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

USFS/GTAC/LCMS/v2023-9
در دسترس بودن مجموعه داده‌ها
1985-01-01T00:00:00Z–2023-12-31T00:00:00Z
ارائه دهنده مجموعه داده
قطعه کد موتور زمین
ee.ImageCollection("USFS/GTAC/LCMS/v2023-9")
برچسب‌ها
تشخیص تغییر
جنگل
جی‌تاک
پوشش زمین
مشتق‌شده از لندست
کاربری زمین
کاربری زمین-پوشش زمین
ال سی ام اس
منابع قلعه سرخ
مشتق‌شده از نگهبان
سری زمانی
وزارت کشاورزی آمریکا
یو اس اف اس

توضیحات

این محصول بخشی از مجموعه داده‌های سامانه پایش تغییرات چشم‌انداز (LCMS) است. این مجموعه، تغییرات مدل‌سازی‌شده توسط LCMS، پوشش زمین و/یا کلاس‌های کاربری زمین را برای هر سال نشان می‌دهد که شامل ایالات متحده آمریکا (CONUS) و مناطق خارج از CONUS (OCONUS) از جمله جنوب شرقی آلاسکا (SEAK)، جزایر ویرجین پورتوریکو-ایالات متحده (PRUSVI) و هاوایی (HI) می‌شود.

LCMS یک سیستم مبتنی بر سنجش از دور برای نقشه‌برداری و نظارت بر تغییرات چشم‌انداز در سراسر ایالات متحده است. هدف آن توسعه یک رویکرد سازگار با استفاده از آخرین فناوری و پیشرفت‌ها در تشخیص تغییرات برای تولید یک نقشه "بهترین نقشه موجود" از تغییرات چشم‌انداز است.

خروجی‌ها شامل سه محصول سالانه هستند: تغییر، پوشش زمین و کاربری زمین. تغییر به طور خاص به پوشش گیاهی مربوط می‌شود و شامل از دست دادن آهسته، از دست دادن سریع (که شامل تغییرات هیدرولوژیکی مانند سیل یا خشک شدن نیز می‌شود) و افزایش پوشش گیاهی است. این مقادیر برای هر سال از سری زمانی لندست پیش‌بینی می‌شوند و به عنوان محصولات اساسی برای LCMS عمل می‌کنند. نقشه‌های پوشش زمین و کاربری زمین، پوشش زمین در سطح اشکال زیستی و کاربری زمین در سطح وسیع را برای هر سال نشان می‌دهند.

از آنجا که هیچ الگوریتمی در همه شرایط بهترین عملکرد را ندارد، LCMS از مجموعه‌ای از مدل‌ها به عنوان پیش‌بینی‌کننده استفاده می‌کند که دقت نقشه را در طیف وسیعی از اکوسیستم‌ها و فرآیندهای تغییر بهبود می‌بخشد (Healey و همکاران، ۲۰۱۸). مجموعه حاصل از نقشه‌های تغییر، پوشش زمین و کاربری زمین LCMS، تصویری جامع از تغییرات چشم‌انداز در سراسر ایالات متحده از سال ۱۹۸۵ ارائه می‌دهد.

لایه‌های پیش‌بینی‌کننده برای مدل LCMS شامل خروجی‌های الگوریتم‌های تشخیص تغییرات LandTrendr و CCDC و اطلاعات زمین هستند. همه این اجزا با استفاده از موتور Google Earth قابل دسترسی و پردازش هستند (Gorelick و همکاران، ۲۰۱۷).

برای CCDC، از داده‌های بازتاب سطحی لندست Tier 1 مجموعه 2 سازمان زمین‌شناسی ایالات متحده (USGS) برای CONUS و از داده‌های بازتاب بالای جو لندست Tier 1 برای SEAK، PRUSVI و HI استفاده شد. برای تولید ترکیبات سالانه برای LandTrendr، از داده‌های بازتاب بالای جو لندست Tier 1 مجموعه 2 USGS و Sentinel 2A، 2B Level-1C استفاده شد. الگوریتم پوشش ابر cFmask (Foga و همکاران، ۲۰۱۷)، که پیاده‌سازی Fmask 2.0 (Zhu و Woodcock، ۲۰۱۲) (فقط Landsat)، cloudScore (Chastain و همکاران، ۲۰۱۹) (فقط Landsat)، s2cloudless (Sentinel-Hub، ۲۰۲۱) و Cloud Score plus (Pasquarella و همکاران، ۲۰۲۳) (فقط Sentinel 2) است، برای پوشش ابرها استفاده می‌شوند، در حالی که TDOM (Chastain و همکاران، ۲۰۱۹) برای پوشش سایه‌های ابر (Landsat و Sentinel 2) استفاده می‌شود. برای LandTrendr، سپس میانگین سالانه محاسبه می‌شود تا مقادیر ابر و بدون سایه ابر از هر سال را در یک ترکیب واحد خلاصه کند.

سری زمانی ترکیبی با استفاده از LandTrendr به صورت زمانی بخش‌بندی می‌شود (Kennedy و همکاران، ۲۰۱۰؛ Kennedy و همکاران، ۲۰۱۸؛ Cohen و همکاران، ۲۰۱۸).

تمام مقادیر ابر و بدون سایه ابر نیز با استفاده از الگوریتم CCDC به صورت زمانی قطعه‌بندی می‌شوند (Zhu and Woodcock, 2014).

داده‌های پیش‌بینی‌کننده شامل مقادیر ترکیبی خام، مقادیر برازش‌شده LandTrendr، تفاوت‌های جفتی، مدت زمان قطعه، بزرگی تغییر و شیب، و ضرایب سینوس و کسینوس CCDC (3 هارمونیک اول)، مقادیر برازش‌شده و تفاوت‌های جفتی، همراه با ارتفاع، شیب، سینوس جهت، کسینوس جهت و شاخص‌های موقعیت توپوگرافی (وایس، 2001) از داده‌های 10 متری برنامه ارتفاع سه‌بعدی USGS (3DEP) (سازمان زمین‌شناسی ایالات متحده، 2019) هستند.

داده‌های مرجع با استفاده از TimeSync، ابزاری مبتنی بر وب که به تحلیلگران کمک می‌کند تا داده‌های لندست را از سال ۱۹۸۴ تاکنون تجسم و تفسیر کنند، جمع‌آوری می‌شوند (Cohen و همکاران، ۲۰۱۰).

