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

USFS/GTAC/LCMS/v2023-9
利用可能なデータセットの期間
1985-01-01T00:00:00Z–2023-12-31T00:00:00Z
データセット プロデューサー
Earth Engine スニペット
ee.ImageCollection("USFS/GTAC/LCMS/v2023-9")
タグ
change-detection
森
gtac
土地被覆
landsat-derived
landuse
landuse-landcover
lcms
redcastle-resources
センチネル派生
時系列
usda
usfs

説明

このプロダクトは、景観変化監視システム（LCMS）データスイートの一部です。米国本土（CONUS）と、CONUS 外の地域（OCONUS）（アラスカ南東部（SEAK）、プエルトリコ - 米領バージン諸島（PRUSVI）、ハワイ（HI）を含む）を対象とする各年の LCMS モデルの変更、土地被覆、土地利用クラスを示します。

LCMS は、米国全土の景観変化をマッピングしてモニタリングするリモート センシング ベースのシステムです。その目的は、最新のテクノロジーと変化検出の進歩を使用して一貫したアプローチを開発し、景観変化の「最良の」地図を作成することです。

出力には、変化、土地被覆、土地利用の 3 つの年次プロダクトが含まれます。変化は植生被覆に特に関連しており、緩やかな減少、急速な減少（浸水や乾燥などの水文変化も含む）、増加が含まれます。これらの値は、Landsat 時系列の各年について予測され、LCMS の基礎となるプロダクトとして機能します。土地被覆マップと土地利用マップは、各年のライフフォーム レベルの土地被覆と広域レベルの土地利用を示します。

すべての状況で最適なパフォーマンスを発揮するアルゴリズムはないため、LCMS は予測子としてモデルのアンサンブルを使用し、さまざまな生態系と変化プロセスにわたって地図の精度を向上させています（Healey et al., 2018 年）。この結果として得られた LCMS の変化、土地被覆、土地利用の地図群は、1985 年以降の米国全土の景観の変化を包括的に示しています。

LCMS モデルの予測子レイヤには、LandTrendr と CCDC の変化検出アルゴリズムの出力と地形情報が含まれます。これらのコンポーネントはすべて、Google Earth Engine を使用してアクセスおよび処理されます（Gorelick 他、2017 年）。

CCDC では、米国地質調査所（USGS）コレクション 2 Landsat 階層 1 の地表面反射率データが CONUS に使用され、Landsat 階層 1 の大気圏上部反射率データが SEAK、PRUSVI、HI に使用されました。LandTrendr の年次コンポジットを作成するために、USGS コレクション 2 Landsat 階層 1 と Sentinel 2A、2B レベル 1C の大気圏上部反射率データが使用されました。cFmask 雲マスキング アルゴリズム（Foga 他、2017 年）（Landsat のみ）、cloudScore（Chastain 他、2019 年）（Landsat のみ）、s2cloudless（Sentinel-Hub、2021 年）、Cloud Score plus（Pasquarella 他、2023 年）（Sentinel 2 のみ）が雲をマスクするために使用され、TDOM（Chastain 他、2019 年）が雲の影をマスクするために使用されました（Landsat と Sentinel 2）。LandTrendr では、年次メドイドが計算され、各年の雲と雲の影のない値が 1 つのコンポジットにまとめられます。

複合時系列は、LandTrendr（Kennedy et al.、2010; Kennedy et al., 2018; Cohen et al., 2018 年）。

雲と雲の影のないすべての値も、CCDC アルゴリズム（Zhu と Woodcock、2014 年）を使用して時間的にセグメント化されます。

予測子データには、未加工の複合値、LandTrendr の適合値、ペアワイズ差分、セグメントの期間、変化の大きさ、傾斜、CCDC の正弦波と余弦波の係数（最初の 3 つのハーモニクス）、適合値、ペアワイズ差分、標高、傾斜、方位の正弦波、方位の余弦波、10 m USGS 3D Elevation Program（3DEP）データ（U.S. Geological Survey、2019 年）の地形位置指数（Weiss、2001 年）が含まれます。

参照データは、アナリストが 1984 年から現在までの Landsat データレコードを可視化して解釈するのに役立つウェブベースのツールである TimeSync を使用して収集されます（Cohen et al., 2010）。

