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

USFS/GTAC/LCMS/v2023-9
Dostępność zbioru danych
1985-01-01T00:00:00Z–2023-12-31T00:00:00Z
Dostawca zbioru danych
Fragment kodu Earth Engine
ee.ImageCollection("USFS/GTAC/LCMS/v2023-9")
Tagi
change-detection
lasu
gtac
pokrycie terenu,
pochodzące z danych Landsat
landuse
landuse-landcover
lcms
redcastle-resources
pochodzące z satelity Sentinel
serii czasowych,
usda
usfs

Opis

Ten produkt jest częścią pakietu danych systemu monitorowania zmian krajobrazu (LCMS). Zawiera zmiany modelowane za pomocą LCMS, pokrycie terenu lub klasy użytkowania terenu w poszczególnych latach, które obejmują kontynentalną część Stanów Zjednoczonych (CONUS) i obszary poza nią (OCONUS), w tym południowo-wschodnią Alaskę (SEAK), Portoryko i Wyspy Dziewicze Stanów Zjednoczonych (PRUSVI) oraz Hawaje (HI).

LCMS to system teledetekcyjny służący do mapowania i monitorowania zmian krajobrazu w Stanach Zjednoczonych. Jej celem jest opracowanie spójnego podejścia z wykorzystaniem najnowszych technologii i postępów w zakresie wykrywania zmian, aby stworzyć „najlepszą dostępną” mapę zmian krajobrazu.

Dane wyjściowe obejmują 3 produkty roczne: zmiany, pokrycie terenu i zagospodarowanie terenu. Zmiana dotyczy pokrywy roślinnej i obejmuje powolną utratę, szybką utratę (która obejmuje też zmiany hydrologiczne, takie jak zalanie lub wysychanie) oraz przyrost. Te wartości są prognozowane dla każdego roku w ciągu czasowym Landsat i stanowią podstawowe produkty dla LCMS. Mapy pokrycia i użytkowania terenu przedstawiają pokrycie terenu na poziomie form życia i użytkowanie terenu na poziomie ogólnym w każdym roku.

Żaden algorytm nie sprawdza się najlepiej w każdej sytuacji, dlatego LCMS wykorzystuje zespół modeli jako predyktory, co zwiększa dokładność map w różnych ekosystemach i procesach zmian (Healey i in., 2018). Powstały zestaw map zmian w LCMS, pokrycia terenu i zagospodarowania terenu przedstawia kompleksowy obraz zmian w krajobrazie Stanów Zjednoczonych od 1985 roku.

Warstwy predykcyjne modelu LCMS obejmują dane wyjściowe z algorytmów wykrywania zmian LandTrendr i CCDC oraz informacje o terenie. Wszystkie te komponenty są dostępne i przetwarzane za pomocą Google Earth Engine (Gorelick i in., 2017).

W przypadku CCDC użyto danych o odbiciu światła słonecznego od powierzchni z Landsata poziomu 1 z kolekcji 2 USGS dla CONUS oraz danych o odbiciu światła słonecznego od szczytu atmosfery z Landsata poziomu 1 dla SEAK, PRUSVI i HI. Do tworzenia rocznych kompozytów dla LandTrendr użyto danych o odbiciu światła słonecznego od szczytu atmosfery z Landsata poziomu 1 z kolekcji 2 USGS oraz z satelitów Sentinel 2A i 2B poziomu 1C. Algorytm maskowania chmur cFmask (Foga i in., 2017), który jest implementacją Fmask 2.0 (Zhu i Woodcock, 2012) (tylko Landsat), cloudScore (Chastain i in., 2019) (tylko Landsat), s2cloudless (Sentinel-Hub, 2021) i Cloud Score plus (Pasquarella i in., 2023) (tylko Sentinel-2) są używane do maskowania chmur, a TDOM (Chastain i in., 2019) jest używany do maskowania cieni chmur (Landsat i Sentinel-2). W przypadku LandTrendr obliczany jest następnie roczny medoid, aby podsumować wartości bez chmur i cieni chmur z każdego roku w jeden obraz kompozytowy.