مدل‌های جنگل‌های تصادفی (Breiman، ۲۰۰۱) با استفاده از داده‌های مرجع TimeSync و داده‌های پیش‌بینی‌کننده از LandTrendr، CCDC و شاخص‌های زمین آموزش داده شدند تا تغییرات سالانه، پوشش زمین و طبقات کاربری زمین را پیش‌بینی کنند. پس از مدل‌سازی، ما مجموعه‌ای از آستانه‌های احتمال و مجموعه قوانین را با استفاده از مجموعه داده‌های کمکی ایجاد کردیم تا خروجی‌های کیفی نقشه را بهبود بخشیم و موارد حذف و اضافه را کاهش دهیم. اطلاعات بیشتر را می‌توانید در خلاصه روش‌های LCMS که در توضیحات آمده است، بیابید.

منابع اضافی

در صورت داشتن هرگونه سوال یا درخواست اطلاعات خاص، با [sm.fs.lcms@usda.gov] تماس بگیرید.

باندها

اندازه پیکسل
۳۰ متر

باندها

نام اندازه پیکسل توضیحات
Change متر

محصول نهایی تغییر موضوعی LCMS. در مجموع سه کلاس تغییر (کاهش آهسته، کاهش سریع و افزایش) برای هر سال نقشه‌برداری می‌شوند. هر کلاس با استفاده از یک مدل جنگل تصادفی جداگانه پیش‌بینی می‌شود که احتمال (نسبت درختان درون مدل جنگل تصادفی) تعلق پیکسل به آن کلاس را خروجی می‌دهد. به همین دلیل، پیکسل‌های منفرد برای هر سال سه خروجی مدل متفاوت دارند. کلاس‌های نهایی به کلاس تغییر با بالاترین احتمال که بالاتر از یک آستانه مشخص نیز هست، اختصاص داده می‌شوند. هر پیکسلی که هیچ مقداری بالاتر از آستانه مربوط به هر کلاس نداشته باشد، به کلاس پایدار اختصاص داده می‌شود. قبل از اختصاص کلاس تغییر، قانونی برای جلوگیری از تغییر در پوشش زمین بدون پوشش گیاهی در تمام مناطق مورد مطالعه اعمال شد.

Land_Cover متر

محصول نهایی پوشش زمین LCMS موضوعی. در مجموع ۱۴ کلاس پوشش زمین به صورت سالانه با استفاده از داده‌های مرجع TimeSync و اطلاعات طیفی مشتق شده از تصاویر لندست نقشه‌برداری می‌شوند. هر کلاس با استفاده از یک مدل جنگل تصادفی جداگانه پیش‌بینی می‌شود که احتمال تعلق پیکسل به آن کلاس (نسبت درختان درون مدل جنگل تصادفی) را خروجی می‌دهد. به همین دلیل، پیکسل‌های منفرد برای هر سال ۱۴ خروجی مدل مختلف دارند و کلاس‌های نهایی به پوشش زمین با بالاترین احتمال اختصاص داده می‌شوند. برای جنوب شرقی آلاسکا، قبل از اختصاص کلاس پوشش زمین با بالاترین احتمال، یک قانون پوشش زمین برای محدود کردن کمیسیون کلاس پوشش زمین درختی و برفی در مناطق بزرگ بین جزر و مدی در سطح دریا اجرا شد. هیچ قانون پوشش زمین برای CONUS، جزایر ویرجین پورتوریکو-ایالات متحده یا هاوایی اعمال نشد. هفت مورد از ۱۴ کلاس پوشش زمین نشان‌دهنده یک پوشش زمین واحد است که در آن نوع پوشش زمین بیشتر مساحت پیکسل را پوشش می‌دهد و هیچ کلاس دیگری بیش از ۱۰٪ پیکسل را پوشش نمی‌دهد. همچنین هفت کلاس مختلط وجود دارد. اینها پیکسل‌هایی را نشان می‌دهند که در آنها یک کلاس پوشش زمین اضافی حداقل 10٪ از پیکسل را پوشش می‌دهد.

Land_Use متر

محصول نهایی موضوعی کاربری اراضی LCMS. در مجموع ۶ کلاس کاربری اراضی به صورت سالانه با استفاده از داده‌های مرجع TimeSync و اطلاعات طیفی مشتق شده از تصاویر لندست نقشه‌برداری می‌شوند. هر کلاس با استفاده از یک مدل جنگل تصادفی جداگانه پیش‌بینی می‌شود که احتمال تعلق پیکسل به آن کلاس (نسبت درختان درون مدل جنگل تصادفی) را خروجی می‌دهد. به همین دلیل، پیکسل‌های منفرد برای هر سال ۶ خروجی مدل مختلف دارند و کلاس‌های نهایی به کاربری اراضی با بالاترین احتمال اختصاص داده می‌شوند. قبل از اختصاص کلاس کاربری اراضی با بالاترین احتمال، مجموعه‌ای از آستانه‌های احتمال و مجموعه قوانین با استفاده از مجموعه داده‌های کمکی و قوانین کاربری اراضی اعمال شد. اطلاعات بیشتر در مورد آستانه‌های احتمال و مجموعه قوانین را می‌توانید در خلاصه روش‌های LCMS که در توضیحات موجود است، بیابید. محصول کاربری اراضی CONUS در ۲ ژوئیه ۲۰۲۴ به‌روزرسانی شد تا مشکلی در کلاس توسعه‌یافته اصلاح شود.

Change_Raw_Probability_Slow_Loss متر

احتمال مدل‌سازی شده خام LCMS برای Slow Loss. تعریف شده به صورت زیر: Slow Loss شامل کلاس‌های زیر از تفسیر فرآیند تغییر TimeSync است-

  • زوال ساختاری - زمینی که در آن درختان یا سایر پوشش‌های گیاهی چوبی به دلیل شرایط نامطلوب رشد ناشی از عوامل غیر انسانی یا غیر مکانیکی، از نظر فیزیکی تغییر می‌کنند. این نوع از زوال معمولاً باید روندی را در سیگنال(های) طیفی ایجاد کند (مثلاً کاهش NDVI، کاهش رطوبت؛ افزایش SWIR؛ و غیره) با این حال، این روند می‌تواند نامحسوس باشد. زوال ساختاری در محیط‌های گیاهی چوبی رخ می‌دهد، به احتمال زیاد ناشی از حشرات، بیماری، خشکسالی، باران اسیدی و غیره. زوال ساختاری می‌تواند شامل رویدادهای برگ‌ریزی باشد که منجر به مرگ و میر نمی‌شوند، مانند هجوم پروانه کولی و کرم جوانه‌خوار صنوبر که ممکن است ظرف ۱ یا ۲ سال بهبود یابند.