ランダム フォレスト モデル（Breiman、2001）は、TimeSync の参照データと LandTrendr、CCDC、地形指標の予測データを使用して、年間の変化、土地被覆、土地利用クラスを予測するようにトレーニングされました。モデリングの後、補助データセットを使用して一連の確率しきい値とルールセットを設定し、定性的な地図出力の改善と、コミッションとオミッションの削減を行いました。詳細については、説明に含まれている LCMS メソッドの概要をご覧ください。

参考情報

ご不明な点や特定のデータ リクエストについては、[sm.fs.lcms@usda.gov] までお問い合わせください。

バンド

バンド

ピクセルサイズ: 30 メートル（すべてのバンド）

名前 ピクセルサイズ 説明
Change 30 メートル

最終的なテーマ別 LCMS 変更プロダクト。各年について、合計 3 つの変更クラス（緩やかな損失、急速な損失、増加）がマッピングされます。各クラスは個別のランダム フォレスト モデルを使用して予測され、ピクセルがそのクラスに属する確率（ランダム フォレスト モデル内のツリーの割合）が出力されます。そのため、個々のピクセルには、年ごとに 3 つの異なるモデル出力があります。最終クラスは、指定されたしきい値を超え、確率が最も高い変更クラスに割り当てられます。各クラスのしきい値を超える値がないピクセルは、Stable クラスに割り当てられます。変化クラスを割り当てる前に、植生のない土地被覆の変化を防ぐルールがすべての調査地域に適用されました。
Land_Cover 30 メートル

最終的なテーマ別 LCMS 土地被覆プロダクト。TimeSync 参照データと Landsat 画像から得られたスペクトル情報を使用して、合計 14 の土地被覆クラスが年単位でマッピングされます。各クラスは個別のランダム フォレスト モデルを使用して予測され、ピクセルがそのクラスに属する確率（ランダム フォレスト モデル内のツリーの割合）が出力されます。そのため、個々のピクセルには年ごとに 14 種類のモデル出力があり、最終的なクラスは確率が最も高い土地被覆に割り当てられます。アラスカ南東部では、確率が最も高い土地被覆クラスを割り当てる前に、海面の大規模な潮間帯での樹木と雪の土地被覆クラスのコミッションを制限する土地被覆ルールが実装されました。CONUS、プエルトリコ、米領バージン諸島、ハワイには土地被覆ルールは適用されませんでした。14 の土地被覆分類のうち 7 つは、単一の土地被覆を示します。この場合、その土地被覆タイプがピクセルの領域の大部分を占め、他の分類がピクセルの 10% を超えることはありません。男女混合のクラスも 7 つあります。これは、追加の土地被覆クラスがピクセルの 10% 以上を占めるピクセルを表します。
Land_Use 30 メートル

最終的なテーマ別 LCMS 土地利用プロダクト。TimeSync 参照データと Landsat 画像から得られたスペクトル情報を使用して、合計 6 つの土地利用クラスが年単位でマッピングされます。各クラスは個別のランダム フォレスト モデルを使用して予測されます。このモデルは、ピクセルがそのクラスに属する確率（ランダム フォレスト モデル内のツリーの割合）を出力します。そのため、個々のピクセルには年ごとに 6 つの異なるモデル出力があり、最終的なクラスは最も確率の高い土地利用に割り当てられます。確率が最も高い土地利用クラスを割り当てる前に、補助データセットの土地利用ルールを使用した一連の確率しきい値とルールセットが適用されました。確率のしきい値とルールセットの詳細については、説明に含まれている LCMS メソッドの概要をご覧ください。2024 年 7 月 2 日に、開発済みクラスに関する問題を修正するため、CONUS の土地利用プロダクトが更新されました。
Change_Raw_Probability_Slow_Loss 30 メートル

LCMS の生データから推定された Slow Loss の確率。定義: Slow Loss には、TimeSync 変更プロセスの解釈から次のクラスが含まれます。

  • 構造的衰退 - 人為的または機械的な要因によって引き起こされた不利な生育条件により、樹木やその他の木本植物が物理的に変化した土地。このタイプの損失は、一般的にスペクトル信号の傾向（NDVI の減少、湿度の減少、SWIR の増加など）を生み出しますが、その傾向は微妙な場合があります。構造的衰退は、木本植物の環境で発生し、昆虫、病気、干ばつ、酸性雨などが原因である可能性が高いです。構造的衰退には、死亡に至らない落葉イベントが含まれることがあります。たとえば、マイマイガやトウヒのオオアオムシの侵入などです。これらのイベントは 1 ～ 2 年以内に回復する可能性があります。

