SEAK, PRUSVI ও HI-এর ক্ষেত্রে Landsat Tier 1 টপ অফ অ্যাটমোস্ফিয়ার রিফ্লেক্ট্যান্স ডেটা ব্যবহার করা হয়েছে। LandTrendr-এর জন্য বার্ষিক কম্পোজিট তৈরি করতে, USGS Collection 2 Landsat Tier 1 এবং Sentinel 2A, 2B Level-1C টপ অফ অ্যাটমোস্ফিয়ার রিফ্লেক্ট্যান্স ডেটা ব্যবহার করা হয়েছে। 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), s2cloudless (Sentinel-Hub, 2021) এবং Cloud Score plus (Pasquarella et al., ২০২৩) (শুধুমাত্র Sentinel 2) মেঘ মাস্ক করতে ব্যবহার করা হয়, যেখানে TDOM (Chastain et al., 2019) ব্যবহার করা হয়। LandTrendr-এর জন্য, বার্ষিক মেডয়েড গণনা করা হয় যাতে প্রতিটি বছরের মেঘ এবং মেঘের ছায়া-মুক্ত মানগুলিকে একটি একক কম্পোজিটে সংক্ষিপ্ত করা যায়।

LandTrendr ব্যবহার করে কম্পোজিট টাইম সিরিজ সাময়িকভাবে বিভক্ত করা হয় (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).

এছাড়াও, CCDC অ্যালগরিদম ব্যবহার করে সব ক্লাউড ও ক্লাউড শ্যাডো ফ্রি ভ্যালু সাময়িকভাবে সেগমেন্ট করা হয় (Zhu and Woodcock, 2014)।

প্রেডিক্টর ডেটার মধ্যে রয়েছে র কম্পোজিট ভ্যালু, LandTrendr ফিট করা ভ্যালু, পেয়ার-ওয়াইজ পার্থক্য, সেগমেন্টের সময়সীমা, পরিবর্তনের মাত্রা ও স্লোপ এবং CCDC সাইন ও কোসাইন কো-এফিশিয়েন্ট (প্রথম ৩টি হারমোনিক), ফিট করা ভ্যালু ও পেয়ার-ওয়াইজ পার্থক্য, এর সাথে উচ্চতা, স্লোপ, সাইন অফ অ্যাস্পেক্ট, কোসাইন অফ অ্যাস্পেক্ট এবং টোপোগ্রাফিক পজিশন ইনডেক্স (Weiss, 2001) যা ১০ মি USGS 3D এলিভেশন প্রোগ্রাম (3DEP) ডেটা (U.S. Geological Survey, 2019) থেকে নেওয়া হয়েছে।

TimeSync ব্যবহার করে রেফারেন্স ডেটা সংগ্রহ করা হয়, এটি একটি ওয়েব-ভিত্তিক টুল যা বিশ্লেষকদের ১৯৮৪ থেকে বর্তমান সময় পর্যন্ত Landsat ডেটা রেকর্ড ভিজ্যুয়ালাইজ ও ব্যাখ্যা করতে সাহায্য করে (Cohen et al., 2010).

র‌্যান্ডম ফরেস্ট মডেল (Breiman, 2001) TimeSync থেকে পাওয়া রেফারেন্স ডেটা এবং LandTrendr, CCDC ও টেরেন ইনডেক্স থেকে পাওয়া প্রেডিক্টর ডেটা ব্যবহার করে বার্ষিক পরিবর্তন, ল্যান্ড কভার ও ল্যান্ড ব্যবহারের ক্লাস সম্পর্কে পূর্বাভাস দেওয়ার জন্য প্রশিক্ষণপ্রাপ্ত। মডেলিংয়ের পরে, আমরা আনুষঙ্গিক ডেটাসেট ব্যবহার করে সম্ভাবনার থ্রেশহোল্ড ও রুলসেটের একটি সিরিজ তৈরি করেছি যাতে ম্যাপের আউটপুটের কোয়ালিটি উন্নত করা যায় এবং কমিশন ও অমিশন কমানো যায়। আরও তথ্য বিবরণে অন্তর্ভুক্ত LCMS পদ্ধতির ব্রিফে পাওয়া যাবে।

অতিরিক্ত রিসোর্স

কোনও প্রশ্ন বা নির্দিষ্ট ডেটার অনুরোধ থাকলে [sm.fs.lcms@usda.gov]-এ যোগাযোগ করুন।

ব্যান্ড

ব্যান্ড

পিক্সেল সাইজ: ৩০ মিটার (সব ব্যান্ড)

নাম পিক্সেলের সাইজ বিবরণ
Change ৩০ মিটার

Final thematic LCMS change product. প্রতি বছরের জন্য মোট তিনটি পরিবর্তন ক্লাস (ধীরে ধীরে ক্ষতি, দ্রুত ক্ষতি, এবং লাভ) ম্যাপ করা হয়। প্রতিটি ক্লাস আলাদা র‍্যান্ডম ফরেস্ট মডেল ব্যবহার করে অনুমান করা হয়, যা একটি সম্ভাবনা (র‍্যান্ডম ফরেস্ট মডেলের মধ্যে ট্রি-এর অনুপাত) আউটপুট করে যে পিক্সেলটি সেই ক্লাসের অন্তর্গত। এই কারণে, প্রতিটি পিক্সেলের জন্য প্রতি বছরে তিনটি আলাদা মডেল আউটপুট থাকে। চূড়ান্ত ক্লাস পরিবর্তন ক্লাসে অ্যাসাইন করা হয়, যার সম্ভাবনা সবচেয়ে বেশি এবং যা নির্দিষ্ট থ্রেশহোল্ডের উপরে। প্রতিটি ক্লাসের সংশ্লিষ্ট থ্রেশহোল্ডের উপরে কোনও ভ্যালু নেই এমন যেকোনও পিক্সেল স্টেবল ক্লাসে অ্যাসাইন করা হয়। পরিবর্তন ক্লাস অ্যাসাইন করার আগে, গাছপালা নেই এমন ল্যান্ড কভারের পরিবর্তন আটকানোর জন্য সব স্টাডি এরিয়াতে একটি নিয়ম প্রয়োগ করা হয়েছিল।

