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

חשוב לדעת: קבוצת הנתונים הזו הוחלף בקבוצת הנתונים USFS/GTAC/LCMS/v2024-10.

זמינות קבוצת הנתונים

1985-01-01T00:00:00Z–2023-12-31T00:00:00Z

ספק קבוצת הנתונים

USDA Forest Service (USFS) Geospatial Technology and Applications Center (GTAC)

קטע קוד ל-Earth Engine

ee.ImageCollection("USFS/GTAC/LCMS/v2023-9")

תגים

change-detection

יער

gtac

כיסוי השטח

נגזר מ-Landsat

שימוש בקרקע

landuse-landcover

lcms

redcastle-resources

sentinel-derived

פעולות על ציר הזמן

USDA

usfs

תיאור

המוצר הזה הוא חלק מחבילת הנתונים של מערכת המעקב אחר שינויים בנוף (LCMS). הנתונים כוללים שינויים שנוצרו באמצעות מודל LCMS, כיסוי קרקע ו/או סיווגים של שימוש בקרקע לכל שנה שחלה על ארצות הברית הרציפה (CONUS) ועל אזורים מחוץ ל-CONUS (OCONUS), כולל דרום-מזרח אלסקה (SEAK), פורטו ריקו ואיי הבתולה של ארה"ב (PRUSVI) והוואי (HI).

מערכת LCMS היא מערכת שמבוססת על חישה מרחוק למיפוי ולמעקב אחר שינויים בנוף בארצות הברית. המטרה שלה היא לפתח גישה עקבית באמצעות הטכנולוגיה העדכנית ביותר וההתקדמות בזיהוי שינויים, כדי ליצור מפה של שינויים בנוף ברמת הדיוק הגבוהה ביותר האפשרית.

הפלט כולל שלושה מוצרים שנתיים: שינוי, כיסוי קרקע ושימוש בקרקע. השינוי מתייחס באופן ספציפי לכיסוי צמחייה וכולל אובדן איטי, אובדן מהיר (שכולל גם שינויים הידרולוגיים כמו הצפה או ייבוש) ועלייה. הערכים האלה הם ערכים חזויים לכל שנה בסדרת הזמן של Landsat, והם משמשים כבסיס למוצרי LCMS. במפות של כיסוי הקרקע והשימוש בקרקע מוצגים כיסוי הקרקע ברמת צורת החיים והשימוש בקרקע ברמה רחבה לכל שנה.

מכיוון שאין אלגוריתם שמשיג את התוצאות הכי טובות בכל המצבים, מערכת LCMS משתמשת באוסף של מודלים ככלי חיזוי, מה שמשפר את דיוק המפה במגוון של מערכות אקולוגיות ותהליכי שינוי (Healey et al., ‫2018). חבילת המפות שמתקבלת כוללת שינויים במערכת ניהול הצבעים, כיסוי קרקע ושימוש בקרקע, ומציגה תמונה הוליסטית של שינויים בנוף בארצות הברית מאז 1985.

שכבות החיזוי של מודל LCMS כוללות פלטים מאלגוריתמים לזיהוי שינויים של LandTrendr ו-CCDC, ומידע על השטח. הגישה לכל הרכיבים האלה והעיבוד שלהם מתבצעים באמצעות Google Earth Engine (Gorelick et al., ‫2017).

ל-CCDC נעשה שימוש בנתוני השתקפות מפני השטח של Landsat Tier 1 Collection 2 של הסקר הגאולוגי של ארצות הברית (USGS) עבור CONUS, ובנתוני השתקפות בחלק העליון של האטמוספרה של Landsat Tier 1 עבור SEAK,‏ PRUSVI ו-HI. כדי ליצור תמונות מורכבות שנתיות עבור LandTrendr, נעשה שימוש בנתוני השתקפות בחלק העליון של האטמוספרה של Landsat Tier 1 ו-Sentinel 2A,‏ 2B Level-1C של USGS Collection 2. האלגוריתם cFmask לזיהוי עננים (Foga et al., ‫2017), שהוא הטמעה של Fmask 2.0 (Zhu and Woodcock, 2012) (Landsat-only), cloudScore (Chastain et al., ‫2019) (Landsat-only), s2cloudless (Sentinel-Hub, 2021) and Cloud Score plus (Pasquarella et al., ‫2023) (Sentinel 2-only) are used to mask clouds, while TDOM (Chastain et al., ‫2019) משמשת להסתרת צללי עננים (Landsat ו-Sentinel 2). ב-LandTrendr, המערכת מחשבת את המדואיד השנתי כדי לסכם את הערכים ללא עננים וצללי עננים מכל שנה לקומפוזיט יחיד.

סדרת הזמנים המורכבת מפולחת באופן זמני באמצעות LandTrendr (Kennedy et al., ‫2010; Kennedy et al., ‫2018; Cohen et al., ‫2018).

כל הערכים ללא עננים וצללי עננים מפולחים גם הם באופן זמני באמצעות אלגוריתם CCDC (Zhu and Woodcock, ‏ 2014).

