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

USFS/GTAC/LCMS/v2023-9
डेटासेट की उपलब्धता
1985-01-01T00:00:00Z–2023-12-31T00:00:00Z
डेटासेट उपलब्ध करवाने वाली कंपनी
Earth Engine स्निपेट
ee.ImageCollection("USFS/GTAC/LCMS/v2023-9")
टैग
बदलाव का पता लगाने वाली सुविधा
जंगल
gtac
लैंडकवर
Landsat से मिली जानकारी के आधार पर तैयार किया गया
landuse
landuse-landcover
lcms
redcastle-resources
Sentinel से हासिल किया गया
टाइम-सीरीज़
usda
usfs

ब्यौरा

यह प्रॉडक्ट, लैंडस्केप चेंज मॉनिटरिंग सिस्टम (एलसीएमएस) के डेटा सुइट का हिस्सा है. इसमें एलसीएमएस-मॉडल वाले बदलाव, ज़मीन को ढंकने वाली चीज़ें, और/या ज़मीन के इस्तेमाल की क्लास दिखाई गई हैं. यह डेटा, अमेरिका के मुख्य भूभाग (कॉनस) और कॉनस के बाहर के इलाकों (ओकॉनस) के लिए हर साल का है. ओकॉनस में दक्षिणपूर्वी अलास्का (सीक), प्योर्तो रिको-यूएस वर्जिन आइलैंड्स (पीआरयूएसवीआई), और हवाई (एचआई) शामिल हैं.

एलसीएमएस, रिमोट सेंसिंग पर आधारित एक सिस्टम है. इसका इस्तेमाल, अमेरिका में लैंडस्केप में होने वाले बदलावों को मैप करने और उनकी निगरानी करने के लिए किया जाता है. इसका मकसद, बदलाव का पता लगाने के लिए नई टेक्नोलॉजी और बेहतर तरीकों का इस्तेमाल करके, एक जैसा तरीका विकसित करना है. इससे लैंडस्केप में हुए बदलाव का "सबसे अच्छा उपलब्ध" मैप तैयार किया जा सकेगा.

इनसे हर साल तीन प्रॉडक्ट मिलते हैं: बदलाव, ज़मीन का इस्तेमाल, और ज़मीन का इस्तेमाल. बदलाव, खास तौर पर वनस्पति से जुड़ा होता है. इसमें वनस्पति का धीरे-धीरे कम होना, तेज़ी से कम होना (इसमें पानी से जुड़े बदलाव भी शामिल हैं, जैसे कि पानी का भराव या सूखापन) और बढ़ना शामिल है. इन वैल्यू का अनुमान, Landsat टाइम सीरीज़ के हर साल के लिए लगाया जाता है. साथ ही, ये LCMS के लिए बुनियादी प्रॉडक्ट के तौर पर काम करती हैं. ज़मीन के इस्तेमाल और ज़मीन को ढंकने वाले मैप में, हर साल के लिए ज़मीन को ढंकने वाले जीवों और ज़मीन के इस्तेमाल की जानकारी दिखाई जाती है.

कोई भी एल्गोरिदम हर स्थिति में सबसे अच्छा परफ़ॉर्म नहीं करता है. इसलिए, एलसीएमएस अनुमान लगाने के लिए मॉडल के एक ग्रुप का इस्तेमाल करता है. इससे अलग-अलग इकोसिस्टम और बदलाव की प्रोसेस में मैप की सटीकता बेहतर होती है (हीली वगैरह, 2018). एलसीएमएस में हुए बदलाव, ज़मीन के इस्तेमाल, और पेड़-पौधों, आबादी वगैरह से ढकी जगह के मैप की इस सुइट से, अमेरिका में 1985 से लेकर अब तक लैंडस्केप में हुए बदलावों की पूरी जानकारी मिलती है.

एलसीएमएस मॉडल के लिए अनुमान लगाने वाली लेयर में, LandTrendr और CCDC के बदलाव का पता लगाने वाले एल्गोरिदम के आउटपुट और इलाके की जानकारी शामिल होती है. इन सभी कॉम्पोनेंट को Google Earth Engine (Gorelick et al., 2017).

सीसीडीसी के लिए, अमेरिका के भूवैज्ञानिक सर्वेक्षण (यूएसजीएस) के कलेक्शन 2 के लैंडसैट टियर 1 के सर्फ़ेस रिफ़्लेक्टेंस डेटा का इस्तेमाल CONUS के लिए किया गया था. साथ ही, SEAK, PRUSVI, और HI के लिए, लैंडसैट टियर 1 के टॉप ऑफ़ ऐटमॉस्फ़ियर रिफ़्लेक्टेंस डेटा का इस्तेमाल किया गया था. LandTrendr के लिए सालाना कंपोज़िट बनाने के लिए, USGS कलेक्शन 2 के लैंडसैट टियर 1 और Sentinel 2A, 2B लेवल-1C के टॉप ऑफ़ ऐटमॉस्फ़ियर रिफ़्लेक्टेंस डेटा का इस्तेमाल किया गया था. cFmask क्लाउड मास्किंग एल्गोरिदम (Foga et al., 2017), जो Fmask 2.0 (Zhu and Woodcock, 2012) का एक वर्शन है (सिर्फ़ Landsat के लिए), cloudScore (Chastain et al., 2019) (Landsat-only), s2cloudless (Sentinel-Hub, 2021) and Cloud Score plus (Pasquarella et al., 2023) (सिर्फ़ Sentinel 2) का इस्तेमाल बादलों को छिपाने के लिए किया जाता है. वहीं, TDOM (Chastain et al., 2019) का इस्तेमाल, बादलों की परछाइयों को छिपाने के लिए किया जाता है. जैसे, Landsat और Sentinel 2. LandTrendr के लिए, सालाना मेडॉइड का हिसाब लगाया जाता है. इससे हर साल की बिना बादल और बादल की परछाई वाली वैल्यू को एक कंपोज़िट में शामिल किया जाता है.

कंपोज़िट टाइम सीरीज़ को LandTrendr का इस्तेमाल करके, समय के हिसाब से सेगमेंट किया जाता है (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).

बादल और बादलों की छाया से जुड़ी सभी वैल्यू को भी, CCDC एल्गोरिदम (Zhu and Woodcock, 2014) का इस्तेमाल करके समय के हिसाब से सेगमेंट किया जाता है.

