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

USFS/GTAC/LCMS/v2023-9
Dataset-Verfügbarkeit
1985-01-01T00:00:00Z–2023-12-31T00:00:00Z
Ersteller des Datasets
Earth Engine-Snippet
ee.ImageCollection("USFS/GTAC/LCMS/v2023-9")
Tags
change-detection
Wald
gtac
Bodenbedeckung
Landsat-basiert
landuse
landuse-landcover
lcms
redcastle-resources
auf Sentinel basierend
Zeitreihe
usda
usfs

Beschreibung

Dieses Produkt ist Teil der LCMS-Datensuite (Landscape Change Monitoring System). Sie zeigt die durch LCMS modellierte Änderung, die Landbedeckung und/oder die Landnutzungsklassen für jedes Jahr, das die kontinentalen USA (CONUS) und Gebiete außerhalb der CONUS (OCONUS) abdeckt, einschließlich Südost-Alaska (SEAK), Puerto Rico und die US-Jungferninseln (PRUSVI) sowie Hawaii (HI).

LCMS ist ein auf Fernerkundung basierendes System zur Kartierung und Überwachung von Landschaftsveränderungen in den gesamten USA. Ziel ist es, einen einheitlichen Ansatz zu entwickeln, der die neuesten Technologien und Fortschritte bei der Änderungserkennung nutzt, um eine „bestmögliche“ Karte von Landschaftsveränderungen zu erstellen.

Die Ausgaben umfassen drei jährliche Produkte: Änderung, Bodenbedeckung und Landnutzung. Die Änderung bezieht sich speziell auf die Vegetationsdecke und umfasst langsamen Verlust, schnellen Verlust (der auch hydrologische Veränderungen wie Überschwemmung oder Austrocknung umfasst) und Zunahme. Diese Werte werden für jedes Jahr der Landsat-Zeitreihe prognostiziert und dienen als Grundlage für LCMS. Karten zur Landbedeckung und Landnutzung zeigen die Landbedeckung auf Lebensformebene und die Landnutzung auf allgemeiner Ebene für jedes Jahr.

Da kein Algorithmus in allen Situationen die besten Ergebnisse liefert, verwendet LCMS ein Ensemble von Modellen als Vorhersagen, was die Genauigkeit der Karten in einer Reihe von Ökosystemen und Veränderungsprozessen verbessert (Healey et al., 2018). Die resultierende Suite von LCMS-Karten zu Veränderungen, Landbedeckung und Landnutzung bietet eine ganzheitliche Darstellung der Landschaftsveränderungen in den USA seit 1985.

Zu den Vorhersageschichten für das LCMS-Modell gehören Ausgaben der LandTrendr- und CCDC-Algorithmen zur Änderungserkennung sowie Geländedaten. Auf diese Komponenten wird über Google Earth Engine zugegriffen und sie werden damit verarbeitet (Gorelick et al., 2017).

Für CCDC wurden für die kontinentalen USA die Daten zur Oberflächenreflexion von Landsat Tier 1 Collection 2 des United States Geological Survey (USGS) und für SEAK, PRUSVI und HI die Daten zur Reflexion der Atmosphäre von Landsat Tier 1 verwendet. Für die Erstellung jährlicher Composites für LandTrendr wurden die Daten zur Reflexion der Atmosphäre von Landsat Tier 1 Collection 2 und Sentinel 2A, 2B Level-1C verwendet. Der cFmask-Algorithmus zur Maskierung von Wolken (Foga et al., 2017), der eine Implementierung von Fmask 2.0 (Zhu und Woodcock, 2012) (nur Landsat), cloudScore (Chastain et al., 2019) (nur Landsat), s2cloudless (Sentinel-Hub, 2021) und Cloud Score plus (Pasquarella et al., 2023) (nur Sentinel 2) werden zur Maskierung von Wolken verwendet, während TDOM (Chastain et al., 2019) zur Maskierung von Wolkenschatten (Landsat und Sentinel 2) verwendet wird. Für LandTrendr wird dann der jährliche Medoid berechnet, um wolken- und wolkenfreie Werte aus jedem Jahr in einem einzigen Composite zusammenzufassen.

Die zusammengesetzte Zeitreihe wird mit LandTrendr (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).

Alle wolken- und schattenfreien Werte werden auch zeitlich mit dem CCDC-Algorithmus segmentiert (Zhu und Woodcock, 2014).