נתוני החיזוי כוללים ערכים מורכבים גולמיים, ערכים מותאמים של LandTrendr, הבדלים בין זוגות, משך הפלח, גודל השינוי והשיפוע, ומקדמי סינוס וקוסינוס של CCDC (שלושת ההרמוניות הראשונות), ערכים מותאמים והבדלים בין זוגות, יחד עם גובה מעל פני הים, שיפוע, סינוס של ההיבט, קוסינוס של ההיבט ומדדי מיקום טופוגרפיים (Weiss,‏ 2001) מנתוני תוכנית הגובה התלת-ממדית (3DEP) של USGS (שירות הסקר הגיאולוגי של ארה"ב) ברזולוציה של 10 מ' (U.S. Geological Survey,‏ 2019).

נתוני הייחוס נאספים באמצעות TimeSync, כלי מבוסס-אינטרנט שעוזר לאנליסטים להציג ולפרש את רשומת הנתונים של Landsat משנת 1984 ועד היום (Cohen et al., 2010).

מודלים של יערות אקראיים (Breiman,‏ 2001) אומנו באמצעות נתוני ייחוס מ-TimeSync ונתוני חיזוי מ-LandTrendr,‏ CCDC ומדדי שטח כדי לחזות שינויים שנתיים, כיסוי קרקע וסיווגים של שימוש בקרקע. לאחר בניית המודל, קבענו סדרה של ספי הסתברות וערכות כללים באמצעות מערכי נתונים משניים כדי לשפר את התפוקות האיכותיות של המפה ולצמצם את השגיאות וההשמטות. מידע נוסף זמין ב-LCMS Methods Brief שמופיע בתיאור.

מקורות מידע נוספים

• דוגמה מפורטת יותר של קוד לשימוש בנתוני LCMS

• הכלי לניתוח נתונים של LCMS הוא אפליקציה מבוססת-אינטרנט שמאפשרת למשתמשים להציג, לנתח, לסכם ולהוריד נתונים של LCMS.

• מידע מפורט יותר על השיטות והערכת הדיוק זמין בסקירה של שיטות LCMS. אפשר גם להוריד נתונים, מטא-נתונים ומסמכי תמיכה ממאגר המידע הגיאוגרפי של LCMS.

• ב-2 ביולי 2024 עדכנו את מוצר השימוש בקרקע בארה"ב כדי לתקן בעיה בסיווג של אזורים מפותחים.

• הנתונים של PRUSVI ו-HI פורסמו ב-1 באוקטובר 2024.

אפשר לפנות אל [[e-mail]] בכל שאלה או בקשה ספציפית לנתונים.