पूर्वानुमान लगाने वाले डेटा में, रॉ कंपोज़िट वैल्यू, LandTrendr फ़िट की गई वैल्यू, पेयर-वाइज़ अंतर, सेगमेंट की अवधि, बदलाव की मात्रा, और स्लोप शामिल हैं. साथ ही, इसमें CCDC के साइन और कोसाइन कोएफ़िशिएंट (पहले तीन हार्मोनिक), फ़िट की गई वैल्यू, और पेयरवाइज़ अंतर शामिल हैं. इसके अलावा, इसमें 10 मीटर के USGS 3D एलिवेशन प्रोग्राम (3DEP) डेटा (U.S. Geological Survey, 2019) से मिले एलिवेशन, स्लोप, ऐस्पेक्ट का साइन, ऐस्पेक्ट का कोसाइन, और टोपोग्राफ़िक पोज़िशन इंडेक्स (Weiss, 2001) भी शामिल हैं.

रेफ़रंस डेटा को TimeSync का इस्तेमाल करके इकट्ठा किया जाता है. यह वेब पर आधारित एक टूल है. इससे विश्लेषकों को 1984 से लेकर अब तक के Landsat डेटा रिकॉर्ड को विज़ुअलाइज़ और समझने में मदद मिलती है (कोहेन वगैरह, 2010).

रैंडम फ़ॉरेस्ट मॉडल (ब्रायमन, 2001) को TimeSync के रेफ़रंस डेटा और LandTrendr, CCDC, और टेरेन इंडेक्स के अनुमानित डेटा का इस्तेमाल करके ट्रेन किया गया था. इससे सालाना बदलाव, लैंड कवर, और ज़मीन के इस्तेमाल की क्लास का अनुमान लगाया जा सकता है. मॉडलिंग के बाद, हमने सहायक डेटासेट का इस्तेमाल करके, संभावना की थ्रेशोल्ड और नियमों के सेट की एक सीरीज़ तैयार की. इससे मैप के आउटपुट की क्वालिटी को बेहतर बनाने के साथ-साथ, कमीशन और ओमिशन को कम किया जा सका. ज़्यादा जानकारी के लिए, ब्यौरे में शामिल LCMS के तरीकों के बारे में जानकारी देने वाला दस्तावेज़ पढ़ें.

अन्य संसाधन

किसी भी सवाल या डेटा के बारे में खास अनुरोध करने के लिए, [sm.fs.lcms@usda.gov] से संपर्क करें.

बैंड

पिक्सल का साइज़
30 मीटर

बैंड

नाम पिक्सल का साइज़ ब्यौरा
Change मीटर

एलसीएमएस में थीम के हिसाब से प्रॉडक्ट में किया गया आखिरी बदलाव. हर साल के लिए, बदलाव की तीन क्लास (धीरे-धीरे कम होना, तेज़ी से कम होना, और बढ़ना) मैप की जाती हैं. हर क्लास का अनुमान लगाने के लिए, अलग-अलग रैंडम फ़ॉरेस्ट मॉडल का इस्तेमाल किया जाता है. ये मॉडल, इस बात की संभावना (रैंडम फ़ॉरेस्ट मॉडल में मौजूद ट्री का अनुपात) दिखाते हैं कि पिक्सल उस क्लास से जुड़ा है. इस वजह से, हर साल के लिए अलग-अलग पिक्सल के तीन अलग-अलग मॉडल आउटपुट होते हैं. फ़ाइनल क्लास, बदलाव की उस क्लास को असाइन की जाती हैं जिसकी संभावना सबसे ज़्यादा होती है. साथ ही, यह संभावना तय की गई थ्रेशोल्ड से ज़्यादा होती है. जिस पिक्सल की वैल्यू, हर क्लास के थ्रेशोल्ड से ज़्यादा नहीं होती उसे स्टेबल क्लास में असाइन किया जाता है. बदलाव क्लास असाइन करने से पहले, सभी स्टडी एरिया पर एक नियम लागू किया गया था. इससे वनस्पति रहित ज़मीन के कवर में बदलाव को रोका जा सकता है.
Land_Cover मीटर

एलसीएमएस के तहत तैयार किया गया, पेड़ों से ढकी जगह का फ़ाइनल प्रॉडक्ट. हर साल, लैंडसैट की इमेज से मिली स्पेक्ट्रल जानकारी और TimeSync के रेफ़रंस डेटा का इस्तेमाल करके, लैंड कवर की 14 क्लास को मैप किया जाता है. हर क्लास का अनुमान लगाने के लिए, अलग रैंडम फ़ॉरेस्ट मॉडल का इस्तेमाल किया जाता है. यह मॉडल, पिक्सल के उस क्लास से जुड़े होने की संभावना (रैंडम फ़ॉरेस्ट मॉडल में मौजूद ट्री का अनुपात) दिखाता है. इस वजह से, हर साल के लिए अलग-अलग पिक्सल के 14 मॉडल आउटपुट होते हैं. साथ ही, लैंड कवर को फ़ाइनल क्लास असाइन की जाती हैं. ऐसा सबसे ज़्यादा संभावना के आधार पर किया जाता है. दक्षिणपूर्वी अलास्का के लिए, सबसे ज़्यादा संभावना वाले लैंड कवर क्लास को असाइन करने से पहले, लैंड कवर का नियम लागू किया गया था. इससे समुद्र तल पर बड़े इंटरटाइडल ज़ोन में, पेड़ और बर्फ़ के लैंडकवर क्लास के कमीशन को सीमित किया जा सका. CONUS, प्योर्तो रिको-अमेरिकन वर्जिन द्वीप समूह या हवाई पर, ज़मीन के टाइप से जुड़े कोई नियम लागू नहीं किए गए. ज़मीन को ढकने वाली 14 कैटगरी में से सात कैटगरी, ज़मीन को ढकने वाली एक ही चीज़ के बारे में बताती हैं. इनमें ज़मीन को ढकने वाली वह चीज़, पिक्सल के ज़्यादातर हिस्से को कवर करती है. साथ ही, कोई दूसरी कैटगरी, पिक्सल के 10% से ज़्यादा हिस्से को कवर नहीं करती. यहां सात मिक्स क्लास भी होती हैं. ये ऐसे पिक्सल होते हैं जिनमें ज़मीन को ढकने वाली कोई अन्य क्लास, पिक्सल के कम से कम 10% हिस्से को कवर करती है.
Land_Use मीटर

