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 प्रोड्यूसर
Earth Engine का स्निपेट
ee.ImageCollection("USFS/GTAC/LCMS/v2023-9")
टैग
change-detection
जंगल
gtac
लैंडकवर
लैंडसैट से लिया गया
landuse
landuse-landcover
lcms
redcastle-resources
सेंटिनल से मिला डेटा
टाइम-सीरीज़
usda
usfs

ब्यौरा

यह प्रॉडक्ट, लैंडस्केप चेंज मॉनिटरिंग सिस्टम (एलसीएमएस) डेटा सुइट का हिस्सा है. इसमें एलसीएमएस-मॉडल किए गए बदलाव, लैंड कवर, और/या ज़मीन के इस्तेमाल की क्लास दिखाई जाती हैं. यह डेटा, अमेरिका के मुख्य भूभाग (कॉनस) और कॉनस से बाहर के इलाकों (ओकॉनस) के लिए हर साल उपलब्ध होता है. ओकॉनस में दक्षिणपूर्वी अलास्का (एसईएके), प्योर्तो रिको-यूएस वर्जिन आइलैंड्स (पीआरयूएसवीआई), और हवाई (एचआई) शामिल हैं.

एलसीएमएस, रिमोट सेंसिंग पर आधारित एक सिस्टम है. इसका इस्तेमाल, पूरे अमेरिका में लैंडस्केप में हुए बदलावों को मैप करने और उन पर नज़र रखने के लिए किया जाता है. इसका मकसद, बदलाव की पहचान करने के लिए नई टेक्नोलॉजी और बेहतर तरीकों का इस्तेमाल करके, एक जैसा तरीका डेवलप करना है. इससे लैंडस्केप में हुए बदलाव का "सबसे अच्छा उपलब्ध" मैप तैयार किया जा सकेगा.

इनपुट के तौर पर तीन सालाना प्रॉडक्ट इस्तेमाल किए जाते हैं: बदलाव, ज़मीन का इस्तेमाल, और पेड़-पौधों, आबादी वगैरह से ढकी जगह. 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. लैंड कवर और लैंड यूज़ मैप में, हर साल के लिए लैंड कवर और लैंड यूज़ की जानकारी दिखाई जाती है. लैंड कवर में, जीवन के अलग-अलग रूप शामिल होते हैं. वहीं, लैंड यूज़ में, ज़मीन का इस्तेमाल अलग-अलग कामों के लिए किया जाता 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 बदलाव, लैंड कवर, और ज़मीन के इस्तेमाल 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 से मिले आउटपुट और इलाके की जानकारी शामिल होती है. इन सभी कॉम्पोनेंट को Google Earth Engine (Gorelick et al., 2017).

सीसीडीसी के लिए, CONUS के लिए यूनाइटेड स्टेट्स जियोलॉजिकल सर्वे (यूएसजीएस) कलेक्शन 2 लैंडसैट टियर 1 सर्फ़ेस रिफ़्लेक्टेंस डेटा का इस्तेमाल किया गया. साथ ही, SEAK, PRUSVI, और HI के लिए लैंडसैट टियर 1 टॉप ऑफ़ ऐटमस्फ़ियर रिफ़्लेक्टेंस डेटा का इस्तेमाल किया गया. LandTrendr के लिए सालाना कंपोज़िट बनाने के लिए, यूएसजीएस कलेक्शन 2 लैंडसैट टियर 1 और Sentinel 2A, 2B लेवल-1C टॉप ऑफ़ ऐटमस्फ़ियर रिफ़्लेक्टेंस डेटा का इस्तेमाल किया गया. 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 (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).

CCDC एल्गोरिदम (Zhu and Woodcock, 2014) का इस्तेमाल करके, बादल और बादलों की छाया से जुड़ी सभी वैल्यू को 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 ऊंचाई, स्लोप, ऐस्पेक्ट का साइन, ऐस्पेक्ट का कोसाइन, और टोपोग्राफ़िक पोज़िशन इंडेक्स (Weiss, 2001) शामिल हैं.