Land_Cover ৩০ মিটার

চূড়ান্ত থিমেটিক LCMS ল্যান্ড কভার প্রোডাক্ট। TimeSync রেফারেন্স ডেটা এবং Landsat ইমেজ থেকে প্রাপ্ত স্পেকট্রাল তথ্য ব্যবহার করে বার্ষিক ভিত্তিতে মোট ১৪টি ল্যান্ড কভার ক্লাস ম্যাপ করা হয়। প্রতিটি ক্লাস আলাদা র‍্যান্ডম ফরেস্ট মডেল ব্যবহার করে অনুমান করা হয়, যা একটি সম্ভাবনা (র‍্যান্ডম ফরেস্ট মডেলের মধ্যে গাছের অনুপাত) আউটপুট করে যে পিক্সেলটি সেই ক্লাসের অন্তর্গত। এর ফলে, প্রতিটি পিক্সেলের জন্য প্রতি বছর ১৪টি আলাদা মডেল আউটপুট থাকে এবং সবচেয়ে বেশি সম্ভাবনা সহ ল্যান্ড কভারের জন্য চূড়ান্ত ক্লাস অ্যাসাইন করা হয়। দক্ষিণ-পূর্ব আলাস্কার জন্য, সর্বাধিক সম্ভাবনা সহ ল্যান্ড কভার ক্লাস অ্যাসাইন করার আগে, সমুদ্রপৃষ্ঠে বড় ইন্টারটাইডাল জোনে গাছ এবং তুষার ল্যান্ডকভার ক্লাস কমিশন সীমিত করার জন্য একটি ল্যান্ড কভার নিয়ম প্রয়োগ করা হয়েছিল। CONUS, পুয়ের্তো রিকো-মার্কিন ভার্জিন দ্বীপপুঞ্জ বা হাওয়াইয়ের ক্ষেত্রে কোনও ল্যান্ড কভার সংক্রান্ত নিয়ম প্রয়োগ করা হয়নি। ১৪টি ল্যান্ড কভার ক্লাসের মধ্যে সাতটি একটি ল্যান্ড কভারকে নির্দেশ করে, যেখানে সেই ল্যান্ড কভারের ধরনটি পিক্সেলের বেশিরভাগ অংশ কভার করে এবং অন্য কোনও ক্লাস পিক্সেলের ১০%-এর বেশি কভার করে না। এছাড়াও সাতটি মিক্সড ক্লাস আছে। এগুলি এমন পিক্সেলকে বোঝায় যেখানে অতিরিক্ত ল্যান্ড কভার ক্লাস পিক্সেলের অন্তত ১০% কভার করে।

Land_Use ৩০ মিটার

Final thematic LCMS land use product. TimeSync রেফারেন্স ডেটা এবং Landsat ছবি থেকে প্রাপ্ত স্পেকট্রাল তথ্য ব্যবহার করে বার্ষিক ভিত্তিতে মোট ৬টি জমি ব্যবহারের ক্লাস ম্যাপ করা হয়। প্রতিটি ক্লাস আলাদা র‍্যান্ডম ফরেস্ট মডেল ব্যবহার করে অনুমান করা হয়, যা একটি সম্ভাবনা (র‍্যান্ডম ফরেস্ট মডেলের মধ্যে ট্রি-এর অনুপাত) আউটপুট করে যে পিক্সেলটি সেই ক্লাসের অন্তর্গত। এর ফলে, প্রতিটি পিক্সেলের জন্য প্রতি বছরে ৬টি আলাদা মডেল আউটপুট থাকে এবং সবচেয়ে বেশি সম্ভাবনা সহ জমি ব্যবহারের জন্য চূড়ান্ত ক্লাস অ্যাসাইন করা হয়। সর্বাধিক সম্ভাবনা সহ জমি ব্যবহারের ক্লাস অ্যাসাইন করার আগে, সহায়ক ডেটাসেট জমি ব্যবহারের নিয়ম ব্যবহার করে সম্ভাবনার থ্রেশহোল্ড ও রুলসেটের সিরিজ প্রয়োগ করা হয়েছে। সম্ভাব্যতা থ্রেশহোল্ড এবং রুলসেট সম্পর্কে আরও তথ্য বিবরণে অন্তর্ভুক্ত LCMS পদ্ধতি ব্রিফে পাওয়া যাবে। CONUS ল্যান্ড ইউজ প্রোডাক্ট ২ জুলাই ২০২৪-এ আপডেট করা হয়েছে, যাতে ডেভেলপ করা ক্লাসের সমস্যা সমাধান করা যায়।

Change_Raw_Probability_Slow_Loss ৩০ মিটার

র LCMS মডেল করা স্লো লসের সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: স্লো লসের মধ্যে TimeSync পরিবর্তন প্রসেস ইন্টারপ্রিটেশন থেকে নিম্নলিখিত ক্লাস অন্তর্ভুক্ত-

