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

USFS/GTAC/LCMS/v2023-9
Ketersediaan Set Data
1985-01-01T00:00:00Z–2023-12-31T00:00:00Z
Produsen Set Data
Cuplikan Earth Engine
ee.ImageCollection("USFS/GTAC/LCMS/v2023-9")
Tag
change-detection
hutan
gtac
penutup lahan
berasal dari Landsat
penggunaan lahan
landuse-landcover
lcms
redcastle-resources
berasal dari sentinel
deret waktu
usda
usfs

Deskripsi

Produk ini adalah bagian dari rangkaian data Sistem Pemantauan Perubahan Lanskap (LCMS). Data ini menunjukkan perubahan yang dimodelkan LCMS, kelas tutupan lahan, dan/atau penggunaan lahan untuk setiap tahun yang mencakup Amerika Serikat Daratan (CONUS) dan area di luar CONUS (OCONUS) yang mencakup Alaska Tenggara (SEAK), Puerto Riko-Kepulauan Virgin AS (PRUSVI), dan Hawaii (HI).

LCMS adalah sistem berbasis penginderaan jauh untuk memetakan dan memantau perubahan lanskap di seluruh Amerika Serikat. Tujuannya adalah mengembangkan pendekatan yang konsisten menggunakan teknologi dan kemajuan terbaru dalam deteksi perubahan untuk menghasilkan peta perubahan lanskap "terbaik yang tersedia".

Output mencakup tiga produk tahunan: perubahan, tutupan lahan, dan penggunaan lahan. Perubahan secara khusus terkait dengan tutupan vegetasi dan mencakup kehilangan lambat, kehilangan cepat (yang juga mencakup perubahan hidrologi seperti banjir atau pengeringan), dan perolehan. Nilai ini diprediksi untuk setiap tahun deret waktu Landsat dan berfungsi sebagai produk dasar untuk LCMS. Peta tutupan lahan dan penggunaan lahan menggambarkan tutupan lahan tingkat bentuk kehidupan dan penggunaan lahan tingkat luas untuk setiap tahun.

Karena tidak ada algoritma yang berperforma terbaik dalam semua situasi, LCMS menggunakan ansambel model sebagai prediktor, yang meningkatkan akurasi peta di berbagai ekosistem dan proses perubahan (Healey et al., 2018). Kumpulan peta perubahan LCMS, tutupan lahan, dan penggunaan lahan yang dihasilkan menawarkan gambaran holistik tentang perubahan lanskap di seluruh Amerika Serikat sejak tahun 1985.

Lapisan prediktor untuk model LCMS mencakup output dari algoritma deteksi perubahan LandTrendr dan CCDC, serta informasi medan. Semua komponen ini diakses dan diproses menggunakan Google Earth Engine (Gorelick et al., 2017).

Untuk CCDC, data reflektansi permukaan USGS Collection 2 Landsat Tier 1 digunakan untuk CONUS, dan data reflektansi atas atmosfer Landsat Tier 1 untuk SEAK, PRUSVI, dan HI. Untuk menghasilkan komposit tahunan untuk LandTrendr, data reflektansi atas atmosfer USGS Collection 2 Landsat Tier 1 dan Sentinel 2A, 2B Level-1C digunakan. Algoritma masking awan cFmask (Foga et al., 2017), yang merupakan penerapan Fmask 2.0 (Zhu dan Woodcock, 2012) (khusus Landsat), cloudScore (Chastain et al., 2019) (khusus Landsat), s2cloudless (Sentinel-Hub, 2021), dan Cloud Score plus (Pasquarella et al., 2023) (khusus Sentinel 2) digunakan untuk memasking awan, sedangkan TDOM (Chastain et al., 2019) digunakan untuk memasking bayangan awan (Landsat dan Sentinel 2). Untuk LandTrendr, medoid tahunan kemudian dihitung untuk meringkas nilai bebas awan dan bayangan awan dari setiap tahun ke dalam satu komposit.

Deret waktu komposit disegmentasikan secara temporal menggunakan LandTrendr (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).

Semua nilai bebas awan dan bayangan awan juga tersegmentasi secara temporal menggunakan algoritma CCDC (Zhu dan Woodcock, 2014).

