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

ইউএসএফএস/জিটিএসি/এলসিএমএস/ভি২০২৩-৯
ডেটাসেটের উপলভ্যতা
1985-01-01T00:00:00Z–2023-12-31T00:00:00Z
ডেটাসেট প্রদানকারী
আর্থ ইঞ্জিন স্নিপেট
ee.ImageCollection("USFS/GTAC/LCMS/v2023-9")
ট্যাগ
পরিবর্তন-সনাক্তকরণ
বন।
জিটিএসি
ভূমি আচ্ছাদন
ল্যান্ডস্যাট-প্রাপ্ত
ভূমি ব্যবহার
ভূমি ব্যবহার-ভূমি আচ্ছাদন
এলসিএমএস
রেডক্যাসল-রিসোর্সেস
সেন্টিনেল-উদ্ভূত
সময়-ধারাবাহিক
ইউএসডিএ
ইউএসএফএস

বিবরণ

এই পণ্যটি ল্যান্ডস্কেপ চেঞ্জ মনিটরিং সিস্টেম (LCMS) ডেটা স্যুটের অংশ। এটি প্রতি বছর LCMS-মডেলযুক্ত পরিবর্তন, ভূমি আচ্ছাদন এবং/অথবা ভূমি ব্যবহারের ক্লাস দেখায় যা কনটারমিনাস মার্কিন যুক্তরাষ্ট্র (CONUS) এবং CONUS (OCONUS) এর বাইরের অঞ্চলগুলিকে অন্তর্ভুক্ত করে যার মধ্যে দক্ষিণ-পূর্ব আলাস্কা (SEAK), পুয়ের্তো রিকো-মার্কিন ভার্জিন দ্বীপপুঞ্জ (PRUSVI) এবং হাওয়াই (HI) অন্তর্ভুক্ত।

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 1985 সাল থেকে 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), s2cloudless (Sentinel-Hub, 2021) এবং Cloud Score plus (Pasquarella et al., 2023) (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)।

ভবিষ্যদ্বাণীকারী তথ্যের মধ্যে রয়েছে কাঁচা যৌগিক মান, ল্যান্ডট্রেন্ডার ফিট করা মান, জোড়া-ভিত্তিক পার্থক্য, সেগমেন্টের সময়কাল, পরিবর্তনের মাত্রা এবং ঢাল, এবং CCDC সাইন এবং কোসাইন সহগ (প্রথম 3টি সুরেলা), লাগানো মান এবং জোড়া-ভিত্তিক পার্থক্য, পাশাপাশি উচ্চতা, ঢাল, দিকের সাইন, দিকের কোসাইন এবং 10 মিটার USGS 3D উচ্চতা প্রোগ্রাম (3DEP) তথ্য (US Geological Survey, 2019) থেকে প্রাপ্ত উচ্চতা, ঢাল, দিকের সাইন, দিকের কোসাইন এবং টোপোগ্রাফিক অবস্থান সূচক (Weiss, 2001)।

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)।

বার্ষিক পরিবর্তন, ভূমি আচ্ছাদন এবং ভূমি ব্যবহারের শ্রেণী পূর্বাভাস দেওয়ার জন্য TimeSync থেকে রেফারেন্স ডেটা এবং LandTrendr, CCDC এবং ভূখণ্ড সূচক থেকে ভবিষ্যদ্বাণীকারী ডেটা ব্যবহার করে র‍্যান্ডম ফরেস্ট মডেলগুলিকে (Breiman, 2001) প্রশিক্ষণ দেওয়া হয়েছিল। মডেলিংয়ের পরে, আমরা গুণগত মানচিত্র আউটপুট উন্নত করতে এবং কমিশন এবং বাদ পড়া কমাতে আনুষঙ্গিক ডেটাসেট ব্যবহার করে সম্ভাব্যতা থ্রেশহোল্ড এবং নিয়ম সেটের একটি সিরিজ চালু করেছি। আরও তথ্য বর্ণনায় অন্তর্ভুক্ত LCMS পদ্ধতির সংক্ষিপ্তসারে পাওয়া যাবে।

