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

USFS/GTAC/LCMS/v2023-9
Disponibilità set di dati
1985-01-01T00:00:00Z–2023-12-31T00:00:00Z
Produttore del set di dati
Snippet Earth Engine
ee.ImageCollection("USFS/GTAC/LCMS/v2023-9")
Tag
change-detection
foresta
gtac
copertura del suolo
derivato da Landsat
landuse
landuse-landcover
lcms
redcastle-resources
derivato da sentinel
serie temporale
usda
usfs

Descrizione

Questo prodotto fa parte della suite di dati del sistema di monitoraggio dei cambiamenti del paesaggio (LCMS). Mostra le classi di cambiamento, copertura del suolo e/o uso del suolo modellate con LCMS per ogni anno che copre gli Stati Uniti contigui (CONUS) e le aree al di fuori del CONUS (OCONUS) che includono il sud-est dell'Alaska (SEAK), Porto Rico e le Isole Vergini Americane (PRUSVI) e le Hawaii (HI).

LCMS è un sistema basato sul telerilevamento per mappare e monitorare i cambiamenti del paesaggio negli Stati Uniti. Il suo obiettivo è sviluppare un approccio coerente utilizzando le tecnologie più recenti e i progressi nel rilevamento dei cambiamenti per produrre una mappa "migliore disponibile" dei cambiamenti del paesaggio.

Gli output includono tre prodotti annuali: cambiamento, copertura del suolo e uso del suolo. La modifica riguarda specificamente la copertura vegetale e include la perdita lenta, la perdita rapida (che include anche modifiche idrologiche come inondazioni o essiccazione) e l'aumento. Questi valori vengono previsti per ogni anno della serie temporale Landsat e fungono da prodotti di base per LCMS. Le mappe della copertura e dell'utilizzo del suolo mostrano la copertura del suolo a livello di forma di vita e l'utilizzo del suolo a livello generale per ogni anno.

Poiché nessun algoritmo funziona meglio in tutte le situazioni, LCMS utilizza un insieme di modelli come predittori, il che migliora l'accuratezza della mappa in una serie di ecosistemi e processi di cambiamento (Healey et al., 2018). La suite risultante di mappe di cambiamento di LCMS, copertura del suolo e uso del suolo offre una rappresentazione olistica del cambiamento del paesaggio negli Stati Uniti dal 1985.

I livelli predittori per il modello LCMS includono output degli algoritmi di rilevamento delle modifiche LandTrendr e CCDC e informazioni sul terreno. Questi componenti vengono tutti accessibili ed elaborati utilizzando Google Earth Engine (Gorelick et al., 2017).

Per CCDC, sono stati utilizzati i dati di riflettanza di superficie Landsat Tier 1 della raccolta 2 dell'USGS (United States Geological Survey) per CONUS e i dati di riflettanza della parte superiore dell'atmosfera Landsat Tier 1 per SEAK, PRUSVI e HI. Per produrre compositi annuali per LandTrendr, sono stati utilizzati i dati di riflettanza della parte superiore dell'atmosfera Landsat Tier 1 e Sentinel 2A, 2B di livello 1C della raccolta 2 dell'USGS. L'algoritmo di mascheramento delle nuvole cFmask (Foga et al., 2017), che è un'implementazione di Fmask 2.0 (Zhu e Woodcock, 2012) (solo Landsat), cloudScore (Chastain et al., 2019) (solo Landsat), s2cloudless (Sentinel-Hub, 2021) e Cloud Score plus (Pasquarella et al., 2023) (solo Sentinel 2) vengono utilizzati per mascherare le nuvole, mentre TDOM (Chastain et al., 2019) viene utilizzato per mascherare le ombre delle nuvole (Landsat e Sentinel 2). Per LandTrendr, viene quindi calcolato il medoide annuale per riassumere i valori senza nuvole e ombre di nuvole di ogni anno in un unico composito.

La serie temporale composita viene segmentata temporalmente utilizzando LandTrendr (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).

Tutti i valori senza nuvole e ombre delle nuvole vengono segmentati anche temporalmente utilizzando l'algoritmo CCDC (Zhu e Woodcock, 2014).