Data prediktor mencakup nilai komposit mentah, nilai yang sesuai dengan LandTrendr, perbedaan berpasangan, durasi segmen, besarnya perubahan, dan kemiringan, serta koefisien sinus dan kosinus CCDC (3 harmonik pertama), nilai yang sesuai, dan perbedaan berpasangan, beserta elevasi, kemiringan, sinus aspek, kosinus aspek, dan indeks posisi topografi (Weiss, 2001) dari data Program Elevasi 3D (3DEP) USGS 10 m (U.S. Geological Survey, 2019).

Data referensi dikumpulkan menggunakan TimeSync, alat berbasis web yang membantu analis memvisualisasikan dan menafsirkan catatan data Landsat dari tahun 1984 hingga saat ini (Cohen et al., 2010).

Model Random Forest (Breiman, 2001) dilatih menggunakan data referensi dari TimeSync dan data prediktor dari LandTrendr, CCDC, dan indeks medan untuk memprediksi perubahan tahunan, tutupan lahan, dan kelas penggunaan lahan. Setelah pemodelan, kami menetapkan serangkaian nilai minimum probabilitas dan set aturan menggunakan set data tambahan untuk meningkatkan kualitas output peta dan mengurangi komisi dan kelalaian. Informasi selengkapnya dapat ditemukan dalam Ringkasan Metode LCMS yang disertakan dalam Deskripsi.

Referensi Tambahan

Hubungi [sm.fs.lcms@usda.gov] jika ada pertanyaan atau permintaan data tertentu.

Band

Band

Ukuran piksel: 30 meter (semua band)

Nama Ukuran Piksel Deskripsi
Change 30 meter

Produk perubahan LCMS tematik akhir. Total tiga kelas perubahan (kehilangan lambat, kehilangan cepat, dan peningkatan) dipetakan untuk setiap tahun. Setiap class diprediksi menggunakan model Random Forest terpisah, yang menghasilkan probabilitas (proporsi pohon dalam model Random Forest) bahwa piksel termasuk dalam class tersebut. Oleh karena itu, setiap piksel memiliki tiga output model yang berbeda untuk setiap tahun. Class akhir ditetapkan ke class perubahan dengan probabilitas tertinggi yang juga berada di atas nilai minimum yang ditentukan. Piksel apa pun yang tidak memiliki nilai di atas nilai minimum masing-masing kelas akan ditetapkan ke kelas Stabil. Sebelum menetapkan kelas perubahan, aturan diterapkan ke semua area studi untuk mencegah perubahan pada penutup lahan non-vegetasi.
Land_Cover 30 meter

Produk penutup lahan LCMS tematik akhir. Sebanyak 14 kelas penutup lahan dipetakan setiap tahun menggunakan data referensi TimeSync dan informasi spektral yang berasal dari gambar Landsat. Setiap kelas diprediksi menggunakan model Random Forest terpisah, yang menghasilkan probabilitas (proporsi pohon dalam model Random Forest) bahwa piksel termasuk dalam kelas tersebut. Oleh karena itu, setiap piksel memiliki 14 output model yang berbeda untuk setiap tahun, dan kelas akhir ditetapkan ke penutup lahan dengan probabilitas tertinggi. Untuk Alaska Tenggara, sebelum menetapkan kelas penutup lahan dengan probabilitas tertinggi, aturan penutup lahan diterapkan untuk membatasi komisi kelas penutup lahan pohon dan salju di zona intertidal besar di permukaan laut. Tidak ada aturan penutup lahan yang diterapkan ke CONUS, Puerto Riko-Kepulauan Virgin AS, atau Hawaii. Tujuh dari 14 kelas penutup lahan menunjukkan satu penutup lahan, dengan jenis penutup lahan tersebut mencakup sebagian besar area piksel dan tidak ada kelas lain yang mencakup lebih dari 10% piksel. Ada juga tujuh kelas campuran. Kelas ini merepresentasikan piksel yang memiliki kelas penutup lahan tambahan yang mencakup setidaknya 10% piksel.
Land_Use 30 meter