  • スペクトル減少 - スペクトル信号が 1 つ以上のスペクトル帯域または指標の傾向を示すプロット（NDVI の減少、湿度の減少、SWIR の増加など）。たとえば、a) 森林以外の木本以外の植生が減少傾向を示している場合（NDVI の減少、湿度の減少、SWIR の増加など）、または b) 木本植生が木本植生の減少とは関係のない減少傾向を示している場合（成熟した樹冠が閉じて影が増加した場合、樹種構成が針葉樹から広葉樹に変化した場合、乾燥期（より深刻で急激な干ばつとは対照的）に活力が明らかに低下したが、木本物質や葉面積の減少はない場合など）が該当します。
Change_Raw_Probability_Fast_Loss 30 メートル

高速損失の生 LCMS モデリング確率。次のように定義されます。高速損失には、TimeSync 変更プロセスの解釈から次のクラスが含まれます。

  • 火災 - 発火原因（自然または人為的）、重大度、土地利用に関係なく、火災によって変化した土地。

  • 収穫 - 人為的な手段によって樹木、低木、その他の植生が伐採または除去された森林。例としては、皆伐、火災や昆虫の発生後のサルベージ伐採、間伐、その他の森林管理処方（保護林/種子木の伐採など）があります。

  • 機械的 - 森林以外の土地で、樹木、低木、その他の植生が、チェーン、スクレイピング、ブラシソーイング、ブルドーザー、または森林以外の植生を除去するその他の方法で機械的に切断または除去された土地。

  • 風/氷 - ハリケーン、竜巻、暴風雨、その他の悪天候（氷嵐による凍雨など）の風によって植生が変化した土地（用途を問わず）。

  • 水文 - 土地利用に関係なく、洪水によって樹木被覆やその他の土地被覆要素が大幅に変化した土地（洪水後の河床とその周辺の砂利と植生の新しい混合など）。

  • 土砂 - 地滑り、雪崩、火山、土石流などに関連する自然物の移動によって変化した土地（用途を問わず）。

  • その他 - スペクトル傾向やその他の裏付けとなる証拠から、撹乱または変化イベントが発生したことが示唆されているが、明確な原因を特定できない、または変化のタイプが上記の変化プロセス カテゴリのいずれにも該当しない土地（用途を問わず）。
Change_Raw_Probability_Gain 30 メートル

ゲインの生 LCMS モデリング確率。1 年以上にわたって成長と遷移により植生被覆率が増加した土地として定義されます。植生の再生に関連するスペクトル変化を示す可能性のあるすべての地域に適用できます。開発地域では、植生の成熟や、新たに設置された芝生や造園により成長が生じる可能性があります。森林では、成長には、裸地からの植生の成長や、中高木や優占木、低地の草や低木の被覆が含まれます。森林伐採後に記録された成長 / 回復セグメントは、森林の再生に伴い、さまざまな土地被覆クラスに移行する可能性があります。これらの変化が成長 / 回復と見なされるには、スペクトル値が数年間持続する増加傾向線（たとえば、約 20 年間延長すると NDVI の単位が 0.10 程度になる正の傾き）に沿っている必要があります。
Land_Cover_Raw_Probability_Trees 30 メートル

LCMS の生データからモデル化した Trees の確率。定義: ピクセルの大部分が生きている木または枯死木で構成されている。
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix 30 メートル

高木と低木の混合（アラスカ南東部のみ）の確率をモデル化した LCMS の生データ。定義: ピクセルの大部分が高さ 1 m を超える低木で構成され、少なくとも 10% が生きた樹木または枯死木で構成されている。
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix 30 メートル

低木と高木の混合の確率をモデル化した LCMS の生データ。ピクセルの大部分が低木で構成され、少なくとも 10% が生きた木または枯死木で構成されていると定義されます。
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix 30 メートル

草/広葉樹/ハーブと樹木の混合の LCMS モデル化された確率の未加工データ。定義: ピクセルの大部分が多年生草本、広葉草本、その他の草本植生で構成され、少なくとも 10% が生きた木または枯死木で構成されている。
Land_Cover_Raw_Probability_Barren-and-Trees-Mix 30 メートル

LCMS の未加工の確率をモデル化した、裸地と樹木の混合。次のように定義されます。ピクセルの大部分が、撹乱によって露出した裸地（機械的な伐採や森林伐採によって露出した土壌など）と、砂漠、プレーヤ、岩の露出（露天掘りによって露出した鉱物やその他の地質学的物質を含む）、砂丘、塩性平原、ビーチなどの永続的な裸地で構成されている。土や砂利でできた道路も裸地とみなされ、少なくとも 10% の生きた木または枯れた木で構成されている。
Land_Cover_Raw_Probability_Tall-Shrubs 30 メートル