অতিরিক্ত সম্পদ

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

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 একটি নির্দিষ্ট থ্রেশহোল্ডের উপরেও থাকে। যে কোনও পিক্সেল যার প্রতিটি শ্রেণীর সংশ্লিষ্ট থ্রেশহোল্ডের উপরে কোনও মান নেই তা স্থিতিশীল শ্রেণীতে বরাদ্দ করা হয়। পরিবর্তন শ্রেণী নির্ধারণের আগে, অ-উদ্ভিদ ভূমি আচ্ছাদনের পরিবর্তন রোধ করার জন্য সমস্ত অধ্যয়ন এলাকায় একটি নিয়ম প্রয়োগ করা হয়েছিল।

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 বরাদ্দ করা হয়। দক্ষিণ-পূর্ব আলাস্কার জন্য, সর্বোচ্চ সম্ভাব্যতা সহ ভূমি আচ্ছাদন শ্রেণী নির্ধারণের আগে, সমুদ্রপৃষ্ঠের বৃহৎ আন্তঃজলোয়ার অঞ্চলে গাছ এবং তুষার ভূমি আচ্ছাদন শ্রেণী কমিশন সীমিত করার জন্য একটি ভূমি আচ্ছাদন নিয়ম প্রয়োগ করা হয়েছিল। CONUS, পুয়ের্তো রিকো-মার্কিন ভার্জিন দ্বীপপুঞ্জ বা হাওয়াইতে কোনও ভূমি আচ্ছাদন নিয়ম প্রয়োগ করা হয়নি। 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। এছাড়াও সাতটি মিশ্র শ্রেণী রয়েছে। এগুলি এমন পিক্সেলের প্রতিনিধিত্ব করে যেখানে একটি অতিরিক্ত ভূমি আচ্ছাদন শ্রেণী পিক্সেলের কমপক্ষে 10% জুড়ে থাকে।

Land_Use মিটার

চূড়ান্ত থিম্যাটিক 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 ভবিষ্যদ্বাণী করা 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। সর্বোচ্চ সম্ভাব্যতা সহ ভূমি ব্যবহারের শ্রেণী নির্ধারণের আগে, আনুষঙ্গিক ডেটাসেট ব্যবহার করে সম্ভাব্যতা থ্রেশহোল্ড এবং নিয়ম সেটের একটি সিরিজ ভূমি ব্যবহারের নিয়ম প্রয়োগ করা হয়েছিল। সম্ভাব্যতা থ্রেশহোল্ড এবং নিয়ম সেট সম্পর্কে আরও তথ্য বর্ণনায় অন্তর্ভুক্ত LCMS পদ্ধতির সংক্ষিপ্তসারে পাওয়া যাবে। উন্নত শ্রেণীর সমস্যা সংশোধন করার জন্য CONUS ভূমি ব্যবহারের পণ্যটি 2 জুলাই 2024 তারিখে আপডেট করা হয়েছিল।

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 আউটফ্রপিং (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.) মানবসৃষ্ট 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।

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 ফরেস্ট সার্ভিস। ২০২৪। USFS ল্যান্ডস্কেপ চেঞ্জ মনিটরিং সিস্টেম v2023.9 ​​(কন্টারমিনাস মার্কিন যুক্তরাষ্ট্র এবং আউটার কন্টারমিনাস মার্কিন যুক্তরাষ্ট্র)। সল্ট লেক সিটি, উটাহ।

উদ্ধৃতি

উদ্ধৃতি:

  • USDA ফরেস্ট সার্ভিস। ২০২৪। USFS ল্যান্ডস্কেপ চেঞ্জ মনিটরিং সিস্টেম v2023.9 ​​(কন্টারমিনাস মার্কিন যুক্তরাষ্ট্র এবং আউটার কন্টারমিনাস মার্কিন যুক্তরাষ্ট্র)। সল্ট লেক সিটি, উটাহ।

  • 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। ইন রিমোট সেন্সিং অফ এনভায়রনমেন্ট। 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

  • Pasquarella, VJ, Brown, CF, Czerwinski, W., এবং Rucklidge, WJ, 2023। দুর্বল তত্ত্বাবধানে থাকা ভিডিও লার্নিং ব্যবহার করে অপটিক্যাল স্যাটেলাইট ইমেজারির ব্যাপক গুণমান মূল্যায়ন। কম্পিউটার ভিশন এবং প্যাটার্ন স্বীকৃতি সম্পর্কিত IEEE/CVF সম্মেলনের কার্যবিবরণীতে। 2125-2135। doi:10.1109/CVPRW59228.2023.00206