Produk penggunaan lahan LCMS tematik akhir. Sebanyak 6 kelas penggunaan lahan dipetakan setiap tahun menggunakan data referensi TimeSync dan informasi spektral yang berasal dari gambar Landsat. Setiap kelas diprediksi menggunakan model Random Forest terpisah, yang menghasilkan probabilitas (proporsi pohon dalam model Random Forest) bahwa piksel termasuk dalam kelas tersebut. Oleh karena itu, setiap piksel memiliki 6 output model yang berbeda untuk setiap tahun, dan kelas akhir ditetapkan ke penggunaan lahan dengan probabilitas tertinggi. Sebelum menetapkan kelas penggunaan lahan dengan probabilitas tertinggi, serangkaian nilai minimum probabilitas dan set aturan menggunakan aturan penggunaan lahan set data tambahan diterapkan. Informasi selengkapnya tentang nilai minimum probabilitas dan set aturan dapat ditemukan dalam Ringkasan Metode LCMS yang disertakan dalam Deskripsi. Produk penggunaan lahan CONUS diperbarui pada 2 Juli 2024, untuk memperbaiki masalah pada kelas yang dikembangkan.
Change_Raw_Probability_Slow_Loss 30 meter

Probabilitas yang dimodelkan LCMS mentah untuk Slow Loss. Didefinisikan sebagai: Kehilangan Lambat mencakup class berikut dari interpretasi proses perubahan TimeSync:

  • Penurunan Struktural - Lahan tempat pohon atau vegetasi berkayu lainnya diubah secara fisik oleh kondisi pertumbuhan yang tidak menguntungkan yang disebabkan oleh faktor non-antropogenik atau non-mekanis. Jenis kehilangan ini umumnya akan menciptakan tren dalam sinyal spektral (misalnya, NDVI menurun, Kelembapan menurun, SWIR meningkat, dll.), tetapi trennya bisa jadi tidak terlihat jelas. Penurunan struktural terjadi di lingkungan vegetasi berkayu, kemungkinan besar disebabkan oleh serangga, penyakit, kekeringan, hujan asam, dll. Penurunan struktural dapat mencakup peristiwa defoliasi yang tidak menyebabkan kematian seperti pada infestasi ngengat gipsi dan kutu tunas cemara yang dapat pulih dalam 1 atau 2 tahun.

  • Penurunan Spektral - Plot yang menunjukkan tren sinyal spektral dalam satu atau beberapa indeks atau band spektral (misalnya, NDVI menurun, Kelembapan menurun; SWIR meningkat; dll.). Contohnya mencakup kasus saat: a) vegetasi non-hutan/non-berkayu menunjukkan tren yang mengarah pada penurunan (misalnya, NDVI menurun, Kelembapan menurun; SWIR meningkat; dll.), atau b) saat vegetasi berkayu menunjukkan tren penurunan yang tidak terkait dengan hilangnya vegetasi berkayu, seperti saat kanopi pohon dewasa menutup sehingga menyebabkan peningkatan bayangan, saat komposisi spesies berubah dari konifer ke kayu keras, atau saat periode kering (berbeda dengan kekeringan yang lebih kuat dan parah) menyebabkan penurunan kebugaran yang jelas, tetapi tidak ada hilangnya bahan berkayu atau area daun.
Change_Raw_Probability_Fast_Loss 30 meter

Probabilitas yang dimodelkan LCMS mentah untuk Kehilangan Cepat. Didefinisikan sebagai: Kehilangan Cepat mencakup kelas berikut dari interpretasi proses perubahan TimeSync-

  • Kebakaran - Lahan yang berubah akibat kebakaran, terlepas dari penyebab kebakaran (alami atau antropogenik), tingkat keparahan, atau penggunaan lahan.

  • Pemanenan - Lahan hutan tempat pohon, semak, atau vegetasi lainnya telah ditebang atau dihilangkan dengan cara antropogenik. Contohnya mencakup penebangan hutan, pemanenan kayu yang masih bisa digunakan setelah kebakaran atau wabah serangga, penjarangan, dan resep pengelolaan hutan lainnya (misalnya, pemanenan pohon pelindung/pohon benih).

  • Mekanis - Lahan non-hutan tempat pohon, semak, atau vegetasi lain telah dipotong atau dihilangkan secara mekanis dengan mengaitkan, mengikis, menggergaji semak, membuldozer, atau metode lain untuk menghilangkan vegetasi non-hutan.

  • Angin/es - Daratan (terlepas dari penggunaannya) yang vegetasinya berubah akibat angin dari hurikan, tornado, badai, dan peristiwa cuaca buruk lainnya termasuk hujan beku dari badai es.

  • Hidrologi - Lahan yang banjirnya telah mengubah secara signifikan tutupan berkayu atau elemen Tutupan lahan lainnya, terlepas dari penggunaan lahan (misalnya, campuran baru kerikil dan vegetasi di dalam dan di sekitar dasar sungai setelah banjir).