I dati del predittore includono valori compositi grezzi, valori adattati di LandTrendr, differenze a coppie, durata del segmento, entità e pendenza della variazione, nonché coefficienti seno e coseno CCDC (prime tre armoniche), valori adattati e differenze a coppie, oltre a elevazione, pendenza, seno dell'aspetto, coseno dell'aspetto e indici di posizione topografica (Weiss, 2001) dai dati del programma 3D Elevation Program (3DEP) dell'USGS a 10 m (U.S. Geological Survey, 2019).

I dati di riferimento vengono raccolti utilizzando TimeSync, uno strumento basato sul web che aiuta gli analisti a visualizzare e interpretare il record di dati Landsat dal 1984 a oggi (Cohen et al., 2010).

I modelli Random Forests (Breiman, 2001) sono stati addestrati utilizzando dati di riferimento di TimeSync e dati predittori di LandTrendr, CCDC e indici del terreno per prevedere le classi di cambiamento annuale, copertura del suolo e uso del suolo. Dopo la modellazione, abbiamo stabilito una serie di soglie di probabilità e insiemi di regole utilizzando set di dati ausiliari per migliorare gli output delle mappe qualitative e ridurre commissioni e omissioni. Per saperne di più, consulta il documento LCMS Methods Brief incluso nella descrizione.

Risorse aggiuntive

Contatta [sm.fs.lcms@usda.gov] per eventuali domande o richieste di dati specifiche.

Bande

Bande

Dimensioni pixel: 30 metri (tutte le bande)

Nome Dimensioni dei pixel Descrizione
Change 30 metri

Prodotto finale di modifica LCMS tematica. Per ogni anno vengono mappate un totale di tre classi di modifica (perdita lenta, perdita rapida e aumento). Ogni classe viene prevista utilizzando un modello Random Forest separato, che restituisce una probabilità (proporzione degli alberi all'interno del modello Random Forest) che il pixel appartenga a quella classe. Per questo motivo, i singoli pixel hanno tre diversi output del modello per ogni anno. Le classi finali vengono assegnate alla classe di modifica con la probabilità più alta che sia anche superiore a una soglia specificata. A qualsiasi pixel che non abbia alcun valore superiore alla soglia rispettiva di ogni classe viene assegnata la classe Stabile. Prima di assegnare la classe di modifica, è stata applicata una regola a tutte le aree di studio per impedire la modifica della copertura del suolo non vegetata.
Land_Cover 30 metri

Prodotto finale di copertura del suolo LCMS tematico. Un totale di 14 classi di copertura del suolo vengono mappate su base annua utilizzando dati di riferimento TimeSync e informazioni spettrali derivate dalle immagini Landsat. Ogni classe viene prevista utilizzando un modello Random Forest separato, che restituisce una probabilità (proporzione degli alberi all'interno del modello Random Forest) che il pixel appartenga a quella classe. Per questo motivo, i singoli pixel hanno 14 output di modelli diversi per ogni anno e le classi finali vengono assegnate alla copertura del suolo con la probabilità più alta. Per il sud-est dell'Alaska, prima di assegnare la classe di copertura del suolo con la probabilità più alta, è stata implementata una regola di copertura del suolo per limitare la commissione della classe di copertura del suolo di alberi e neve nelle grandi zone intertidali a livello del mare. Non sono state applicate regole di copertura del territorio a CONUS, Portorico-Isole Vergini Americane o Hawaii. Sette delle 14 classi di copertura del terreno indicano una singola copertura del terreno, in cui questo tipo di copertura del terreno copre la maggior parte dell'area del pixel e nessun'altra classe copre più del 10% del pixel. Sono disponibili anche sette corsi misti. Questi rappresentano i pixel in cui un'ulteriore classe di copertura del suolo copre almeno il 10% del pixel.
Land_Use 30 metri