Zu den Vorhersagedaten gehören rohe zusammengesetzte Werte, angepasste LandTrendr-Werte, paarweise Differenzen, Segmentdauer, Änderungsgröße und ‑neigung sowie CCDC-Sinus- und ‑Kosinuskoeffizienten (erste 3 Obertöne), angepasste Werte und paarweise Differenzen sowie Höhe, Neigung, Sinus des Aspekts, Kosinus des Aspekts und topografische Positionsindizes (Weiss, 2001) aus den 3DEP-Daten (3D Elevation Program) des USGS (U.S. Geological Survey, 2019) mit einer Auflösung von 10 m.

Referenzdaten werden mit TimeSync erfasst, einem webbasierten Tool, mit dem Analysten den Landsat-Datensatz von 1984 bis heute visualisieren und interpretieren können (Cohen et al., 2010).

Mithilfe von Referenzdaten aus TimeSync und Vorhersagedaten aus LandTrendr, CCDC und Geländeindizes wurden Random Forests-Modelle (Breiman, 2001) trainiert, um jährliche Änderungen, Landbedeckungs- und Landnutzungsklassen vorherzusagen. Nach der Modellierung haben wir eine Reihe von Wahrscheinlichkeitsschwellen und Regelsätzen mit zusätzlichen Datasets eingeführt, um die qualitativen Kartenausgaben zu verbessern und Kommission und Auslassung zu reduzieren. Weitere Informationen finden Sie im LCMS Methods Brief in der Beschreibung.

Zusätzliche Ressourcen

Bei Fragen oder spezifischen Datenanfragen wenden Sie sich bitte an [sm.fs.lcms@usda.gov].

Bänder

Bänder

Pixelgröße: 30 Meter (alle Bänder)

Name Pixelgröße Beschreibung
Change 30 Meter

Endgültiges thematisches LCMS-Änderungsprodukt. Für jedes Jahr werden insgesamt drei Änderungsklassen (langsamer Verlust, schneller Verlust und Zunahme) zugeordnet. Jede Klasse wird mit einem separaten Random Forest-Modell vorhergesagt, das eine Wahrscheinlichkeit (Anteil der Bäume im Random Forest-Modell) dafür ausgibt, dass das Pixel zu dieser Klasse gehört. Daher hat jeder einzelne Pixel drei verschiedene Modellausgaben für jedes Jahr. Die endgültigen Klassen werden der Änderungsklasse mit der höchsten Wahrscheinlichkeit zugewiesen, die auch über einem bestimmten Schwellenwert liegt. Alle Pixel, für die kein Wert über dem jeweiligen Schwellenwert der einzelnen Klassen liegt, werden der Klasse „Stabil“ zugewiesen. Bevor die Änderungsgruppe zugewiesen wurde, wurde eine Regel auf alle Untersuchungsgebiete angewendet, um Änderungen bei nicht vegetierter Landbedeckung zu verhindern.
Land_Cover 30 Meter

Finales thematisches LCMS-Produkt zur Landbedeckung. Insgesamt 14 Klassen zur Landbedeckung werden jährlich mithilfe von TimeSync-Referenzdaten und spektralen Informationen aus Landsat-Bildern kartiert. Jede Klasse wird mit einem separaten Random Forest-Modell vorhergesagt, das eine Wahrscheinlichkeit (Anteil der Bäume im Random Forest-Modell) dafür ausgibt, dass das Pixel zu dieser Klasse gehört. Aus diesem Grund haben einzelne Pixel für jedes Jahr 14 verschiedene Modellausgaben. Die endgültigen Klassen werden der Landbedeckung mit der höchsten Wahrscheinlichkeit zugewiesen. Für Südost-Alaska wurde vor der Zuweisung der Landbedeckungsklasse mit der höchsten Wahrscheinlichkeit eine Regel zur Landbedeckung implementiert, um die Kommissionierung von Baum- und Schneelandbedeckungsklassen in den großen Gezeitenzonen auf Meereshöhe zu begrenzen. Für CONUS, Puerto Rico, die US-Jungferninseln und Hawaii wurden keine Regeln zur Landbedeckung angewendet. Sieben der 14 Klassen zur Landbedeckung geben eine einzelne Landbedeckung an, bei der diese Landbedeckungsart den größten Teil der Pixelfläche abdeckt und keine andere Klasse mehr als 10% des Pixels abdeckt. Es gibt auch sieben gemischte Klassen. Diese stellen Pixel dar, in denen eine zusätzliche Klasse zur Landbedeckung mindestens 10% des Pixels abdeckt.
Land_Use 30 Meter