  • زوال طیفی - نموداری که در آن سیگنال طیفی روندی را در یک یا چند باند یا شاخص طیفی نشان می‌دهد (مثلاً کاهش NDVI، کاهش رطوبت؛ افزایش SWIR؛ و غیره). مثال‌ها شامل مواردی هستند که: الف) پوشش گیاهی غیر جنگلی/غیر چوبی روندی را نشان می‌دهد که حاکی از زوال است (مثلاً کاهش NDVI، کاهش رطوبت؛ افزایش SWIR؛ و غیره)، یا ب) جایی که پوشش گیاهی چوبی روند زوالی را نشان می‌دهد که مربوط به از بین رفتن پوشش گیاهی چوبی نیست، مانند زمانی که سایبان درختان بالغ بسته می‌شود و در نتیجه سایه‌اندازی افزایش می‌یابد، زمانی که ترکیب گونه‌ها از مخروطی به سخت‌برگ تغییر می‌کند، یا زمانی که یک دوره خشک (برخلاف خشکسالی شدیدتر و حادتر) باعث کاهش آشکار قدرت می‌شود، اما هیچ از بین رفتنی در مواد چوبی یا سطح برگ ایجاد نمی‌شود.

Change_Raw_Probability_Fast_Loss متر

احتمال مدل‌سازی شده خام LCMS برای Fast Loss. تعریف شده به صورت: Fast Loss شامل کلاس‌های زیر از تفسیر فرآیند تغییر TimeSync است-

  • آتش‌سوزی - زمینی که در اثر آتش‌سوزی تغییر شکل داده شده است، صرف نظر از علت احتراق (طبیعی یا انسانی)، شدت یا کاربری زمین.

  • برداشت - زمین جنگلی که در آن درختان، درختچه‌ها یا سایر پوشش گیاهی به وسیله عوامل انسانی قطع یا حذف شده‌اند. نمونه‌هایی از آن شامل قطع کامل درختان، قطع درختان برای نجات آنها پس از آتش‌سوزی یا شیوع حشرات، تنک کردن و سایر دستورالعمل‌های مدیریت جنگل (مانند برداشت چوب‌های پناهی/برداشت درختان بذری) است.

  • مکانیکی - زمین غیر جنگلی که در آن درختان، درختچه‌ها یا سایر پوشش گیاهی به صورت مکانیکی قطع شده یا با زنجیر کردن، خراش دادن، اره کردن با اره، بولدوزر کردن یا هر روش دیگر حذف پوشش گیاهی غیر جنگلی از بین رفته‌اند.

  • باد/یخ - زمینی (صرف نظر از کاربری) که پوشش گیاهی آن توسط باد ناشی از طوفان، گردباد، طوفان و سایر رویدادهای شدید آب و هوایی از جمله باران یخی ناشی از طوفان‌های یخ تغییر می‌کند.

  • هیدرولوژی - زمینی که در آن سیل، پوشش چوبی یا سایر عناصر پوشش زمین را صرف نظر از کاربری زمین، به طور قابل توجهی تغییر داده است (به عنوان مثال، مخلوط‌های جدید شن و ماسه و پوشش گیاهی در داخل و اطراف بستر رودخانه‌ها پس از سیل).

  • آوار - زمینی (صرف نظر از کاربری) که در اثر حرکت طبیعی مواد مرتبط با رانش زمین، بهمن، آتشفشان، جریان‌های واریزه‌ای و غیره تغییر شکل یافته است.

  • سایر - زمینی (صرف نظر از کاربری) که روند طیفی یا سایر شواهد پشتیبان نشان می‌دهد که یک اختلال یا رویداد تغییر رخ داده است، اما علت قطعی آن قابل تعیین نیست یا نوع تغییر با هیچ یک از دسته‌های فرآیند تغییر تعریف شده در بالا مطابقت ندارد.

Change_Raw_Probability_Gain متر

احتمال افزایش پوشش گیاهی مدل‌سازی شده با LCMS خام. تعریف شده به صورت: زمینی که به دلیل رشد و توالی در طول یک یا چند سال، افزایش پوشش گیاهی را نشان می‌دهد. قابل اجرا برای هر منطقه‌ای که ممکن است تغییر طیفی مرتبط با رشد مجدد پوشش گیاهی را نشان دهد. در مناطق توسعه‌یافته، رشد می‌تواند ناشی از بلوغ پوشش گیاهی و/یا چمن‌ها و محوطه‌سازی‌های تازه نصب شده باشد. در جنگل‌ها، رشد شامل رشد پوشش گیاهی از زمین لخت و همچنین سربرداری درختان میانی و غالب و/یا علف‌ها و درختچه‌های پایین‌تر است. بخش‌های رشد/بازیابی ثبت شده پس از برداشت جنگل احتمالاً با بازسازی جنگل از طبقات مختلف پوشش زمین عبور می‌کنند. برای اینکه این تغییرات به عنوان رشد/بازیابی در نظر گرفته شوند، مقادیر طیفی باید به شدت به یک خط روند افزایشی (مثلاً شیب مثبت که اگر تا حدود 20 سال ادامه یابد، در حدود 0.10 واحد NDVI خواهد بود) که برای چندین سال ادامه دارد، پایبند باشند.

Land_Cover_Raw_Probability_Trees متر

احتمال خام مدل‌سازی شده درختان توسط LCMS. تعریف: اکثر پیکسل‌ها از درختان زنده یا مرده تشکیل شده‌اند.

Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix متر

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

Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix متر

احتمال مدل‌سازی شده خام LCMS برای ترکیب درختچه‌ها و درختان. تعریف شده به صورت: اکثر پیکسل از درختچه‌ها تشکیل شده است و همچنین از حداقل 10٪ درختان زنده یا مرده ایستاده تشکیل شده است.

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

احتمال مدل‌سازی شده خام LCMS از ترکیب علف/فورب/گیاهان علفی و درختان. تعریف شده به صورت: اکثر پیکسل از علف‌های چندساله، فورب‌ها یا سایر اشکال پوشش گیاهی علفی تشکیل شده است و همچنین از حداقل 10٪ درختان زنده یا مرده ایستاده تشکیل شده است.