  • Puing - Tanah (terlepas dari penggunaannya) yang berubah akibat pergerakan material alami yang terkait dengan tanah longsor, salju longsor, gunung berapi, aliran puing, dll.

  • Lainnya - Lahan (terlepas dari penggunaannya) yang tren spektralnya atau bukti pendukung lainnya menunjukkan bahwa telah terjadi peristiwa gangguan atau perubahan, tetapi penyebab pastinya tidak dapat ditentukan atau jenis perubahan tidak memenuhi salah satu kategori proses perubahan yang ditentukan di atas.
Change_Raw_Probability_Gain 30 meter

Probabilitas Perolehan yang dimodelkan LCMS mentah. Didefinisikan sebagai: Lahan yang menunjukkan peningkatan tutupan vegetasi karena pertumbuhan dan suksesi selama satu tahun atau lebih. Berlaku untuk area mana pun yang dapat menunjukkan perubahan spektral yang terkait dengan pertumbuhan kembali vegetasi. Di area yang dibangun, pertumbuhan dapat terjadi karena vegetasi yang matang dan/atau halaman dan lanskap yang baru dipasang. Di hutan, pertumbuhan mencakup pertumbuhan vegetasi dari tanah kosong, serta pertumbuhan pohon yang lebih tinggi dan/atau rumput dan semak yang lebih rendah. Segmen Pertumbuhan/Pemulihan yang direkam setelah panen hutan kemungkinan akan bertransisi melalui berbagai kelas tutupan lahan saat hutan beregenerasi. Agar perubahan ini dianggap sebagai pertumbuhan/pemulihan, nilai spektral harus mengikuti garis tren yang meningkat (misalnya, kemiringan positif yang, jika diperpanjang hingga ~20 tahun, akan memiliki urutan 0,10 unit NDVI) yang berlanjut selama beberapa tahun.
Land_Cover_Raw_Probability_Trees 30 meter

Probabilitas yang dimodelkan LCMS mentah dari Pohon. Didefinisikan sebagai: Sebagian besar piksel terdiri dari pohon yang masih hidup atau pohon yang mati.
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix 30 meter

Probabilitas yang dimodelkan LCMS mentah dari Campuran Semak dan Pohon Tinggi (Khusus SEAK). Didefinisikan sebagai: Sebagian besar piksel terdiri dari semak-semak yang tingginya lebih dari 1 m dan juga terdiri dari setidaknya 10% pepohonan yang masih hidup atau mati.
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix 30 meter

Probabilitas yang dimodelkan LCMS mentah untuk Campuran Semak dan Pohon. Didefinisikan sebagai: Sebagian besar piksel terdiri dari semak dan juga terdiri dari setidaknya 10% pohon hidup atau pohon mati yang masih berdiri.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix 30 meter

Probabilitas yang dimodelkan LCMS mentah dari Campuran Rumput/Herba/Terna dan Pohon. Didefinisikan sebagai: Sebagian besar piksel terdiri dari rumput abadi, forba, atau bentuk vegetasi herba lainnya dan juga terdiri dari setidaknya 10% pohon hidup atau pohon mati yang berdiri.
Land_Cover_Raw_Probability_Barren-and-Trees-Mix 30 meter

Probabilitas yang dimodelkan LCMS mentah dari Barren dan Trees Mix. Didefinisikan sebagai: Sebagian besar piksel terdiri dari tanah kosong yang terpapar akibat gangguan (misalnya, tanah yang tidak tertutup akibat pembukaan lahan mekanis atau panen hutan), serta area tandus abadi seperti gurun, playa, singkapan batuan (termasuk mineral dan bahan geologis lainnya yang terpapar akibat aktivitas penambangan permukaan), bukit pasir, dataran garam, dan pantai. Jalan yang terbuat dari tanah dan kerikil juga dianggap tandus dan juga terdiri dari setidaknya 10% pohon hidup atau pohon mati yang masih berdiri.
Land_Cover_Raw_Probability_Tall-Shrubs 30 meter

Probabilitas yang dimodelkan LCMS mentah untuk Semak Tinggi (Khusus SEAK). Didefinisikan sebagai: Sebagian besar piksel terdiri dari semak-semak yang tingginya lebih dari 1 m.
Land_Cover_Raw_Probability_Shrubs 30 meter