Prodotto finale di utilizzo del suolo LCMS tematico. Un totale di sei classi di utilizzo del suolo vengono mappate su base annua utilizzando dati di riferimento TimeSync e informazioni spettrali derivate dalle immagini Landsat. Ogni classe viene prevista utilizzando un modello Random Forest separato, che restituisce una probabilità (proporzione degli alberi all'interno del modello Random Forest) che il pixel appartenga a quella classe. Per questo motivo, i singoli pixel hanno 6 output di modelli diversi per ogni anno e le classi finali vengono assegnate all'uso del suolo con la probabilità più alta. Prima di assegnare la classe di utilizzo del territorio con la probabilità più alta, sono state applicate una serie di soglie di probabilità e set di regole utilizzando regole di utilizzo del territorio di set di dati ausiliari. Maggiori informazioni sulle soglie di probabilità e sui set di regole sono disponibili nel documento LCMS Methods Brief incluso nella descrizione. Il prodotto CONUS land use è stato aggiornato il 2 luglio 2024 per correggere un problema relativo alla classe sviluppata.
Change_Raw_Probability_Slow_Loss 30 metri

Probabilità modellata di perdita lenta di LCMS grezza. Definito come: la perdita lenta include le seguenti classi dall'interpretazione della procedura di modifica di TimeSync:

  • Declino strutturale: terreno in cui alberi o altra vegetazione legnosa vengono alterati fisicamente da condizioni di crescita sfavorevoli causate da fattori non antropogenici o non meccanici. Questo tipo di perdita dovrebbe generalmente creare una tendenza nei segnali spettrali (ad es. NDVI in diminuzione, umidità in diminuzione, SWIR in aumento e così via), ma la tendenza può essere sottile. Il declino strutturale si verifica negli ambienti con vegetazione legnosa, molto probabilmente a causa di insetti, malattie, siccità, pioggia acida e così via. Il declino strutturale può includere eventi di defogliazione che non comportano mortalità, come nel caso di infestazioni di falena zingara e tortrice del bocciolo dell'abete rosso, che possono recuperare entro 1 o 2 anni.

  • Declino spettrale: un grafico in cui il segnale spettrale mostra una tendenza in una o più bande o indici spettrali (ad es. NDVI in diminuzione, umidità in diminuzione, SWIR in aumento e così via). Gli esempi includono i casi in cui: a) la vegetazione non forestale/non legnosa mostra una tendenza al declino (ad es. NDVI in diminuzione, umidità in diminuzione; SWIR in aumento; ecc.) oppure b) la vegetazione legnosa mostra una tendenza al declino non correlata alla perdita di vegetazione legnosa, ad esempio quando le chiome degli alberi maturi si chiudono, con conseguente aumento dell'ombreggiatura, quando la composizione delle specie cambia da conifere a latifoglie o quando un periodo di siccità (anziché una siccità più forte e acuta) causa un apparente declino della vigoria, ma nessuna perdita di materiale legnoso o superficie fogliare.
Change_Raw_Probability_Fast_Loss 30 metri

Probabilità modellata di perdita rapida di LCMS grezza. Definito come: Fast Loss include le seguenti classi dall'interpretazione della procedura di modifica di TimeSync:

  • Incendio: terreno alterato da un incendio, indipendentemente dalla causa dell'accensione (naturale o antropogenica), dalla gravità o dall'uso del terreno.

  • Raccolto: terreno forestale in cui alberi, arbusti o altra vegetazione sono stati tagliati o rimossi con mezzi antropogenici. Alcuni esempi includono il taglio raso, il taglio di recupero dopo incendi o infestazioni di insetti, il diradamento e altre prescrizioni di gestione forestale (ad es. taglio di protezione/taglio di sementi).

  • Meccanica: terreno non forestale in cui alberi, arbusti o altra vegetazione sono stati tagliati o rimossi meccanicamente mediante incatenamento, raschiatura, taglio di arbusti, bulldozer o qualsiasi altro metodo di rimozione della vegetazione non forestale.

  • Vento/ghiaccio - Terreno (indipendentemente dall'uso) in cui la vegetazione è alterata dal vento di uragani, tornado, tempeste e altri eventi meteorologici gravi, inclusa la pioggia che si congela al suolo delle tempeste di ghiaccio.

  • Idrologia: terreno in cui le inondazioni hanno alterato in modo significativo la copertura legnosa o altri elementi della copertura del suolo indipendentemente dall'uso del suolo (ad es. nuove miscele di ghiaia e vegetazione all'interno e intorno ai letti dei corsi d'acqua dopo un'inondazione).

  • Detriti - Terreno (indipendentemente dall'uso) alterato dal movimento di materiale naturale associato a frane, valanghe, vulcani, colate detritiche e così via.