תחום תדרים

גודל הפיקסל
‫30 מטרים

תחום תדרים

שם	גודל הפיקסל	תיאור
Change	מטרים	שינוי סופי במוצר LCMS לפי נושא. בכל שנה ממופים שלושה סוגים של שינויים (ירידה איטית, ירידה מהירה ועלייה). כל מחלקה נחזית באמצעות מודל נפרד של Random Forest, שמפיק הסתברות (פרופורציה של העצים בתוך מודל Random Forest) לכך שהפיקסל שייך למחלקה הזו. לכן, לכל פיקסל יש שלוש תוצאות שונות של המודל לכל שנה. הכיתות הסופיות מוקצות לכיתת השינוי עם ההסתברות הגבוהה ביותר שגם גבוהה מסף שצוין. לכל פיקסל שלא כולל ערך מעל הסף המתאים של כל סיווג, מוקצה הסיווג 'יציב'. לפני הקצאת מחלקת השינוי, הוחל כלל על כל אזורי המחקר כדי למנוע שינוי בכיסוי קרקע לא צמחי.
Land_Cover	מטרים	מוצר סופי של כיסוי קרקע נושאי של LCMS. בכל שנה ממופים 14 סוגים של כיסוי קרקע באמצעות נתוני ייחוס של TimeSync ומידע ספקטרלי שנגזר מתמונות Landsat. כל מחלקה נחזית באמצעות מודל נפרד של יער אקראי, שמפיק הסתברות (פרופורציה של העצים במודל היער האקראי) לכך שהפיקסל שייך למחלקה הזו. לכן, לכל פיקסל יש 14 פלטים שונים של מודלים לכל שנה, והסיווגים הסופיים מוקצים לכיסוי הקרקע עם ההסתברות הגבוהה ביותר. בדרום-מזרח אלסקה, לפני הקצאת סיווג כיסוי הקרקע עם ההסתברות הגבוהה ביותר, הוטמע כלל כיסוי קרקע כדי להגביל את סיווג כיסוי הקרקע של עצים ושלג באזורים הגדולים של גאות ושפל בגובה פני הים. לא הוחלו כללים לגבי כיסוי קרקע על CONUS, פוארטו ריקו, איי הבתולה של ארה"ב או הוואי. שבעה מתוך 14 הסיווגים של כיסוי הקרקע מציינים כיסוי קרקע יחיד, שבו סוג כיסוי הקרקע הזה מכסה את רוב שטח הפיקסל ואף סיווג אחר לא מכסה יותר מ-10% מהפיקסל. יש גם שבעה שיעורים מעורבים. הם מייצגים פיקסלים שבהם סוג נוסף של כיסוי קרקע מכסה לפחות 10% מהפיקסל.
Land_Use	מטרים	מוצר סופי של שימוש קרקע נושאי ב-LCMS. בכל שנה ממופים 6 סוגים של שימוש בקרקע באמצעות נתוני ייחוס של TimeSync ומידע ספקטרלי שמופק מתמונות Landsat. כל מחלקה נחזית באמצעות מודל נפרד של יער אקראי, שמפיק הסתברות (פרופורציה של העצים בתוך מודל היער האקראי) שהפיקסל שייך למחלקה הזו. לכן, לכל פיקסל יש 6 פלטים שונים של מודלים לכל שנה, והסיווגים הסופיים מוקצים לשימוש בקרקע עם ההסתברות הכי גבוהה. לפני שהוקצה סיווג השימוש בקרקע עם ההסתברות הכי גבוהה, הוחלו סדרה של ספי הסתברות וערכות כללים באמצעות כללי שימוש בקרקע של מערכי נתונים משניים. מידע נוסף על ספי ההסתברות ועל ערכות הכללים מופיע בסיכום השיטות של LCMS שכלול בתיאור. מוצר השימוש בקרקע בארה"ב (CONUS) עודכן ב-2 ביולי 2024 כדי לתקן בעיה בסיווג של אזורים מפותחים.
Change_Raw_Probability_Slow_Loss	מטרים	ההסתברות הגולמית של LCMS שחושבה לאובדן איטי. ההגדרה היא: אובדן איטי כולל את המחלקות הבאות מפרשנות תהליך השינוי של TimeSync – ירידה מבנית – קרקע שבה עצים או צמחייה מעוצה אחרת משתנים פיזית בגלל תנאי גידול לא נוחים שנובעים מגורמים לא אנתרופוגניים או לא מכניים. בדרך כלל, סוג כזה של אובדן יוצר מגמה באותות הספקטרליים (למשל, ירידה ב-NDVI, ירידה ברטיבות, עלייה ב-SWIR וכו'), אבל המגמה יכולה להיות עדינה. הידרדרות מבנית מתרחשת בסביבות עם צמחייה מעוצה, לרוב כתוצאה מחרקים, מחלות, בצורת, גשם חומצי וכו'. הידרדרות מבנית יכולה לכלול אירועים של נשירת עלים שלא מובילים לתמותה, כמו במקרים של נגיעות בעש צועני ובזחל של עש האשוח, שמהם הצמחייה עשויה להשתקם תוך שנה או שנתיים. ירידה ספקטרלית – תרשים שבו האות הספקטרלי מראה מגמה באחד או יותר מהפסי הספקטרליים או מהאינדקסים (למשל, ירידה ב-NDVI, ירידה במידת הרטיבות, עלייה ב-SWIR וכו'). דוגמאות למקרים כאלה: א) צמחייה לא יערנית ולא מעוצה שמציגה מגמת ירידה (למשל, ירידה ב-NDVI, ירידה ברטיבות, עלייה ב-SWIR וכו'), או ב) צמחייה מעוצה שמציגה מגמת ירידה שלא קשורה לאובדן של צמחייה מעוצה, למשל כשחופות של עצים בוגרים נסגרות וגורמות להצללה מוגברת, כששינוי בהרכב המינים עובר מעצים מחטניים לעצים רחבי עלים, או כשמזג אוויר יבש (בניגוד לבצורת חזקה יותר וחדה יותר) גורם לירידה ניכרת בחוזק הצמחייה, אבל לא לאובדן של חומר מעוצה או של שטח עלים.