एलसीएमएस के आधार पर तैयार किया गया, ज़मीन के इस्तेमाल से जुड़ा फ़ाइनल प्रॉडक्ट. ज़मीन के इस्तेमाल की कुल छह क्लास को हर साल मैप किया जाता है. इसके लिए, TimeSync के रेफ़रंस डेटा और Landsat की इमेज से मिली स्पेक्ट्रल जानकारी का इस्तेमाल किया जाता है. हर क्लास का अनुमान लगाने के लिए, अलग रैंडम फ़ॉरेस्ट मॉडल का इस्तेमाल किया जाता है. यह मॉडल, रैंडम फ़ॉरेस्ट मॉडल में मौजूद ट्री के अनुपात के हिसाब से संभावना का अनुमान लगाता है. इससे यह पता चलता है कि पिक्सल किस क्लास से जुड़ा है. इस वजह से, हर साल के लिए अलग-अलग पिक्सल के छह मॉडल आउटपुट होते हैं. साथ ही, ज़मीन के इस्तेमाल के लिए सबसे ज़्यादा संभावना वाले फ़ाइनल क्लास असाइन किए जाते हैं. ज़मीन के इस्तेमाल की सबसे ज़्यादा संभावना वाली क्लास असाइन करने से पहले, संभावना के थ्रेशोल्ड और नियमों के सेट की एक सीरीज़ लागू की गई थी. इसमें, सहायक डेटासेट के तौर पर ज़मीन के इस्तेमाल के नियमों का इस्तेमाल किया गया था. संभावित थ्रेशोल्ड और नियमों के सेट के बारे में ज़्यादा जानकारी, ब्यौरे में शामिल एलसीएमएस के तरीकों की खास जानकारी में देखी जा सकती है. CONUS के लैंड यूज़ प्रॉडक्ट को 2 जुलाई, 2024 को अपडेट किया गया था, ताकि डेवलप्ड क्लास से जुड़ी समस्या को ठीक किया जा सके.
Change_Raw_Probability_Slow_Loss मीटर

एलसीएमएस की मदद से, धीरे-धीरे होने वाले नुकसान की अनुमानित संभावना का मॉडल बनाया गया है. इसे इस तरह से परिभाषित किया गया है: टाइमसिंक में बदलाव की प्रोसेस के इंटरप्रिटेशन से जुड़ी इन क्लास को स्लो लॉस में शामिल किया जाता है-

  • स्ट्रक्चरल डिक्लाइन - ऐसी ज़मीन जहां पेड़ों या अन्य लकड़ीदार पौधों की बनावट में बदलाव हुआ हो. ऐसा, इंसानी गतिविधियों या मशीनों के इस्तेमाल के अलावा अन्य वजहों से हुआ हो. इस तरह के नुकसान से, स्पेक्ट्रल सिग्नल में रुझान दिखना चाहिए. जैसे, NDVI में कमी, नमी में कमी, SWIR में बढ़ोतरी वगैरह. हालांकि, रुझान में मामूली बदलाव हो सकता है. लकड़ी वाले पौधों के इलाकों में, पौधों की बनावट में गिरावट आती है. ऐसा कीड़े-मकोड़ों, बीमारी, सूखे, एसिड वाली बारिश वगैरह की वजह से होता है. बनावट में गिरावट का मतलब यह भी हो सकता है कि पत्तियां झड़ गई हैं, लेकिन पौधे की मौत नहीं हुई है. जैसे, जिप्सी मॉथ और स्पूस बडवर्म के संक्रमण में ऐसा होता है. ये संक्रमण एक या दो साल में ठीक हो सकते हैं.

  • स्पेक्ट्रल डिक्लाइन - यह एक ऐसा प्लॉट होता है जिसमें स्पेक्ट्रल सिग्नल, एक या उससे ज़्यादा स्पेक्ट्रल बैंड या इंडेक्स में रुझान दिखाता है. जैसे, NDVI में कमी, नमी में कमी, SWIR में बढ़ोतरी वगैरह. उदाहरण के लिए, ऐसे मामले जहां: a) गैर-वन/गैर-लकड़ी वाली वनस्पति में गिरावट का रुझान दिखता है (जैसे, एनडीवीआई में कमी, नमी में कमी, एसडब्ल्यूआईआर में बढ़ोतरी वगैरह), या b) जहां लकड़ी वाली वनस्पति में गिरावट का रुझान दिखता है, जो लकड़ी वाली वनस्पति के नुकसान से जुड़ा नहीं है. जैसे, जब मैच्योर पेड़ की कैनोपी बंद हो जाती है, जिससे ज़्यादा छाया पड़ती है, जब प्रजातियों की संरचना शंकुधारी से दृढ़ लकड़ी में बदल जाती है या जब सूखा अवधि (ज़्यादा गंभीर सूखे के बजाय) से वनस्पति में गिरावट आती है, लेकिन लकड़ी वाले हिस्से या पत्ती के क्षेत्र में कोई नुकसान नहीं होता है.
Change_Raw_Probability_Fast_Loss मीटर

तेज़ी से कम होने की संभावना का अनुमान लगाने के लिए, एलसीएमएस से मिला रॉ डेटा. इसे इस तरह से तय किया जाता है: टाइमसिंक में बदलाव की प्रोसेस के इंटरप्रिटेशन से, फ़ास्ट लॉस में ये क्लास शामिल होती हैं-

  • आग - आग की वजह से ज़मीन में बदलाव होना. भले ही, आग लगने की वजह (प्राकृतिक या मानवजनित), आग की गंभीरता या ज़मीन के इस्तेमाल से जुड़ी कोई भी वजह हो.

  • फ़सल काटना - ऐसी वन भूमि जहां पेड़ों, झाड़ियों या अन्य वनस्पतियों को इंसानी गतिविधियों के ज़रिए काटा या हटाया गया हो. उदाहरण के लिए, पूरी तरह से कटाई करना, आग लगने या कीड़े-मकोड़ों के प्रकोप के बाद लकड़ी इकट्ठा करना, पेड़ों की संख्या कम करना, और जंगल के रखरखाव से जुड़े अन्य सुझाव (जैसे, आश्रय देने वाले पेड़/बीज वाले पेड़ की कटाई).

  • मैकेनिकल - ऐसी गैर-वन भूमि जहां पेड़ों, झाड़ियों या अन्य वनस्पतियों को चेन, स्क्रैपिंग, ब्रश सॉइंग, बुलडोज़िंग या गैर-वनस्पति हटाने के किसी अन्य तरीके से काटा या हटाया गया हो.