  • 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

ডিওআই

আর্থ ইঞ্জিনের সাহায্যে ঘুরে দেখুন

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
এই পণ্যটি ল্যান্ডস্কেপ চেঞ্জ মনিটরিং সিস্টেম (LCMS) ডেটা স্যুটের অংশ। এটি প্রতি বছর LCMS-মডেলযুক্ত পরিবর্তন, ভূমি আচ্ছাদন এবং/অথবা ভূমি ব্যবহারের ক্লাস দেখায় যা কনটারমিনাস মার্কিন যুক্তরাষ্ট্র (CONUS) এবং CONUS (OCONUS) এর বাইরের অঞ্চলগুলিকে অন্তর্ভুক্ত করে যার মধ্যে রয়েছে দক্ষিণ-পূর্ব আলাস্কা (SEAK), পুয়ের্তো রিকো-মার্কিন ভার্জিন দ্বীপপুঞ্জ (PRUSVI), এবং …
USFS/GTAC/LCMS/v2023-9, পরিবর্তন-সনাক্তকরণ, বন, gtac, ভূমিকভার, ভূমিস্যাট-প্রাপ্ত, ভূমিব্যবহার, ভূমিকভার-প্রাপ্ত, রেডক্যাসেল-সম্পদ, সেন্টিনেল-প্রাপ্ত, সময়-সিরিজ, usda, usfs
1985-01-01T00:00:00Z/2023-12-31T00:00:00Z
২০.৩৮৩৭৯ -১৩৫.২৮৬৩৮৭ ৫২.৪৫৯৩৬৪ -৫৬.৪৪৬৩০৬
গুগল আর্থ ইঞ্জিন
,
ইউএসএফএস/জিটিএসি/এলসিএমএস/ভি২০২৩-৯
ডেটাসেটের উপলভ্যতা
1985-01-01T00:00:00Z–2023-12-31T00:00:00Z
ডেটাসেট প্রদানকারী
আর্থ ইঞ্জিন স্নিপেট
ee.ImageCollection("USFS/GTAC/LCMS/v2023-9")
ট্যাগ
পরিবর্তন-সনাক্তকরণ
বন।
জিটিএসি
ভূমি আচ্ছাদন
ল্যান্ডস্যাট-প্রাপ্ত
ভূমি ব্যবহার
ভূমি ব্যবহার-ভূমি আচ্ছাদন
এলসিএমএস
রেডক্যাসল-রিসোর্সেস
সেন্টিনেল-উদ্ভূত
সময়-ধারাবাহিক
ইউএসডিএ
ইউএসএফএস

বিবরণ

এই পণ্যটি ল্যান্ডস্কেপ চেঞ্জ মনিটরিং সিস্টেম (LCMS) ডেটা স্যুটের অংশ। এটি প্রতি বছর LCMS-মডেলযুক্ত পরিবর্তন, ভূমি আচ্ছাদন এবং/অথবা ভূমি ব্যবহারের ক্লাস দেখায় যা কনটারমিনাস মার্কিন যুক্তরাষ্ট্র (CONUS) এবং CONUS (OCONUS) এর বাইরের অঞ্চলগুলিকে অন্তর্ভুক্ত করে যার মধ্যে দক্ষিণ-পূর্ব আলাস্কা (SEAK), পুয়ের্তো রিকো-মার্কিন ভার্জিন দ্বীপপুঞ্জ (PRUSVI) এবং হাওয়াই (HI) অন্তর্ভুক্ত।

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 1985 সাল থেকে 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), s2cloudless (Sentinel-Hub, 2021) এবং Cloud Score plus (Pasquarella et al., 2023) (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)।

ভবিষ্যদ্বাণীকারী তথ্যের মধ্যে রয়েছে কাঁচা যৌগিক মান, ল্যান্ডট্রেন্ডার ফিট করা মান, জোড়া-ভিত্তিক পার্থক্য, সেগমেন্টের সময়কাল, পরিবর্তনের মাত্রা এবং ঢাল, এবং CCDC সাইন এবং কোসাইন সহগ (প্রথম 3টি সুরেলা), লাগানো মান এবং জোড়া-ভিত্তিক পার্থক্য, পাশাপাশি উচ্চতা, ঢাল, দিকের সাইন, দিকের কোসাইন এবং 10 মিটার USGS 3D উচ্চতা প্রোগ্রাম (3DEP) তথ্য (US Geological Survey, 2019) থেকে প্রাপ্ত উচ্চতা, ঢাল, দিকের সাইন, দিকের কোসাইন এবং টোপোগ্রাফিক অবস্থান সূচক (Weiss, 2001)।