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

रैंडम फ़ॉरेस्ट मॉडल (ब्रेमैन, 2001) को TimeSync के रेफ़रंस डेटा और LandTrendr, CCDC, और टेरेन इंडेक्स के अनुमान लगाने वाले 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 के थ्रेशोल्ड और नियमों के सेट की एक सीरीज़ लागू 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

बैंड

पिक्सल का साइज़: 30 मीटर (सभी बैंड)

नाम पिक्सल का साइज़ ब्यौरा
Change 30 मीटर

एलसीएमएस में प्रॉडक्ट में बदलाव की फ़ाइनल थीम. 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 रैंडम फ़ॉरेस्ट मॉडल का इस्तेमाल किया जाता है. यह मॉडल, संभावना (रैंडम फ़ॉरेस्ट मॉडल में मौजूद ट्री का अनुपात) दिखाता है 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 है जिसकी संभावना सबसे ज़्यादा होती है और जो तय थ्रेशोल्ड से ऊपर भी होती है. जिस पिक्सल की वैल्यू, हर क्लास के थ्रेशोल्ड से ऊपर नहीं होती उसे स्टेबल क्लास असाइन की जाती है. बदलाव की क्लास असाइन करने से पहले, सभी स्टडी एरिया पर एक नियम लागू किया गया था, ताकि बिना वनस्पति वाले लैंड कवर में बदलाव न हो.
Land_Cover 30 मीटर

एलसीएमएस लैंड कवर का फ़ाइनल प्रॉडक्ट. हर साल, 14 लैंड कवर क्लास को 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, पिक्सेल 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 कमीशन को सीमित किया जा सका. CONUS, प्योर्तो रिको-अमेरिकन वर्जिन द्वीप समूह या हवाई पर, लैंड कवर से जुड़े कोई नियम लागू नहीं किए गए थे. ज़मीन को ढकने वाली 14 क्लास में से सात क्लास, ज़मीन को ढकने वाली एक ही चीज़ के बारे में बताती हैं. इनमें ज़मीन को ढकने वाली चीज़, पिक्सल के ज़्यादातर हिस्से को कवर करती है. साथ ही, कोई दूसरी क्लास, पिक्सल के 10% से ज़्यादा हिस्से को कवर नहीं करती. यहां सात मिक्स क्लास भी होती हैं. इनसे ऐसे पिक्सल का पता चलता है जिनमें ज़मीन को ढकने वाली कोई अन्य क्लास, पिक्सल के कम से कम 10% हिस्से को कवर करती है.
Land_Use 30 मीटर

ज़मीन के इस्तेमाल से जुड़ा LCMS का फ़ाइनल प्रॉडक्ट. हर साल, ज़मीन के इस्तेमाल से जुड़ी छह क्लास को 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. इससे यह संभावना (रैंडम फ़ॉरेस्ट मॉडल में मौजूद ट्री का अनुपात) मिलती है कि पिक्सल उस क्लास से जुड़ा है. इस वजह से, हर साल के लिए अलग-अलग पिक्सल के छह अलग-अलग मॉडल आउटपुट होते हैं. साथ ही, सबसे ज़्यादा संभावना वाली ज़मीन के इस्तेमाल को फ़ाइनल क्लास असाइन की जाती हैं. सबसे ज़्यादा संभावना वाली ज़मीन के इस्तेमाल की क्लास असाइन करने से पहले, ज़मीन के इस्तेमाल से जुड़े नियमों का इस्तेमाल करके, संभावना की थ्रेशोल्ड और नियमों के सेट की एक सीरीज़ लागू की गई थी. संभावना की थ्रेशोल्ड और नियमों के सेट के बारे में ज़्यादा जानकारी, ब्यौरे में शामिल LCMS के तरीकों के बारे में जानकारी देने वाले दस्तावेज़ में देखी जा सकती है. CONUS के लिए, ज़मीन के इस्तेमाल से जुड़े 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 30 मीटर

स्लो लॉस की रॉ एलसीएमएस मॉडल की संभावना. इसे इस तरह से परिभाषित किया गया है: टाइमसिंक में बदलाव की प्रोसेस के इंटरप्रेटेशन से जुड़ी इन क्लास में, स्लो लॉस शामिल है-