Change_Raw_Probability_Fast_Loss	מטרים	ההסתברות המחושבת של אובדן מהיר, כפי שמודל LCMS חוזה. ההגדרה היא: אובדן מהיר כולל את המחלקות הבאות מפרשנות תהליך השינוי של TimeSync – שריפה – קרקע שעברה שינוי כתוצאה משריפה, ללא קשר לגורם ההצתה (טבעי או אנתרופוגני), לחומרה או לשימוש בקרקע. קציר – קרקע יערנית שבה עצים, שיחים או צמחייה אחרת נכרתו או הוסרו באמצעים אנתרופוגניים. דוגמאות לכך הן כריתת עצים, כריתת עצים שנפגעו משריפה או מהתפרצות של מזיקים, דילול עצים והנחיות אחרות לניהול יערות (למשל, כריתת עצים להגנה על עצים צעירים או כריתת עצים להפצת זרעים). מכני – קרקע לא מיוערת שבה עצים, שיחים או צמחייה אחרת נחתכו או הוסרו באופן מכני באמצעות שרשור, גירוד, ניסור שיחים, דחפור או כל שיטה אחרת להסרת צמחייה לא מיוערת. רוח/קרח – קרקע (ללא קשר לשימוש) שבה הצמחייה משתנה בגלל רוח מהוריקנים, טורנדו, סופות ואירועי מזג אוויר קשים אחרים, כולל גשם מקפיא מסופות קרח. הידרולוגיה – קרקע שבה שיטפון שינה באופן משמעותי את כיסוי העצים או רכיבים אחרים של כיסוי הקרקע, ללא קשר לשימוש בקרקע (למשל, תערובות חדשות של חצץ וצמחייה בתוך ובסביבת אפיקי נחלים אחרי שיטפון). פסולת – קרקע (ללא קשר לשימוש) שעברה שינוי כתוצאה מתנועת חומרים טבעיים שקשורה למפולות, לשלגים, להרי געש, לזרמי פסולת וכו'. אחר – קרקע (ללא קשר לשימוש) שבה המגמה הספקטרלית או ראיות תומכות אחרות מצביעות על כך שהתרחשו הפרעה או אירוע שינוי, אבל לא ניתן לקבוע את הסיבה הסופית או שסוג השינוי לא עומד באף אחת מהקטגוריות של תהליך השינוי שמוגדרות למעלה.
Change_Raw_Probability_Gain	מטרים	ההסתברות הגולמית של LCMS לרווח, כפי שהיא מחושבת על ידי המודל. הגדרה: קרקע שבה חל גידול בכיסוי הצמחייה עקב צמיחה והתפתחות במשך שנה אחת או יותר. רלוונטי לכל האזורים שבהם יכול להיות שינוי ספקטרלי שקשור לצמיחה מחדש של צמחייה. באזורים מפותחים, הצמיחה יכולה להיות תוצאה של צמחייה בוגרת או של מדשאות וגינון חדשים. ביערות, גידול כולל צמיחת צמחייה מאדמה חשופה, וגם צמיחה מעל עצים בינוניים ועצים דומיננטיים משותפים ו/או דשא ושיחים נמוכים יותר. סביר להניח שפלחים של צמיחה או התאוששות שתועדו אחרי כריתת יערות יעברו בין סוגים שונים של כיסוי קרקע כשהיער יתחדש. כדי שהשינויים האלה ייחשבו כצמיחה או כהתאוששות, הערכים הספקטרליים צריכים להיות קרובים לקו מגמה עולה (למשל, שיפוע חיובי שאם יורחב ל-20 שנה בערך, יהיה בסדר גודל של 0.10 יחידות של NDVI) שנמשך כמה שנים.
Land_Cover_Raw_Probability_Trees	מטרים	ההסתברות המחושבת של עצים לפי מודל LCMS גולמי. ההגדרה: רוב הפיקסלים מורכבים מעצים חיים או מעצים מתים שעומדים.
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix	מטרים	ההסתברות הגולמית שחושבה על ידי מודל LCMS לגבי Tall Shrubs and Trees Mix (דרום-מזרח אסיה בלבד). ההגדרה: רוב הפיקסל מורכב משיחים בגובה של יותר ממטר אחד, וגם מורכב מ-10% לפחות של עצים חיים או עצים מתים שעומדים.
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix	מטרים	הסתברות משוערת גולמית של תערובת שיחים ועצים לפי LCMS. הגדרה: רוב הפיקסל מורכב משיחים, וגם מ-10% לפחות של עצים חיים או עצים מתים עומדים.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix	מטרים	הסתברות משוערת גולמית של תערובת דשא/צמחים עשבוניים/עשבים ועצים לפי מודל LCMS. הגדרה: רוב הפיקסל מורכב מדשאים רב-שנתיים, מצמחי מרפא או מצורות אחרות של צמחייה עשבונית, וגם מורכב מ-10% לפחות של עצים חיים או עצים מתים שעומדים.