高木性低木（アラスカ南東部のみ）の LCMS モデリング確率の生データ。定義: ピクセルの大部分が高さ 1 m を超える低木で構成されている。
Land_Cover_Raw_Probability_Shrubs 30 メートル

低木に関する LCMS のモデル化された確率の生データ。ピクセルの大部分が低木で構成されていると定義されます。
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix 30 メートル

草/広葉樹/ハーブと低木混合の LCMS モデル化された確率の生データ。定義: ピクセルの大部分が多年生草本、草本、その他の草本植生で構成され、低木が 10% 以上含まれている。
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix 30 メートル

LCMS の生データからモデル化した、Barren and Shrubs Mix の確率。次のように定義されます。ピクセルの大部分が、撹乱によって露出した裸地（機械的な伐採や森林伐採によって露出した土壌など）と、砂漠、プレーヤ、岩の露出（露天掘りによって露出した鉱物やその他の地質学的物質を含む）、砂丘、塩性平原、ビーチなどの永続的に裸地である地域で構成されている。土や砂利でできた道路も裸地と見なされ、少なくとも 10% の低木で構成されている。
Land_Cover_Raw_Probability_Grass-Forb-Herb 30 メートル

草/広葉樹/ハーブの LCMS モデル化された確率。次のように定義されます。ピクセルの大部分が多年生草、広葉樹、またはその他の草本植生で構成されています。
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix 30 メートル

LCMS の未加工のモデル化された荒地と草/広葉植物/ハーブの混合地の確率。次のように定義されます。ピクセルの大部分が、撹乱によって露出した裸地（機械的な伐採や森林伐採によって露出した土壌など）で構成され、砂漠、塩湖、岩の露出（露天掘りによって露出した鉱物やその他の地質学的物質を含む）、砂丘、塩原、ビーチなどの永続的な荒地も含まれます。土や砂利でできた道路も荒地と見なされ、少なくとも 10% の多年生草、広葉植物、その他の草本植物で構成されます。
Land_Cover_Raw_Probability_Barren-or-Impervious 30 メートル

LCMS の未加工の確率モデルで、不毛または不浸透性である確率。次のように定義されます。ピクセルの大部分が、1）撹乱によって露出した裸地（機械的な伐採や森林伐採によって露出した土壌など）と、砂漠、プレーヤ、岩の露出（露天掘りによって露出した鉱物やその他の地質学的物質を含む）、砂丘、塩性平原、ビーチなどの永続的に不毛な地域で構成されている。土や砂利でできた道路も不毛とみなされる。2）舗装道路、屋根、駐車場など、水が浸透できない人工物で構成されている。
Land_Cover_Raw_Probability_Snow-or-Ice 30 メートル

雪または氷の確率をモデル化した未加工の LCMS。定義: ピクセルの大部分が雪または氷で構成されている。
Land_Cover_Raw_Probability_Water 30 メートル

水域の生 LCMS モデリング確率。ピクセルの大部分が水で構成されていると定義されます。
Land_Use_Raw_Probability_Agriculture 30 メートル

農業の生 LCMS モデリング確率。食料、繊維、燃料の生産に使用される土地で、植生がある状態または植生がない状態のいずれかであると定義されます。これには、耕作地と未耕作地、牧草地、果樹園、ブドウ園、家畜の飼育施設、果物、ナッツ、ベリーの生産のために植えられた地域が含まれますが、これらに限定されません。主に農業に使用される道路（町から町への公共交通機関に使用されない道路など）は、農業用地と見なされます。
Land_Use_Raw_Probability_Developed 30 メートル

開発された土地の LCMS モデルの確率。人工構造物（高密度の住宅地、商業地、工業地、鉱業地、交通機関など）で覆われた土地、または植生（樹木を含む）と構造物（低密度の住宅地、芝生、レクリエーション施設、墓地、交通機関や公共事業の回廊など）の両方が混在する土地として定義されます。これには、人間の活動によって機能的に変化した土地も含まれます。
Land_Use_Raw_Probability_Forest 30 メートル

森林の LCMS モデルの確率の生データ。次のように定義されます。植林または自然植生があり、短期的な遷移シーケンスのいずれかの時点で 10% 以上の樹木被覆率を含む（または含む可能性が高い）土地。これには、落葉樹、常緑樹、混合の天然林、森林プランテーション、木本湿地が含まれる場合があります。
Land_Use_Raw_Probability_Non-Forest-Wetland 30 メートル