Finales thematisches LCMS-Produkt zur Landnutzung. Insgesamt werden jährlich sechs Landnutzungsklassen mithilfe von TimeSync-Referenzdaten und Spektralinformationen aus Landsat-Bildern kartiert. Jede Klasse wird mit einem separaten Random Forest-Modell vorhergesagt, das eine Wahrscheinlichkeit (Anteil der Bäume im Random Forest-Modell) dafür ausgibt, dass das Pixel zu dieser Klasse gehört. Aus diesem Grund gibt es für einzelne Pixel für jedes Jahr sechs verschiedene Modellausgaben. Die endgültigen Klassen werden der Landnutzung mit der höchsten Wahrscheinlichkeit zugewiesen. Vor der Zuweisung der Landnutzungsklasse mit der höchsten Wahrscheinlichkeit wurden eine Reihe von Wahrscheinlichkeitsschwellen und Regelsätzen mit zusätzlichen Datensätzen für Landnutzungsregeln angewendet. Weitere Informationen zu den Wahrscheinlichkeitsschwellen und Regelsätzen finden Sie im LCMS Methods Brief in der Beschreibung. Das CONUS-Produkt zur Landnutzung wurde am 2. Juli 2024 aktualisiert, um ein Problem mit der entwickelten Klasse zu beheben.
Change_Raw_Probability_Slow_Loss 30 Meter

Die Rohwahrscheinlichkeit für langsamen Verlust, die mit LCMS modelliert wurde. Definiert als: „Slow Loss“ umfasst die folgenden Klassen aus der Interpretation des TimeSync-Änderungsprozesses:

  • Struktureller Rückgang: Land, auf dem Bäume oder andere holzige Vegetation durch ungünstige Wachstumsbedingungen, die durch nicht anthropogene oder nicht mechanische Faktoren verursacht werden, physisch verändert werden. Diese Art von Verlust sollte im Allgemeinen einen Trend im spektralen Signal (z.B. abnehmender NDVI, abnehmende Feuchtigkeit, zunehmender SWIR usw.) verursachen, der jedoch subtil sein kann. Der strukturelle Rückgang tritt in Umgebungen mit holziger Vegetation auf, höchstwahrscheinlich durch Insekten, Krankheiten, Dürre, sauren Regen usw. Der strukturelle Rückgang kann Entlaubungsereignisse umfassen, die nicht zum Tod führen, wie z. B. bei Befall durch Schwammspinner und Fichtenknospenwickler, die sich innerhalb von ein bis zwei Jahren erholen können.

  • Spektraler Rückgang: Ein Diagramm, in dem das spektrale Signal einen Trend in einem oder mehreren Spektralbändern oder ‑indizes zeigt (z. B. NDVI sinkt, Feuchtigkeit sinkt, SWIR steigt usw.). Beispiele hierfür sind Fälle, in denen a) nicht forstwirtschaftliche/nicht holzige Vegetation einen Trend zeigt, der auf einen Rückgang hindeutet (z. B. NDVI sinkt, Feuchtigkeit sinkt, SWIR steigt usw.), oder b) in denen holzige Vegetation einen Rückgangstrend zeigt, der nicht mit dem Verlust von holziger Vegetation zusammenhängt, z. B. wenn sich die Kronen ausgewachsener Bäume schließen, was zu einer erhöhten Beschattung führt, wenn sich die Artenzusammensetzung von Nadel- zu Hartholz ändert oder wenn eine Trockenperiode (im Gegensatz zu einer stärkeren, akuten Dürre) zu einem scheinbaren Rückgang der Vitalität führt, aber kein Verlust von holzigem Material oder Blattfläche auftritt.
Change_Raw_Probability_Fast_Loss 30 Meter

Rohdaten für die modellierte Wahrscheinlichkeit für schnellen Verlust aus LCMS. Definiert als: „Fast Loss“ umfasst die folgenden Klassen aus der Interpretation des TimeSync-Änderungsprozesses:

  • Feuer: Durch Feuer veränderte Fläche, unabhängig von der Ursache der Entzündung (natürlich oder anthropogen), dem Schweregrad oder der Landnutzung.

  • Ernte – Waldflächen, auf denen Bäume, Sträucher oder andere Vegetation durch anthropogene Mittel gefällt oder entfernt wurden. Beispiele sind Kahlschlag, Bergungsholz nach Feuer oder Insektenbefall, Ausdünnung und andere Forstwirtschaftsvorschriften (z.B. Schutzwald-/Saatbaumernte).