Land_Cover_Raw_Probability_Barren-and-Trees-Mix	מטרים	ההסתברות הגולמית של תערובת של קרקע חשופה ועצים, שחושבה על סמך מודל LCMS. הגדרה: רוב הפיקסל מורכב מקרקע חשופה שנחשפה כתוצאה מהפרעה (למשל, קרקע שנחשפה כתוצאה מפינוי מכני או כריתת יערות), וגם מאזורים שאינם פוריים באופן קבוע, כמו מדבריות, אגמי מלח, סלעים חשופים (כולל מינרלים וחומרים גיאולוגיים אחרים שנחשפו כתוצאה מפעולות כרייה על פני השטח), דיונות חול, מישורי מלח וחופים. גם דרכים שעשויות מעפר ומחצץ נחשבות לקרקע לא פורייה, והן כוללות לפחות 10% עצים חיים או עצים מתים שעומדים.
Land_Cover_Raw_Probability_Tall-Shrubs	מטרים	ההסתברות הגולמית של LCMS שמוצגת במודל של שיחים גבוהים (דרום-מזרח אסיה בלבד). הגדרה: רוב הפיקסל מורכב משיחים בגובה של יותר ממטר.
Land_Cover_Raw_Probability_Shrubs	מטרים	ההסתברות הגולמית של שיחים שחושבה על ידי מודל LCMS. הגדרה: רוב הפיקסל מורכב משיחים.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix	מטרים	הסבירות המחושבת לפי מודל LCMS של תערובת עשבים, צמחים ושיחים. הגדרה: רוב הפיקסל מורכב מדשאים רב-שנתיים, מצמחי מרפא או מצורות אחרות של צמחייה עשבונית, וגם מורכב משיחים בשיעור של 10% לפחות.
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix	מטרים	ההסתברות הגולמית של LCMS שנוצרה על סמך מודל של Barren and Shrubs Mix. הגדרה: רוב הפיקסל מורכב מקרקע חשופה שנחשפה כתוצאה מהפרעה (למשל, קרקע שנחשפה כתוצאה מפינוי מכני או כריתת יערות), וגם מאזורים שאינם פוריים באופן קבוע, כמו מדבריות, אגמי מלח, סלעים חשופים (כולל מינרלים וחומרים גיאולוגיים אחרים שנחשפו כתוצאה מפעולות כרייה על פני השטח), דיונות חול, מישורי מלח וחופים. כבישים שעשויים מעפר ומחצץ נחשבים גם הם לשטח חשוף, וכוללים לפחות 10% שיחים.
Land_Cover_Raw_Probability_Grass-Forb-Herb	מטרים	ההסתברות הגולמית של LCMS שמוצגת כמודל של דשא/עשב/צמח. הגדרה: רוב הפיקסלים מורכבים מדשאים רב-שנתיים, מצמחי מרפא או מצורות אחרות של צמחייה עשבונית.
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix	מטרים	הסתברות גולמית שעברה מודלים של LCMS של Barren ו-Grass/Forb/Herb Mix. הגדרה: רוב הפיקסל מורכב מאדמה חשופה שנחשפה כתוצאה מהפרעה (למשל, אדמה שנחשפה כתוצאה מפינוי מכני או כריתת יערות), וגם מאזורים שוממים באופן קבוע כמו מדבריות, מישורי מלח, סלעים חשופים (כולל מינרלים וחומרים גיאולוגיים אחרים שנחשפו כתוצאה מפעולות כרייה על פני השטח), דיונות חול, אגמי מלח וחופים. גם דרכים שעשויות מעפר ומחצץ נחשבות לשטח חשוף, והן כוללות לפחות 10% עשבים רב-שנתיים, צמחי מרפא או צורות אחרות של צמחייה עשבונית.
Land_Cover_Raw_Probability_Barren-or-Impervious	מטרים	הסבירות הגולמית שחושבה על ידי מודל LCMS לכך שהקרקע תהיה חשופה או בלתי חדירה. הגדרה: רוב הפיקסל מורכב מ-1) קרקע חשופה שנחשפה כתוצאה מהפרעה (למשל, קרקע שנחשפה כתוצאה מפינוי מכני או כריתת יערות), וגם מאזורים שוממים באופן קבוע כמו מדבריות, מישורי מלח, סלעים חשופים (כולל מינרלים וחומרים גיאולוגיים אחרים שנחשפו כתוצאה מפעולות כרייה על פני השטח), דיונות חול, אגמי מלח וחופים. כבישים שעשויים מעפר ומחצץ נחשבים גם הם כשטחים שאינם חדירים למים, או כשטחים שעשויים מחומרים מלאכותיים שהמים לא יכולים לחדור דרכם, כמו כבישים סלולים, גגות וחניונים.
Land_Cover_Raw_Probability_Snow-or-Ice	מטרים	הסבירות הגולמית שמוצגת במודל LCMS לשלג או לקרח. ההגדרה: רוב הפיקסלים מורכב משלג או מקרח.