  • स्ट्रक्चरल डिक्लाइन - ऐसी ज़मीन जहां पेड़ों या अन्य लकड़ीदार वनस्पति में, गैर-मानवीय या गैर-यांत्रिक वजहों से पैदा हुई खराब परिस्थितियों की वजह से बदलाव हुआ हो. इस तरह के नुकसान से, आम तौर पर स्पेक्ट्रल सिग्नल में रुझान दिखना चाहिए. जैसे, एनडीवीआई में कमी, नमी में कमी, एसडब्ल्यूआईआर में बढ़ोतरी वगैरह. हालांकि, रुझान में मामूली बदलाव हो सकता है. पेड़-पौधों वाले इलाकों में, पेड़-पौधों की सेहत में गिरावट आती है. इसकी वजहें कीड़े-मकोड़े, बीमारियां, सूखा, ऐसिड रेन वगैरह हो सकती हैं. पेड़-पौधों की सेहत में गिरावट की वजह से, पत्तियां झड़ सकती हैं. हालांकि, इससे पेड़-पौधों की मौत नहीं होती. जैसे, जिप्सी मॉथ और स्पूस बडवर्म के संक्रमण से पत्तियां झड़ जाती हैं. हालांकि, ये एक या दो साल में ठीक हो जाती 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, NDVI में कमी, नमी में कमी, SWIR 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 लेकर दृढ़ लकड़ी वाली हो जाती है या जब सूखा पड़ने की वजह से वनस्पति में गिरावट दिखती है, लेकिन लकड़ी वाले हिस्से या पत्ती के क्षेत्र में कोई नुकसान नहीं होता है.
Change_Raw_Probability_Fast_Loss 30 मीटर

तेज़ी से कम होने की संभावना का अनुमान लगाने के लिए, एलसीएमएस से मिले डेटा का इस्तेमाल किया जाता है. इसे इस तरह से तय किया जाता है: टाइमसिंक में बदलाव की प्रोसेस के इंटरप्रिटेशन से जुड़ी इन क्लास में फ़ास्ट लॉस शामिल है-

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

  • कटाई - जंगल की ऐसी ज़मीन 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 या कीड़े-मकोड़ों के प्रकोप के बाद लकड़ी को बचाना, पेड़ों की संख्या कम करना, और जंगल के रखरखाव से जुड़े अन्य तरीके (जैसे, आश्रय देने वाले पेड़/बीज वाले पेड़ की कटाई).

  • मैकेनिकल - ऐसी गैर-वन भूमि जहां पेड़ों, झाड़ियों या अन्य वनस्पतियों को चेन, खुरचने, ब्रश से काटने, बुलडोज़र चलाने 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 बहुत खराब 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 किसी भी तरह से किया गया हो. उदाहरण के लिए, बाढ़ के बाद नदी के किनारों और आस-पास की ज़मीन पर बजरी और वनस्पति का नया मिश्रण.

  • मलबा - ज़मीन (इस्तेमाल किए जाने से कोई फ़र्क़ नहीं पड़ता) पर प्राकृतिक चीज़ों के खिसकने की वजह से बदलाव हुआ हो. जैसे, भूस्खलन, हिमस्खलन, ज्वालामुखी, मलबे का बहाव वगैरह.

  • 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 सका या बदलाव का टाइप, ऊपर बताई गई बदलाव की प्रोसेस की किसी भी कैटगरी से मेल नहीं खाता.
Change_Raw_Probability_Gain 30 मीटर

एलसीएमएस मॉडल के हिसाब से, वनस्पति के बढ़ने की संभावना. इसे इस तरह से परिभाषित किया गया है: एक या उससे ज़्यादा सालों में, वनस्पति के बढ़ने की वजह से ज़मीन पर वनस्पति का दायरा बढ़ना. यह उन सभी इलाकों पर लागू होता है जहां वनस्पति के फिर से उगने की वजह से स्पेक्ट्रल बदलाव हो सकता है. विकसित इलाकों में, वनस्पति के बढ़ने की वजह से वनस्पति का दायरा बढ़ सकता है. इसके अलावा, नए लॉन और लैंडस्केपिंग की वजह से भी ऐसा हो सकता है. जंगलों में, वनस्पति के बढ़ने का मतलब है कि बंजर ज़मीन पर वनस्पति का बढ़ना. साथ ही, इंटरमीडिएट और को-डॉमिनेट पेड़ों और/या नीचे की ओर उगी घास और झाड़ियों का बढ़ना. जंगल की कटाई के बाद रिकॉर्ड किए गए वनस्पति के बढ़ने/फिर से उगने के सेगमेंट, जंगल के फिर से उगने के दौरान अलग-अलग तरह की ज़मीन के कवर क्लास में बदल जाएंगे. इन बदलावों को वनस्पति का बढ़ना/फिर से उगना माना जाएगा. इसके लिए, स्पेक्ट्रल वैल्यू को बढ़ती ट्रेंड लाइन का पालन करना चाहिए. उदाहरण के लिए, पॉज़िटिव स्लोप, जिसे अगर ~20 सालों तक बढ़ाया जाए, तो यह एनडीवीआई की 0.10 यूनिट के क्रम में होगा. यह कई सालों तक बना रहता है.
Land_Cover_Raw_Probability_Trees 30 मीटर