Probabilitas yang dimodelkan LCMS mentah dari Semak. Didefinisikan sebagai: Sebagian besar piksel terdiri dari semak.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix 30 meter

Probabilitas yang dimodelkan LCMS mentah dari Campuran Rumput/Forb/Herba dan Semak. Didefinisikan sebagai: Sebagian besar piksel terdiri dari rumput abadi, forba, atau bentuk vegetasi herba lainnya dan juga terdiri dari minimal 10% semak.
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix 30 meter

Probabilitas yang dimodelkan LCMS mentah dari Barren and Shrubs Mix. Didefinisikan sebagai: Sebagian besar piksel terdiri dari tanah kosong yang terpapar akibat gangguan (misalnya, tanah yang tidak tertutup akibat pembukaan lahan mekanis atau panen hutan), serta area tandus abadi seperti gurun, playa, singkapan batuan (termasuk mineral dan bahan geologis lainnya yang terpapar akibat aktivitas penambangan permukaan), bukit pasir, dataran garam, dan pantai. Jalan yang terbuat dari tanah dan kerikil juga dianggap tandus dan juga terdiri dari setidaknya 10% semak.
Land_Cover_Raw_Probability_Grass-Forb-Herb 30 meter

Probabilitas yang dimodelkan LCMS mentah dari Grass/Forb/Herb. Didefinisikan sebagai: Sebagian besar piksel terdiri dari rumput abadi, forba, atau bentuk vegetasi herba lainnya.
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix 30 meter

Probabilitas yang dimodelkan LCMS mentah untuk Barren dan Grass/Forb/Herb Mix. Didefinisikan sebagai: Sebagian besar piksel terdiri dari tanah gundul yang terpapar akibat gangguan (misalnya, tanah yang tidak tertutup akibat pembukaan lahan mekanis atau panen hutan), serta area gundul abadi seperti gurun, playa, singkapan batuan (termasuk mineral dan bahan geologi lainnya yang terpapar akibat aktivitas penambangan permukaan), bukit pasir, dataran garam, dan pantai. Jalan yang terbuat dari tanah dan kerikil juga dianggap gundul dan juga terdiri dari setidaknya 10% rumput abadi, forba, atau bentuk vegetasi herba lainnya.
Land_Cover_Raw_Probability_Barren-or-Impervious 30 meter

Probabilitas yang dimodelkan LCMS mentah untuk Barren atau Impervious. Didefinisikan sebagai: Sebagian besar piksel terdiri dari 1.) tanah kosong yang terpapar akibat gangguan (misalnya, tanah yang tidak tertutup akibat pembukaan lahan mekanis atau panen hutan), serta area tandus abadi seperti gurun, playa, singkapan batuan (termasuk mineral dan bahan geologis lainnya yang terpapar akibat aktivitas penambangan permukaan), bukit pasir, dataran garam, dan pantai. Jalan yang terbuat dari tanah dan kerikil juga dianggap tandus atau 2.) bahan buatan manusia yang tidak dapat ditembus air, seperti jalan beraspal, atap, dan tempat parkir.
Land_Cover_Raw_Probability_Snow-or-Ice 30 meter

Probabilitas yang dimodelkan LCMS mentah untuk Salju atau Es. Ditentukan sebagai: Sebagian besar piksel terdiri dari salju atau es.
Land_Cover_Raw_Probability_Water 30 meter

Probabilitas yang dimodelkan LCMS mentah untuk Air. Didefinisikan sebagai: Sebagian besar piksel terdiri dari air.
Land_Use_Raw_Probability_Agriculture 30 meter

Probabilitas yang dimodelkan LCMS mentah untuk Pertanian. Didefinisikan sebagai: Lahan yang digunakan untuk produksi makanan, serat, dan bahan bakar yang berada dalam kondisi bervegetasi atau tidak bervegetasi. Hal ini mencakup, tetapi tidak terbatas pada, lahan pertanian yang diolah dan tidak diolah, lahan jerami, kebun buah, kebun anggur, operasi peternakan tertutup, dan area yang ditanami untuk produksi buah, kacang, atau beri. Jalan yang digunakan terutama untuk penggunaan pertanian (yaitu tidak digunakan untuk transportasi umum dari kota ke kota) dianggap sebagai penggunaan lahan pertanian.
Land_Use_Raw_Probability_Developed 30 meter