  • Mechanisch: Nicht bewaldetes Land, auf dem Bäume, Sträucher oder andere Vegetation mechanisch durch Ketten, Schaben, Sägen, Bulldozer oder andere Methoden zur Entfernung von Nichtwaldvegetation entfernt wurden.

  • Wind/Eis – Land (unabhängig von der Nutzung), auf dem die Vegetation durch Wind von Hurrikans, Tornados, Stürmen und anderen extremen Wetterereignissen, einschließlich gefrierendem Regen von Eisstürmen, verändert wurde.

  • Hydrologie: Land, auf dem durch Überschwemmungen die Gehölzbedeckung oder andere Elemente der Bodenbedeckung unabhängig von der Landnutzung erheblich verändert wurden (z.B. neue Mischungen aus Kies und Vegetation in und um Bachbetten nach einer Überschwemmung).

  • Schutt – Land (unabhängig von der Nutzung), das durch die Bewegung von Naturmaterial im Zusammenhang mit Erdrutschen, Lawinen, Vulkanen, Schlammströmen usw. verändert wurde.

  • Sonstiges – Land (unabhängig von der Nutzung), bei dem der spektrale Trend oder andere unterstützende Beweise auf eine Störung oder ein Ereignis mit Veränderungen hindeuten, die endgültige Ursache jedoch nicht ermittelt werden kann oder die Art der Veränderung keiner der oben definierten Kategorien für Veränderungsprozesse entspricht.
Change_Raw_Probability_Gain 30 Meter

Die modellierte Wahrscheinlichkeit für „Zunahme“ auf Grundlage von Roh-LCMS-Daten. Definiert als: Land, auf dem die Vegetationsbedeckung aufgrund von Wachstum und Sukzession über ein oder mehrere Jahre zugenommen hat. Gilt für alle Gebiete, in denen spektrale Veränderungen im Zusammenhang mit dem Nachwachsen der Vegetation auftreten können. In bebauten Gebieten kann Wachstum durch reifende Vegetation und/oder neu angelegte Rasenflächen und Landschaftsgestaltung entstehen. In Wäldern umfasst Wachstum das Wachstum der Vegetation auf unbewachsenem Boden sowie das Überwachsen von Bäumen mittlerer und gleichrangiger Höhe und/oder tiefer liegenden Gräsern und Sträuchern. Segmente mit Wachstum/Erholung, die nach der Ernte von Wäldern aufgezeichnet werden, durchlaufen wahrscheinlich verschiedene Landbedeckungsklassen, wenn sich der Wald regeneriert. Damit diese Änderungen als Wachstum/Erholung gelten, sollten die Spektralwerte eng an einer steigenden Trendlinie liegen (z. B. eine positive Steigung, die, wenn sie auf etwa 20 Jahre verlängert würde, in der Größenordnung von 0,10 NDVI-Einheiten liegen würde), die mehrere Jahre lang anhält.
Land_Cover_Raw_Probability_Trees 30 Meter

Die rohe, auf dem LCMS-Modell basierende Wahrscheinlichkeit für „Bäume“. Definiert als: Der Großteil des Pixels besteht aus lebenden oder stehenden toten Bäumen.
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix 30 Meter

Rohmodellierte Wahrscheinlichkeit von LCMS für „Tall Shrubs and Trees Mix“ (nur SEAK). Definiert als: Der Großteil des Pixels besteht aus Sträuchern mit einer Höhe von mehr als 1 Meter und zu mindestens 10% aus lebenden oder stehenden toten Bäumen.
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix 30 Meter

Rohmodellierte Wahrscheinlichkeit für die LCMS-Klasse „Mix aus Sträuchern und Bäumen“. Definiert als: Der Großteil des Pixels besteht aus Sträuchern und mindestens 10% aus lebenden oder stehenden toten Bäumen.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix 30 Meter

Rohmodellierte Wahrscheinlichkeit für eine Mischung aus Gräsern/Kräutern/Blütenpflanzen und Bäumen. Definiert als: Der Großteil des Pixels besteht aus mehrjährigen Gräsern, Kräutern oder anderen Formen von krautiger Vegetation und enthält außerdem mindestens 10% lebende oder stehende tote Bäume.
Land_Cover_Raw_Probability_Barren-and-Trees-Mix 30 Meter