पेड़ों की रॉ एलसीएमएस मॉडल वाली संभावना. इसे इस तरह से तय किया जाता है: पिक्सल का ज़्यादातर हिस्सा, ज़िंदा या खड़े हुए सूखे पेड़ों से बना है.
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix 30 मीटर

लंबी झाड़ियों और पेड़ों के मिक्सचर (सिर्फ़ SEAK) की मॉडल की गई संभावना की रॉ एलसीएमएस वैल्यू. इसे इस तरह से तय किया गया है: ज़्यादातर पिक्सल में 1 मीटर से ज़्यादा ऊंचाई वाली झाड़ियां शामिल हैं. साथ ही, इसमें कम से कम 10% जीवित या खड़े सूखे पेड़ भी शामिल हैं.
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix 30 मीटर

झाड़ियों और पेड़ों के मिक्स होने की संभावना को मॉडल करने वाला रॉ एलसीएमएस. इसे इस तरह से तय किया जाता है: पिक्सल का ज़्यादातर हिस्सा झाड़ियों से बना होता है. साथ ही, इसमें कम से कम 10% ऐसे पेड़ होते हैं जो जीवित हैं या खड़े हैं.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix 30 मीटर

घास/फ़ॉर्ब/जड़ी-बूटी और पेड़ों के मिक्स होने की संभावना का अनुमान लगाने के लिए, एलसीएमएस मॉडल का इस्तेमाल किया गया है. इसे इस तरह से तय किया जाता 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 30 मीटर

बंजर ज़मीन और पेड़ों के मिक्स होने की संभावना का एलसीएमएस मॉडल. इसे इस तरह से तय किया जाता है: ज़्यादातर पिक्सल में, ऐसी मिट्टी होती है जो किसी वजह से खुली हुई है. जैसे, मिट्टी को साफ़ करने वाली मशीन से साफ़ की गई मिट्टी या जंगल से काटी गई लकड़ी की वजह से खुली हुई मिट्टी. इसके अलावा, इसमें ऐसी बंजर ज़मीन भी शामिल होती है जो हमेशा बंजर रहती है. जैसे, रेगिस्तान, प्लाया, चट्टानें (इसमें सतह पर खनन की वजह से खुले हुए खनिज और अन्य भूवैज्ञानिक सामग्री शामिल है), बालू के टीले, नमक के मैदान, और बीच. मिट्टी और बजरी से बनी सड़कों को भी बंजर माना जाता है. साथ ही, इसमें कम से कम 10% जीवित या सूखे पेड़ भी शामिल होते हैं.
Land_Cover_Raw_Probability_Tall-Shrubs 30 मीटर

लंबी झाड़ियों की रॉ एलसीएमएस मॉडल वाली संभावना (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 30 मीटर

झाड़ियों के लिए, एलसीएमएस से अनुमानित संभावना. इसकी परिभाषा यह है: पिक्सल के ज़्यादातर हिस्से में झाड़ियां हैं.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix 30 मीटर

घास/फ़ॉर्ब/जड़ी-बूटी और झाड़ियों के मिक्स होने की संभावना को एलसीएमएस मॉडल के ज़रिए तय किया जाता है. इसे इस तरह से तय किया जाता है: ज़्यादातर पिक्सल में बारहमासी घास, फ़ॉर्ब 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 30 मीटर