森林以外の湿地の LCMS モデルの生確率。定義: 灌木または永続的な水生植物が優占する、目に見える地下水位（恒久的にまたは季節的に飽和状態）に隣接する、またはその中に位置する土地。これらの湿地は、湖、河川、河口の陸側、河川の氾濫原、孤立した集水域、斜面に位置する場合があります。また、農業地帯のプレーリー ポットホール、排水溝、貯水池として発生することもあり、湖や川の中の島として現れることもあります。その他の例としては、沼地、湿原、沼、泥沼、ムスケグ、スロー、フェン、バイユーなどがあります。
Land_Use_Raw_Probability_Other 30 メートル

その他の LCMS モデルの生確率。次のように定義されます。スペクトル傾向やその他の裏付けとなる証拠から、撹乱または変化イベントが発生したことが示唆されるが、明確な原因を特定できない、または変化のタイプが上記の変化プロセス カテゴリのいずれにも該当しない土地（用途を問わず）。
Land_Use_Raw_Probability_Rangeland-or-Pasture 30 メートル

牧草地または牧草地の生確率をモデル化した未加工の LCMS。次のように定義されます。このクラスには、次のいずれかの地域が含まれます。a）牧草地。植生は、主に降雨、気温、標高、火災などの自然要因とプロセスによって発生した、在来の草、低木、草本、草のような植物の混合物です。ただし、限定的な管理として、計画的な焼却や家畜や野生の草食動物による放牧が含まれる場合があります。b）牧草地。植生は、主に自然の草、草本、ハーブの混合物から、単一栽培に近い状態を維持するために種まきと管理が行われた草種が優占する、より管理された植生まで、さまざまです。
QA_Bits 30 メートル

年間の LCMS プロダクト出力値の発生源に関する補足情報。

クラス テーブルの変更

値 色 説明
1 #3d4551

Stable
2 #f39268

Slow Loss
3 #d54309

Fast Loss
4 #00a398

獲得
5 #1b1716

Non-Processing Area Mask

Land_Cover クラス表

値 色 説明
1 #005e00

木
2 #008000

Tall Shrubs & Trees Mix（SEAK のみ）
3 #00cc00

低木と樹木のミックス
4 #b3ff1a

草/広葉草/ハーブと樹木の混合
5 #99ff99

Barren & Trees Mix
6 #b30088

背の高い低木（SEAK のみ）
7 #e68a00

低木
8 #ffad33

草 / 広葉草 / ハーブ / 低木ミックス
9 #ffe0b3

荒地と低木のミックスリスト
10 #ffff00

草/広葉草/ハーブ
11 #aa7700

Barren & Grass/Forb/Herb Mix
12 #d3bf9b

裸地または不浸透性
13 #ffffff

降雪または凍結
14 #4780f3

水
15 #1b1716

Non-Processing Area Mask

Land_Use クラス表

値 色 説明
1 #efff6b

農業
2 #ff2ff8

先進市場
3 #1b9d0c

森
4 #97ffff

森林以外の湿地
5 #a1a1a1

その他
6 #c2b34a

牧草地または牧場
7 #1b1716

Non-Processing Area Mask

画像プロパティ検出

画像プロパティ

名前 タイプ 説明
study_area STRING

LCMS は現在、米国本土、アラスカ南東部、プエルトリコ - 米領バージン諸島、ハワイを対象としています。このバージョンには、米国本土、アラスカ南東部、プエルトリコと米領バージン諸島、ハワイの出力が含まれています。有効な値: 「CONUS、SEAK、PRUSVI、HI」
年 INT

商品の年式

利用規約

利用規約

米国農務省森林局は、商品性や特定目的への適合性に関する保証を含め、明示または黙示を問わず、いかなる保証も行いません。また、これらの地理空間データの精度、信頼性、完全性、ユーティリティ、またはこれらの地理空間データの不適切な使用や誤った使用について、法的責任や義務を負いません。これらの地理空間データと関連する地図やグラフィックは法的文書ではなく、法的文書として使用することを意図したものではありません。データと地図は、所有権、法的説明、境界、地域の適用法令、公有地または私有地に課せられる可能性のある制限を判断するために使用することはできません。データと地図に自然災害が示されている場合も示されていない場合もあります。土地の利用者は十分な注意を払う必要があります。データは動的であり、時間の経過とともに変化する可能性があります。地理空間データの制限事項を確認し、それに応じてデータを使用するのはユーザーの責任です。