  • हवा/बर्फ़ - ऐसी ज़मीन (इस्तेमाल से कोई फ़र्क़ नहीं पड़ता) जहां तूफ़ान, बवंडर, आंधी, और अन्य गंभीर मौसम की वजह से, वनस्पति में बदलाव हुआ हो. इसमें बर्फ़ के तूफ़ान से होने वाली बारिश भी शामिल है.

  • हाइड्रोलॉजी - ऐसी ज़मीन जहां बाढ़ की वजह से, लकड़ी के कवर या अन्य लैंड कवर एलिमेंट में काफ़ी बदलाव हुआ हो.भले ही, ज़मीन का इस्तेमाल कुछ भी हो. उदाहरण के लिए, बाढ़ के बाद नदी के किनारों और आसपास की ज़मीन पर बजरी और वनस्पति का नया मिश्रण.

  • मलबा - ज़मीन (इस्तेमाल किए जाने के बावजूद) भूस्खलन, हिमस्खलन, ज्वालामुखी, मलबे के बहाव वगैरह से जुड़े प्राकृतिक बदलावों की वजह से बदल गई है.

  • अन्य - ऐसी ज़मीन (इस्तेमाल किए जाने से कोई फ़र्क़ नहीं पड़ता) जहां स्पेक्ट्रल ट्रेंड या अन्य सहायक सबूतों से पता चलता है कि कोई गड़बड़ी या बदलाव हुआ है. हालांकि, इसकी वजह का पता नहीं लगाया जा सकता या बदलाव का टाइप, ऊपर बताई गई बदलाव की प्रोसेस की किसी भी कैटगरी से मेल नहीं खाता.
Change_Raw_Probability_Gain मीटर

एलसीएमएस के रॉ डेटा के आधार पर, अनुमानित फ़ायदा मिलने की संभावना. इसे इस तरह से परिभाषित किया गया है: ऐसी ज़मीन जहां एक या उससे ज़्यादा सालों में, वनस्पति के विकास और उत्तराधिकार की वजह से वनस्पति का घनत्व बढ़ा हो. यह उन सभी इलाकों पर लागू होता है जहां वनस्पति के फिर से उगने से स्पेक्ट्रल बदलाव हो सकता है. विकसित इलाकों में, वनस्पति के बढ़ने और/या नए लॉन और लैंडस्केपिंग की वजह से, वनस्पति का घनत्व बढ़ सकता है. जंगलों में, विकास में नंगी ज़मीन से वनस्पति का विकास शामिल है. साथ ही, इंटरमीडिएट और को-डोमिनेट पेड़ों और/या नीचे की ओर झुकी हुई घासों और झाड़ियों का विकास शामिल है. जंगल की कटाई के बाद, ग्रोथ/रिकवरी सेगमेंट में रिकॉर्ड किए गए डेटा में बदलाव हो सकता है. ऐसा इसलिए, क्योंकि जंगल के फिर से उगने पर, ज़मीन के कवर की अलग-अलग क्लास में बदलाव हो सकता है. इन बदलावों को ग्रोथ/रिकवरी के तौर पर मानने के लिए, स्पेक्ट्रल वैल्यू को बढ़ती हुई ट्रेंड लाइन (जैसे कि पॉज़िटिव स्लोप, जिसे ~20 साल तक बढ़ाने पर एनडीवीआई की 0.10 यूनिट के क्रम में होगा) के हिसाब से होना चाहिए. यह ट्रेंड लाइन कई सालों तक बनी रहनी चाहिए.
Land_Cover_Raw_Probability_Trees मीटर

पेड़ों की रॉ एलसीएमएस मॉडल की गई संभावना. इसे इस तरह से तय किया जाता है: पिक्सल का ज़्यादातर हिस्सा, ज़िंदा या सूखे पेड़ों से बना होता है.
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix मीटर

लंबी झाड़ियों और पेड़ों के मिक्स (सिर्फ़ SEAK) की संभावना का अनुमान लगाने के लिए, एलसीएमएस मॉडल का इस्तेमाल करके तैयार किया गया रॉ डेटा. इसकी परिभाषा यह है: ज़्यादातर पिक्सल में 1 मीटर से ज़्यादा ऊंचाई वाली झाड़ियां शामिल हैं. साथ ही, इसमें कम से कम 10% ऐसे पेड़ भी शामिल हैं जो जीवित हैं या सूख चुके हैं.
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix मीटर

झाड़ियों और पेड़ों के मिक्स की रॉ एलसीएमएस मॉडल की संभावना. इसकी परिभाषा यह है: पिक्सल के ज़्यादातर हिस्से में झाड़ियां हों. साथ ही, इसमें कम से कम 10% ऐसे पेड़ हों जो जीवित हों या सूख चुके हों.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix मीटर

घास/फ़ॉर्ब/जड़ी-बूटी और पेड़ों के मिक्स होने की संभावना का अनुमान लगाने के लिए, एलसीएमएस मॉडल से मिला रॉ डेटा. इसकी परिभाषा यह है: पिक्सल के ज़्यादातर हिस्से में बारहमासी घास, फ़ॉर्ब्स या अन्य तरह की जड़ी-बूटी वाली वनस्पति शामिल होती है. साथ ही, इसमें कम से कम 10% जीवित या खड़े सूखे पेड़ भी शामिल होते हैं.
Land_Cover_Raw_Probability_Barren-and-Trees-Mix मीटर

बंजर और पेड़ों के मिक्स की रॉ एलसीएमएस मॉडल की संभावना. इसे इस तरह से परिभाषित किया गया है: पिक्सल का ज़्यादातर हिस्सा, ऐसी मिट्टी से बना होता है जो किसी गड़बड़ी की वजह से खुली हो. जैसे, मशीन से साफ़ करने या जंगल की कटाई से मिट्टी का खुलना. साथ ही, इसमें ऐसे इलाके भी शामिल होते हैं जहां हमेशा बंजर मिट्टी होती है. जैसे, रेगिस्तान, प्लाया, चट्टानें (इसमें सतह पर खनन की गतिविधियों से निकले खनिज और अन्य भूवैज्ञानिक सामग्री शामिल है), रेत के टीले, नमक के मैदान, और समुद्र तट. मिट्टी और बजरी से बनी सड़कों को भी बंजर माना जाता है. इनमें कम से कम 10% ऐसे पेड़ भी शामिल हैं जो जीवित हैं या सूख चुके हैं.
Land_Cover_Raw_Probability_Tall-Shrubs मीटर