Złożony ciąg czasowy jest segmentowany czasowo za pomocą algorytmu LandTrendr (Kennedy i in., 2010; Kennedy i in., 2018; Cohen i in., 2018).

Wszystkie wartości bez chmur i cieni chmur są również segmentowane czasowo za pomocą algorytmu CCDC (Zhu i Woodcock, 2014).

Dane predykcyjne obejmują surowe wartości złożone, dopasowane wartości LandTrendr, różnice parami, czas trwania segmentu, wielkość zmiany i nachylenie oraz współczynniki sinus i cosinus CCDC (pierwsze 3 harmoniczne), dopasowane wartości i różnice parami, a także indeksy wysokości, nachylenia, sinusa i cosinusa aspektu oraz indeksy położenia topograficznego (Weiss, 2001) z danych programu USGS 3D Elevation Program (3DEP) o rozdzielczości 10 m (U.S. Geological Survey, 2019).

Dane referencyjne są zbierane za pomocą narzędzia internetowego TimeSync, które pomaga analitykom wizualizować i interpretować dane Landsat z lat 1984–obecnie (Cohen i in., 2010).

Modele lasów losowych (Breiman, 2001) zostały wytrenowane przy użyciu danych referencyjnych z TimeSync i danych predykcyjnych z LandTrendr, CCDC i indeksów terenu, aby przewidywać roczne zmiany, pokrycie terenu i klasy użytkowania terenu. Po modelowaniu wprowadziliśmy serię progów prawdopodobieństwa i zestawów reguł przy użyciu dodatkowych zbiorów danych, aby poprawić jakość map i zmniejszyć liczbę błędów. Więcej informacji znajdziesz w dokumencie LCMS Methods Brief (Metody LCMS) dołączonym do opisu.

Dodatkowe materiały

W razie pytań lub konkretnych próśb o dane skontaktuj się z [sm.fs.lcms@usda.gov].

Pasma

Pasma

Rozmiar piksela: 30 m (wszystkie pasma)

Nazwa Rozmiar piksela Opis
Change 30 metrów

Końcowy produkt tematycznych zmian LCMS. W przypadku każdego roku mapowane są łącznie 3 klasy zmian (powolna utrata, szybka utrata i wzrost). Każda klasa jest prognozowana za pomocą oddzielnego modelu lasu losowego, który podaje prawdopodobieństwo (odsetek drzew w modelu lasu losowego), że piksel należy do tej klasy. Z tego powodu poszczególne piksele mają 3 różne wyniki modelu dla każdego roku. Końcowe klasy są przypisywane do klasy zmian o najwyższym prawdopodobieństwie, które jest również powyżej określonego progu. Każdy piksel, który nie ma żadnej wartości powyżej odpowiedniego progu każdej klasy, jest przypisywany do klasy stabilnej. Przed przypisaniem klasy zmian do wszystkich obszarów badań zastosowano regułę, aby zapobiec zmianom w pokryciu terenu niezwiązanym z roślinnością.
Land_Cover 30 metrów

Końcowy tematyczny produkt dotyczący pokrycia terenu LCMS. Łącznie 14 klas pokrycia terenu jest mapowanych co roku na podstawie danych referencyjnych TimeSync i informacji spektralnych pochodzących ze zdjęć satelitarnych Landsat. Każda klasa jest prognozowana za pomocą osobnego modelu Random Forest, który podaje prawdopodobieństwo (proporcję drzew w modelu Random Forest), że piksel należy do tej klasy. Dlatego poszczególne piksele mają 14 różnych wyników modelu dla każdego roku, a klasy końcowe są przypisywane do pokrycia terenu o najwyższym prawdopodobieństwie. W przypadku południowo-wschodniej Alaski przed przypisaniem klasy pokrycia terenu o najwyższym prawdopodobieństwie wdrożono regułę pokrycia terenu, aby ograniczyć udział klas pokrycia terenu „drzewa” i „śnieg” na dużych obszarach pływowych na poziomie morza. W przypadku kontynentalnej części Stanów Zjednoczonych, Portoryko i Wysp Dziewiczych Stanów Zjednoczonych oraz Hawajów nie zastosowano żadnych reguł dotyczących pokrycia terenu. 7 z 14 klas pokrycia terenu wskazuje pojedyncze pokrycie terenu, w którym dany typ pokrycia terenu zajmuje większość obszaru piksela, a żadna inna klasa nie zajmuje więcej niż 10% piksela. Dostępnych jest też 7 zajęć mieszanych. Są to piksele, w których dodatkowa klasa pokrycia terenu zajmuje co najmniej 10% piksela.
Land_Use 30 metrów