Land_Cover_Raw_Probability_Water	מטרים	ההסתברות הגולמית של מים שחושבה על ידי מודל LCMS. ההגדרה: רוב הפיקסל מורכב ממים.
Land_Use_Raw_Probability_Agriculture	מטרים	ההסתברות הגולמית של LCMS (מערכת סיווג של שימוש בקרקע) שמוגדרת כחקלאות. הגדרה: קרקע שמשמשת לייצור מזון, סיבים ודלקים, שנמצאת במצב צמחייה או במצב ללא צמחייה. ההגדרה הזו כוללת, בין היתר, שטחי גידול מעובדים ולא מעובדים, שטחי חציר, מטעים, כרמים, שטחים לגידול בעלי חיים ושטחים שבהם נשתלו עצים או שיחים להפקת פירות, אגוזים או פירות יער. כבישים שמשמשים בעיקר לשימוש חקלאי (כלומר, לא משמשים לתחבורה ציבורית מעיר לעיר) נחשבים לשימוש בקרקע חקלאית.
Land_Use_Raw_Probability_Developed	מטרים	ההסתברות הגולמית של LCMS (מערכת לניהול תוכן למידה) שפותחה. הגדרה: קרקע שמכוסה במבנים מעשה ידי אדם (למשל: מגורים בצפיפות גבוהה, מסחר, תעשייה, כרייה או תחבורה), או תערובת של צמחייה (כולל עצים) ומבנים (למשל: מגורים בצפיפות נמוכה, מדשאות, מתקני פנאי, בתי קברות, מסדרונות תחבורה ושירותים וכו'), כולל כל קרקע שעברה שינוי פונקציונלי כתוצאה מפעילות אנושית.
Land_Use_Raw_Probability_Forest	מטרים	ההסתברות הגולמית של יער שחושבה על ידי מודל LCMS. הגדרה: קרקע ששתולים בה צמחים או שיש בה צמחייה טבעית, ושכוללת (או סביר להניח שתכלול) כיסוי עצים של 10% או יותר בשלב כלשהו במהלך רצף סוקצסיוני בטווח הקצר. יכול להיות שהסיווגים האלה יכללו יערות טבעיים נשירים, ירוקי עד או מעורבים, מטעי יער וביצות מיוערות.
Land_Use_Raw_Probability_Non-Forest-Wetland	מטרים	הסתברות גולמית שעברה מודלים של LCMS של ביצות שאינן יערות. מוגדר כ: קרקעות סמוכות או בתוך מי תהום גלויים (רוויים באופן קבוע או עונתי) שבהם יש בעיקר שיחים או צמחים שצומחים מתוך המים. שטחי ביצות יכולים להיות ממוקמים בקרבת חופים של אגמים, ערוצי נהרות או שפכי נהרות, במישורי הצפה של נהרות, באזורי ניקוז מבודדים או במדרונות. הם יכולים להופיע גם כבריכות עונתיות בערבות, כתעלות ניקוז וכבריכות להשקיית בקר בנופים חקלאיים, וגם כאיים באמצע אגמים או נהרות. דוגמאות נוספות כוללות גם ביצות, אדמות כבול, ביצות מלוחות, ביצות טובעניות, ביצות טחב, ביצות עשבוניות, ביצות עם צמחייה נמוכה וביצות עם נחלים.
Land_Use_Raw_Probability_Other	מטרים	הסתברות גולמית של LCMS שמוגדרת כ'אחר'. מוגדר כ: קרקע (ללא קשר לשימוש) שבה המגמה הספקטרלית או ראיות תומכות אחרות מצביעות על כך שהתרחשו הפרעה או אירוע שינוי, אבל לא ניתן לקבוע את הסיבה הסופית או שסוג השינוי לא עומד באף אחת מקטגוריות תהליך השינוי שמוגדרות למעלה.
Land_Use_Raw_Probability_Rangeland-or-Pasture	מטרים	ההסתברות הגולמית שחושבה על ידי מודל LCMS לגבי שטחי מרעה. הגדרה: הקטגוריה הזו כוללת כל אזור שמתקיים בו אחד מהתנאים הבאים: א) שטחי מרעה, שבהם הצמחייה היא תערובת של עשבים מקומיים, שיחים, עשבוניים וצמחים דמויי עשב, שצומחים בעיקר כתוצאה מגורמים ותהליכים טבעיים כמו גשם, טמפרטורה, גובה ושריפה, למרות שניהול מוגבל עשוי לכלול גם שריפה מבוקרת וגם רעייה של בעלי חיים מקומיים ופראיים או ב.) שטח מרעה שבו הצמחייה יכולה להיות מגוונת, בעיקר עשבים טבעיים, צמחי מרפא וצמחים רחבי עלים, או צמחייה מנוהלת יותר שבה יש בעיקר מיני עשבים שנזרעו וטופלו כדי לשמור על מצב של מונוקולטורה.
QA_Bits	מטרים	מידע נוסף על המקור של ערכי הפלט השנתיים של מוצר LCMS.
מסכת ביטים של QA_Bits ביט 0: מציין אם הפיקסל עבר אינטרפולציה. ‫0: אינטרפולציה ‫1: לא בוצעה אינטרפולציה ביטים 1-5: החיישן שממנו הגיע הפיקסל. ‫4: Landsat 4 ‫5: Landsat 5 ‫7: Landsat 7 ‫8: Landsat 8 ‫9: Landsat 9 ‫21: Sentinel 2A ‫22: Sentinel 2B ביטים 6-14: היום היוליאני שממנו הגיע הפיקסל (1-365).