बंजर ज़मीन और झाड़ियों के मिक्स होने की संभावना का अनुमान लगाने के लिए, एलसीएमएस मॉडल का इस्तेमाल किया जाता है. इसे इस तरह से परिभाषित किया गया है: ज़्यादातर पिक्सल में, ऐसी मिट्टी होती है जो किसी वजह से खुली हुई है. जैसे, मिट्टी को साफ़ करने वाली मशीन से मिट्टी को साफ़ किया गया हो या जंगल से लकड़ी काटी गई हो. इसके अलावा, इसमें ऐसे इलाके भी शामिल होते हैं जो हमेशा बंजर रहते हैं. जैसे, रेगिस्तान, प्लाया, चट्टानें (इसमें सतह पर खनन की वजह से खुले हुए खनिज और अन्य भूवैज्ञानिक सामग्री शामिल है), रेत के टीले, नमक के मैदान, और बीच. मिट्टी और बजरी से बनी सड़कों को भी बंजर माना जाता है. साथ ही, इसमें कम से कम 10% झाड़ियां भी शामिल होती हैं.
Land_Cover_Raw_Probability_Grass-Forb-Herb 30 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 परिभाषित किया गया 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 30 मीटर

बंजर ज़मीन और घास/फ़ॉर्ब/जड़ी-बूटी के मिक्सचर की एलसीएमएस मॉडल वाली संभावना. इसे इस तरह से तय किया जाता है: ज़्यादातर पिक्सल में, ऐसी मिट्टी शामिल होती है जो किसी गड़बड़ी की वजह से खुली हो. जैसे, मैकेनिकल क्लियरिंग या जंगल की कटाई की वजह से मिट्टी का खुलना. साथ ही, इसमें रेगिस्तान, प्लाया, चट्टानें (इसमें सतह पर खनन की गतिविधियों की वजह से खुले खनिज और अन्य भूवैज्ञानिक सामग्री शामिल है), रेत के टीले, नमक की झीलें, और समुद्र तट जैसे हमेशा बंजर रहने वाले इलाके शामिल हैं. मिट्टी और बजरी से बनी सड़कों को भी बंजर माना जाता है. साथ ही, इसमें कम से कम 10% बारहमासी घास, फ़ॉर्ब या अन्य तरह की जड़ी-बूटी वाली वनस्पति शामिल होती है.
Land_Cover_Raw_Probability_Barren-or-Impervious 30 मीटर

बारन या इंपरवियस की रॉ एलसीएमएस मॉडल वाली 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 से काटी गई लकड़ी से निकली मिट्टी). साथ ही, इसमें ऐसे इलाके भी शामिल हैं जहां हमेशा बंजर मिट्टी रहती है. जैसे, रेगिस्तान, प्लाया, चट्टानें (इसमें सतह पर खनन की गतिविधियों से निकले खनिज और अन्य भूवैज्ञानिक पदार्थ शामिल हैं), रेत के टीले, नमक के मैदान, और समुद्र तट. मिट्टी और बजरी से बनी सड़कों को भी बंजर माना जाता है. इसके अलावा, 2.) पानी को सोख न पाने वाले मानव-निर्मित मटीरियल, जैसे कि पक्की सड़कें, छतें, और पार्किंग की जगहें.
Land_Cover_Raw_Probability_Snow-or-Ice 30 मीटर

बर्फ़ या बर्फ़बारी की रॉ एलसीएमएस मॉडल वाली संभावना. इसे इस तरह से तय किया जाता है: पिक्सल का ज़्यादातर हिस्सा बर्फ़ या बर्फ़बारी से बना है.
Land_Cover_Raw_Probability_Water 30 मीटर

पानी की रॉ एलसीएमएस मॉडल वाली संभावना. इसे इस तरह से परिभाषित किया गया है: पिक्सल का ज़्यादातर हिस्सा पानी से बना होता है.
Land_Use_Raw_Probability_Agriculture 30 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, सीमित पशुधन संचालन, और फल, नट या बेरी के उत्पादन के लिए लगाए गए क्षेत्र शामिल हैं. हालांकि, इसमें और भी चीज़ें शामिल हो सकती हैं. जिन सड़कों का इस्तेमाल मुख्य रूप से खेती के लिए किया जाता है उन्हें कृषि भूमि के तौर पर इस्तेमाल किया जाता है. जैसे, शहर से शहर तक सार्वजनिक परिवहन के लिए इस्तेमाल न की जाने वाली सड़कें.
Land_Use_Raw_Probability_Developed 30 मीटर