Końcowy tematyczny produkt LCMS dotyczący użytkowania gruntów. Łącznie 6 klas użytkowania gruntów jest mapowanych co roku na podstawie danych referencyjnych TimeSync i informacji spektralnych pochodzących ze zdjęć satelitarnych Landsat. Każda klasa jest prognozowana za pomocą osobnego modelu lasu losowego, który podaje prawdopodobieństwo (proporcję drzew w modelu lasu losowego), że piksel należy do tej klasy. Dlatego poszczególne piksele mają 6 różnych wyników modelu dla każdego roku, a ostateczne klasy są przypisywane do użytkowania gruntów o najwyższym prawdopodobieństwie. Przed przypisaniem klasy użytkowania gruntu o najwyższym prawdopodobieństwie zastosowano serię progów prawdopodobieństwa i zestawów reguł wykorzystujących pomocnicze zbiory danych i reguły użytkowania gruntu. Więcej informacji o progach prawdopodobieństwa i zestawach reguł znajdziesz w dokumencie LCMS Methods Brief (Metody LCMS) dołączonym do opisu. 2 lipca 2024 r. zaktualizowaliśmy produkt CONUS land use, aby rozwiązać problem z klasą obszarów zabudowanych.
Change_Raw_Probability_Slow_Loss 30 metrów

Surowe prawdopodobieństwo utraty powolnej modelowane na podstawie LCMS. Definicja: powolna utrata obejmuje te klasy z interpretacji procesu zmian TimeSync:

  • Spadek strukturalny – obszar, na którym drzewa lub inne rośliny zdrewniałe zostały fizycznie zmienione przez niekorzystne warunki wzrostu spowodowane czynnikami nieantropogenicznymi lub niemechanicznymi. Tego typu straty powinny zwykle tworzyć trend w sygnałach spektralnych (np. spadek NDVI, spadek wilgotności, wzrost SWIR itp.), ale trend ten może być subtelny. Spadek strukturalny występuje w środowiskach roślinności drzewiastej, najprawdopodobniej z powodu owadów, chorób, suszy, kwaśnych deszczów itp. Spadek strukturalny może obejmować defoliację, która nie powoduje śmiertelności, np. w przypadku inwazji barczatki sosnówki i zwójki smrekowej, które mogą ustąpić w ciągu 1–2 lat.

  • Spadek spektralny – wykres, na którym sygnał spektralny wykazuje trend w przypadku co najmniej jednego pasma spektralnego lub indeksu (np. spadek NDVI, spadek wilgotności, wzrost SWIR itp.). Przykłady obejmują sytuacje, w których: a) roślinność nieleśna lub niezdrewniała wykazuje tendencję spadkową (np.zmniejsza się NDVI, wilgotność, SWIR itp.) lub b) roślinność zdrewniała wykazuje tendencję spadkową, która nie jest związana z utratą roślinności zdrewniałej, np. gdy dojrzałe korony drzew zamykają się, co powoduje zwiększenie zacienienia, gdy skład gatunkowy zmienia się z drzew iglastych na liściaste lub gdy okres suchy (w przeciwieństwie do silniejszej, bardziej dotkliwej suszy) powoduje widoczny spadek wigoru, ale nie utratę materiału zdrewniałego ani powierzchni liści.
Change_Raw_Probability_Fast_Loss 30 metrów

Surowe prawdopodobieństwo utraty szybkiej LCMS. Definicja: Szybka utrata obejmuje te klasy z interpretacji procesu zmiany synchronizacji czasu:

  • Pożar – obszar zmieniony przez pożar, niezależnie od przyczyny zapłonu (naturalnej lub spowodowanej przez człowieka), stopnia nasilenia lub sposobu użytkowania gruntu.