Land_Cover_Raw_Probability_Barren-and-Trees-Mix متر

احتمال مخلوط درختان و زمین‌های بایر که توسط LCMS خام مدل‌سازی شده است. تعریف: بخش عمده پیکسل از خاک لختی تشکیل شده است که در اثر آشفتگی (مثلاً خاکی که در اثر پاکسازی مکانیکی یا برداشت جنگل نمایان شده است) و همچنین مناطق همیشه بایر مانند بیابان‌ها، پلایاها، رخنمون‌های سنگی (شامل مواد معدنی و سایر مواد زمین‌شناسی که در اثر فعالیت‌های معدن‌کاری سطحی نمایان شده‌اند)، تپه‌های شنی، نمکزارها و سواحل تشکیل شده است. جاده‌های ساخته شده از خاک و شن نیز بایر در نظر گرفته می‌شوند و همچنین از حداقل 10٪ درختان زنده یا مرده ایستاده تشکیل شده‌اند.

Land_Cover_Raw_Probability_Tall-Shrubs متر

احتمال مدل‌سازی شده‌ی خام LCMS از بوته‌های بلند (فقط SEAK). تعریف: اکثر پیکسل از بوته‌هایی با ارتفاع بیش از ۱ متر تشکیل شده است.

Land_Cover_Raw_Probability_Shrubs متر

احتمال بوته‌ها که توسط LCMS خام مدل‌سازی شده است. تعریف: اکثر پیکسل از بوته‌ها تشکیل شده است.

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

احتمال مدل‌سازی شده خام LCMS از ترکیب علف/فورب/گیاهان علفی و درختچه‌ها. تعریف شده به صورت: اکثر پیکسل از علف‌های چندساله، فورب‌ها یا سایر اشکال پوشش گیاهی علفی تشکیل شده است و همچنین از حداقل 10٪ درختچه تشکیل شده است.

Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix متر

احتمال مخلوط گیاهان بایر و درختچه‌ها که توسط LCMS خام مدل‌سازی شده است. تعریف: بخش عمده پیکسل از خاک لختی تشکیل شده است که در اثر آشفتگی (مثلاً خاکی که در اثر پاکسازی مکانیکی یا برداشت جنگل نمایان شده است) و همچنین مناطق همیشه بایر مانند بیابان‌ها، پلایاها، رخنمون‌های سنگی (شامل مواد معدنی و سایر مواد زمین‌شناسی که در اثر فعالیت‌های معدن‌کاری سطحی نمایان شده‌اند)، تپه‌های شنی، نمکزارها و سواحل تشکیل شده است. جاده‌های ساخته شده از خاک و شن نیز بایر در نظر گرفته می‌شوند و همچنین حداقل از 10٪ درختچه تشکیل شده‌اند.

Land_Cover_Raw_Probability_Grass-Forb-Herb متر

احتمال خام مدل‌سازی شده‌ی Grass/Forb/Herb توسط LCMS. تعریف: بخش عمده‌ی پیکسل از علف‌های چندساله، فورب‌ها یا سایر اشکال پوشش گیاهی علفی تشکیل شده است.

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

احتمال مدل‌سازی شده خام LCMS از مخلوط علف/فورب/گیاهان هرز. تعریف شده به صورت: بخش عمده پیکسل از خاک لخت که در اثر آشفتگی (مثلاً خاکی که در اثر پاکسازی مکانیکی یا برداشت جنگل نمایان شده است) و همچنین مناطق همیشه بایر مانند بیابان‌ها، پلایاها، رخنمون‌های سنگی (شامل مواد معدنی و سایر مواد زمین‌شناسی که در اثر فعالیت‌های معدن‌کاری سطحی نمایان شده‌اند)، تپه‌های شنی، نمکزارها و سواحل تشکیل شده است. جاده‌های ساخته شده از خاک و شن نیز بایر در نظر گرفته می‌شوند و همچنین از حداقل 10٪ علف‌های چند ساله، فورب‌ها یا سایر اشکال پوشش گیاهی علفی تشکیل شده‌اند.

Land_Cover_Raw_Probability_Barren-or-Impervious متر

احتمال بایر یا نفوذناپذیر بودن مدل خام LCMS به صورت زیر تعریف می‌شود: اکثر پیکسل‌ها شامل ۱) خاک لختِ در معرض آشفتگی (مثلاً خاکی که توسط پاکسازی مکانیکی یا برداشت جنگل کشف شده است) و همچنین مناطق همیشه بایر مانند بیابان‌ها، پلایاها، رخنمون‌های سنگی (شامل مواد معدنی و سایر مواد زمین‌شناسی که توسط فعالیت‌های معدن‌کاری سطحی در معرض قرار گرفته‌اند)، تپه‌های شنی، نمکزارها و سواحل است. جاده‌های ساخته شده از خاک و شن نیز بایر در نظر گرفته می‌شوند یا ۲) مواد ساخته دست بشر که آب نمی‌تواند در آنها نفوذ کند، مانند جاده‌های آسفالت شده، پشت بام‌ها و پارکینگ‌ها.

Land_Cover_Raw_Probability_Snow-or-Ice متر

احتمال برف یا یخ مدل‌سازی شده توسط LCMS خام. تعریف: اکثر پیکسل از برف یا یخ تشکیل شده است.

Land_Cover_Raw_Probability_Water متر

احتمال آب مدل‌سازی شده توسط LCMS خام. تعریف: اکثر پیکسل از آب تشکیل شده است.

Land_Use_Raw_Probability_Agriculture متر

احتمال خام مدل‌سازی شده کشاورزی توسط LCMS. تعریف شده به صورت: زمین مورد استفاده برای تولید مواد غذایی، فیبر و سوخت که در حالت پوشش گیاهی یا غیر گیاهی است. این شامل اما نه محدود به زمین‌های زراعی کشت شده و کشت نشده، زمین‌های یونجه، باغ‌ها، تاکستان‌ها، دامداری‌های محدود و مناطقی که برای تولید میوه، آجیل یا انواع توت کاشته شده‌اند، می‌شود. جاده‌هایی که در درجه اول برای مصارف کشاورزی استفاده می‌شوند (یعنی برای حمل و نقل عمومی از شهری به شهر دیگر استفاده نمی‌شوند) به عنوان کاربری زمین کشاورزی در نظر گرفته می‌شوند.