  • কাঠামোগত পতন - এমন জমি যেখানে গাছ বা অন্যান্য কাঠের গাছপালা শারীরিকভাবে পরিবর্তিত হয় অ-নৃতাত্ত্বিক বা অ-যান্ত্রিক কারণের দ্বারা আনা প্রতিকূল ক্রমবর্ধমান অবস্থা। এই ধরনের ক্ষতির ফলে সাধারণত স্পেকট্রাল সিগন্যালে (যেমন, NDVI কমে যাওয়া, আর্দ্রতা কমে যাওয়া; SWIR বেড়ে যাওয়া; ইত্যাদি) একটি ট্রেন্ড তৈরি হয়, তবে ট্রেন্ডটি সূক্ষ্ম হতে পারে। কাঠের গাছপালা আছে এমন পরিবেশে কাঠামোগত অবনতি ঘটে, সম্ভবত পোকামাকড়, রোগ, খরা, অ্যাসিড বৃষ্টি ইত্যাদির কারণে। কাঠামোগত অবনতির মধ্যে এমন ঘটনা অন্তর্ভুক্ত থাকতে পারে যার ফলে মৃত্যু হয় না, যেমন জিপসি মথ এবং স্প্রুস বাডওয়ার্মের উপদ্রব যা ১ বা ২ বছরের মধ্যে সেরে যেতে পারে।

  • স্পেকট্রাল ডিক্লাইন - একটি প্লট যেখানে স্পেকট্রাল সিগন্যাল এক বা একাধিক স্পেকট্রাল ব্যান্ড বা সূচকে একটি প্রবণতা দেখায় (যেমন NDVI হ্রাস, আর্দ্রতা হ্রাস; SWIR বৃদ্ধি; ইত্যাদি)। উদাহরণ হিসেবে এমন পরিস্থিতি অন্তর্ভুক্ত যেখানে: ক) বনভূমি/কাষ্ঠল নয় এমন উদ্ভিদকুলের ক্ষেত্রে হ্রাসের প্রবণতা দেখা যায় (যেমন, NDVI কমে যাওয়া, আর্দ্রতা কমে যাওয়া; SWIR বেড়ে যাওয়া; ইত্যাদি), অথবা খ) যেখানে কাষ্ঠল উদ্ভিদকুলের ক্ষেত্রে হ্রাসের প্রবণতা দেখা যায় যা কাষ্ঠল উদ্ভিদকুলের ক্ষতির সাথে সম্পর্কিত নয়, যেমন যখন পরিণত গাছের ক্যানোপি বন্ধ হয়ে যাওয়ার ফলে ছায়া বেড়ে যায়, যখন প্রজাতির গঠন কনিফার থেকে হার্ডউডে পরিবর্তিত হয়, অথবা যখন শুষ্ক সময়কাল (আরও তীব্র, আরও তীব্র খরার বিপরীতে) জীবনীশক্তিতে আপাত হ্রাস ঘটায়, কিন্তু কাষ্ঠল উপাদান বা পাতার অংশের কোনও ক্ষতি হয় না।

Change_Raw_Probability_Fast_Loss ৩০ মিটার

র LCMS মডেল করা ফাস্ট লসের সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: Fast Loss-এ TimeSync পরিবর্তন প্রসেস ইন্টারপ্রিটেশন থেকে নিম্নলিখিত ক্লাস অন্তর্ভুক্ত-

  • আগুন - আগুনের কারণে পরিবর্তিত জমি, আগুনের কারণ (প্রাকৃতিক বা মানবজনিত), তীব্রতা বা জমির ব্যবহার যাই হোক না কেন।

  • হারভেস্ট - বনের জমি যেখানে গাছ, ঝোপঝাড় বা অন্যান্য গাছপালা মানুষের দ্বারা কাটা বা সরানো হয়েছে। উদাহরণস্বরূপ, ক্লিয়ারকাটিং, আগুন বা পোকামাকড়ের প্রাদুর্ভাবের পরে স্যালভেজ লগিং, থিনিং এবং অন্যান্য বন ব্যবস্থাপনা প্রেসক্রিপশন (যেমন, শেল্টারউড/সিডট্রি হার্ভেস্ট)।

  • মেকানিক্যাল - বনভূমি নয় এমন জমি যেখানে গাছ, ঝোপঝাড় বা অন্যান্য গাছপালা মেকানিক্যালি কেটে ফেলা হয়েছে বা চেইনিং, স্ক্র্যাপিং, ব্রাশ সয়িং, বুলডোজার বা বনভূমি নয় এমন জমির গাছপালা সরানোর অন্য কোনও পদ্ধতিতে সরানো হয়েছে।

  • বায়ু/বরফ - জমি (ব্যবহার নির্বিশেষে) যেখানে গাছপালা হারিকেন, টর্নেডো, ঝড় এবং বরফের ঝড় থেকে জমাট বৃষ্টি সহ অন্যান্য খুব খারাপ আবহাওয়ার কারণে পরিবর্তিত হয়।

  • হাইড্রোলজি - এমন জমি যেখানে বন্যার কারণে কাঠের কভার বা অন্যান্য জমির কভার উল্লেখযোগ্যভাবে পরিবর্তিত হয়েছে জমির ব্যবহার নির্বিশেষে উপাদান (যেমন, বন্যার পরে স্ট্রিমবেডে এবং তার আশেপাশে নুড়ি এবং গাছপালার নতুন মিশ্রণ)।

  • ধ্বংসাবশেষ - ভূমিধস, তুষারপাত, আগ্নেয়গিরি, ধ্বংসাবশেষের প্রবাহ ইত্যাদির সাথে সম্পর্কিত প্রাকৃতিক উপাদানের চলাচলের কারণে পরিবর্তিত জমি (ব্যবহার নির্বিশেষে)।