  • Zbiory – obszar leśny, na którym drzewa, krzewy lub inna roślinność zostały ścięte lub usunięte przez człowieka. Przykłady to wycinka całkowita, wycinka ratunkowa po pożarach lub plagach owadów, przerzedzanie i inne metody zarządzania lasami (np. wycinka w celu uzyskania schronienia lub pozyskania nasion).

  • Mechaniczne – obszary nieleśne, na których drzewa, krzewy lub inna roślinność zostały mechanicznie usunięte lub wycięte za pomocą łańcuchów, skrobaków, pił do krzewów, buldożerów lub innych metod usuwania roślinności nieleśnej.

  • Wiatr/lód – grunty (niezależnie od sposobu użytkowania), na których roślinność została zmieniona przez wiatr wiejący podczas huraganów, tornad, burz i innych niebezpiecznych warunków pogodowych, w tym przez marznący deszcz podczas burz lodowych.

  • Hydrologia – obszar, na którym powódź znacząco zmieniła pokrycie drzewami lub inne elementy pokrycia terenu niezależnie od sposobu użytkowania terenu (np. nowe mieszanki żwiru i roślinności w korytach rzek i wokół nich po powodzi).

  • Debris - Land (regardless of use) altered by natural material movement associated with landslides, avalanches, volcanos, debris flows, etc.

  • Inne – obszary lądowe (niezależnie od sposobu wykorzystania), w przypadku których trend spektralny lub inne dowody wskazują na wystąpienie zakłócenia lub zmiany, ale nie można określić ostatecznej przyczyny lub rodzaj zmiany nie pasuje do żadnej z kategorii procesu zmian zdefiniowanych powyżej.
Change_Raw_Probability_Gain 30 metrów

Surowe dane LCMS modelowane pod kątem prawdopodobieństwa zysku. Definicja: obszar, na którym w ciągu co najmniej roku nastąpił wzrost pokrywy roślinnej w wyniku wzrostu i sukcesji. Dotyczy wszystkich obszarów, w których mogą wystąpić zmiany spektralne związane z odrastaniem roślinności. Na obszarach zabudowanych wzrost może wynikać z dojrzewania roślinności lub nowo założonych trawników i ogrodów. W lasach wzrost obejmuje wzrost roślinności na nieużytkach, a także wzrost drzew średnich i współdominujących oraz niżej położonych traw i krzewów. Segmenty wzrostu/regeneracji zarejestrowane po wycince lasu prawdopodobnie będą przechodzić przez różne klasy pokrycia terenu w miarę regeneracji lasu. Aby te zmiany można było uznać za wzrost lub regenerację, wartości spektralne powinny ściśle odpowiadać rosnącej linii trendu (np.dodatniemu nachyleniu, które po przedłużeniu do ok. 20 lat osiągnęłoby wartość ok .0, 10 jednostki NDVI) utrzymującej się przez kilka lat.
Land_Cover_Raw_Probability_Trees 30 metrów

Surowe, modelowane przez LCMS prawdopodobieństwo wystąpienia drzew. Definicja: większość piksela stanowią żywe lub martwe drzewa.
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix 30 metrów

Surowe dane LCMS modelujące prawdopodobieństwo występowania mieszanki wysokich krzewów i drzew (tylko południowo-wschodnia Alaska). Definicja: większość piksela stanowią krzewy o wysokości powyżej 1 m, a co najmniej 10% – żywe lub martwe stojące drzewa.
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix 30 metrów

Surowe dane LCMS modelowane pod kątem prawdopodobieństwa wystąpienia mieszanki krzewów i drzew. Definicja: większość piksela stanowią krzewy, a co najmniej 10% – żywe lub martwe stojące drzewa.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix 30 metrów

Surowe dane LCMS modelowane pod kątem prawdopodobieństwa występowania mieszanki traw, roślin zielnych i drzew. Definicja: większość piksela stanowią trawy wieloletnie, rośliny zielne lub inne formy roślinności zielnej, a co najmniej 10% stanowią żywe lub martwe drzewa.
Land_Cover_Raw_Probability_Barren-and-Trees-Mix 30 metrów