लंबी झाड़ियों की संभावना का अनुमान लगाने वाला रॉ एलसीएमएस मॉडल (सिर्फ़ दक्षिण-पूर्वी अलास्का के लिए). इसे इस तरह से तय किया जाता है: पिक्सल के ज़्यादातर हिस्से में, एक मीटर से ज़्यादा ऊंचाई वाली झाड़ियां शामिल होती हैं.
Land_Cover_Raw_Probability_Shrubs मीटर

झाड़ियों के लिए, एलसीएमएस से अनुमानित संभावना का रॉ डेटा. इसे इस तरह से तय किया जाता है: पिक्सल के ज़्यादातर हिस्से में झाड़ियां मौजूद हैं.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix मीटर

घास/फ़ॉर्ब/जड़ी-बूटी और झाड़ियों के मिक्स की रॉ एलसीएमएस मॉडल वाली संभावना. इसकी परिभाषा यह है: पिक्सल के ज़्यादातर हिस्से में बारहमासी घास, फ़ॉर्ब्स या अन्य तरह की जड़ी-बूटी वाली वनस्पति शामिल होती है. साथ ही, इसमें कम से कम 10% झाड़ियां भी शामिल होती हैं.
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix मीटर

बंजर और झाड़ियों के मिक्स की रॉ एलसीएमएस मॉडल की संभावना. इसे इस तरह से परिभाषित किया गया है: पिक्सल का ज़्यादातर हिस्सा, ऐसी मिट्टी से बना होता है जो किसी गड़बड़ी की वजह से खुली हो. जैसे, मशीन से साफ़ करने या जंगल की कटाई से मिट्टी का खुलना. साथ ही, इसमें ऐसे इलाके भी शामिल होते हैं जहां हमेशा बंजर मिट्टी होती है. जैसे, रेगिस्तान, प्लाया, चट्टानें (इसमें सतह पर खनन की गतिविधियों से निकले खनिज और अन्य भूवैज्ञानिक सामग्री शामिल है), रेत के टीले, नमक के मैदान, और समुद्र तट. मिट्टी और बजरी से बनी सड़कों को भी बंजर माना जाता है. इनमें कम से कम 10% झाड़ियां भी शामिल होती हैं.
Land_Cover_Raw_Probability_Grass-Forb-Herb मीटर

घास/फ़ॉर्ब/जड़ी-बूटी की संभावना का अनुमान लगाने के लिए, एलसीएमएस से मिले रॉ डेटा का इस्तेमाल किया जाता है. इसे इस तरह से तय किया जाता है: पिक्सल का ज़्यादातर हिस्सा, बारहमासी घास, फ़ॉर्ब्स या अन्य तरह की जड़ी-बूटी वाली वनस्पति से बना होता है.
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix मीटर

बंजर और घास/फ़ॉर्ब/जड़ी-बूटी के मिक्स की रॉ एलसीएमएस मॉडल वाली संभावना. इसे इस तरह से तय किया जाता है: पिक्सल के ज़्यादातर हिस्से में, ऐसी मिट्टी होती है जो किसी वजह से खुली हुई है. जैसे, मिट्टी को मशीनों से साफ़ किया गया हो या जंगल की कटाई की गई हो. इसके अलावा, इसमें ऐसे इलाके भी शामिल होते हैं जहां हमेशा बंजर ज़मीन होती है. जैसे, रेगिस्तान, प्लाया, चट्टानें (इसमें सतह पर खनन की गतिविधियों से निकले खनिज और अन्य भूवैज्ञानिक सामग्री शामिल है), रेत के टीले, नमक के मैदान, और समुद्र तट. मिट्टी और बजरी से बनी सड़कों को भी बंजर माना जाता है. इनमें कम से कम 10% बारहमासी घास, फ़ॉर्ब्स या अन्य तरह की जड़ी-बूटी वाली वनस्पति भी शामिल होती है.
Land_Cover_Raw_Probability_Barren-or-Impervious मीटर

एलसीएमएस मॉडल के हिसाब से, बंजर या अभेद्य होने की संभावना. इसे इस तरह से परिभाषित किया गया है: पिक्सल के ज़्यादातर हिस्से में 1.) ऐसी मिट्टी शामिल है जो किसी वजह से खुली हो (जैसे, मशीन से साफ़ की गई मिट्टी या जंगल की कटाई से निकली मिट्टी). साथ ही, इसमें ऐसे इलाके भी शामिल हैं जहां हमेशा बंजर ज़मीन रहती है. जैसे, रेगिस्तान, प्लाया, चट्टानें (इसमें सतह पर खनन की गतिविधियों से निकले खनिज और अन्य भूवैज्ञानिक सामग्री शामिल है), रेत के टीले, नमक के मैदान, और समुद्र तट. मिट्टी और बजरी से बनी सड़कों को भी बंजर माना जाता है. इसके अलावा, 2.) इंसानों के बनाए गए ऐसे मटीरियल को भी बंजर माना जाता है जिनमें पानी नहीं जा सकता. जैसे, पक्की सड़कें, छतें, और पार्किंग की जगहें.
Land_Cover_Raw_Probability_Snow-or-Ice मीटर

बर्फ़ या ओले गिरने की संभावना का अनुमान लगाने के लिए, एलसीएमएस मॉडल से मिला रॉ डेटा. इसे इस तरह से तय किया जाता है: पिक्सल के ज़्यादातर हिस्से में बर्फ़ या आइस शामिल हो.
Land_Cover_Raw_Probability_Water मीटर

पानी की रॉ एलसीएमएस मॉडल वाली संभावना. इसे इस तरह से तय किया जाता है: पिक्सल का ज़्यादातर हिस्सा पानी से बना होता है.
Land_Use_Raw_Probability_Agriculture मीटर