Land_Use_Raw_Probability_Developed متر

احتمال توسعه‌یافته مدل‌سازی‌شده خام LCMS. تعریف‌شده به صورت: زمینی پوشیده از سازه‌های ساخته دست بشر (مثلاً مسکونی، تجاری، صنعتی، معدنی یا حمل‌ونقل با تراکم بالا)، یا ترکیبی از پوشش گیاهی (شامل درختان) و سازه‌ها (مثلاً مسکونی کم‌تراکم، چمنزارها، امکانات تفریحی، گورستان‌ها، راهروهای حمل‌ونقل و تأسیسات و غیره)، شامل هر زمینی که از نظر عملکردی توسط فعالیت انسانی تغییر یافته باشد.

Land_Use_Raw_Probability_Forest متر

احتمال خام مدل‌سازی شده جنگل توسط LCMS. تعریف: زمینی که کاشته شده یا به طور طبیعی دارای پوشش گیاهی است و در مقطعی از یک توالی توالی کوتاه‌مدت، 10٪ یا بیشتر پوشش درختی دارد (یا احتمالاً خواهد داشت). این ممکن است شامل دسته‌های جنگل طبیعی، درختان برگ‌ریز، همیشه‌سبز و/یا مختلط، مزارع جنگلی و تالاب‌های چوبی باشد.

Land_Use_Raw_Probability_Non-Forest-Wetland متر

احتمال تالاب غیر جنگلی مدل‌سازی شده با LCMS خام. تعریف شده به صورت: زمین‌های مجاور یا درون یک سطح آب قابل مشاهده (چه به صورت دائمی و چه به صورت فصلی اشباع شده) که تحت سلطه درختچه‌ها یا گیاهان دائمی هستند. این تالاب‌ها ممکن است در ساحل دریاچه‌ها، کانال‌های رودخانه‌ای یا مصب‌ها؛ در دشت‌های سیلابی رودخانه‌ها؛ در حوضه‌های آبریز جدا شده؛ یا در دامنه‌ها واقع شده باشند. آن‌ها همچنین ممکن است به صورت چاله‌های دشتی، نهرهای زهکشی و برکه‌های ذخیره در مناظر کشاورزی ظاهر شوند و همچنین ممکن است به صورت جزایری در وسط دریاچه‌ها یا رودخانه‌ها ظاهر شوند. نمونه‌های دیگر شامل باتلاق‌ها، باتلاق‌ها، مرداب‌ها، باتلاق‌ها، آبگیرها، آبگیرها، مرداب‌ها و نهرها نیز می‌شوند.

Land_Use_Raw_Probability_Other متر

احتمال خام مدل‌سازی شده LCMS برای موارد دیگر. تعریف شده به عنوان: زمینی (صرف نظر از کاربری) که روند طیفی یا سایر شواهد پشتیبان نشان می‌دهد که یک اختلال یا رویداد تغییر رخ داده است، اما علت قطعی آن قابل تعیین نیست یا نوع تغییر با هیچ یک از دسته‌های فرآیند تغییر تعریف شده در بالا مطابقت ندارد.

Land_Use_Raw_Probability_Rangeland-or-Pasture متر

احتمال مدل‌سازی شده‌ی خام LCMS برای مرتع یا چراگاه. تعریف: این طبقه شامل هر منطقه‌ای است که یا الف) مرتع باشد، جایی که پوشش گیاهی ترکیبی از علف‌های بومی، درختچه‌ها، فورب‌ها و گیاهان علفی است که عمدتاً از عوامل و فرآیندهای طبیعی مانند بارندگی، دما، ارتفاع و آتش‌سوزی ناشی می‌شود، اگرچه مدیریت محدود ممکن است شامل سوزاندن تجویز شده و همچنین چرای دام توسط گیاهخواران اهلی و وحشی باشد؛ یا ب) مرتع، جایی که پوشش گیاهی ممکن است از علف‌ها، فورب‌ها و گیاهان علفی مخلوط و عمدتاً طبیعی تا پوشش گیاهی مدیریت‌شده‌تر که غالب آنها گونه‌های علفی هستند که بذرپاشی شده و تقریباً به صورت تک‌کشتی نگهداری می‌شوند، متغیر باشد.

QA_Bits متر

اطلاعات تکمیلی در مورد مبدا مقادیر خروجی سالانه محصول LCMS.

تغییر جدول کلاس

ارزش رنگ توضیحات
۱ #3d4551

پایدار

۲ #f39268

ضرر آهسته

۳ #d54309

ضرر سریع

۴ #00a398

سود

۵ #1b1716

ماسک ناحیه غیر پردازشی

جدول کلاس پوشش زمین

ارزش رنگ توضیحات
۱ #۰۰۵e۰۰

درختان

۲ #۰۰۸۰۰۰

مخلوط درختچه‌ها و درختان بلند (فقط SEAK)

۳ #۰۰cc00

مخلوط درختچه‌ها و درختان

۴ #b3ff1a

مخلوط علف/چمن/گیاه و درختان

۵ #۹۹ff99

مخلوط درختان و درختان بایر

۶ #b30088

بوته‌های بلند (فقط SEAK)

۷ #e68a00

درختچه‌ها

۸ #ffad33

مخلوط علف/چمن/گیاه و درختچه

۹ #ffe0b3

مخلوط بوته‌ها و گیاهان خشک

۱۰ #ffff00

علف/چمن/گیاه

۱۱ #aa7700

مخلوط علف‌های هرز و علف/چمن/گیاهان علفی

۱۲ #d3bf9b

عقیم یا نفوذناپذیر

۱۳ #فففف

برف یا یخ

۱۴ #۴۷۸۰f۳

آب

۱۵ #1b1716

ماسک ناحیه غیر پردازشی

جدول کلاس کاربری زمین

ارزش رنگ توضیحات
۱ #efff6b

کشاورزی

۲ #ff2ff8

توسعه‌یافته

۳ #1b9d0c

جنگل

۴ #۹۷ffff

تالاب غیر جنگلی

۵ #a1a1a1

دیگر

۶ #c2b34a

مرتع یا چراگاه

۷ #1b1716

ماسک ناحیه غیر پردازشی

ویژگی‌های تصویر

ویژگی‌های تصویر

نام نوع توضیحات
منطقه_مطالعه رشته

LCMS در حال حاضر ایالات متحده، جنوب شرقی آلاسکا، پورتوریکو-جزایر ویرجین ایالات متحده و هاوایی را پوشش می‌دهد. این نسخه شامل خروجی‌هایی در سراسر ایالات متحده، جنوب شرقی آلاسکا، پورتوریکو-جزایر ویرجین ایالات متحده و هاوایی است. مقادیر ممکن: 'CONUS، SEAK، PRUSVI، HI'