Surowe dane LCMS modelujące prawdopodobieństwo wystąpienia obszarów nieużytków i mieszanki drzew. Definicja: większość pikseli to nieużytki, czyli obszary z odsłoniętą glebą, która została naruszona (np. gleba odsłonięta w wyniku mechanicznego karczowania lub wycinki lasu), a także obszary nieużytków przez cały rok, takie jak pustynie, playa, wychodnie skalne (w tym minerały i inne materiały geologiczne odsłonięte w wyniku górnictwa odkrywkowego), wydmy, solniska i plaże. Drogi gruntowe i żwirowe są również uważane za nieużytki i zawierają co najmniej 10% żywych lub martwych drzew.
Land_Cover_Raw_Probability_Tall-Shrubs 30 metrów

Surowe dane LCMS modelowane pod kątem prawdopodobieństwa występowania wysokich krzewów (tylko południowo-wschodnia Alaska). Definicja: większość piksela zajmują krzewy o wysokości powyżej 1 m.
Land_Cover_Raw_Probability_Shrubs 30 metrów

Surowe prawdopodobieństwo występowania krzewów w modelu LCMS. Definicja: większość piksela stanowią krzewy.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix 30 metrów

Surowe dane LCMS modelowane pod kątem prawdopodobieństwa występowania mieszanki traw, roślin zielnych i krzewów. Definicja: większość piksela stanowią trawy wieloletnie, rośliny zielne lub inne formy roślinności zielnej, a także co najmniej 10% krzewów.
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix 30 metrów

Surowe dane LCMS modelowane na prawdopodobieństwo wystąpienia mieszanki terenów jałowych i krzewów. Definicja: większość piksela to goła gleba odsłonięta przez zaburzenia (np. gleba odsłonięta przez mechaniczne karczowanie lub wycinkę lasu), a także obszary trwale jałowe, takie jak pustynie, playa, wychodnie skalne (w tym minerały i inne materiały geologiczne odsłonięte przez górnictwo powierzchniowe), wydmy, solniska i plaże. Drogi gruntowe i żwirowe są również uważane za jałowe i składają się co najmniej w 10% z krzewów.
Land_Cover_Raw_Probability_Grass-Forb-Herb 30 metrów

Surowe prawdopodobieństwo wystąpienia trawy/rośliny zielnej/zioła w modelu LCMS. Definicja: większość piksela stanowią trawy wieloletnie, rośliny zielne lub inne formy roślinności zielnej.
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix 30 metrów

Surowe prawdopodobieństwo modelowane LCMS dla mieszanki Barren i Grass/Forb/Herb. Definicja: większość piksela to nieosłonięta gleba odsłonięta przez zaburzenia (np. gleba odsłonięta przez mechaniczne oczyszczanie lub wycinkę lasu), a także obszary trwale jałowe, takie jak pustynie, playa, wychodnie skalne (w tym minerały i inne materiały geologiczne odsłonięte przez działalność górniczą), wydmy, solniska i plaże. Drogi gruntowe i żwirowe są również uważane za nieużytki i składają się co najmniej w 10% z wieloletnich traw, roślin zielnych lub innych form roślinności zielnej.
Land_Cover_Raw_Probability_Barren-or-Impervious 30 metrów

Surowe prawdopodobieństwo modelu LCMS dla obszarów nieużytków lub nieprzepuszczalnych. Zdefiniowane jako: większość piksela to 1) odsłonięta gleba, która została naruszona (np. gleba odsłonięta w wyniku mechanicznego karczowania lub wycinki lasu), a także obszary trwale jałowe, takie jak pustynie, wyschnięte jeziora, wychodnie skalne (w tym minerały i inne materiały geologiczne odsłonięte w wyniku górnictwa odkrywkowego), wydmy, solniska i plaże. Drogi gruntowe i żwirowe są również uważane za nieużytki lub 2.) materiały wytworzone przez człowieka, przez które woda nie może przenikać, takie jak drogi utwardzone, dachy i parkingi.
Land_Cover_Raw_Probability_Snow-or-Ice 30 metrów