कृषि की संभावना का अनुमान लगाने के लिए, एलसीएमएस से मिले रॉ डेटा का इस्तेमाल किया गया है. इसे इस तरह से परिभाषित किया गया है: ऐसी ज़मीन जिसका इस्तेमाल भोजन, फ़ाइबर, और ईंधन के उत्पादन के लिए किया जाता है. यह ज़मीन वनस्पति वाली या वनस्पति रहित हो सकती है. इसमें खेती की गई और बिना खेती की गई फ़सल वाली ज़मीन, घास के मैदान, बाग़, अंगूर के बाग़, पशुधन के लिए बनाए गए बाड़े, और फल, नट्स या बेरी के उत्पादन के लिए लगाए गए पौधे शामिल हैं. हालांकि, इसमें इनके अलावा और भी चीज़ें शामिल हो सकती हैं. जिन सड़कों का इस्तेमाल मुख्य रूप से खेती के लिए किया जाता है (जैसे, एक शहर से दूसरे शहर तक सार्वजनिक परिवहन के लिए इस्तेमाल नहीं की जाने वाली सड़कें), उन्हें कृषि भूमि के तौर पर इस्तेमाल किया जाता है.
Land_Use_Raw_Probability_Developed मीटर

LCMS के हिसाब से, डेवलप्ड होने की अनुमानित संभावना. इसे इस तरह से परिभाषित किया गया है: ऐसी ज़मीन जिस पर इंसानों ने स्ट्रक्चर बनाए हैं. जैसे, ज़्यादा घनत्व वाले रिहायशी इलाके, व्यावसायिक, औद्योगिक, खनन या परिवहन क्षेत्र. इसके अलावा, ऐसी ज़मीन जिस पर वनस्पति (पेड़-पौधे शामिल हैं) और स्ट्रक्चर, दोनों मौजूद हैं. जैसे, कम घनत्व वाले रिहायशी इलाके, लॉन, मनोरंजन की सुविधाएं, कब्रिस्तान, परिवहन और यूटिलिटी कॉरिडोर वगैरह. इसमें ऐसी ज़मीन भी शामिल है जिस पर इंसानी गतिविधियों की वजह से बदलाव हुआ है.
Land_Use_Raw_Probability_Forest मीटर

जंगल की रॉ एलसीएमएस मॉडल की गई प्रॉबबिलिटी. इसे इस तरह से परिभाषित किया गया है: ऐसी ज़मीन जिस पर पेड़-पौधे लगाए गए हों या जो प्राकृतिक रूप से पेड़-पौधों से ढकी हो. साथ ही, जिसमें (या जिसमें) कुछ समय के लिए, 10% या उससे ज़्यादा पेड़-पौधे मौजूद हों. इसमें पतझड़ वाले, सदाबहार, और/या प्राकृतिक जंगल की मिली-जुली कैटगरी, वनरोपण, और लकड़ी वाले वेटलैंड शामिल हो सकते हैं.
Land_Use_Raw_Probability_Non-Forest-Wetland मीटर

जंगल से बाहर की दलदली ज़मीन की रॉ एलसीएमएस मॉडल वाली संभावना. इसे इस तरह से परिभाषित किया गया है: यह ऐसी ज़मीन होती है जो पानी के स्रोत के आस-पास या उसके अंदर होती है. इस ज़मीन में पानी हमेशा या मौसम के हिसाब से भरा रहता है. इस ज़मीन पर झाड़ियां या पानी में उगने वाले पौधे ज़्यादा होते हैं. ये दलदल, झीलों, नदी के चैनलों या मुहानों के किनारे पर हो सकते हैं. ये नदी के बाढ़ के मैदानों, अलग-अलग जलग्रहण क्षेत्रों या ढलानों पर भी हो सकते हैं. ये कृषि क्षेत्रों में, प्रेयरी पॉटहोल, ड्रेनेज डिच, और स्टॉक पॉन्ड के तौर पर भी दिख सकते हैं. साथ ही, ये झीलों या नदियों के बीच में द्वीपों के तौर पर भी दिख सकते हैं. अन्य उदाहरणों में दलदल, कीचड़, दलदली भूमि, और पानी से भरी खाई भी शामिल हैं.
Land_Use_Raw_Probability_Other मीटर

'अन्य' के लिए, एलसीएमएस मॉडल की अनुमानित संभावना. इसे इस तरह से परिभाषित किया गया है: ऐसी ज़मीन (इस्तेमाल किए जाने से कोई फ़र्क़ नहीं पड़ता) जहां स्पेक्ट्रल ट्रेंड या अन्य सहायक सबूत से पता चलता है कि कोई गड़बड़ी या बदलाव हुआ है. हालांकि, इसकी वजह का पता नहीं लगाया जा सकता या बदलाव का टाइप, ऊपर बताई गई बदलाव की प्रोसेस की किसी भी कैटगरी से मेल नहीं खाता.
Land_Use_Raw_Probability_Rangeland-or-Pasture मीटर

रेंजलैंड या चारागाह की रॉ एलसीएमएस मॉडल वाली संभावना. इसकी परिभाषा यह है: इस क्लास में ऐसा कोई भी क्षेत्र शामिल है जो a.) रेंजलैंड, जहां की वनस्पति में स्थानीय घास, झाड़ियां, फ़ॉर्ब्स, और घास जैसे पौधे शामिल हैं. ये पौधे ज़्यादातर प्राकृतिक वजहों और प्रक्रियाओं से उगते हैं. जैसे, बारिश, तापमान, ऊंचाई, और आग. हालांकि, सीमित मैनेजमेंट में, तय की गई आग लगाना और पालतू और जंगली शाकाहारी जानवरों को चराना शामिल हो सकता है; या b.) चारागाह, जहां वनस्पति अलग-अलग तरह की हो सकती है. जैसे, ज़्यादातर प्राकृतिक घास, चौड़ी पत्ती वाली जड़ी-बूटियां, और सामान्य जड़ी-बूटियां. इसके अलावा, यहां ऐसी वनस्पति भी हो सकती है जिसे मैनेज किया गया हो. इसमें घास की ऐसी प्रजातियां शामिल हैं जिन्हें एक ही तरह की फसल बनाए रखने के लिए बोया और मैनेज किया गया है.
QA_Bits मीटर

एलसीएमएस प्रॉडक्ट के सालाना आउटपुट की वैल्यू के ऑरिजिन के बारे में अन्य जानकारी.