Probabilitas yang dimodelkan LCMS mentah untuk Dikembangkan. Didefinisikan sebagai: Lahan yang tertutup oleh struktur buatan manusia (misalnya, perumahan dengan kepadatan tinggi, komersial, industri, pertambangan, atau transportasi), atau campuran antara vegetasi (termasuk pepohonan) dan struktur (misalnya, perumahan dengan kepadatan rendah, halaman, fasilitas rekreasi, pemakaman, koridor transportasi dan utilitas, dll.), termasuk lahan apa pun yang secara fungsional diubah oleh aktivitas manusia.
Land_Use_Raw_Probability_Forest 30 meter

Probabilitas hutan yang dimodelkan LCMS mentah. Didefinisikan sebagai: Lahan yang ditanami atau ditumbuhi vegetasi secara alami dan yang berisi (atau kemungkinan berisi) tutupan pohon sebesar 10% atau lebih pada suatu waktu selama urutan suksesi jangka pendek. Hal ini dapat mencakup kategori hutan alami, hutan tanaman, dan lahan basah berkayu yang gugur daun, hijau abadi, dan/atau campuran.
Land_Use_Raw_Probability_Non-Forest-Wetland 30 meter

Probabilitas yang dimodelkan LCMS mentah dari Lahan Basah Non-Hutan. Didefinisikan sebagai: Lahan yang berdekatan dengan atau berada di dalam permukaan air yang terlihat (jenuh secara permanen atau musiman) yang didominasi oleh semak atau tanaman yang terus muncul. Lahan basah ini dapat terletak di sisi danau, saluran sungai, atau muara; di dataran banjir sungai; di daerah aliran sungai terpencil; atau di lereng. Lahan basah juga dapat berupa lubang di padang rumput, parit drainase, dan kolam ternak di lanskap pertanian, serta dapat muncul sebagai pulau di tengah danau atau sungai. Contoh lainnya juga mencakup rawa, rawa gambut, rawa berair, rawa berlumpur, rawa lumut, rawa dangkal, rawa gambut, dan sungai kecil.
Land_Use_Raw_Probability_Other 30 meter

Probabilitas yang dimodelkan LCMS mentah untuk Lainnya. Ditentukan sebagai: Lahan (terlepas dari penggunaannya) yang tren spektralnya atau bukti pendukung lainnya menunjukkan bahwa telah terjadi peristiwa gangguan atau perubahan, tetapi penyebab pastinya tidak dapat ditentukan atau jenis perubahannya tidak memenuhi salah satu kategori proses perubahan yang ditentukan di atas.
Land_Use_Raw_Probability_Rangeland-or-Pasture 30 meter

Probabilitas yang dimodelkan LCMS mentah dari Padang Rumput atau Pastura. Didefinisikan sebagai: Class ini mencakup area mana pun yang merupakan a.) Padang rumput, tempat vegetasi merupakan campuran rumput asli, semak, herba, dan tanaman seperti rumput yang sebagian besar muncul dari faktor dan proses alami seperti curah hujan, suhu, ketinggian, dan kebakaran, meskipun pengelolaan terbatas dapat mencakup pembakaran yang terkontrol serta penggembalaan oleh herbivora domestik dan liar; atau b.) Padang rumput, tempat vegetasi dapat berkisar dari campuran, sebagian besar rumput alami, forba, dan herba hingga vegetasi yang lebih dikelola yang didominasi oleh spesies rumput yang telah disemai dan dikelola untuk mempertahankan hampir monokultur.
QA_Bits 30 meter

Informasi tambahan tentang asal nilai output produk LCMS tahunan.