Surowe, modelowane przez LCMS prawdopodobieństwo wystąpienia śniegu lub lodu. Definicja: większość piksela zajmuje śnieg lub lód.
Land_Cover_Raw_Probability_Water 30 metrów

Surowe prawdopodobieństwo wystąpienia wody w modelu LCMS. Zdefiniowane jako: większość piksela składa się z wody.
Land_Use_Raw_Probability_Agriculture 30 metrów

Surowe dane LCMS modelujące prawdopodobieństwo występowania rolnictwa. Zdefiniowane jako: grunty wykorzystywane do produkcji żywności, włókien i paliw, które są w stanie wegetatywnym lub nie. Obejmuje to m.in. uprawne i nieuprawne grunty rolne, łąki, sady, winnice, fermy zwierząt gospodarskich i obszary obsadzone w celu produkcji owoców, orzechów lub jagód. Drogi wykorzystywane głównie do celów rolniczych (tj. nieużywane do transportu publicznego między miastami) są uważane za grunty rolne.
Land_Use_Raw_Probability_Developed 30 metrów

Surowe prawdopodobieństwo opracowania modelu LCMS. Definicja: obszar pokryty konstrukcjami stworzonymi przez człowieka (np. budynkami mieszkalnymi o dużej gęstości, obiektami komercyjnymi, przemysłowymi, górniczymi lub transportowymi) lub mieszaniną roślinności (w tym drzew) i konstrukcji (np. budynkami mieszkalnymi o małej gęstości, trawnikami, obiektami rekreacyjnymi, cmentarzami, korytarzami transportowymi i infrastrukturalnymi itp.), w tym wszelkie obszary funkcjonalnie zmienione przez działalność człowieka.
Land_Use_Raw_Probability_Forest 30 metrów

Surowe prawdopodobieństwo wystąpienia lasu modelowane na podstawie danych LCMS. Zdefiniowane jako: obszar, na którym rosną rośliny lub który jest naturalnie porośnięty roślinnością i który zawiera (lub prawdopodobnie będzie zawierać) w pewnym momencie w najbliższej przyszłości zagęszczenie drzew na poziomie co najmniej 10%. Mogą one obejmować lasy naturalne liściaste, wiecznie zielone lub mieszane, plantacje leśne i zadrzewione tereny podmokłe.
Land_Use_Raw_Probability_Non-Forest-Wetland 30 metrów

Surowe, modelowane prawdopodobieństwo wystąpienia terenów podmokłych nieleśnych w LCMS. Definicja: tereny przylegające do widocznego poziomu wód gruntowych lub znajdujące się w jego obrębie (trwale lub sezonowo nasycone wodą), na których dominują krzewy lub rośliny wynurzone. Mogą one znajdować się na brzegach jezior, kanałów rzecznych lub estuariów, na terenach zalewowych rzek, w odizolowanych zlewniach lub na zboczach. Mogą też występować jako zagłębienia na preriach, rowy odwadniające i stawy w krajobrazie rolniczym, a także jako wyspy na środku jezior lub rzek. Inne przykłady to bagna, moczary, trzęsawiska, torfowiska, mokradła, podmokłe łąki i rozlewiska.
Land_Use_Raw_Probability_Other 30 metrów

Surowe prawdopodobieństwo modelowania LCMS dla kategorii Inne. Zdefiniowane jako: obszar (niezależnie od sposobu użytkowania), w przypadku którego trend spektralny lub inne dowody wskazują na wystąpienie zakłócenia lub zmiany, ale nie można jednoznacznie określić przyczyny lub rodzaj zmiany nie pasuje do żadnej z kategorii procesów zmian zdefiniowanych powyżej.
Land_Use_Raw_Probability_Rangeland-or-Pasture 30 metrów

Surowe, modelowane przez LCMS prawdopodobieństwo wystąpienia pastwisk lub łąk. Definicja: ta klasa obejmuje wszystkie obszary, które: a) pastwiska, na których roślinność składa się z mieszanki rodzimych traw, krzewów, ziół i roślin podobnych do traw, które w dużej mierze występują w wyniku naturalnych czynników i procesów, takich jak opady, temperatura, wysokość nad poziomem morza i pożary, chociaż ograniczone zarządzanie może obejmować kontrolowane wypalanie, a także wypasanie przez zwierzęta roślinożerne domowe i dzikie; lub Pastwisko, na którym roślinność może obejmować mieszankę w dużej mierze naturalnych traw, roślin zielnych i ziół, a także bardziej kontrolowaną roślinność zdominowaną przez gatunki traw, które zostały zasiane i są utrzymywane w pobliżu monokultury.
QA_Bits 30 metrów

Informacje dodatkowe o pochodzeniu rocznych wartości wyjściowych produktu LCMS.