क्लास टेबल बदलें

मान रंग ब्यौरा
1 #3d4551

स्थिर रुझान
2 #f39268

धीरे-धीरे कम होना
3 #d54309

तेज़ी से बैटरी खत्म होना
4 #00a398

फ़ायदा
5 #1b1716

नॉन-प्रोसेसिंग एरिया मास्क

Land_Cover Class Table

मान रंग ब्यौरा
1 #005e00

पेड़
2 #008000

लंबी झाड़ियों और पेड़ों का मिक्स (सिर्फ़ दक्षिण-पूर्वी अलास्का के लिए)
3 #00cc00

झाड़ियों और पेड़ों का मिक्स
4 #b3ff1a

घास/फ़ॉर्ब/जड़ी-बूटी और पेड़ों का मिक्स
5 #99ff99

बंजर और पेड़ों वाली ज़मीन का मिक्स
6 #b30088

लंबी झाड़ियां (सिर्फ़ SEAK के लिए)
7 #e68a00

झाड़ियां
8 #ffad33

घास/फ़ॉर्ब/जड़ी-बूटी और झाड़ियों का मिक्स
9 #ffe0b3

बंजर और झाड़ियों वाली ज़मीन का मिक्स
10 #ffff00

घास/चौड़ी पत्ती वाली घास/जड़ी-बूटी
11 #aa7700

बंजर और घास/चौड़ी पत्ती वाली जड़ी-बूटी/जड़ी-बूटी का मिक्स
12 #d3bf9b

बंजर या अभेद्य
13 #ffffff

बर्फ़ या बर्फ़बारी
14 #4780f3

पानी
15 #1b1716

नॉन-प्रोसेसिंग एरिया मास्क

Land_Use Class Table

मान रंग ब्यौरा
1 #efff6b

कृषि
2 #ff2ff8

डेवलप किया गया
3 #1b9d0c

जंगल
4 #97ffff

जंगल के बाहर की नम ज़मीन
5 #a1a1a1

अन्य
6 #c2b34a

रेंजलैंड या चारागाह
7 #1b1716

नॉन-प्रोसेसिंग एरिया मास्क

इमेज की प्रॉपर्टी

इमेज प्रॉपर्टी

नाम टाइप ब्यौरा
study_area स्ट्रिंग

फ़िलहाल, LCMS की सुविधा अमेरिका के मुख्य भूभाग, दक्षिण-पूर्वी अलास्का, प्योर्तो रिको-अमेरिकन वर्जिन द्वीप समूह, और हवाई में उपलब्ध है. इस वर्शन में, अमेरिका के सभी राज्यों, दक्षिण-पूर्वी अलास्का, प्योर्तो रिको-यूएस वर्जिन आइलैंड्स, और हवाई के आउटपुट शामिल हैं. संभावित वैल्यू: 'CONUS, SEAK, PRUSVI, HI'
वर्ष INT

प्रॉडक्ट का साल

इस्तेमाल की शर्तें

इस्तेमाल की शर्तें

यूएसडीए फ़ॉरेस्ट सर्विस, किसी भी तरह की वारंटी नहीं देता है. इसमें, बिक्री के लिए उपलब्ध होने और किसी खास मकसद के लिए फ़िट होने की वारंटी भी शामिल है. साथ ही, वह इन जियोस्पेशल डेटा के सटीक, भरोसेमंद, पूरे या उपयोगी होने के लिए, किसी भी तरह की कानूनी जवाबदेही या ज़िम्मेदारी नहीं लेता है. इसके अलावा, वह इन जियोस्पेशल डेटा के गलत इस्तेमाल के लिए भी ज़िम्मेदार नहीं है. जियोस्पेशल डेटा और इससे जुड़े मैप या ग्राफ़िक, कानूनी दस्तावेज़ नहीं हैं. इनका इस्तेमाल कानूनी दस्तावेज़ के तौर पर नहीं किया जाना चाहिए. डेटा और मैप का इस्तेमाल, टाइटल, मालिकाना हक, कानूनी ब्यौरे या सीमाएं, कानूनी अधिकार क्षेत्र या सार्वजनिक या निजी ज़मीन पर लागू होने वाली पाबंदियां तय करने के लिए नहीं किया जा सकता. ऐसा हो सकता है कि डेटा और मैप में प्राकृतिक आपदाओं को न दिखाया गया हो. इसलिए, ज़मीन का इस्तेमाल करने वाले लोगों को सावधानी बरतनी चाहिए. यह डेटा डाइनैमिक होता है और समय के साथ बदल सकता है. जियोस्पेशल डेटा की सीमाओं की पुष्टि करने और उसके हिसाब से डेटा का इस्तेमाल करने की ज़िम्मेदारी उपयोगकर्ता की है.

इस डेटा को अमेरिका की सरकार से मिले फ़ंड का इस्तेमाल करके इकट्ठा किया गया था. इसे बिना किसी अतिरिक्त अनुमति या शुल्क के इस्तेमाल किया जा सकता है. अगर आपको इन डेटा का इस्तेमाल किसी पब्लिकेशन, प्रज़ेंटेशन या अन्य रिसर्च प्रॉडक्ट में करना है, तो कृपया इस उद्धरण का इस्तेमाल करें:

यूएसडीए फ़ॉरेस्ट सर्विस. 2024. यूएसएफ़एस लैंडस्केप चेंज मॉनिटरिंग सिस्टम v2023.9 (कॉन्टर्मिनस यूनाइटेड स्टेट्स और आउटर कॉन्टर्मिनस यूनाइटेड स्टेट्स). सॉल्ट लेक सिटी, यूटाह.

उद्धरण

उद्धरण:

  • यूएसडीए फ़ॉरेस्ट सर्विस. 2024. यूएसएफ़एस लैंडस्केप चेंज मॉनिटरिंग सिस्टम v2023.9 (Conterminous United States and Outer Conterminous United States). सॉल्ट लेक सिटी, यूटाह.