これらのデータは米国政府の資金援助を受けて収集されたもので、追加の権限や料金なしで使用できます。これらのデータを出版物、プレゼンテーション、その他の研究成果物で使用する場合は、次の引用を使用してください。

米国農務省森林局。2024 年。USFS 景観変化監視システム v2023.9（米国本土および米国本土外）。ユタ州ソルトレイクシティ。

引用

引用:

  • 米国農務省森林局。2024 年。USFS 景観変化監視システム v2023.9（米国本土および米国本土外）。ユタ州ソルトレイクシティ。

  • Breiman, L.、2001 年。ランダム フォレスト。ML。Springer、45: 5 ～ 32。 doi:10.1023/A:1010933404324

  • Chastain, R.、Housman, I.、Goldstein, J.、Finco, M.、Tenneson, K.、2019 年。 米国本土における Sentinel-2A と 2B MSI、Landsat-8 OLI、Landsat-7 ETM の大気圏上端のスペクトル特性のセンサー間比較。Remote Sensing of Environment に掲載。Science Direct, 221: 274-285. doi:10.1016/j.rse.2018.11.012

  • Cohen, W. B., Yang, Z.、Kennedy, R.、2010 年。Detecting trends in forest disturbance and recovery using yearly Landsat time series: 2. TimeSync - キャリブレーションと検証のためのツール。Remote Sensing of Environment に掲載されています。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.、Gorelick, N.、2018 年。森林破壊検出用の LandTrendr マルチスペクトル アンサンブル。Remote Sensing of Environment に掲載。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 年。運用 Landsat データ プロダクトの雲検出アルゴリズムの比較と検証。Remote Sensing of Environment に掲載。Science Direct, 194: 379-390. doi:10.1016/j.rse.2017.03.026

  • 米国地質調査所、2019 年。USGS 3D 標高プログラム デジタル標高モデル。2022 年 8 月に https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m でアクセス

  • 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.、Zhu, Z.、2018 年。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.、Cohen, W. B., 2010 年。年ごとの Landsat 時系列データを使用して森林の撹乱と回復の傾向を検出する: 1. LandTrendr - 時間セグメンテーション アルゴリズム。Remote Sensing of Environment に掲載されています。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.、Healey, S. 2018 年。Google Earth Engine での LandTrendr アルゴリズムの実装。リモート センシング。MDPI、10(5): 691。doi:10.3390/rs10050691

  • Pasquarella, V. J., Brown, C. F., Czerwinski, W.、Rucklidge, W. J.、 2023 年。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 年。Sentinel 2 Cloud Detector。[オンライン]。入手先: https://github.com/sentinel-hub/sentinel2-cloud-detector

  • Weiss, A.D.、2001 年。地形位置と地形の分析 ポスター発表、ESRI ユーザー カンファレンス、サンディエゴ、カリフォルニア州 Zhu, Z.、Woodcock, C. E 2012. Landsat 画像でのオブジェクト ベースの雲と雲の影の検出。118: 83-94。

  • Zhu, Z.、Woodcock, C. E., 2012. Landsat 画像でのオブジェクト ベースの雲と雲の影の検出。Remote Sensing of Environment に掲載。Science Direct, 118: 83-94. doi:10.1016/j.rse.2011.10.028

  • Zhu, Z.、Woodcock, C. E., 2014 年。利用可能なすべての Landsat データを使用した、土地被覆の継続的な変化検出と分類。Remote Sensing of Environment に掲載。Science Direct, 144: 152-171. doi:10.1016/j.rse.2014.01.011

DOI

Earth Engine で探索する

コードエディタ（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);
コードエディタで開く
このプロダクトは、景観変化監視システム（LCMS）データスイートの一部です。米国本土（CONUS）と、アラスカ南東部（SEAK）、プエルトリコ - 米領バージン諸島（PRUSVI）などを含む CONUS 外の地域（OCONUS）を対象とする各年の LCMS モデルの変更、土地被覆、土地利用クラスを示します。
USFS/GTAC/LCMS/v2023-9, 変化検出、森林、gtac、土地被覆、Landsat 派生、土地利用、土地利用と土地被覆、lcms、redcastle-resources、Sentinel 派生、時系列、usda、usfs
1985-01-01T00:00:00Z/2023-12-31T00:00:00Z
20.38379 -135.286387 52.459364 -56.446306
Google Earth Engine