Tabel Class Perubahan

Nilai Warna Deskripsi
1 #3d4551

Stabil
2 #f39268

Kehilangan Lambat
3 #d54309

Kehilangan Cepat
4 #00a398

Tingkat input
5 #1b1716

Masker Area Non-Pemrosesan

Tabel Class Land_Cover

Nilai Warna Deskripsi
1 #005e00

Pohon
2 #008000

Campuran Semak & Pohon Tinggi (Khusus SEAK)
3 #00cc00

Campuran Semak & Pohon
4 #b3ff1a

Campuran Rumput/Forb/Herba & Pohon
5 #99ff99

Campuran Lahan Kosong & Pohon
6 #b30088

Perdu Tinggi (Khusus SEAK)
7 #e68a00

Perdu
8 #ffad33

Campuran Rumput/Herba/Terna & Semak
9 #ffe0b3

Campuran Semak & Tanah Tandus
10 #ffff00

Rumput/Forb/Herba
11 #aa7700

Campuran Rumput/Forb/Herba di Lahan Tandus
12 #d3bf9b

Gersang atau Tidak Permeabel
13 #ffffff

Salju atau Es
14 #4780f3

Air
15 #1b1716

Masker Area Non-Pemrosesan

Tabel Class Penggunaan Lahan

Nilai Warna Deskripsi
1 #efff6b

Agrikultura
2 #ff2ff8

Dikembangkan
3 #1b9d0c

Hutan
4 #97ffff

Lahan Basah Non-Hutan
5 #a1a1a1

Lainnya
6 #c2b34a

Padang Rumput atau Padang Gembalaan
7 #1b1716

Masker Area Non-Pemrosesan

Properti Gambar

Properti Gambar

Nama Jenis Deskripsi
study_area STRING

LCMS saat ini mencakup Amerika Serikat yang berbatasan, Alaska Tenggara, Puerto Riko-Kepulauan Virgin Amerika Serikat, dan Hawaii. Versi ini berisi output di seluruh Amerika Serikat yang berbatasan, Alaska Tenggara, Puerto Riko-Kepulauan Virgin AS, dan Hawaii. Kemungkinan nilai: 'CONUS, SEAK, PRUSVI, HI'
tahun INT

Tahun produk

Persyaratan Penggunaan

Persyaratan Penggunaan

USDA Forest Service tidak memberikan jaminan, baik tersurat maupun tersirat, termasuk jaminan kelayakan untuk diperdagangkan dan kesesuaian untuk tujuan tertentu, serta tidak memikul kewajiban atau tanggung jawab hukum apa pun atas akurasi, keandalan, kelengkapan, atau kegunaan data geospasial ini, atau atas penggunaan data geospasial ini yang tidak tepat atau salah. Data geospasial ini dan peta atau grafik terkait bukan merupakan dokumen hukum dan tidak dimaksudkan untuk digunakan sebagai dokumen hukum. Data dan peta tidak boleh digunakan untuk menentukan hak atas tanah, kepemilikan, deskripsi atau batas hukum, yurisdiksi hukum, atau batasan yang mungkin berlaku di lahan publik atau pribadi. Bahaya alam mungkin atau mungkin tidak digambarkan dalam data dan peta, dan pengguna lahan harus berhati-hati. Data bersifat dinamis dan dapat berubah seiring waktu. Pengguna bertanggung jawab untuk memverifikasi batasan data geospasial dan menggunakan data tersebut dengan tepat.

Data ini dikumpulkan menggunakan pendanaan dari Pemerintah AS dan dapat digunakan tanpa izin atau biaya tambahan. Jika Anda menggunakan data ini dalam publikasi, presentasi, atau produk riset lainnya, harap gunakan kutipan berikut:

USDA Forest Service. 2024. USFS Landscape Change Monitoring System v2023.9 (Conterminous United States and Outer Conterminous United States). Salt Lake City, Utah.

Kutipan

Kutipan:

  • USDA Forest Service. 2024. USFS Landscape Change Monitoring System v2023.9 (Conterminous United States dan Outer Conterminous United States). Salt Lake City, Utah.

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

  • Chastain, R., Housman, I., Goldstein, J., Finco, M., dan Tenneson, K., 2019. Perbandingan lintas sensor empiris karakteristik spektral atas atmosfer Sentinel-2A dan 2B MSI, Landsat-8 OLI, dan Landsat-7 ETM di seluruh Amerika Serikat yang berdekatan. Dalam Remote Sensing of Environment. Science Direct, 221: 274-285. doi:10.1016/j.rse.2018.11.012

  • Cohen, W. B., Yang, Z., dan Kennedy, R., 2010. Mendeteksi tren gangguan dan pemulihan hutan menggunakan deret waktu Landsat tahunan: 2. TimeSync - Alat untuk kalibrasi dan validasi. Dalam Remote Sensing of Environment. Science Direct, 114(12): 2911-2924. doi:10.1016/j.rse.2010.07.010