  • ब्रेमैन, एल., 2001. रैंडम फ़ॉरेस्ट. मशीन लर्निंग में. Springer, 45: 5-32. doi:10.1023/A:1010933404324

  • चैस्टेन, आर., हौसमैन, आई., गोल्डस्टीन, जे., फ़िंचो, एम॰, और टेनेसन, के॰, 2019. यह स्टडी, अमेरिका के उन सभी राज्यों के लिए की गई है जिनकी सीमा कम से कम एक अन्य राज्य से जुड़ी हुई है. इसमें, Sentinel-2A और 2B MSI, Landsat-8 OLI, और Landsat-7 ETM के टॉप ऑफ़ ऐटमॉस्फ़ियर स्पेक्ट्रल की तुलना की गई है. In Remote Sensing of Environment. Science Direct, 221: 274-285. doi:10.1016/j.rse.2018.11.012

  • कोहेन, डब्ल्यू॰ B., Yang, Z., and Kennedy, R., 2010. हर साल के Landsat टाइम सीरीज़ डेटा का इस्तेमाल करके, जंगल में होने वाली गड़बड़ी और उसके ठीक होने के रुझानों का पता लगाना: 2. TimeSync - कैलिब्रेशन और पुष्टि करने के लिए टूल. In Remote Sensing of Environment. Science Direct, 114(12): 2911-2924. doi:10.1016/j.rse.2010.07.010

  • कोहेन, डब्ल्यू॰ B., ज़ियाओयांग यांग, हीली, एस. P., कैनेडी, आर॰ ई॰ और गोरेलिक, एन॰, 2018. जंगल में होने वाली गड़बड़ी का पता लगाने के लिए, LandTrendr मल्टीस्पेक्ट्रल एनसेंबल. In Remote Sensing of Environment. Science Direct, 205: 131-140. doi:10.1016/j.rse.2017.11.015

  • फ़ोगा, एस., स्कारामूज़ा, पी॰एल॰, गुओ, एस., ज़ु ज़ु, डिले, आर॰डी॰, बेकमैन, टी., श्मिट, जी॰एल॰, ड्वायर, जे॰ एल॰, एम॰जे॰ ह्यूज़, लाउ, बी., 2017. ऑपरेशनल Landsat डेटा प्रॉडक्ट के लिए, क्लाउड का पता लगाने वाले एल्गोरिदम की तुलना और पुष्टि करना. In Remote Sensing of Environment. Science Direct, 194: 379-390. doi:10.1016/j.rse.2017.03.026

  • यूएस जियोलॉजिकल सर्वे, 2019. USGS 3D एलिवेशन प्रोग्राम का डिजिटल एलिवेशन मॉडल. इसे अगस्त 2022 में https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m पर ऐक्सेस किया गया था

  • हीली, एस. P., कोहेन, डब्ल्यू॰ B., ज़ियाओयांग यांग, कैनथ ब्रूअर, सी॰, Brooks, E. B., गोरेलिक, एन., हर्नांडेज़, ए. J., हुआंग, सी॰, जोसेफ़ ह्यूज़, एम॰, कैनेडी, आर॰ E., लवलैंड, टी. R., मोइसन, जी. जी॰, Schroeder, T. A., स्टीमन, एस. V., वोगेलमैन, जे॰ E., वुडकॉक, सी. E., यांग, एल॰, और झू, ज़ेड॰, 2018. स्टैक किए गए सामान्यीकरण का इस्तेमाल करके, जंगल में हुए बदलाव की मैपिंग: एक साथ कई मॉडल का इस्तेमाल करने का तरीका. In Remote Sensing of Environment. Science Direct, 204: 717-728. doi:10.1016/j.rse.2017.09.029

  • कैनेडी, आर॰ E., Yang, Z., and Cohen, W. B., 2010. हर साल के Landsat टाइम सीरीज़ का इस्तेमाल करके, जंगल में होने वाली गड़बड़ी और उसके ठीक होने के रुझानों का पता लगाना: 1. LandTrendr - Temporal segmentation algorithms. In Remote Sensing of Environment. Science Direct, 114(12): 2897-2910. doi:10.1016/j.rse.2010.07.008

  • केनेडी, आर., ज़ियाओयांग यांग, गोरेलिक, एन., ब्रेटन, जे., कैवलकैंट, एल., कोहेन, डब्ल्यू॰, और हीली, एस॰ 2018. Google Earth Engine पर LandTrendr एल्गोरिदम लागू करना. रिमोट सेंसिंग में. MDPI, 10(5): 691. doi:10.3390/rs10050691

  • पास्क्वेरेला, वी॰ जे॰, ब्राउन, सी॰ F., ज़ेरविंस्की, डब्ल्यू॰, और रक्लज, डब्ल्यू॰ J., 2023. वीकली सुपरवाइज़्ड वीडियो लर्निंग का इस्तेमाल करके, ऑप्टिकल सैटलाइट इमेज की क्वालिटी का पूरा आकलन. आईईईई/सीवीएफ़ कॉन्फ़्रेंस ऑन कंप्यूटर विज़न ऐंड पैटर्न रिकग्निशन की कार्रवाइयों में. 2125-2135. doi:10.1109/CVPRW59228.2023.00206

  • Sentinel-Hub, 2021. Sentinel 2 Cloud Detector. [ऑनलाइन]. यहां उपलब्ध है: https://github.com/sentinel-hub/sentinel2-cloud-detector

  • ए॰ डी॰ वाइस, 2001. Topographic position and landforms analysis Poster Presentation, ESRI Users Conference, San Diego, CAZhu, Z., and Woodcock, C. ई॰ 2012. लैंडसैट की इमेज में, ऑब्जेक्ट के आधार पर बादल और बादल की परछाई का पता लगाना. 118: 83-94.

  • Zhu, Z., and Woodcock, C. E., 2012. लैंडसैट की इमेज में, ऑब्जेक्ट के आधार पर बादल और बादल की परछाई का पता लगाना. In Remote Sensing of Environment. Science Direct, 118: 83-94. doi:10.1016/j.rse.2011.10.028

  • Zhu, Z., and Woodcock, C. E., 2014. Landsat के सभी उपलब्ध डेटा का इस्तेमाल करके, ज़मीन के इस्तेमाल में लगातार हो रहे बदलावों का पता लगाना और उन्हें कैटगरी में बांटना. In Remote Sensing of Environment. Science Direct, 144: 152-171. doi:10.1016/j.rse.2014.01.011

डीओआई

Earth Engine की मदद से एक्सप्लोर करें

कोड एडिटर (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);
कोड एडिटर में खोलें
यह प्रॉडक्ट, लैंडस्केप चेंज मॉनिटरिंग सिस्टम (एलसीएमएस) के डेटा सुइट का हिस्सा है. इसमें हर साल के लिए, एलसीएमएस-मॉडल किए गए बदलाव, लैंड कवर, और/या ज़मीन के इस्तेमाल की क्लास दिखाई जाती हैं. इसमें कॉन्टर्मिनस यूनाइटेड स्टेट्स (कॉनस) और कॉनस के बाहर के इलाके (ओकॉनस) शामिल हैं. ओकॉनस में दक्षिणपूर्वी अलास्का (सीक), प्योर्तो रिको-यूएस वर्जिन आइलैंड्स (पीआरयूएसवीआई), और … शामिल हैं
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