שינוי טבלת הסיווג

ערך	צבע	תיאור
1	#3d4551	אורווה
2	#f39268	ירידה איטית
3	#d54309	Fast Loss
4	#00a398	הגברה
5	#1b1716	מסכה של אזור שלא עובר עיבוד

טבלת סיווג של Land_Cover

ערך	צבע	תיאור
1	#005e00	עצים
2	#008000	Tall Shrubs & Trees Mix (SEAK Only)
3	#00cc00	מיקס של שיחים ועצים
4	#b3ff1a	תערובת של דשא, עשבים ועצים
5	#99ff99	מיקס של נוף מדברי ועצים
6	#b30088	שיחים גבוהים (דרום-מזרח אסיה בלבד)
7	#e68a00	שיחים
8	#ffad33	תערובת של עשבים, צמחים ועשבי תיבול ושיחים
9	#ffe0b3	מיקס של צמחייה דלילה ושיחים
10	‎#ffff00	עשב/צמח עשבוני/תבלין
11	#aa7700	Barren & Grass/Forb/Herb Mix
12	#d3bf9b	שומם או אטום
13	#ffffff	שלג או קרח
14	#4780f3	מים
15	#1b1716	מסכה של אזור שלא עובר עיבוד

טבלת סיווג של Land_Use

ערך	צבע	תיאור
1	#efff6b	חקלאות
2	#ff2ff8	פותח
3	#1b9d0c	יער
4	#97ffff	אדמה בוצית (ביצה) ללא יער
5	#a1a1a1	אחר
6	#c2b34a	שטחי מרעה
7	#1b1716	מסכה של אזור שלא עובר עיבוד

מאפייני תמונה

מאפייני תמונה

שם	סוג	תיאור
study_area	מחרוזת	נכון לעכשיו, מערכת LCMS מכסה את ארצות הברית הרציפה, את דרום-מזרח אלסקה, את פוארטו ריקו ואיי הבתולה של ארה"ב ואת הוואי. הגרסה הזו מכילה פלט על פני ארה"ב הרציפה, דרום-מזרח אלסקה, פוארטו ריקו – איי הבתולה של ארה"ב והוואי. ערכים אפשריים: CONUS, SEAK, PRUSVI, HI
שנה	INT	שנת המוצר

תנאים והגבלות

תנאים והגבלות

שירות היערות של משרד החקלאות האמריקאי לא נותן אחריות, מפורשת או משתמעת, כולל אחריות לסחירות ולהתאמה למטרה מסוימת, ולא נושא באחריות משפטית או באחריות לדיוק, למהימנות, לשלמות או לשימושיות של הנתונים הגיאוספציאליים האלה, או לשימוש לא תקין או שגוי בנתונים הגיאוספציאליים האלה. הנתונים הגיאוספציאליים האלה והמפות או הגרפיקות שקשורות אליהם הם לא מסמכים משפטיים, והם לא מיועדים לשימוש ככאלה. אסור להשתמש בנתונים ובמפות כדי לקבוע בעלות, תיאורים או גבולות משפטיים, סמכות שיפוט או הגבלות שעשויות לחול על קרקע ציבורית או פרטית. יכול להיות שסכנות טבעיות יופיעו בנתונים ובמפות, ויכול להיות שלא. לכן, משתמשים בקרקע צריכים לנקוט משנה זהירות. הנתונים הם דינמיים ועשויים להשתנות עם הזמן. המשתמש אחראי לאמת את המגבלות של הנתונים הגיאו-מרחביים ולהשתמש בנתונים בהתאם.

הנתונים האלה נאספו באמצעות מימון מממשלת ארה"ב, ואפשר להשתמש בהם ללא הרשאות או עמלות נוספות. אם אתם משתמשים בנתונים האלה בפרסום, במצגת או במוצר מחקר אחר, עליכם לציין את הציטוט הבא:

שירות היערות של משרד החקלאות של ארה"ב. ‫2024. USFS Landscape Change Monitoring System v2023.9 (Conterminous United States and Outer Conterminous United States). סולט לייק סיטי, יוטה.

ציטוטים ביבליוגרפיים

ציטוטים ביבליוגרפיים:

• שירות היערות של משרד החקלאות של ארה"ב. ‫2024. USFS Landscape Change Monitoring System v2023.9 (Conterminous United States and Outer Conterminous United States). סולט לייק סיטי, יוטה.

• Breiman, L., ‫2001. Random Forests. ב-Machine Learning. Springer, 45: 5-32. doi:10.1023/A:1010933404324

• Chastain, R., Housman, I., Goldstein, J., Finco, M., and Tenneson, K., ‫2019. השוואה אמפירית בין חיישנים של Sentinel-2A ו-2B MSI,‏ Landsat-8 OLI ו-Landsat-7 ETM של מאפיינים ספקטרליים בחלק העליון של האטמוספירה מעל ארצות הברית הרציפה. ב-Remote Sensing of Environment. Science Direct, 221: 274-285. doi:10.1016/j.rse.2018.11.012

• Cohen, W. B., Yang, Z., and Kennedy, R., ‫2010. זיהוי מגמות בהפרעות ביערות ובהתאוששות שלהם באמצעות סדרות זמן שנתיות של Landsat: 2. ‫TimeSync – כלים לכיול ולאימות. ב-Remote Sensing of Environment. ‪Science Direct, 114(12): 2911-2924. doi:10.1016/j.rse.2010.07.010