Zmień tabelę zajęć

Wartość Kolor Opis
1 #3d4551

Stabilny
2 #f39268

Powolna utrata
3 #d54309

Szybka utrata
4 #00a398

Wzmocnienie
5 #1b1716

Maska obszaru bez przetwarzania

Tabela klas Land_Cover

Wartość Kolor Opis
1 #005e00

drzewa,
2 #008000

Mieszanka wysokich krzewów i drzew (tylko SEAK)
3 #00cc00

Mieszanka krzewów i drzew
4 #b3ff1a

Mieszanka traw, ziół i drzew
5 #99ff99

Barren & Trees Mix
6 #b30088

Wysokie krzewy (tylko SEAK)
7 #e68a00

Krzewy
8 #ffad33

Mieszanka traw, roślin zielnych i krzewów
9 #ffe0b3

Mieszanka roślinności jałowej i krzewów
10 #ffff00

Trawa/roślina zielna/zioło
11 #aa7700

Mieszanka jałowa i traw/roślin zielnych
12 #d3bf9b

Nieurodzajne lub nieprzepuszczalne
13 #ffffff

Śnieg lub lód
14 #4780f3

Woda
15 #1b1716

Maska obszaru bez przetwarzania

Tabela klasy Land_Use

Wartość Kolor Opis
1 #efff6b

Rolnictwo
2 #ff2ff8

Opracowane
3 #1b9d0c

Las
4 #97ffff

Nieleśne tereny podmokłe
5 #a1a1a1

Inne
6 #c2b34a

Pastwisko lub łąka
7 #1b1716

Maska obszaru bez przetwarzania

Właściwości obrazu

Właściwości obrazu

Nazwa Typ Opis
study_area CIĄG ZNAKÓW

LCMS obejmuje obecnie kontynentalną część Stanów Zjednoczonych, południowo-wschodnią Alaskę, Portoryko i Wyspy Dziewicze Stanów Zjednoczonych oraz Hawaje. Ta wersja zawiera dane wyjściowe dla kontynentalnej części Stanów Zjednoczonych, południowo-wschodniej Alaski, Portoryko i Wysp Dziewiczych Stanów Zjednoczonych oraz Hawajów. Możliwe wartości: „CONUS, SEAK, PRUSVI, HI”
rok PRZ

Rok produktu

Warunki korzystania z usługi

Warunki korzystania z usługi

Służba Leśna USDA nie udziela żadnych gwarancji, wyraźnych ani dorozumianych, w tym gwarancji przydatności handlowej i przydatności do określonego celu, ani nie ponosi żadnej odpowiedzialności prawnej za dokładność, wiarygodność, kompletność ani użyteczność tych danych geoprzestrzennych ani za ich niewłaściwe lub nieprawidłowe wykorzystanie. Te dane geoprzestrzenne oraz powiązane z nimi mapy lub grafiki nie są dokumentami prawnymi i nie są przeznaczone do wykorzystywania w tym charakterze. Dane i mapy nie mogą być używane do określania tytułu, własności, opisów prawnych ani granic, jurysdykcji prawnej ani ograniczeń, które mogą obowiązywać na gruntach publicznych lub prywatnych. Zagrożenia naturalne mogą być lub nie być przedstawione na danych i mapach, a użytkownicy gruntów powinni zachować należytą ostrożność. Dane są dynamiczne i mogą się z czasem zmieniać. Użytkownik jest odpowiedzialny za sprawdzenie ograniczeń danych geoprzestrzennych i odpowiednie wykorzystanie tych danych.