Die modellierte Rohwahrscheinlichkeit für „Barren and Trees Mix“ (Mischung aus kargem Land und Bäumen) gemäß LCMS. Definiert als: Der Großteil des Pixels besteht aus kargem Boden, der durch Störungen freigelegt wurde (z.B. Boden, der durch mechanische Rodung oder Holzerntemaßnahmen freigelegt wurde), sowie aus dauerhaft kargen Gebieten wie Wüsten, Salzseen, Felsaufschlüssen (einschließlich Mineralien und anderen geologischen Materialien, die durch den Tagebau freigelegt wurden), Sanddünen, Salzebenen und Stränden. Straßen aus Erde und Kies gelten ebenfalls als karg und bestehen zu mindestens 10% aus lebenden oder stehenden toten Bäumen.
Land_Cover_Raw_Probability_Tall-Shrubs 30 Meter

Rohdaten für die modellierte Wahrscheinlichkeit von hohen Sträuchern (nur Südost-Alaska) aus LCMS. Definiert als: Der Großteil des Pixels besteht aus Sträuchern mit einer Höhe von mehr als 1 Meter.
Land_Cover_Raw_Probability_Shrubs 30 Meter

Rohdaten für die modellierte Wahrscheinlichkeit von Sträuchern aus LCMS. Definiert als: Der Großteil des Pixels besteht aus Sträuchern.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix 30 Meter

Rohdaten für die modellierte Wahrscheinlichkeit von LCMS für eine Mischung aus Gräsern, Kräutern und Sträuchern. Definiert als: Der Großteil der Pixel besteht aus mehrjährigen Gräsern, Kräutern oder anderen Formen krautiger Vegetation und zu mindestens 10% aus Sträuchern.
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix 30 Meter

Die modellierte Wahrscheinlichkeit für „Barren and Shrubs Mix“ (Mischung aus kargen Flächen und Sträuchern) gemäß LCMS. Definiert als: Der Großteil des Pixels besteht aus kargem Boden, der durch Störungen freigelegt wurde (z.B. Boden, der durch mechanische Rodung oder Holzeinschlag freigelegt wurde), sowie aus dauerhaft kargen Gebieten wie Wüsten, Salzseen, Felsaufschlüssen (einschließlich Mineralien und anderen geologischen Materialien, die durch den Tagebau freigelegt wurden), Sanddünen, Salzebenen und Stränden. Schotter- und Schmutzstraßen gelten ebenfalls als karg und bestehen zu mindestens 10% aus Sträuchern.
Land_Cover_Raw_Probability_Grass-Forb-Herb 30 Meter

Rohdaten für die modellierte Wahrscheinlichkeit von Gras/Kraut/Pflanze aus LCMS. Definiert als: Der Großteil des Pixels besteht aus mehrjährigen Gräsern, Kräutern oder anderen Formen von krautiger Vegetation.
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix 30 Meter

Rohdaten für die modellierte Wahrscheinlichkeit von „Barren“ und „Grass/Forb/Herb Mix“ (Gras/Kraut/Kräutermischung) aus LCMS. Definiert als: Der Großteil des Pixels besteht aus unbedecktem Boden, der durch Störungen freigelegt wurde (z.B. Boden, der durch mechanische Rodung oder Holzeinschlag freigelegt wurde), sowie aus dauerhaft unfruchtbaren Gebieten wie Wüsten, Salzseen, Felsaufschlüssen (einschließlich Mineralien und anderen geologischen Materialien, die durch den Tagebau freigelegt wurden), Sanddünen, Salzebenen und Stränden. Auch Straßen aus Erde und Kies gelten als kahl und bestehen zu mindestens 10% aus mehrjährigen Gräsern, Kräutern oder anderen Formen krautiger Vegetation.
Land_Cover_Raw_Probability_Barren-or-Impervious 30 Meter

Die modellierte Rohwahrscheinlichkeit von „Barren“ (Kahl) oder „Impervious“ (Undurchlässig) gemäß LCMS. Definiert als: Der Großteil des Pixels besteht aus 1.) durch Störungen freigelegtem kahlen Boden (z. B. durch mechanische Rodung oder Holzeinschlag freigelegter Boden) sowie aus dauerhaft kahlen Gebieten wie Wüsten, Playas, Felsaufschlüssen (einschließlich Mineralien und anderen geologischen Materialien, die durch den Tagebau freigelegt wurden), Sanddünen, Salzseen und Stränden. Schotter- und Feldwege gelten ebenfalls als kahl oder 2.) von Menschen geschaffenen Materialien, die für Wasser undurchlässig sind, wie z. B. asphaltierte Straßen, Dächer und Parkplätze.
Land_Cover_Raw_Probability_Snow-or-Ice 30 Meter