سال داخلی

سال تولید محصول

شرایط استفاده

شرایط استفاده

خدمات جنگلداری USDA هیچ ضمانتی، اعم از صریح یا ضمنی، از جمله ضمانت‌های مربوط به قابلیت فروش و مناسب بودن برای یک هدف خاص، ارائه نمی‌دهد و هیچ گونه مسئولیت یا تعهد قانونی در قبال دقت، قابلیت اطمینان، کامل بودن یا مفید بودن این داده‌های مکانی یا استفاده نادرست یا غیرصحیح از این داده‌های مکانی را بر عهده نمی‌گیرد. این داده‌های مکانی و نقشه‌ها یا گرافیک‌های مرتبط، اسناد قانونی نیستند و برای استفاده به این صورت در نظر گرفته نشده‌اند. داده‌ها و نقشه‌ها را نمی‌توان برای تعیین عنوان، مالکیت، توضیحات یا مرزهای قانونی، صلاحیت قانونی یا محدودیت‌هایی که ممکن است در زمین‌های عمومی یا خصوصی وجود داشته باشد، استفاده کرد. خطرات طبیعی ممکن است در داده‌ها و نقشه‌ها نشان داده شوند یا نشوند و کاربران زمین باید احتیاط لازم را به عمل آورند. داده‌ها پویا هستند و ممکن است با گذشت زمان تغییر کنند. کاربر مسئول تأیید محدودیت‌های داده‌های مکانی و استفاده از داده‌ها بر اساس آن است.

این داده‌ها با استفاده از بودجه دولت ایالات متحده جمع‌آوری شده‌اند و می‌توانند بدون مجوز یا هزینه اضافی مورد استفاده قرار گیرند. در صورت استفاده از این داده‌ها در یک نشریه، ارائه یا سایر محصولات تحقیقاتی، لطفاً از منبع زیر استفاده کنید:

خدمات جنگلداری وزارت کشاورزی ایالات متحده. 2024. سیستم پایش تغییرات چشم‌انداز USFS نسخه 2023.9 ​​(ایالات متحده مرزی و ایالات متحده مرزی بیرونی). سالت لیک سیتی، یوتا.

نقل قول‌ها

نقل قول ها:

  • خدمات جنگلداری وزارت کشاورزی ایالات متحده. 2024. سیستم پایش تغییرات چشم‌انداز USFS نسخه 2023.9 ​​(ایالات متحده مرزی و ایالات متحده مرزی بیرونی). سالت لیک سیتی، یوتا.

  • بریمن، ل.، ۲۰۰۱. جنگل‌های تصادفی. در یادگیری ماشین. اشپرینگر، ۴۵: ۵-۳۲. doi:10.1023/A:1010933404324

  • چستین، ر.، هاوسمن، آی.، گلدشتاین، جی.، فینکو، م.، و تنسون، ک.، ۲۰۱۹. مقایسه تجربی حسگرهای متقاطع Sentinel-2A و 2B MSI، Landsat-8 OLI و Landsat-7 ETM با ویژگی‌های طیفی بالای جو بر فراز ایالات متحده. در سنجش از دور محیط زیست. Science Direct، ۲۲۱: ۲۷۴-۲۸۵. doi:10.1016/j.rse.2018.11.012

  • کوهن، دبلیو بی، یانگ، ز.، و کندی، ر.، 2010. تشخیص روند اختلال و بازیابی جنگل با استفاده از سری زمانی سالانه لندست: 2. TimeSync - ابزارهایی برای کالیبراسیون و اعتبارسنجی. در سنجش از دور محیط زیست. Science Direct، 114(12): 2911-2924. doi:10.1016/j.rse.2010.07.010

  • کوهن، دبلیو بی، یانگ، ز.، هیلی، اس پی، کندی، آر ای، و گورلیک، ان.، ۲۰۱۸. یک مجموعه چند طیفی LandTrendr برای تشخیص اختلالات جنگلی. در سنجش از دور محیط زیست. Science Direct، ۲۰۵: ۱۳۱-۱۴۰. doi:10.1016/j.rse.2017.11.015

  • فوگا، س.، اسکاراموزا، پ.ل، گوئو، س.، ژو، ز.، دیلی، آر.دی، بکمن، ت.، اشمیت، جی.ال، دوایر، جی.ال، هیوز، ام.جی، لاو، ب.، ۲۰۱۷. مقایسه الگوریتم تشخیص ابر و اعتبارسنجی برای محصولات داده‌ای عملیاتی لندست. در سنجش از دور محیط زیست. ساینس دایرکت، ۱۹۴: ۳۷۹-۳۹۰. doi:10.1016/j.rse.2017.03.026

  • سازمان زمین‌شناسی ایالات متحده، ۲۰۱۹. مدل ارتفاعی دیجیتال برنامه ارتفاع سه‌بعدی USGS، دسترسی در آگوست ۲۰۲۲ در https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m

  • هیلی، اس پی، کوهن، دبلیو بی، یانگ، زد.، کنت بروئر، سی.، بروکس، ای بی، گورلیک، ان.، هرناندز، ای جی، هوانگ، سی.، جوزف هیوز، ام.، کندی، آر ای، لاولند، تی آر، مویزن، جی جی، شرودر، تی ای، استمن، اس وی، وگلمن، جی ای، وودکاک، سی ای، یانگ، ال.، و ژو، زد.، ۲۰۱۸. نقشه برداری تغییرات جنگل با استفاده از تعمیم انباشته شده: یک رویکرد گروهی. در سنجش از دور محیط زیست. ساینس دایرکت، ۲۰۴: ۷۱۷-۷۲۸. doi:10.1016/j.rse.2017.09.029

  • کندی، آر.ای، یانگ، زد.، و کوهن، دبلیو.بی، 2010. تشخیص روندها در اختلال و بازیابی جنگل با استفاده از سری‌های زمانی سالانه لندست: 1. LandTrendr - الگوریتم‌های قطعه‌بندی زمانی. در سنجش از دور محیط زیست. Science Direct، 114(12): 2897-2910. doi:10.1016/j.rse.2010.07.008

  • کندی، ر.، یانگ، ز.، گورلیک، ن.، براتن، ج.، کاوالکانت، ل.، کوهن، دبلیو.، و هیلی، س. 2018. پیاده‌سازی الگوریتم LandTrendr در موتور گوگل ارث. در سنجش از دور. MDPI، 10(5): 691. doi:10.3390/rs10050691

  • پاسکارلا، وی.جی.، براون، سی.اف.، چروینسکی، دبلیو.، و راکلیج، دبلیو.جی.، 2023. ارزیابی جامع کیفیت تصاویر ماهواره‌ای نوری با استفاده از یادگیری ویدیویی با نظارت ضعیف. در مجموعه مقالات کنفرانس IEEE/CVF در مورد بینایی کامپیوتر و تشخیص الگو. 2125-2135. doi:10.1109/CVPRW59228.2023.00206

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

  • وایس، AD، 2001. ارائه پوستر تحلیل موقعیت توپوگرافی و اشکال زمین، کنفرانس کاربران ESRI، سن دیگو، CAZhu، Z.، و Woodcock، CE 2012. تشخیص ابر و سایه ابر مبتنی بر شیء در تصاویر لندست. 118: 83-94.