  • Altro: terreno (indipendentemente dall'uso) in cui la tendenza spettrale o altre prove a supporto suggeriscono che si è verificato un evento di disturbo o cambiamento, ma la causa definitiva non può essere determinata o il tipo di cambiamento non rientra in nessuna delle categorie di processo di cambiamento definite sopra.
Change_Raw_Probability_Gain 30 metri

Probabilità di guadagno modellata LCMS non elaborata. Definizione: terreno che mostra un aumento della copertura vegetativa dovuto alla crescita e alla successione in uno o più anni. Applicabile a tutte le aree che potrebbero esprimere un cambiamento spettrale associato alla ricrescita della vegetazione. Nelle aree sviluppate, la crescita può derivare dalla vegetazione matura e/o da prati e paesaggi appena installati. Nelle foreste, la crescita include la crescita della vegetazione dal terreno nudo, nonché la crescita eccessiva di alberi intermedi e codominanti e/o di erbe e arbusti più bassi. I segmenti di crescita/recupero registrati dopo il taglio della foresta probabilmente passeranno attraverso diverse classi di copertura del terreno man mano che la foresta si rigenera. Affinché queste modifiche vengano considerate crescita/recupero, i valori spettrali devono seguire da vicino una linea di tendenza crescente (ad es. una pendenza positiva che, se estesa a circa 20 anni, sarebbe dell'ordine di 0,10 unità di NDVI) che persiste per diversi anni.
Land_Cover_Raw_Probability_Trees 30 metri

Probabilità modellata LCMS non elaborata degli alberi. Definizione: la maggior parte del pixel è costituita da alberi vivi o morti in piedi.
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix 30 metri

Probabilità modellata LCMS grezza di mix di arbusti alti e alberi (solo SEAK). Definito come: la maggior parte dei pixel è costituita da arbusti di altezza superiore a 1 metro ed è anche costituita da almeno il 10% di alberi vivi o morti in piedi.
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix 30 metri

Probabilità modellata LCMS non elaborata di mix di arbusti e alberi. Definizione: la maggior parte dei pixel è costituita da arbusti e da almeno il 10% di alberi vivi o morti in piedi.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix 30 metri

Probabilità modellata LCMS non elaborata di mix di erba/forb/erbe e alberi. Definizione: la maggior parte del pixel è costituita da erbe perenni, erbe non graminacee o altre forme di vegetazione erbacea ed è costituita anche da almeno il 10% di alberi vivi o morti in piedi.
Land_Cover_Raw_Probability_Barren-and-Trees-Mix 30 metri

Probabilità modellata LCMS non elaborata di Barren and Trees Mix. Definito come: la maggior parte del pixel è costituita da terreno nudo esposto a disturbi (ad es. terreno scoperto da disboscamento meccanico o raccolta forestale), nonché da aree perennemente aride come deserti, playas, affioramenti rocciosi (inclusi minerali e altri materiali geologici esposti da attività di estrazione mineraria di superficie), dune di sabbia, saline e spiagge. Anche le strade sterrate e ghiaiose sono considerate aride e sono composte da almeno il 10% di alberi vivi o morti in piedi.
Land_Cover_Raw_Probability_Tall-Shrubs 30 metri

Probabilità modellata LCMS grezza di arbusti alti (solo SEAK). Definizione: la maggior parte del pixel è costituita da arbusti di altezza superiore a 1 metro.
Land_Cover_Raw_Probability_Shrubs 30 metri

Probabilità modellata LCMS non elaborata di Arbusti. Definito come: la maggior parte del pixel è costituita da arbusti.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix 30 metri

Probabilità modellata LCMS grezza di mix di erba/erbe/arbusti. Definito come: la maggior parte del pixel è costituita da erbe perenni, erbe o altre forme di vegetazione erbacea ed è costituita anche da almeno il 10% di arbusti.
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix 30 metri

Probabilità modellata LCMS grezza di mix di sterili e arbusti. Definita come: la maggior parte del pixel è costituita da terreno nudo esposto a disturbi (ad es. terreno scoperto da disboscamento meccanico o raccolta forestale), nonché da aree perennemente sterili come deserti, playas, affioramenti rocciosi (inclusi minerali e altri materiali geologici esposti da attività di estrazione di superficie), dune di sabbia, saline e spiagge. Anche le strade sterrate e ghiaiose sono considerate sterili e sono costituite da almeno il 10% di arbusti.
Land_Cover_Raw_Probability_Grass-Forb-Herb 30 metri