  • অন্যান্য - জমি (ব্যবহার নির্বিশেষে) যেখানে স্পেকট্রাল ট্রেন্ড বা অন্যান্য সহায়ক প্রমাণ সাজেস্ট করে যে কোনও বিঘ্ন বা পরিবর্তন ঘটেছে কিন্তু নির্দিষ্ট কারণ নির্ধারণ করা যায় না অথবা পরিবর্তনের ধরন উপরে সংজ্ঞায়িত পরিবর্তন প্রক্রিয়ার কোনও বিভাগের সাথে মেলে না।

Change_Raw_Probability_Gain ৩০ মিটার

র LCMS মডেল করা গেইনের সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: এক বা একাধিক বছর ধরে বৃদ্ধি ও উত্তরাধিকারের কারণে উদ্ভিদের আচ্ছাদন বৃদ্ধি পাওয়া জমি। উদ্ভিদের পুনর্জন্মের সাথে সম্পর্কিত বর্ণালী পরিবর্তন প্রকাশ করতে পারে এমন যেকোনও এলাকার ক্ষেত্রে প্রযোজ্য। উন্নত এলাকায়, গাছপালা বড় হওয়ার কারণে এবং/অথবা নতুন লন ও ল্যান্ডস্কেপিংয়ের কারণে সবুজায়ন বাড়তে পারে। বনের ক্ষেত্রে, গাছপালা বৃদ্ধির মধ্যে রয়েছে ফাঁকা জমিতে গাছপালা জন্মানো, সেইসাথে মধ্যবর্তী এবং সহ-প্রধান গাছ এবং/অথবা নিচু ঘাস এবং গুল্মের উপরে উঠে যাওয়া। বৃদ্ধি/পুনরুদ্ধার বন কাটার পরে রেকর্ড করা সেগমেন্টগুলি সম্ভবত বিভিন্ন ল্যান্ড কভার ক্লাসের মাধ্যমে পরিবর্তিত হবে কারণ বন পুনরুৎপাদন হয়। এইসব পরিবর্তনকে বৃদ্ধি/পুনরুদ্ধার হিসেবে বিবেচনা করার জন্য, স্পেকট্রাল ভ্যালু ক্রমবর্ধমান ট্রেন্ড লাইনের (যেমন, একটি পজিটিভ স্লোপ যা ~২০ বছর পর্যন্ত বাড়ানো হলে, NDVI-এর .১০ ইউনিটের অর্ডারে থাকবে) সাথে ঘনিষ্ঠভাবে লেগে থাকতে হবে যা কয়েক বছর ধরে বজায় থাকবে।

Land_Cover_Raw_Probability_Trees ৩০ মিটার

গাছের র LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়: পিক্সেলের বেশিরভাগ অংশ জীবিত বা মৃত গাছের দ্বারা গঠিত।

Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix ৩০ মিটার

লম্বা ঝোপঝাড় ও গাছের মিশ্রণের (শুধুমাত্র SEAK) র LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ ১ মিটারের বেশি উচ্চতার ঝোপঝাড় নিয়ে গঠিত এবং কমপক্ষে ১০% জীবিত বা মৃত গাছ নিয়ে গঠিত।

Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix ৩০ মিটার

ঝোপঝাড় ও গাছের মিশ্রণের র LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ ঝোপঝাড় নিয়ে গঠিত এবং অন্তত ১০% জীবিত বা মৃত গাছ নিয়ে গঠিত।

Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix ৩০ মিটার

Grass/Forb/Herb এবং Trees Mix-এর র LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ বহুবর্ষজীবী ঘাস, ফোর্বস বা অন্যান্য ধরনের ভেষজ গাছপালা নিয়ে গঠিত এবং কমপক্ষে ১০% জীবিত বা মৃত গাছ নিয়ে গঠিত।

Land_Cover_Raw_Probability_Barren-and-Trees-Mix ৩০ মিটার

অনুর্বর ও গাছের মিশ্রণের র LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ জুড়ে রয়েছে খালি মাটি যা কোনও কারণে উন্মুক্ত হয়ে গেছে (যেমন, যান্ত্রিকভাবে পরিষ্কার করার কারণে বা বনজ সম্পদ আহরণের কারণে উন্মুক্ত হয়ে যাওয়া মাটি), সেইসাথে চিরকাল অনুর্বর এলাকা যেমন মরুভূমি, প্লায়া, পাথুরে এলাকা (সারফেস মাইনিংয়ের কারণে উন্মুক্ত হয়ে যাওয়া খনিজ ও অন্যান্য ভূতাত্ত্বিক উপাদান সহ), বালিয়াড়ি, সল্ট ফ্ল্যাট এবং সমুদ্র সৈকত। ধুলো ও নুড়ি দিয়ে তৈরি রাস্তাও অনুর্বর হিসেবে বিবেচনা করা হয় এবং এতে অন্তত ১০% জীবিত বা মৃত গাছ থাকে।

Land_Cover_Raw_Probability_Tall-Shrubs ৩০ মিটার

লম্বা ঝোপঝাড়ের (শুধুমাত্র SEAK) র LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ ১ মিটারের বেশি উচ্চতার ঝোপঝাড় নিয়ে গঠিত।

Land_Cover_Raw_Probability_Shrubs ৩০ মিটার

শ্রাবসের র LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ ঝোপঝাড় দ্বারা গঠিত।

Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix ৩০ মিটার

ঘাস/ফরব/ভেষজ এবং গুল্মের মিশ্রণের কাঁচা LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ বহুবর্ষজীবী ঘাস, ফোর্বস বা অন্যান্য ধরনের ভেষজ গাছপালা এবং কমপক্ষে ১০% ঝোপঝাড় নিয়ে গঠিত।

Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix ৩০ মিটার

অনুর্বর ও ঝোপঝাড়ের মিশ্রণের র LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ জুড়ে রয়েছে খালি মাটি যা কোনও কারণে উন্মুক্ত হয়ে গেছে (যেমন, যান্ত্রিকভাবে পরিষ্কার করার কারণে বা বনজ সম্পদ আহরণের কারণে উন্মুক্ত হয়ে যাওয়া মাটি), সেইসাথে চিরকাল অনুর্বর এলাকা যেমন মরুভূমি, প্লায়া, পাথুরে এলাকা (সারফেস মাইনিংয়ের কারণে উন্মুক্ত হয়ে যাওয়া খনিজ ও অন্যান্য ভূতাত্ত্বিক উপাদান সহ), বালিয়াড়ি, সল্ট ফ্ল্যাট এবং সমুদ্র সৈকত। ধুলো ও নুড়ি দিয়ে তৈরি রাস্তাকেও অনুর্বর হিসেবে বিবেচনা করা হয় এবং এতে অন্তত ১০% ঝোপঝাড় থাকে।

Land_Cover_Raw_Probability_Grass-Forb-Herb ৩০ মিটার

ঘাস/ফরব/ভেষজের কাঁচা LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ বহুবর্ষজীবী ঘাস, ফোর্বস বা অন্যান্য ধরনের ভেষজ গাছপালা নিয়ে গঠিত।

Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix ৩০ মিটার

অনুর্বর এবং ঘাস/ফর্ব/ভেষজ মিশ্রণের র LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ জুড়ে রয়েছে খালি মাটি যা কোনও কারণে উন্মুক্ত হয়ে গেছে (যেমন, যান্ত্রিক উপায়ে পরিষ্কার করার কারণে বা বনজ সম্পদ আহরণের কারণে উন্মুক্ত হয়ে যাওয়া মাটি), এর পাশাপাশি চিরকাল অনুর্বর থাকে এমন এলাকা যেমন মরুভূমি, প্লায়া, পাথুরে এলাকা (সারফেস মাইনিং অ্যাক্টিভিটির কারণে উন্মুক্ত হয়ে যাওয়া খনিজ ও অন্যান্য ভূতাত্ত্বিক উপাদান সহ), বালিয়াড়ি, লবণাক্ত সমভূমি ও সমুদ্র সৈকত। ধুলো ও নুড়ি দিয়ে তৈরি রাস্তাও অনুর্বর হিসেবে বিবেচনা করা হয় এবং এতে কমপক্ষে ১০% বহুবর্ষজীবী ঘাস, ফর্বস বা অন্যান্য ধরনের ভেষজ গাছপালা থাকে।

Land_Cover_Raw_Probability_Barren-or-Impervious ৩০ মিটার

অনুর্বর বা দুর্ভেদ্য হওয়ার র LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ ১.) কোনও কারণে উন্মুক্ত হয়ে যাওয়া মাটি (যেমন, যান্ত্রিকভাবে পরিষ্কার করার কারণে বা বনজ সম্পদ আহরণের কারণে উন্মুক্ত হয়ে যাওয়া মাটি), সেইসাথে মরুভূমি, প্লায়া, পাথুরে আউটক্রপিং (সারফেস মাইনিংয়ের কারণে উন্মুক্ত হয়ে যাওয়া খনিজ ও অন্যান্য ভূতাত্ত্বিক উপাদান সহ), বালিয়াড়ি, সল্ট ফ্ল্যাট ও সমুদ্র সৈকতের মতো চিরকাল অনুর্বর এলাকা নিয়ে গঠিত। এছাড়াও, মাটি ও নুড়ি দিয়ে তৈরি রাস্তা, অনুর্বর জমি বা ২.) মানুষের তৈরি এমন জিনিস যার মধ্যে দিয়ে জল যেতে পারে না, যেমন পাকা রাস্তা, ছাদ ও পার্কিং লট।

Land_Cover_Raw_Probability_Snow-or-Ice ৩০ মিটার

তুষার বা বরফের কাঁচা LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: পিক্সেলের বেশিরভাগ অংশ তুষার বা বরফ দিয়ে ঢাকা।

Land_Cover_Raw_Probability_Water ৩০ মিটার

জলের র LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: পিক্সেলের অধিকাংশ অংশ জল দিয়ে গঠিত।

Land_Use_Raw_Probability_Agriculture ৩০ মিটার

কৃষির কাঁচা LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: খাদ্য, ফাইবার ও জ্বালানি উৎপাদনের জন্য ব্যবহৃত জমি যা গাছপালা সহ বা গাছপালা ছাড়া অবস্থায় রয়েছে। এর মধ্যে চাষ করা ও চাষ না করা শস্যক্ষেত, খড়ের জমি, ফলের বাগান, আঙুরের ক্ষেত, পশু পালনের জন্য ঘেরা জায়গা এবং ফল, বাদাম বা বেরি উৎপাদনের জন্য লাগানো এলাকা সহ আরও অনেক কিছু অন্তর্ভুক্ত। যেসব রাস্তা মূলত কৃষিকাজের জন্য ব্যবহার করা হয় (অর্থাৎ, এক শহর থেকে অন্য শহরে পাবলিক ট্রান্সপোর্টের জন্য ব্যবহার করা হয় না) সেগুলিকে কৃষি জমি হিসেবে বিবেচনা করা হয়।