  • ژو، ز.، و وودکاک، سی. ای، ۲۰۱۲. تشخیص ابر و سایه ابر مبتنی بر شیء در تصاویر لندست. در سنجش از دور محیط زیست. ساینس دایرکت، ۱۱۸: ۸۳-۹۴. doi:10.1016/j.rse.2011.10.028

  • ژو، ز.، و وودکاک، سی. ای، ۲۰۱۴. تشخیص تغییرات مداوم و طبقه‌بندی پوشش زمین با استفاده از تمام داده‌های موجود لندست. در سنجش از دور محیط زیست. ساینس دایرکت، ۱۴۴: ۱۵۲-۱۷۱. doi:10.1016/j.rse.2014.01.011

DOI ها

با موتور زمین کاوش کنید

ویرایشگر کد (جاوااسکریپت) 

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);
باز کردن در ویرایشگر کد
این محصول بخشی از مجموعه داده‌های سیستم پایش تغییرات چشم‌انداز (LCMS) است. این مجموعه، تغییرات مدل‌سازی‌شده توسط LCMS، پوشش زمین و/یا کلاس‌های کاربری زمین را برای هر سال نشان می‌دهد که شامل ایالات متحده آمریکا (CONUS) و مناطق خارج از CONUS (OCONUS) از جمله جنوب شرقی آلاسکا (SEAK)، جزایر ویرجین پورتوریکو-ایالات متحده (PRUSVI) و ... می‌شود.
USFS/GTAC/LCMS/v2023-9، تشخیص تغییر، جنگل، GTAC، پوشش زمین، مشتق شده از لندست، کاربری زمین، پوشش زمین-کاربری زمین، منابع ردکاسل، مشتق شده از سنتینل، سری زمانی، USDA، USFS
1985-01-01T00:00:00Z/2023-12-31T00:00:00Z
۲۰.۳۸۳۷۹ -۱۳۵.۲۸۶۳۸۷ ۵۲.۴۵۹۳۶۴ -۵۶.۴۴۶۳۰۶
موتور گوگل ارث
،
USFS/GTAC/LCMS/v2023-9
در دسترس بودن مجموعه داده‌ها
1985-01-01T00:00:00Z–2023-12-31T00:00:00Z
ارائه دهنده مجموعه داده
قطعه کد موتور زمین
ee.ImageCollection("USFS/GTAC/LCMS/v2023-9")
برچسب‌ها
تشخیص تغییر
جنگل
جی‌تاک
پوشش زمین
مشتق‌شده از لندست
کاربری زمین
کاربری زمین-پوشش زمین
ال سی ام اس
منابع قلعه سرخ
مشتق‌شده از نگهبان
سری زمانی
وزارت کشاورزی آمریکا
یو اس اف اس

توضیحات

این محصول بخشی از مجموعه داده‌های سامانه پایش تغییرات چشم‌انداز (LCMS) است. این مجموعه، تغییرات مدل‌سازی‌شده توسط LCMS، پوشش زمین و/یا کلاس‌های کاربری زمین را برای هر سال نشان می‌دهد که شامل ایالات متحده آمریکا (CONUS) و مناطق خارج از CONUS (OCONUS) از جمله جنوب شرقی آلاسکا (SEAK)، جزایر ویرجین پورتوریکو-ایالات متحده (PRUSVI) و هاوایی (HI) می‌شود.

LCMS یک سیستم مبتنی بر سنجش از دور برای نقشه‌برداری و نظارت بر تغییرات چشم‌انداز در سراسر ایالات متحده است. هدف آن توسعه یک رویکرد سازگار با استفاده از آخرین فناوری و پیشرفت‌ها در تشخیص تغییرات برای تولید یک نقشه "بهترین نقشه موجود" از تغییرات چشم‌انداز است.

خروجی‌ها شامل سه محصول سالانه هستند: تغییر، پوشش زمین و کاربری زمین. تغییر به طور خاص به پوشش گیاهی مربوط می‌شود و شامل از دست دادن آهسته، از دست دادن سریع (که شامل تغییرات هیدرولوژیکی مانند سیل یا خشک شدن نیز می‌شود) و افزایش پوشش گیاهی است. این مقادیر برای هر سال از سری زمانی لندست پیش‌بینی می‌شوند و به عنوان محصولات اساسی برای LCMS عمل می‌کنند. نقشه‌های پوشش زمین و کاربری زمین، پوشش زمین در سطح اشکال زیستی و کاربری زمین در سطح وسیع را برای هر سال نشان می‌دهند.

از آنجا که هیچ الگوریتمی در همه شرایط بهترین عملکرد را ندارد، LCMS از مجموعه‌ای از مدل‌ها به عنوان پیش‌بینی‌کننده استفاده می‌کند که دقت نقشه را در طیف وسیعی از اکوسیستم‌ها و فرآیندهای تغییر بهبود می‌بخشد (Healey و همکاران، ۲۰۱۸). مجموعه حاصل از نقشه‌های تغییر، پوشش زمین و کاربری زمین LCMS، تصویری جامع از تغییرات چشم‌انداز در سراسر ایالات متحده از سال ۱۹۸۵ ارائه می‌دهد.

لایه‌های پیش‌بینی‌کننده برای مدل LCMS شامل خروجی‌های الگوریتم‌های تشخیص تغییرات LandTrendr و CCDC و اطلاعات زمین هستند. همه این اجزا با استفاده از موتور Google Earth قابل دسترسی و پردازش هستند (Gorelick و همکاران، ۲۰۱۷).