• Cohen, W. B., יאנג, ז. (Yang, Z.‎), Healey, S. P., קנדי, ר. E., and Gorelick, N., 2018. אנסמבל רב-ספקטרלי של LandTrendr לזיהוי הפרעות ביערות. ב-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., יוז, מ.ג'יי (Hughes, M.J.‎), Laue, B., 2017. השוואה ואימות של אלגוריתם לזיהוי עננים במוצרי נתונים תפעוליים של Landsat. ב-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, accessed August 2022 at https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m

• Healey, S. P., Cohen, W. B., יאנג, ז. (Yang, Z.‎), Kenneth Brewer, C., Brooks, E. B., Gorelick, N., Hernandez, A. J., Huang, C., ג'וזף יוז, מ', קנדי, ר. E., לאבלנד, ט. R., Moisen, G. G., Schroeder, T. A., Stehman, S. V., Vogelmann, J. E., Woodcock, C. E., יאנג, ל. (Yang, L.) וג'ו, ז. (Zhu, Z.) 2018. מיפוי של שינוי ביער באמצעות הכללה מוערמת: גישה של הרכבת מודלים. ב-Remote Sensing of Environment. Science Direct, 204: 717-728. doi:10.1016/j.rse.2017.09.029

• קנדי, ר. E., Yang, Z., and Cohen, W. B., ‫2010. זיהוי מגמות בהפרעה ליערות ובהתאוששות שלהם באמצעות נתונים שנתיים של Landsat: 1. LandTrendr – אלגוריתמים לפילוח זמני. ב-Remote Sensing of Environment. Science Direct, 114(12): 2897-2910. doi:10.1016/j.rse.2010.07.008

• Kennedy, R., יאנג, ז. (Yang, Z.‎), Gorelick, N., Braaten, J., Cavalcante, L., Cohen, W., and Healey, S. 2018. הטמעה של אלגוריתם LandTrendr ב-Google Earth Engine. בחישה מרחוק. MDPI, 10(5): 691. doi:10.3390/rs10050691

• Pasquarella, V. J., Brown, C. F., Czerwinski, W., and 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. [אונליין]. זמין בכתובת: https://github.com/sentinel-hub/sentinel2-cloud-detector

• Weiss, A.D., ‫2001. ניתוח של מיקום טופוגרפי וצורות נוף הצגת פוסטר, כנס משתמשי ESRI, סן דייגו, קליפורניהZhu, Z., and Woodcock, C. ה. ‫2012. זיהוי של עננים וצללי עננים בתמונות Landsat על בסיס אובייקטים. ‫118: 83-94.

• Zhu, Z., and Woodcock, C. E., ‫2012. זיהוי של עננים וצללי עננים בתמונות Landsat על בסיס אובייקטים. ב-Remote Sensing of Environment. Science Direct, 118: 83-94. doi:10.1016/j.rse.2011.10.028

• Zhu, Z., and Woodcock, C. E., ‫2014. זיהוי שינויים רציף וסיווג של כיסוי הקרקע באמצעות כל הנתונים הזמינים של Landsat. ב-Remote Sensing of Environment. Science Direct, 144: 152-171. doi:10.1016/j.rse.2014.01.011

מספרי DOI

• https://doi.org/10.1016/j.rse.2010.07.008
• https://doi.org/10.1016/j.rse.2010.07.010
• https://doi.org/10.1016/j.rse.2011.10.028
• https://doi.org/10.1016/j.rse.2014.01.011
• https://doi.org/10.1016/j.rse.2017.03.026
• https://doi.org/10.1016/j.rse.2017.09.029
• https://doi.org/10.1016/j.rse.2017.11.015
• https://doi.org/10.1016/j.rse.2018.11.012
• https://doi.org/10.1023/A:1010933404324
• https://doi.org/10.1109/CVPRW59228.2023.00206
• https://doi.org/10.3390/rs10050691

סיור עם פלטפורמת Earth Engine

חשוב: ‫Earth Engine היא פלטפורמה לניתוח מדעי וויזואליזציה של נתונים גיאו-מרחביים בקנה מידה של פטה-בייטים. הפלטפורמה מיועדת לשימוש הציבור, לעסקים ולגופים ממשלתיים. השימוש ב-Earth Engine לצורכי מחקר, חינוך ומטרות צדקה הוא בחינם. כדי להתחיל, צריך להירשם לקבלת גישה ל-Earth Engine.

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);

פתיחה ב-Code Editor

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

המוצר הזה הוא חלק מחבילת הנתונים של מערכת המעקב אחר שינויים בנוף (LCMS). הוא מציג שינוי שנוצר על ידי מודל LCMS, כיסוי קרקע ו/או סיווגים של שימוש בקרקע לכל שנה שכוללת את ארצות הברית הרציפה (CONUS) ואזורים מחוץ ל-CONUS ‏ (OCONUS) שכוללים את דרום-מזרח אלסקה (SEAK), פוארטו ריקו ואיי הבתולה של ארה"ב (PRUSVI) ו…

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

Google Earth Engine

https://developers.google.com/earth-engine/datasets

• https://doi.org/10.3390/rs10050691
• https://doi.org/10.3390/rs10050691