Die Rohwahrscheinlichkeit für Schnee oder Eis, die mit LCMS modelliert wurde. Definiert als: Der Großteil des Pixels besteht aus Schnee oder Eis.
Land_Cover_Raw_Probability_Water 30 Meter

Die Wahrscheinlichkeit für Wasser, die mit dem LCMS-Modell berechnet wird. Definiert als: Der Großteil des Pixels besteht aus Wasser.
Land_Use_Raw_Probability_Agriculture 30 Meter

Die rohe, auf LCMS basierende Wahrscheinlichkeit für Landwirtschaft. Definiert als: Land, das für die Produktion von Lebensmitteln, Fasern und Brennstoffen genutzt wird und sich entweder in einem vegetativen oder nicht vegetativen Zustand befindet. Dazu gehören unter anderem landwirtschaftliche Flächen, die für den Anbau von Feldfrüchten, Heu, Obst, Nüssen oder Beeren genutzt werden, sowie Weinberge und Betriebe mit Nutztierhaltung. Straßen, die hauptsächlich für landwirtschaftliche Zwecke genutzt werden (d.h. nicht für den öffentlichen Verkehr von Stadt zu Stadt), gelten als landwirtschaftliche Nutzung.
Land_Use_Raw_Probability_Developed 30 Meter

Die modellierte Rohwahrscheinlichkeit für „Developed“ (Erschlossen) gemäß LCMS. Definiert als: Land, das von künstlichen Strukturen bedeckt ist (z.B. Wohngebiete mit hoher Dichte, Gewerbe-, Industrie-, Bergbau- oder Transportgebiete) oder eine Mischung aus Vegetation (einschließlich Bäumen) und Strukturen (z.B. Wohngebiete mit geringer Dichte, Rasenflächen, Freizeiteinrichtungen, Friedhöfe, Transport- und Versorgungskorridore usw.), einschließlich aller Flächen, die durch menschliche Aktivitäten funktional verändert wurden.
Land_Use_Raw_Probability_Forest 30 Meter

Die rohe, auf LCMS basierende Wahrscheinlichkeit für Wald. Definiert als: Land, das bepflanzt oder natürlich bewachsen ist und das zu einem bestimmten Zeitpunkt während einer kurzfristigen Sukzessionsfolge einen Baumbestand von mindestens 10% aufweist oder wahrscheinlich aufweisen wird. Dazu können Laub-, immergrüne und/oder gemischte Kategorien von Naturwäldern, Forstplantagen und bewaldeten Feuchtgebieten gehören.
Land_Use_Raw_Probability_Non-Forest-Wetland 30 Meter

Die rohe LCMS-modellierte Wahrscheinlichkeit für Nicht-Wald-Feuchtgebiete. Definiert als: Flächen, die an oder innerhalb eines sichtbaren Grundwasserspiegels liegen (entweder dauerhaft oder saisonal gesättigt) und die von Sträuchern oder persistenten Emergenten dominiert werden. Diese Feuchtgebiete können sich landeinwärts von Seen, Flussläufen oder Ästuaren befinden; auf Flussauen; in isolierten Einzugsgebieten; oder an Hängen. Sie können auch als Prärie-Potholes, Entwässerungsgräben und Viehteiche in landwirtschaftlichen Gebieten auftreten und auch als Inseln in der Mitte von Seen oder Flüssen erscheinen. Andere Beispiele sind auch Sümpfe, Moore, Quagmires, Muskegs, Sloughs, Fens und Bayous.
Land_Use_Raw_Probability_Other 30 Meter

Die Wahrscheinlichkeit für „Sonstiges“ wird auf Grundlage des LCMS-Modells berechnet. Sie wird so definiert: Land (unabhängig von der Nutzung), auf dem der spektrale Trend oder andere unterstützende Beweise auf ein Störungs- oder Änderungsereignis hindeuten, die endgültige Ursache jedoch nicht ermittelt werden kann oder die Art der Änderung keiner der oben definierten Kategorien für Änderungsprozesse entspricht.
Land_Use_Raw_Probability_Rangeland-or-Pasture 30 Meter