برای CCDC، از داده‌های بازتاب سطحی لندست Tier 1 مجموعه 2 سازمان زمین‌شناسی ایالات متحده (USGS) برای CONUS و از داده‌های بازتاب بالای جو لندست Tier 1 برای SEAK، PRUSVI و HI استفاده شد. برای تولید ترکیبات سالانه برای LandTrendr، از داده‌های بازتاب بالای جو لندست Tier 1 مجموعه 2 USGS و Sentinel 2A، 2B Level-1C استفاده شد. الگوریتم پوشش ابر cFmask (Foga و همکاران، ۲۰۱۷)، که پیاده‌سازی Fmask 2.0 (Zhu و Woodcock، ۲۰۱۲) (فقط Landsat)، cloudScore (Chastain و همکاران، ۲۰۱۹) (فقط Landsat)، s2cloudless (Sentinel-Hub، ۲۰۲۱) و Cloud Score plus (Pasquarella و همکاران، ۲۰۲۳) (فقط Sentinel 2) است، برای پوشش ابرها استفاده می‌شوند، در حالی که TDOM (Chastain و همکاران، ۲۰۱۹) برای پوشش سایه‌های ابر (Landsat و Sentinel 2) استفاده می‌شود. برای LandTrendr، سپس میانگین سالانه محاسبه می‌شود تا مقادیر ابر و بدون سایه ابر از هر سال را در یک ترکیب واحد خلاصه کند.

سری زمانی ترکیبی با استفاده از LandTrendr به صورت زمانی بخش‌بندی می‌شود (Kennedy و همکاران، ۲۰۱۰؛ Kennedy و همکاران، ۲۰۱۸؛ Cohen و همکاران، ۲۰۱۸).

تمام مقادیر ابر و بدون سایه ابر نیز با استفاده از الگوریتم CCDC به صورت زمانی قطعه‌بندی می‌شوند (Zhu and Woodcock, 2014).

داده‌های پیش‌بینی‌کننده شامل مقادیر ترکیبی خام، مقادیر برازش‌شده LandTrendr، تفاوت‌های جفتی، مدت زمان قطعه، بزرگی تغییر و شیب، و ضرایب سینوس و کسینوس CCDC (3 هارمونیک اول)، مقادیر برازش‌شده و تفاوت‌های جفتی، همراه با ارتفاع، شیب، سینوس جهت، کسینوس جهت و شاخص‌های موقعیت توپوگرافی (وایس، 2001) از داده‌های 10 متری برنامه ارتفاع سه‌بعدی USGS (3DEP) (سازمان زمین‌شناسی ایالات متحده، 2019) هستند.

داده‌های مرجع با استفاده از TimeSync، ابزاری مبتنی بر وب که به تحلیلگران کمک می‌کند تا داده‌های لندست را از سال ۱۹۸۴ تاکنون تجسم و تفسیر کنند، جمع‌آوری می‌شوند (Cohen و همکاران، ۲۰۱۰).

مدل‌های جنگل‌های تصادفی (Breiman، ۲۰۰۱) با استفاده از داده‌های مرجع TimeSync و داده‌های پیش‌بینی‌کننده از LandTrendr، CCDC و شاخص‌های زمین آموزش داده شدند تا تغییرات سالانه، پوشش زمین و طبقات کاربری زمین را پیش‌بینی کنند. پس از مدل‌سازی، ما مجموعه‌ای از آستانه‌های احتمال و مجموعه قوانین را با استفاده از مجموعه داده‌های کمکی ایجاد کردیم تا خروجی‌های کیفی نقشه را بهبود بخشیم و موارد حذف و اضافه را کاهش دهیم. اطلاعات بیشتر را می‌توانید در خلاصه روش‌های LCMS که در توضیحات آمده است، بیابید.

منابع اضافی

در صورت داشتن هرگونه سوال یا درخواست اطلاعات خاص، با [sm.fs.lcms@usda.gov] تماس بگیرید.

باندها

اندازه پیکسل
۳۰ متر

باندها

نام اندازه پیکسل توضیحات
Change متر

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 متر

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 متر

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 متر

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 متر

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 متر

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 متر

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 متر

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 متر

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 متر

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 متر

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 متر

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 متر

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 متر

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 متر

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 متر

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 متر

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 متر

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 متر

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 متر

Raw LCMS modeled probability of Water. Defined as: The majority of the pixel is comprised of water.

Land_Use_Raw_Probability_Agriculture متر

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 متر

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 متر

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 متر

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 متر

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 متر

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 متر

Ancillary information on the origin of the annual LCMS product output values.

Change Class Table

ارزش رنگ توضیحات
۱ #3d4551

پایدار

۲ #f39268

Slow Loss

۳ #d54309

Fast Loss

۴ #00a398

Gain

۵ #1b1716

Non-Processing Area Mask

Land_Cover Class Table

ارزش رنگ توضیحات
۱ #005e00

درختان

۲ #۰۰۸۰۰۰

Tall Shrubs & Trees Mix (SEAK Only)

۳ #00cc00

Shrubs & Trees Mix

۴ #b3ff1a

Grass/Forb/Herb & Trees Mix

۵ #99ff99

Barren & Trees Mix

۶ #b30088

Tall Shrubs (SEAK Only)

۷ #e68a00

Shrubs

۸ #ffad33

Grass/Forb/Herb & Shrubs Mix

۹ #ffe0b3

Barren & Shrubs Mix

۱۰ #ffff00

Grass/Forb/Herb

۱۱ #aa7700

Barren & Grass/Forb/Herb Mix

۱۲ #d3bf9b

Barren or Impervious

۱۳ #فففف

Snow or Ice

۱۴ #4780f3

آب

۱۵ #1b1716

Non-Processing Area Mask

Land_Use Class Table

ارزش رنگ توضیحات
۱ #efff6b

کشاورزی

۲ #ff2ff8

توسعه‌یافته

۳ #1b9d0c

جنگل

۴ #97ffff

Non-Forest Wetland

۵ #a1a1a1

دیگر

۶ #c2b34a

Rangeland or Pasture

۷ #1b1716

Non-Processing Area Mask

ویژگی‌های تصویر

ویژگی‌های تصویر

نام نوع توضیحات
study_area رشته

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'

سال داخلی

Year of the product

شرایط استفاده

شرایط استفاده

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.

نقل قول‌ها

نقل قول ها:

  • 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

DOI ها

با موتور زمین کاوش کنید

ویرایشگر کد (جاوااسکریپت) 

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);
باز کردن در ویرایشگر کد
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
موتور گوگل ارث