Land_Use_Raw_Probability_Developed ৩০ মিটার

র LCMS মডেল করা উন্নত হওয়ার সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়: মানুষের তৈরি কাঠামো দ্বারা আবৃত জমি (যেমন, উচ্চ ঘনত্বের আবাসিক, বাণিজ্যিক, শিল্প, খনি বা পরিবহন), অথবা উদ্ভিদ (গাছ সহ) এবং কাঠামো (যেমন, কম ঘনত্বের আবাসিক, লন, বিনোদনমূলক সুবিধা, কবরস্থান, পরিবহন এবং ইউটিলিটি করিডোর ইত্যাদি) উভয়ের মিশ্রণ, মানুষের কার্যকলাপ দ্বারা কার্যকরীভাবে পরিবর্তিত যেকোনও জমি সহ।

Land_Use_Raw_Probability_Forest ৩০ মিটার

জঙ্গলের র LCMS মডেল করা সম্ভাবনা। সংজ্ঞা: এমন জমি যেখানে গাছ লাগানো হয়েছে বা প্রাকৃতিকভাবে গাছপালা জন্মেছে এবং যেখানে নিকটবর্তী সময়ে কোনও এক সময় ১০% বা তার বেশি গাছের ছায়া রয়েছে (বা থাকার সম্ভাবনা রয়েছে)। এর মধ্যে পর্ণমোচী, চিরহরিৎ এবং/অথবা মিশ্র প্রকৃতির প্রাকৃতিক বন, বনজ বৃক্ষরোপণ এবং কাঠের জলাভূমি অন্তর্ভুক্ত থাকতে পারে।

Land_Use_Raw_Probability_Non-Forest-Wetland ৩০ মিটার

বনভূমি নয় এমন জলাভূমির র LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়: দৃশ্যমান ওয়াটার টেবিলের (স্থায়ী বা মরশুমিভাবে স্যাচুরেটেড) সংলগ্ন বা মধ্যে অবস্থিত জমি যেখানে ঝোপঝাড় বা স্থায়ীভাবে উদীয়মান গাছপালা বেশি থাকে। এই জলাভূমিগুলি হ্রদ, নদীর চ্যানেল বা মোহনার তীরের দিকে; নদীর প্লাবনভূমিতে; বিচ্ছিন্ন ক্যাচমেন্টে; বা ঢালে অবস্থিত হতে পারে। এছাড়াও, এগুলি প্রেইরি পোটহোল, ড্রেনেজ ডিচ এবং কৃষি ল্যান্ডস্কেপে স্টক পন্ড হিসেবে দেখা যেতে পারে এবং হ্রদ বা নদীর মাঝখানে দ্বীপ হিসেবেও দেখা যেতে পারে। অন্যান্য উদাহরণের মধ্যে জলাভূমি, পঙ্কিল ভূমি, জলা, চোরাবালি, মাস্কেগ, স্লু, ফেন এবং বাউও অন্তর্ভুক্ত।

Land_Use_Raw_Probability_Other ৩০ মিটার

অন্যান্যর র LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: জমি (ব্যবহার যাই হোক না কেন) যেখানে স্পেকট্রাল ট্রেন্ড বা অন্যান্য সহায়ক প্রমাণ থেকে বোঝা যায় যে কোনও বিঘ্ন বা পরিবর্তন ঘটেছে কিন্তু নির্দিষ্ট কারণ নির্ধারণ করা যায়নি বা পরিবর্তনের ধরন উপরে সংজ্ঞায়িত পরিবর্তন প্রক্রিয়ার কোনও বিভাগের সাথে মেলে না।

Land_Use_Raw_Probability_Rangeland-or-Pasture ৩০ মিটার

রেঞ্জল্যান্ড বা চারণভূমির র LCMS মডেল করা সম্ভাবনা। এইভাবে সংজ্ঞায়িত করা হয়েছে: এই ক্লাসে এমন যেকোনও এলাকা অন্তর্ভুক্ত যা হয় ক.) রেঞ্জল্যান্ড, যেখানে গাছপালা হল দেশীয় ঘাস, গুল্ম, ফোর্বস এবং ঘাসের মতো উদ্ভিদের মিশ্রণ যা মূলত বৃষ্টিপাত, তাপমাত্রা, উচ্চতা এবং আগুনের মতো প্রাকৃতিক কারণ এবং প্রক্রিয়া থেকে উদ্ভূত হয়, যদিও সীমিত ব্যবস্থাপনার মধ্যে নির্ধারিত পোড়ানোর পাশাপাশি গৃহপালিত এবং বন্য তৃণভোজী প্রাণীদের চারণ অন্তর্ভুক্ত থাকতে পারে; অথবা খ.) চারণভূমি, যেখানে গাছপালা মিশ্র, মূলত প্রাকৃতিক ঘাস, ফোর্বস এবং ভেষজ থেকে শুরু করে আরও বেশি পরিচালিত গাছপালা পর্যন্ত হতে পারে যেখানে ঘাসের প্রজাতিগুলি বীজ বপন করা হয়েছে এবং প্রায় মনোকালচার বজায় রাখার জন্য পরিচালিত হয়েছে।

QA_Bits ৩০ মিটার

বার্ষিক LCMS প্রোডাক্ট আউটপুট ভ্যালুর উৎসের ব্যাপারে আনুষঙ্গিক তথ্য।

ক্লাস টেবিল পরিবর্তন করুন

মান রঙ বিবরণ
1 #3d4551

আস্তাবল

2 #f39268

স্লো লস

3 #d54309

দ্রুত ওজন কমানো

4 #00a398

অর্জন

5 #1b1716

নন-প্রসেসিং এরিয়া মাস্ক

Land_Cover Class Table

মান রঙ বিবরণ
1 #০০৫e০০

গাছ

2 #০০৮০০০

লম্বা গুল্ম ও গাছের মিশ্রণ (শুধুমাত্র SEAK)