Probabilità modellata LCMS grezza di erba/erba/erba. Definizione: la maggior parte del pixel è composta da erbe perenni, erbe o altre forme di vegetazione erbacea.
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix 30 metri

Probabilità modellata LCMS non elaborata di Barren e Grass/Forb/Herb Mix. Definizione: la maggior parte del pixel è costituita da terreno nudo esposto a disturbi (ad es. terreno scoperto da disboscamento meccanico o raccolta forestale), nonché da aree perennemente aride come deserti, playa, affioramenti rocciosi (inclusi minerali e altri materiali geologici esposti da attività minerarie di superficie), dune di sabbia, saline e spiagge. Anche le strade sterrate e ghiaiose sono considerate aride e sono composte da almeno il 10% di erbe perenni, erbe non graminacee o altre forme di vegetazione erbacea.
Land_Cover_Raw_Probability_Barren-or-Impervious 30 metri

Probabilità modellata LCMS grezza di terreno arido o impermeabile. Definita come: la maggior parte del pixel è composta da 1) terreno nudo esposto a disturbi (ad es. terreno scoperto da disboscamento meccanico o raccolta forestale), nonché aree perennemente aride come deserti, playas, affioramenti rocciosi (inclusi minerali e altri materiali geologici esposti da attività di estrazione mineraria di superficie), dune di sabbia, saline e spiagge. Anche le strade sterrate e ghiaiose sono considerate aride o 2) materiali artificiali che l'acqua non può penetrare, come strade asfaltate, tetti e parcheggi.
Land_Cover_Raw_Probability_Snow-or-Ice 30 metri

Probabilità modellata LCMS grezza di neve o ghiaccio. Definita come: la maggior parte del pixel è composta da neve o ghiaccio.
Land_Cover_Raw_Probability_Water 30 metri

Probabilità modellata LCMS grezza di Acqua. Definito come: la maggior parte del pixel è costituita da acqua.
Land_Use_Raw_Probability_Agriculture 30 metri

Probabilità modellata LCMS grezza di agricoltura. Definita come: terreno utilizzato per la produzione di cibo, fibre e combustibili, in stato vegetato o non vegetato. Sono inclusi ma non limitati a terreni coltivati e non coltivati, terreni per il fieno, frutteti, vigneti, operazioni di allevamento confinato e aree piantate per la produzione di frutta, noci o bacche. Le strade utilizzate principalmente per uso agricolo (ovvero non utilizzate per il trasporto pubblico da città a città) sono considerate terreni agricoli.
Land_Use_Raw_Probability_Developed 30 metri

Probabilità modellata LCMS grezza di Sviluppo. Definita come: terreno coperto da strutture artificiali (ad es. residenziale ad alta densità, commerciale, industriale, minerario o di trasporto) o una combinazione di vegetazione (inclusi alberi) e strutture (ad es. residenziale a bassa densità, prati, impianti ricreativi, cimiteri, corridoi di trasporto e di servizi pubblici, ecc.), incluso qualsiasi terreno funzionalmente alterato dall'attività umana.
Land_Use_Raw_Probability_Forest 30 metri

Probabilità modellata LCMS grezza di foresta. Definita come: terreno piantato o con vegetazione naturale e che contiene (o è probabile che contenga) una copertura arborea pari o superiore al 10% in un determinato momento durante una sequenza successionale a breve termine. Ciò può includere categorie decidue, sempreverdi e/o miste di foresta naturale, piantagioni forestali e zone umide boscose.
Land_Use_Raw_Probability_Non-Forest-Wetland 30 metri

Probabilità modellata LCMS grezza di zone umide non forestali. Definite come: terreni adiacenti o all'interno di una falda acquifera visibile (satura in modo permanente o stagionale) dominati da arbusti o piante emergenti persistenti. Queste zone umide possono trovarsi verso riva rispetto a laghi, canali fluviali o estuari; nelle pianure alluvionali dei fiumi; in bacini idrografici isolati; o sui pendii. Possono anche presentarsi come pozze di prateria, fossi di drenaggio e stagni per il bestiame in paesaggi agricoli e possono anche apparire come isole in mezzo a laghi o fiumi. Altri esempi includono anche paludi, torbiere, acquitrini, pantani, muskeg, acquitrini, paludi e bayou.
Land_Use_Raw_Probability_Other 30 metri