Rohdaten für die modellierte Wahrscheinlichkeit von Weideland oder Grünland aus LCMS. Definiert als: Diese Klasse umfasst alle Bereiche, die entweder a.) Weideland, auf dem die Vegetation aus einer Mischung aus einheimischen Gräsern, Sträuchern, Kräutern und grasartigen Pflanzen besteht, die hauptsächlich auf natürliche Faktoren und Prozesse wie Niederschlag, Temperatur, Höhe und Feuer zurückzuführen sind, obwohl ein begrenztes Management das kontrollierte Abbrennen sowie die Beweidung durch Haus- und Wildherbivoren umfassen kann; oder b.) Weide, auf der die Vegetation von gemischten, weitgehend natürlichen Gräsern, Kräutern und Pflanzen bis hin zu einer stärker bewirtschafteten Vegetation reichen kann, die von Gräsern dominiert wird, die gesät und bewirtschaftet wurden, um eine nahezu monokulturelle Umgebung zu schaffen.
QA_Bits 30 Meter

Zusätzliche Informationen zum Ursprung der jährlichen LCMS-Produktausgabewerte.

Klassentabelle ändern

Wert Farbe Beschreibung
1 #3d4551

Stabil
2 #f39268

Langsamer Verlust
3 #d54309

Schneller Verlust
4 #00a398

Gewinn
5 #1b1716

Maske für Bereiche, die nicht verarbeitet werden

Klassentabelle für „Land_Cover“

Wert Farbe Beschreibung
1 #005e00

Bäume
2 #008000

Mischung aus hohen Sträuchern und Bäumen (nur SEAK)
3 #00cc00

Sträucher- und Bäume-Mix
4 #b3ff1a

Mischung aus Gräsern, Kräutern und Bäumen
5 #99ff99

Mischung aus kargem Land und Bäumen
6 #b30088

Hohe Sträucher (nur SEAK)
7 #e68a00

Sträucher
8 #ffad33

Mischung aus Gräsern, Kräutern und Sträuchern
9 #ffe0b3

Mischung aus kargen Böden und Sträuchern
10 #ffff00

Gras/Kraut/Reinhold
11 #aa7700

Mischung aus Gräsern, Kräutern und anderen Pflanzen für karge Böden
12 #d3bf9b

Kahl oder undurchlässig
13 #ffffff

Schnee oder Eis
14 #4780f3

Wasser
15 #1b1716

Maske für Bereiche, die nicht verarbeitet werden

Klassentabelle für „Land_Use“

Wert Farbe Beschreibung
1 #efff6b

Landwirtschaft
2 #ff2ff8

Entwickelt
3 #1b9d0c

Wald
4 #97ffff

Nicht bewaldetes Feuchtgebiet
5 #a1a1a1

Sonstiges
6 #c2b34a

Weideland oder Weide
7 #1b1716

Maske für Bereiche, die nicht verarbeitet werden

Bildattribute

Bildeigenschaften

Name Typ Beschreibung
study_area STRING

LCMS deckt derzeit die zusammenhängenden USA, Südost-Alaska, Puerto Rico und die Amerikanischen Jungferninseln sowie Hawaii ab. Diese Version enthält Ausgaben für die zusammenhängenden USA, Südost-Alaska, Puerto Rico und die Amerikanischen Jungferninseln sowie Hawaii. Mögliche Werte: „CONUS, SEAK, PRUSVI, HI“
Jahr INT

Jahr des Produkts

Nutzungsbedingungen

Nutzungsbedingungen

Der USDA Forest Service übernimmt keine ausdrückliche oder stillschweigende Gewährleistung, einschließlich der Gewährleistung der Marktgängigkeit und der Eignung für einen bestimmten Zweck, und übernimmt keine rechtliche Haftung oder Verantwortung für die Richtigkeit, Zuverlässigkeit, Vollständigkeit oder Nützlichkeit dieser Geodaten oder für die unsachgemäße oder falsche Verwendung dieser Geodaten. Diese Geodaten und zugehörigen Karten oder Grafiken sind keine rechtlichen Dokumente und sind nicht als solche gedacht. Die Daten und Karten dürfen nicht verwendet werden, um Eigentumsrechte, rechtliche Beschreibungen oder Grenzen, Gerichtsbarkeiten oder Einschränkungen zu bestimmen, die für öffentliches oder privates Land gelten. Naturgefahren werden möglicherweise in den Daten und Karten dargestellt. Landnutzer sollten Vorsicht walten lassen. Die Daten sind dynamisch und können sich im Laufe der Zeit ändern. Der Nutzer ist dafür verantwortlich, die Einschränkungen der Geodaten zu überprüfen und die Daten entsprechend zu verwenden.