डेवलपमेंट की संभावना का अनुमान लगाने के लिए, एलसीएमएस मॉडल से मिली रॉ प्रोबेबिलिटी. इसे इस तरह से तय किया जाता है: मानव निर्मित स्ट्रक्चर से ढकी ज़मीन (जैसे, ज़्यादा घनत्व वाली रिहायशी, कारोबारी, औद्योगिक, खनन या परिवहन), या वनस्पति (इसमें पेड़ भी शामिल हैं) और स्ट्रक्चर (जैसे, कम घनत्व वाली रिहायशी, लॉन, मनोरंजन की सुविधाएं, कब्रिस्तान, परिवहन और यूटिलिटी कॉरिडोर वगैरह) का मिश्रण. इसमें ऐसी कोई भी ज़मीन शामिल है जिसे मानवीय गतिविधि से बदला गया है.
Land_Use_Raw_Probability_Forest 30 मीटर

जंगल होने की संभावना का रॉ एलसीएमएस मॉडल. इसे इस तरह से परिभाषित किया गया है: ऐसी ज़मीन जहां पेड़ लगाए गए हैं या प्राकृतिक रूप से वनस्पति उगी है और जिसमें (या जिसमें होने की संभावना है) कुछ समय के लिए 10% या उससे ज़्यादा पेड़ों से ढकी जगह शामिल है. इसमें पतझड़ वाले, सदाबहार, और/या प्राकृतिक वन, वन के बागान, और लकड़ी वाले दलदल की मिली-जुली कैटगरी शामिल हो सकती हैं.
Land_Use_Raw_Probability_Non-Forest-Wetland 30 मीटर

जंगल से बाहर की दलदली ज़मीन के लिए, एलसीएमएस मॉडल की संभावना की रॉ वैल्यू. इसे इस तरह से परिभाषित किया गया है: ऐसी ज़मीन जो पानी के स्रोत के आस-पास या उसके अंदर मौजूद हो. इस ज़मीन में पानी का स्तर हमेशा या मौसम के हिसाब से बदलता रहता है. इस ज़मीन पर झाड़ियां या पानी में उगने वाले पौधे ज़्यादा होते हैं. ये दलदली ज़मीन, झीलों, नदियों या मुहानों के किनारे पर हो सकती हैं. ये नदियों के बाढ़ वाले मैदानों, अलग-अलग जलग्रहण क्षेत्रों या ढलानों पर भी हो सकती हैं. ये दलदली ज़मीन, कृषि वाले इलाकों में प्रेयरी पॉटहोल, ड्रेनेज डिच, और स्टॉक पॉन्ड के तौर पर भी हो सकती हैं. ये झीलों या नदियों के बीच में मौजूद द्वीपों के तौर पर भी दिख सकती हैं. अन्य उदाहरणों में दलदल, बोग, स्वैंप, क्वैगमायर, मस्कैग, स्लो, फ़ेन, और बायू भी शामिल हैं.
Land_Use_Raw_Probability_Other 30 मीटर

एलसीएमएस के हिसाब से, 'अन्य' श्रेणी में आने की संभावना. इसे इस तरह से तय किया जाता है: ऐसी ज़मीन (इस्तेमाल किए जाने से कोई फ़र्क़ नहीं पड़ता) जहां स्पेक्ट्रल ट्रेंड या अन्य 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.
Land_Use_Raw_Probability_Rangeland-or-Pasture 30 मीटर

रेंजलैंड या चारागाह होने की संभावना का एलसीएमएस मॉडल. इसे इस तरह से परिभाषित किया गया है: इस क्लास में ऐसा कोई भी इलाका शामिल है जो या तो a.) रेंजलैंड है, जहां वनस्पति में स्थानीय घास, झाड़ियां, जड़ी-बूटियां, और घास जैसे पौधे शामिल हैं. ये पौधे, बारिश, तापमान, ऊंचाई, और आग जैसे प्राकृतिक कारकों और प्रक्रियाओं की वजह से उगते हैं. हालांकि, सीमित मैनेजमेंट में, तय की गई आग लगाने के साथ-साथ पालतू और जंगली शाकाहारी जानवरों के चरने की अनुमति भी शामिल हो सकती है; या b.) चारागाह है, जहां वनस्पति में अलग-अलग तरह की घास, जड़ी-बूटियां, और घास जैसे पौधे शामिल हो सकते हैं. ये पौधे, प्राकृतिक रूप से उगते हैं. इसके अलावा, इसमें ऐसी वनस्पति भी शामिल हो सकती है जिसे मैनेज किया गया है. इसमें घास की ऐसी प्रजातियां शामिल हैं जिन्हें बोया गया है और जिनकी देखभाल की गई है, ताकि वे एक ही तरह की फसल के तौर पर बनी रहें.
QA_Bits 30 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 कम 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/चौड़ी पत्ती वाली घास/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/फ़ॉर्ब/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