Probabilità modellata LCMS grezza di Altro. Definito come: terreno (indipendentemente dall'uso) in cui la tendenza spettrale o altre prove a supporto suggeriscono che si è verificato un evento di disturbo o cambiamento, ma la causa definitiva non può essere determinata o il tipo di cambiamento non rientra in nessuna delle categorie di processo di cambiamento definite sopra.
Land_Use_Raw_Probability_Rangeland-or-Pasture 30 metri

Probabilità modellata LCMS grezza di pascolo o prateria. Definita come: questa classe include qualsiasi area che sia a.) pascolo, dove la vegetazione è un mix di erbe, arbusti, erbe e piante simili a erbe autoctone che derivano in gran parte da fattori e processi naturali come pioggia, temperatura, altitudine e incendi, anche se una gestione limitata può includere incendi controllati e pascolo di erbivori domestici e selvatici; oppure b.) pascolo, dove la vegetazione può variare da erbe, erbe e piante erbacee miste, in gran parte naturali, a una vegetazione più gestita dominata da specie di erbe che sono state seminate e gestite per mantenere una quasi monocultura.
QA_Bits 30 metri

Informazioni ausiliarie sull'origine dei valori di output del prodotto LCMS annuale.

Modifica tabella di classificazione

Valore Colore Descrizione
1 #3d4551

Stabile
2 #f39268

Perdita lenta
3 #d54309

Fast Loss
4 #00a398

Guadagno
5 #1b1716

Maschera dell'area non di elaborazione

Tabella della classe Land_Cover

Valore Colore Descrizione
1 #005e00

Alberi
2 #008000

Mix di arbusti e alberi alti (solo SEAK)
3 #00cc00

Mix di arbusti e alberi
4 #b3ff1a

Mix di erbe, piante erbacee e alberi
5 #99ff99

Mix di terreni aridi e alberi
6 #b30088

Arbusti alti (solo SEAK)
7 #e68a00

Cespugli
8 #ffad33

Mix di erba/forb/erbe e arbusti
9 #ffe0b3

Mix di sterpaglie e arbusti
10 #ffff00

Erba/Forb/Erba aromatica
11 #aa7700

Mix di erbe/forb/erba arida
12 #d3bf9b

Arido o impermeabile
13 #ffffff

Neve o ghiaccio
14 #4780f3

Acqua
15 #1b1716

Maschera dell'area non di elaborazione

Tabella della classe Land_Use

Valore Colore Descrizione
1 #efff6b

Agricoltura
2 #ff2ff8

Sviluppato
3 #1b9d0c

Foresta
4 #97ffff

Zona umida non forestale
5 #a1a1a1

Altro
6 #c2b34a

Pascolo
7 #1b1716

Maschera dell'area non di elaborazione

Proprietà immagini

Proprietà immagini

Nome Tipo Descrizione
study_area STRING

LCMS attualmente copre gli Stati Uniti contigui, l'Alaska sudorientale, Portorico-Isole Vergini Americane e le Hawaii. Questa versione contiene output in tutti gli Stati Uniti contigui, l'Alaska sudorientale, Portorico-Isole Vergini Americane e le Hawaii. Valori possibili: "CONUS, SEAK, PRUSVI, HI"
anno INT

Anno del prodotto

Termini e condizioni d'uso

Termini e condizioni d'uso

L'USDA Forest Service non fornisce alcuna garanzia, esplicita o implicita, comprese le garanzie di commerciabilità e idoneità per uno scopo particolare, né si assume alcuna responsabilità legale o responsabilità per l'accuratezza, l'affidabilità, la completezza o l'utilità di questi dati geospaziali, o per l'uso improprio o errato di questi dati geospaziali. Questi dati geospaziali e le mappe o i grafici correlati non sono documenti legali e non sono destinati a essere utilizzati come tali. I dati e le mappe non possono essere utilizzati per determinare titoli, proprietà, descrizioni o confini legali, giurisdizione legale o restrizioni che potrebbero essere in vigore su terreni pubblici o privati. I pericoli naturali possono essere rappresentati o meno nei dati e nelle mappe e gli utenti del territorio devono prestare la dovuta attenzione. I dati sono dinamici e possono cambiare nel tempo. L'utente è responsabile della verifica delle limitazioni dei dati geospaziali e del loro utilizzo di conseguenza.