3 #00cc00

ঝোপ ও গাছপালা মিক্স

4 #b3ff1a

ঘাস/ফর্ব/ভেষজ ও গাছের মিশ্রণ

5 #99ff99

অনুর্বর জমি ও গাছপালা মিক্স

6 #b30088

লম্বা ঝোপ (শুধু SEAK)

7 #e68a00

ঝোপ

8 #ffad33

ঘাস/ফর্ব/ভেষজ ও গুল্মের মিশ্রণ

9 #ffe0b3

অনুর্বর ও ঝোপঝাড়ের মিক্স

10 #ffff00

ঘাস/ফরব/ভেষজ

11 #aa7700

অনুর্বর ও ঘাস/ফরব/ভেষজ মিক্স

12 #d3bf9b

অনুর্বর বা দুর্ভেদ্য

13 #ffffff

বরফ বা তুষার

14 #4780f3

জল

15 #1b1716

নন-প্রসেসিং এরিয়া মাস্ক

Land_Use Class Table

মান রঙ বিবরণ
1 #efff6b

কৃষি

2 #ff2ff8

ডেভেলপ করা হয়েছে

3 #1b9d0c

বন

4 #97ffff

বনভূমি নয় এমন জলাভূমি

5 #a1a1a1

অন্যান্য

6 #c2b34a

রেঞ্জল্যান্ড বা চারণভূমি

7 #1b1716

নন-প্রসেসিং এরিয়া মাস্ক

ছবির প্রপার্টি

ছবির প্রপার্টি

নাম ধরন বিবরণ
study_area STRING

LCMS বর্তমানে মার্কিন যুক্তরাষ্ট্রের সংলগ্ন অঞ্চল, দক্ষিণ-পূর্ব আলাস্কা, পুয়ের্তো রিকো-মার্কিন ভার্জিন দ্বীপপুঞ্জ এবং হাওয়াই কভার করে। এই ভার্সনে কন্টিনেন্টাল মার্কিন যুক্তরাষ্ট্র, দক্ষিণ-পূর্ব আলাস্কা, পুয়ের্তো রিকো-মার্কিন ভার্জিন দ্বীপপুঞ্জ এবং হাওয়াই জুড়ে আউটপুট রয়েছে। সম্ভাব্য ভ্যালু: 'CONUS, SEAK, PRUSVI, HI'

বছর INT

প্রোডাক্টের বছর

ব্যবহারের শর্তাদি

ব্যবহারের শর্তাবলী

USDA Forest Service কোনও ওয়ারেন্টি দেয় না, তা ব্যক্ত বা উহ্য যাই হোক না কেন, যার মধ্যে কোনও নির্দিষ্ট উদ্দেশ্যে উপযোগিতা ও উপযুক্ততার ওয়ারেন্টিও অন্তর্ভুক্ত, এবং এই জিওস্পেশিয়াল ডেটার নির্ভুলতা, নির্ভরযোগ্যতা, সম্পূর্ণতা বা উপযোগিতা অথবা এই জিওস্পেশিয়াল ডেটার অনুপযুক্ত বা ভুল ব্যবহারের জন্য কোনও আইনি দায় বা দায়িত্ব গ্রহণ করে না। এই জিওস্পেশিয়াল ডেটা এবং সম্পর্কিত ম্যাপ বা গ্রাফিক্স কোনও আইনি ডকুমেন্ট নয় এবং সেইভাবে ব্যবহার করার জন্য তৈরি করা হয়নি। ডেটা এবং ম্যাপগুলি শিরোনাম, মালিকানা, আইনি বিবরণ বা সীমানা, আইনি এখতিয়ার বা সর্বজনীন বা ব্যক্তিগত জমিতে প্রযোজ্য হতে পারে এমন বিধিনিষেধ নির্ধারণ করতে ব্যবহার করা যাবে না। প্রাকৃতিক বিপদ ডেটা এবং ম্যাপে দেখানো হতে পারে বা নাও হতে পারে এবং জমি ব্যবহারকারীদের যথাযথ সতর্কতা অবলম্বন করা উচিত। ডেটা ডাইনামিক এবং সময়ের সাথে সাথে পরিবর্তিত হতে পারে। জিওস্পেশিয়াল ডেটার সীমাবদ্ধতা যাচাই করা এবং সেই অনুযায়ী ডেটা ব্যবহার করার দায়িত্ব ব্যবহারকারীর।

মার্কিন যুক্তরাষ্ট্রের সরকারের থেকে পাওয়া ফান্ড ব্যবহার করে এই ডেটা সংগ্রহ করা হয়েছে এবং অতিরিক্ত অনুমতি বা ফি ছাড়াই এটি ব্যবহার করা যাবে। আপনি যদি কোনও প্রকাশনা, প্রেজেন্টেশন বা অন্য কোনও রিসার্চ প্রোডাক্টে এই ডেটা ব্যবহার করেন, তাহলে নিম্নলিখিত উদ্ধৃতি ব্যবহার করুন:

USDA Forest Service. ২০২৪। USFS Landscape Change Monitoring System v2023.9 (Conterminous United States and Outer Conterminous United States). সল্ট লেক সিটি, উটাহ।

উদ্ধৃতি

উদ্ধৃতি:
  • USDA Forest Service. ২০২৪। USFS ল্যান্ডস্কেপ চেঞ্জ মনিটরিং সিস্টেম v2023.9 (কন্টারমিনাস মার্কিন যুক্তরাষ্ট্র এবং আউটার কন্টারমিনাস মার্কিন যুক্তরাষ্ট্র)। সল্ট লেক সিটি, উটাহ।