वन क्षेत्र से बाहर की नम ज़मीन
5 #a1a1a1

अन्य
6 #c2b34a

घास का मैदान या चारागाह
7 #1b1716

नॉन-प्रोसेसिंग एरिया मास्क

इमेज प्रॉपर्टी

इमेज प्रॉपर्टी

नाम टाइप ब्यौरा
study_area स्ट्रिंग

फ़िलहाल, एलसीएमएस की सुविधा अमेरिका के मुख्य भूभाग, दक्षिणपूर्वी 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'
साल 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 कानूनी जवाबदेही या ज़िम्मेदारी को स्वीकार नहीं करता है. इसके अलावा, वह इन जियोस्पेशल डेटा के गलत या अमान्य इस्तेमाल के लिए भी ज़िम्मेदार नहीं है. ये 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 सीमाओं, कानूनी अधिकार क्षेत्र या सार्वजनिक या निजी ज़मीन पर लागू होने वाली पाबंदियों का पता लगाने 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 इसमें बदलाव हो सकता है. उपयोगकर्ता की यह ज़िम्मेदारी है कि वह भू-स्थानिक डेटा की सीमाओं की पुष्टि करे और उसके हिसाब से डेटा का इस्तेमाल करे.

इस डेटा को इकट्ठा करने के लिए, अमेरिका की सरकार से फ़ंडिंग मिली थी. इसका इस्तेमाल बिना किसी अतिरिक्त अनुमति या शुल्क के किया जा सकता है. अगर आपको इस डेटा का इस्तेमाल किसी पब्लिकेशन, प्रज़ेंटेशन या अन्य रिसर्च प्रॉडक्ट में करना है, तो कृपया यह उद्धरण 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. USFS Landscape Change Monitoring System 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., हाउसमन, आई., गोल्डस्टीन, जे., फ़िंचो, एम., और टेनेसन, के., 2019. यह लेख, अमेरिका के उन सभी राज्यों के लिए 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 ऐटमस्फ़ियर 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., यांग ज़ेड., हीली, एस॰ P., केनेडी, 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॰, स्कारामोज़ा, पी॰एल॰, गुओ, एस., ज़ू, ज़ेड., 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., यांग ज़ेड., कैनथ ब्रूअर, सी॰, Brooks, E. B., गोरेलिक, एन., हर्नांडेज़, ए. J., हुआंग, सी॰, जोसेफ़ ह्यूज़, एम॰, कैनेडी, आर॰ E., लवलैंड, टी॰ R., मोइसन, जी॰ G., Schroeder, T. A., स्टीमन, एस॰ V., वोगेलमैन, जे॰ E., वुडकॉक, सी॰ E., Yang, L., and Zhu, Z., 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

  • केनेडी, 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., यांग ज़ेड., 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., Czerwinski, W., and Rucklidge, W. 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. स्थलाकृति की स्थिति और भू-आकृतियों का विश्लेषण पोस्टर प्रज़ेंटेशन, ESRI यूज़र कॉन्फ़्रेंस, सैन डिएगो, कैलिफ़ोर्नियाज़ू, ज़ेड., और वुडकॉक, सी. ई॰ 2012. Landsat 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. Landsat 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, इलाके में लगातार हो रहे बदलावों का पता लगाना और इलाके के टाइप का पता लगाना. 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 एलसीएमएस-मॉडल किए गए बदलाव, ज़मीन का इस्तेमाल, और/या ज़मीन के इस्तेमाल की क्लास दिखाई गई हैं. यह कॉन्टिनेंटल अमेरिका (CONUS) और CONUS के बाहर के इलाकों (OCONUS) को कवर करता है. इनमें दक्षिणपूर्वी अलास्का (SEAK), प्योर्तो रिको-अमेरिकन वर्जिन द्वीप समूह (PRUSVI), और … शामिल हैं
USFS/GTAC/LCMS/v2023-9, change-detection,forest,gtac,landcover,landsat-derived,landuse,landuse-landcover,lcms,redcastle-resources,sentinel-derived,time-series,usda,usfs
1985-01-01T00:00:00Z/2023-12-31T00:00:00Z
20.38379 -135.286387 52.459364 -56.446306
Google Earth Engine