Questi dati sono stati raccolti utilizzando finanziamenti del governo degli Stati Uniti e possono essere utilizzati senza autorizzazioni o costi aggiuntivi. Se utilizzi questi dati in una pubblicazione, presentazione o altro prodotto di ricerca, utilizza la seguente citazione:

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

Citazioni

Citazioni:

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

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

  • Chastain, R., Housman, I., Goldstein, J., Finco, M. e Tenneson, K., 2019. Confronto empirico tra sensori di Sentinel-2A e 2B MSI, Landsat-8 OLI e Landsat-7 ETM delle caratteristiche spettrali della parte superiore dell'atmosfera negli Stati Uniti contigui. In 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. Rilevamento delle tendenze di disturbo e recupero delle foreste utilizzando serie temporali Landsat annuali: 2. TimeSync - Strumenti per la calibrazione e la convalida. In 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. e Gorelick, N., 2018. Un insieme multispettrale LandTrendr per il rilevamento di disturbi forestali. In 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. Confronto e convalida dell'algoritmo di rilevamento delle nuvole per i prodotti di dati Landsat operativi. In Remote Sensing of Environment. Science Direct, 194: 379-390. doi:10.1016/j.rse.2017.03.026

  • US Geological Survey, 2019. USGS 3D Elevation Program Digital Elevation Model, consultato ad agosto 2022 all'indirizzo 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., and Zhu, Z., 2018. Mapping forest change using stacked generalization: An ensemble approach. In Remote Sensing of Environment. Science Direct, 204: 717-728. doi:10.1016/j.rse.2017.09.029

  • Kennedy, R. E., Yang, Z., and Cohen, W. B., 2010. Rilevamento delle tendenze nel disturbo e nel recupero delle foreste utilizzando serie temporali annuali di Landsat: 1. LandTrendr: algoritmi di segmentazione temporale. In Remote Sensing of Environment. Science Direct, 114(12): 2897-2910. doi:10.1016/j.rse.2010.07.008

  • Kennedy, R., Yang, Z., Gorelick, N., Braaten, J., Cavalcante, L., Cohen, W. e Healey, S. 2018. Implementazione dell'algoritmo LandTrendr su Google Earth Engine. Nel telerilevamento. 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. [Online]. Disponibile all'indirizzo: https://github.com/sentinel-hub/sentinel2-cloud-detector

  • Weiss, A.D., 2001. Analisi della posizione topografica e delle forme del terreno Presentazione del poster, ESRI Users Conference, San Diego, CAZhu, Z., e Woodcock, C. E. 2012. Rilevamento di nuvole e ombre di nuvole basato su oggetti nelle immagini Landsat. 118: 83-94.

  • Zhu, Z. e Woodcock, C. E., 2012. Rilevamento di nuvole e ombre di nuvole basato su oggetti nelle immagini Landsat. In Remote Sensing of Environment. Science Direct, 118: 83-94. doi:10.1016/j.rse.2011.10.028

  • Zhu, Z. e Woodcock, C. E., 2014 Rilevamento continuo delle modifiche e classificazione della copertura del suolo utilizzando tutti i dati Landsat disponibili. In Remote Sensing of Environment. Science Direct, 144: 152-171. doi:10.1016/j.rse.2014.01.011

DOI

Esplora con Earth Engine

Editor di codice (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);
Apri nell'editor di codice
Questo prodotto fa parte della suite di dati del sistema di monitoraggio dei cambiamenti del paesaggio (LCMS). Mostra il cambiamento modellato LCMS, la copertura del suolo e/o le classi di uso del suolo per ogni anno che copre gli Stati Uniti contigui (CONUS) e le aree al di fuori del CONUS (OCONUS) che includono l'Alaska sudorientale (SEAK), Porto Rico e le Isole Vergini Americane (PRUSVI) e…
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