  • Breiman, L., 2001. র‍্যান্ডম ফরেস্ট। মেশিন লার্নিংয়ে। Springer, 45: 5-32. doi:10.1023/A:1010933404324

  • Chastain, R., Housman, I., Goldstein, J., Finco, M., and Tenneson, K., ২০১৯। 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, ২২১: ২৭৪-২৮৫. doi:১০.১০১৬/j.rse.২০১৮.১১.০১২

  • Cohen, W. B., Yang, Z., and Kennedy, R., 2010. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 2. TimeSync - ক্যালিব্রেশন ও যাচাইকরণের টুল। In Remote Sensing of Environment. Science Direct, 114(12): 2911-2924. doi:10.1016/j.rse.2010.07.010

  • Cohen, W. B., Yang, Z., Healey, S. P., Kennedy, R. E., এবং Gorelick, N., ২০১৮. A LandTrendr multispectral ensemble for forest disturbance detection. In Remote Sensing of Environment. Science Direct, ২০৫: ১৩১-১৪০। doi:১০.১০১৬/j.rse.২০১৭.১১.০১৫

  • Foga, S., Scaramuzza, P.L., Guo, S., Zhu, Z., Dilley, R.D., Beckmann, T., Schmidt, G.L., Dwyer, J.L., Hughes, M.J., Laue, B., ২০১৭। অপারেশনাল Landsat ডেটা প্রোডাক্টের জন্য ক্লাউড শনাক্তকরণ অ্যালগরিদম তুলনা ও যাচাইকরণ। In Remote Sensing of Environment. Science Direct, 194: 379-390. doi:10.1016/j.rse.2017.03.026

  • U.S. Geological Survey, ২০১৯। USGS 3D Elevation Program Digital Elevation Model, আগস্ট ২০২২-এ অ্যাক্সেস করা হয়েছে https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m

  • Healey, S. P., Cohen, W. B., Yang, Z., Kenneth Brewer, C., Brooks, E. B., Gorelick, N., Hernandez, A. J., Huang, C., Joseph Hughes, M., Kennedy, R. E., লাভল্যান্ড, টি. R., Moisen, G. G., Schroeder, T. A., Stehman, S. V., Vogelmann, J. E., Woodcock, C. E., Yang, L., and Zhu, Z., ২০১৮. স্ট্যাকড জেনারেলাইজেশন ব্যবহার করে বনভূমির পরিবর্তন ম্যাপিং করা: একটি এনসেম্বল অ্যাপ্রোচ। In Remote Sensing of Environment. Science Direct, 204: 717-728. doi:10.1016/j.rse.2017.09.029

  • Kennedy, R. E., Yang, Z., and Cohen, W. B., 2010. বার্ষিক ল্যান্ডস্যাট টাইম সিরিজ ব্যবহার করে বনভূমির ক্ষতি ও পুনরুদ্ধারের ট্রেন্ড শনাক্ত করা: ১. LandTrendr - টেম্পোরাল সেগমেন্টেশন অ্যালগরিদম। 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. ২০১৮. Google Earth Engine-এ LandTrendr অ্যালগরিদম প্রয়োগ করা। রিমোট সেন্সিংয়ে। MDPI, 10(5): 691. doi:10.3390/rs10050691

  • Pasquarella, V. J., Brown, C. F., Czerwinski, W., and Rucklidge, W. J., ২০২৩. দুর্বলভাবে তত্ত্বাবধান করা ভিডিও লার্নিং ব্যবহার করে অপটিক্যাল স্যাটেলাইট ইমেজের ব্যাপক কোয়ালিটি মূল্যায়ন। In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2125-2135. doi:10.1109/CVPRW59228.2023.00206

  • Sentinel-Hub, 2021. Sentinel 2 Cloud Detector. [অনলাইন]। এখানে উপলভ্য: https://github.com/sentinel-hub/sentinel2-cloud-detector

  • Weiss, A.D., 2001. টোপোগ্রাফিক পজিশন ও ল্যান্ডফর্ম বিশ্লেষণ পোস্টার প্রেজেন্টেশন, ESRI ব্যবহারকারীদের কনফারেন্স, সান ডিয়েগো, CAZhu, Z., এবং Woodcock, C. ঙ. ২০১২। Landsat ইমেজারিতে অবজেক্ট-ভিত্তিক ক্লাউড ও ক্লাউড শ্যাডো শনাক্তকরণ। ১১৮: ৮৩-৯৪।

  • Zhu, Z., and Woodcock, C. E., ২০১২। Landsat ইমেজারিতে অবজেক্ট-ভিত্তিক ক্লাউড ও ক্লাউড শ্যাডো শনাক্তকরণ। In Remote Sensing of Environment. Science Direct, 118: 83-94. doi:10.1016/j.rse.2011.10.028

  • Zhu, Z., and Woodcock, C. E., ২০১৪. উপলভ্য সব Landsat ডেটা ব্যবহার করে ল্যান্ড কভারের ক্রমাগত পরিবর্তন শনাক্তকরণ ও শ্রেণীবিভাগ। In Remote Sensing of Environment. Science Direct, 144: 152-171. doi:10.1016/j.rse.2014.01.011

DOI

Earth Engine-এর সাহায্যে এক্সপ্লোর করুন

কোড এডিটর (জাভাস্ক্রিপ্ট)

var dataset = ee.ImageCollection('USFS/GTAC/LCMS/v2023-9');

var lcms = dataset.filterDate('2021', '2022')  // range: [1985, 2023]
               .filter('study_area == "CONUS"')  // or "SEAK"; "PRUSVI"; "HAWAII" 
               .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