Diese Daten wurden mit Mitteln der US-Regierung erhoben und können ohne zusätzliche Berechtigungen oder Gebühren verwendet werden. Wenn Sie diese Daten in einer Publikation, Präsentation oder einem anderen Forschungsprodukt verwenden, geben Sie bitte die folgende Quelle an:

USDA Forest Service. 2024. USFS Landscape Change Monitoring System v2023.9 (zusammenhängende USA und äußere zusammenhängende USA). Salt Lake City, Utah.

Zitationen

Quellenangaben:

  • 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. Maschinelles Lernen 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, W. B., Yang, Z. und Kennedy, R., 2010. Erkennen von Trends bei Waldstörungen und ‑erholung mithilfe jährlicher Landsat-Zeitreihen: 2. TimeSync: Tools für die Kalibrierung und Validierung. 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. und Gorelick, N., 2018. Ein multispektrales LandTrendr-Ensemble zur Erkennung von Waldstörungen. In Remote Sensing of Environment. Science Direct, 205: 131–140. doi:10.1016/j.rse.2017.11.015

  • Foga, S., Scaramuzza, P.L., Guo, S., Zhu, Z., Dilley, R.D., Beckmann, T., Schmidt, G.L., Dwyer, J.L., Hughes, M.J., Laue, B., 2017. Vergleich und Validierung von Cloud-Erkennungsalgorithmen für operative Landsat-Datenprodukte. In Remote Sensing of Environment. Science Direct, 194: 379–390. doi:10.1016/j.rse.2017.03.026

  • U.S. Geological Survey, 2019 USGS 3D Elevation Program Digital Elevation Model, abgerufen im August 2022 unter 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., Loveland, T. R., Moisen, G. G., Schroeder, T. A., Stehman, S. V. Vogelmann, J. E., Woodcock, C. E., Yang, L. und Zhu, Z., 2018. Kartierung von Waldveränderungen mit gestapelter Verallgemeinerung: Ein Ensemble-Ansatz. 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. Trends bei Waldstörungen und ‑erholung mithilfe jährlicher Landsat-Zeitreihen erkennen: 1. LandTrendr – Algorithmen für die zeitliche Segmentierung. 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. und Healey, S. 2018. Implementierung des LandTrendr-Algorithmus in Google Earth Engine. In der Fernerkundung. MDPI, 10(5): 691. doi:10.3390/rs10050691

  • Pasquarella, V. J., Brown, C. F., Czerwinski, W. und Rucklidge, W. J., 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] Verfügbar unter: https://github.com/sentinel-hub/sentinel2-cloud-detector

  • Weiss, A.D., 2001. Topographic position and landforms analysis Poster Presentation, ESRI Users Conference, San Diego, CAZhu, Z., and Woodcock, C. E. 2012. Objektbasierte Erkennung von Wolken und Wolkenschatten in Landsat-Bildern. 118: 83–94.

  • Zhu, Z. und Woodcock, C. E., 2012. Objektbasierte Erkennung von Wolken und Wolkenschatten in Landsat-Bildern. In Remote Sensing of Environment. Science Direct, 118: 83–94. doi:10.1016/j.rse.2011.10.028

  • Zhu, Z. und Woodcock, C. E., 2014. Kontinuierliche Änderungserkennung und Klassifizierung der Bodenbedeckung mit allen verfügbaren Landsat-Daten. In Remote Sensing of Environment. Science Direct, 144: 152–171. doi:10.1016/j.rse.2014.01.011

DOIs

Die Earth Engine nutzen

Code-Editor (JavaScript)

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);
Im Code-Editor öffnen
Dieses Produkt ist Teil der LCMS-Datensuite (Landscape Change Monitoring System). Sie zeigt die LCMS-modellierte Änderung, die Landbedeckung und/oder die Landnutzungsklassen für jedes Jahr, das die kontinentalen USA (CONUS) und Gebiete außerhalb der CONUS (OCONUS) umfasst, einschließlich Südost-Alaska (SEAK), Puerto Rico und die US-Jungferninseln (PRUSVI) und …
USFS/GTAC/LCMS/v2023-9, change-detection,forest,gtac,landcover,landsat-derived,landuse,landuse-landcover,lcms,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
Google Earth Engine