  • Cohen, W. B., Yang, Z., Healey, S. P., Kennedy, R. E., dan Gorelick, N., 2018. Ensemble multispektral LandTrendr untuk deteksi gangguan hutan. Dalam Remote Sensing of Environment. Science Direct, 205: 131-140. doi:10.1016/j.rse.2017.11.015

  • Foga, S., Scaramuzza, P.L., Guo, S., Zhu, Z., Dilley, R.D., Beckmann, T., Schmidt, G.L., Dwyer, J.L., Hughes, M.J., Laue, B., 2017. Perbandingan dan validasi algoritma deteksi awan untuk produk data Landsat operasional. Dalam Remote Sensing of Environment. Science Direct, 194: 379-390. doi:10.1016/j.rse.2017.03.026

  • U.S. Geological Survey, 2019. Model Ketinggian Digital Program Ketinggian 3D USGS, diakses Agustus 2022 di https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m

  • Healey, S. P., Cohen, W. B., Yang, Z., Kenneth Brewer, C., Brooks, E. B., Gorelick, N., Hernandez, A. J., Huang, C., Joseph Hughes, M., Kennedy, R. E., Loveland, T. R., Moisen, G. G., Schroeder, T. A., Stehman, S. V., Vogelmann, J. E., Woodcock, C. E., Yang, L., dan Zhu, Z., 2018. Pemetaan perubahan hutan menggunakan generalisasi bertumpuk: Pendekatan ensemble. In Remote Sensing of Environment. Science Direct, 204: 717-728. doi:10.1016/j.rse.2017.09.029

  • Kennedy, R. E., Yang, Z., dan Cohen, W. B., 2010. Mendeteksi tren dalam gangguan dan pemulihan hutan menggunakan deret waktu Landsat tahunan: 1. LandTrendr - Algoritma segmentasi temporal. Dalam 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., dan Healey, S. 2018. Penerapan Algoritma LandTrendr di Google Earth Engine. Dalam Penginderaan Jauh. MDPI, 10(5): 691. doi:10.3390/rs10050691

  • Pasquarella, V. J., Brown, C. F., Czerwinski, W., dan Rucklidge, W. J., 2023. Comprehensive Quality Assessment of Optical Satellite Imagery Using Weakly Supervised Video Learning. Dalam Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2125-2135. doi:10.1109/CVPRW59228.2023.00206

  • Sentinel-Hub, 2021. Detektor Awan Sentinel 2. [Online]. Tersedia di: https://github.com/sentinel-hub/sentinel2-cloud-detector

  • Weiss, A.D., 2001. Analisis posisi topografi dan bentuk lahan Presentasi Poster, ESRI Users Conference, San Diego, CAZhu, Z., dan Woodcock, C. E. 2012. Deteksi awan dan bayangan awan berbasis objek dalam gambar Landsat. 118: 83-94.

  • Zhu, Z., dan Woodcock, C. E., 2012. Deteksi awan dan bayangan awan berbasis objek dalam gambar Landsat. Dalam Remote Sensing of Environment. Science Direct, 118: 83-94. doi:10.1016/j.rse.2011.10.028

  • Zhu, Z., dan Woodcock, C. E., 2014. Deteksi perubahan berkelanjutan dan klasifikasi penutup lahan menggunakan semua data Landsat yang tersedia. Dalam Remote Sensing of Environment. Science Direct, 144: 152-171. doi:10.1016/j.rse.2014.01.011

DOI

Mengeksplorasi dengan Earth Engine

Editor Kode (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);
Buka di Editor Kode
Produk ini adalah bagian dari rangkaian data Sistem Pemantauan Perubahan Lanskap (LCMS). Data ini menampilkan perubahan yang dimodelkan LCMS, kelas tutupan lahan, dan/atau kelas penggunaan lahan untuk setiap tahun yang mencakup Conterminous United States (CONUS) dan area di luar CONUS (OCONUS) yang mencakup Southeastern Alaska (SEAK), Puerto Rico-US Virgin Islands (PRUSVI), dan …
USFS/GTAC/LCMS/v2023-9, deteksi-perubahan,hutan,gtac,tutupan lahan,turunan-landsat,penggunaan lahan,penggunaan lahan-tutupan lahan,lcms,redcastle-resources,turunan-sentinel,deret waktu,usda,usfs
1985-01-01T00:00:00Z/2023-12-31T00:00:00Z
20.38379 -135.286387 52.459364 -56.446306
Google Earth Engine