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)।

বার্ষিক পরিবর্তন, ভূমি আচ্ছাদন এবং ভূমি ব্যবহারের শ্রেণী পূর্বাভাস দেওয়ার জন্য TimeSync থেকে রেফারেন্স ডেটা এবং LandTrendr, CCDC এবং ভূখণ্ড সূচক থেকে ভবিষ্যদ্বাণীকারী ডেটা ব্যবহার করে র‍্যান্ডম ফরেস্ট মডেলগুলিকে (Breiman, 2001) প্রশিক্ষণ দেওয়া হয়েছিল। মডেলিংয়ের পরে, আমরা গুণগত মানচিত্র আউটপুট উন্নত করতে এবং কমিশন এবং বাদ পড়া কমাতে আনুষঙ্গিক ডেটাসেট ব্যবহার করে সম্ভাব্যতা থ্রেশহোল্ড এবং নিয়ম সেটের একটি সিরিজ চালু করেছি। আরও তথ্য বর্ণনায় অন্তর্ভুক্ত LCMS পদ্ধতির সংক্ষিপ্তসারে পাওয়া যাবে।

অতিরিক্ত সম্পদ

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

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. Prior to assigning the change class, a rule was applied to all study areas to prevent change in non-vegetated land cover.

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. For Southeastern Alaska, prior to assigning the land cover class with the highest probability, a land cover rule was implemented to limit tree and snow landcover class commission in the large intertidal zones at sea level. No land cover rules were applied to CONUS, Puerto Rico-US Virgin Islands or Hawaii. 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. Prior to assigning the land use class with the highest probability, a series of probability thresholds and rulesets using ancillary datasets land use rules were applied. More information on the probability thresholds and rulesets can be found in the LCMS Methods Brief included in the Description. The CONUS land use product was updated on July 2nd 2024, to correct an issue with the developed class.

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.

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 #008000

Tall Shrubs & Trees Mix (SEAK Only)

৩ #00cc00

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
study_area 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

The USDA Forest Service makes no warranty, expressed or implied, including the warranties of merchantability and fitness for a particular purpose, nor assumes any legal liability or responsibility for the accuracy, reliability, completeness or utility of these geospatial data, or for the improper or incorrect use of these geospatial data. These geospatial data and related maps or graphics are not legal documents and are not intended to be used as such. The data and maps may not be used to determine title, ownership, legal descriptions or boundaries, legal jurisdiction, or restrictions that may be in place on either public or private land. Natural hazards may or may not be depicted on the data and maps, and land users should exercise due caution. The data are dynamic and may change over time. The user is responsible to verify the limitations of the geospatial data and to use the data accordingly.

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. 2024. USFS Landscape Change Monitoring System v2023.9 (Conterminous United States and Outer Conterminous United States). Salt Lake City, Utah.

উদ্ধৃতি

উদ্ধৃতি:

  • USDA Forest Service. 2024. USFS Landscape Change Monitoring System v2023.9 (Conterminous United States and Outer Conterminous United States). Salt Lake City, Utah.

  • 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

  • Pasquarella, VJ, Brown, CF, Czerwinski, W., and Rucklidge, WJ, 2023. Comprehensive Quality Assessment of Optical Satellite Imagery Using Weakly Supervised Video Learning. 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. [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

ডিওআই

আর্থ ইঞ্জিনের সাহায্যে ঘুরে দেখুন

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
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 Conterminous United States (CONUS) and areas outside the CONUS (OCONUS) that include Southeastern Alaska (SEAK), Puerto Rico-US Virgin Islands (PRUSVI), and …
USFS/GTAC/LCMS/v2023-9, change-detection,forest,gtac,landcover,landsat-derived,landuse,landuse-landcover,redcastle-resources,sentinel-derived,time-series,usda,usfs
1985-01-01T00:00:00Z/2023-12-31T00:00:00Z
20.38379 -135.286387 52.459364 -56.446306
গুগল আর্থ ইঞ্জিন