Dane te zostały zebrane przy użyciu środków pochodzących z budżetu rządu Stanów Zjednoczonych i można ich używać bez dodatkowych uprawnień ani opłat. Jeśli używasz tych danych w publikacji, prezentacji lub innym produkcie badawczym, użyj tego opisu bibliograficznego:

USDA Forest Service. 2024 r. USFS Landscape Change Monitoring System v2023.9 (kontynentalna część Stanów Zjednoczonych i zewnętrzna część kontynentalnych Stanów Zjednoczonych). Salt Lake City, Utah.

Cytaty

Cytowanie:

  • USDA Forest Service. 2024 r. USFS Landscape Change Monitoring System v2023.9 (Stany Zjednoczone kontynentalne i zewnętrzne Stany Zjednoczone kontynentalne). Salt Lake City, Utah.

  • Breiman, L., 2001. Random Forests, w uczeniu maszynowym. Springer, 45: 5-32. doi:10.1023/A:1010933404324

  • Chastain, R., Housman, I., Goldstein, J., Finco, M., and Tenneson, K., 2019. Empiryczne porównanie czujników MSI na satelitach Sentinel-2A i 2B, OLI na satelicie Landsat-8 oraz ETM na satelicie Landsat-7 pod względem charakterystyki spektralnej w szczycie atmosfery nad kontynentalną częścią Stanów Zjednoczonych. W 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 r. Wykrywanie trendów w zakresie zaburzeń i regeneracji lasów na podstawie rocznych szeregów czasowych danych z satelity Landsat: 2. TimeSync – narzędzia do kalibracji i weryfikacji. W 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. i Gorelick, N., 2018 r. Wielospektralny zespół LandTrendr do wykrywania zakłóceń w lasach. W 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. Porównanie i weryfikacja algorytmu wykrywania chmur w przypadku operacyjnych produktów danych Landsat. W Remote Sensing of Environment. Science Direct, 194: 379-390. doi:10.1016/j.rse.2017.03.026

  • U.S. Geological Survey, 2019. USGS 3D Elevation Program Digital Elevation Model, dostęp: sierpień 2022 r., 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. i Zhu, Z., 2018 r. Mapping forest change using stacked generalization: An ensemble approach. W: Remote Sensing of Environment. Science Direct, 204: 717-728. doi:10.1016/j.rse.2017.09.029

  • Kennedy, R. E., Yang, Z. i Cohen, W. B., 2010 r. Wykrywanie trendów w zakłóceniach i regeneracji lasów na podstawie rocznych szeregów czasowych danych z satelity Landsat: 1. LandTrendr – algorytmy segmentacji czasowej. W 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. i Healey, S. 2018 r. Wdrożenie algorytmu LandTrendr w Google Earth Engine. w ramach teledetekcji. MDPI, 10(5): 691. doi:10.3390/rs10050691

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

  • Sentinel-Hub, 2021 r. Sentinel 2 Cloud Detector. [Online]. Dostępne na stronie:https://github.com/sentinel-hub/sentinel2-cloud-detector

  • Weiss, A.D., 2001. Topographic position and landforms analysis Poster Presentation, ESRI Users Conference, San Diego, CAZhu, Z., and Woodcock, C. E. 2012 r. wykrywanie chmur i cieni chmur na podstawie obiektów na zdjęciach Landsat; 118: 83–94.

  • Zhu, Z., and Woodcock, C. E., 2012 r. wykrywanie chmur i cieni chmur na podstawie obiektów na zdjęciach Landsat; W Remote Sensing of Environment. Science Direct, 118: 83-94. doi:10.1016/j.rse.2011.10.028

  • Zhu, Z., and Woodcock, C. E., 2014 r. Ciągłe wykrywanie zmian i klasyfikacja pokrycia terenu z użyciem wszystkich dostępnych danych Landsat. W Remote Sensing of Environment. Science Direct, 144: 152-171. doi:10.1016/j.rse.2014.01.011

DOI

Odkrywaj za pomocą Earth Engine

Edytor kodu (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);
Otwórz w edytorze kodu
Ten produkt jest częścią pakietu danych systemu monitorowania zmian krajobrazu (LCMS). Wyświetla zmiany modelowane w LCMS, pokrycie terenu lub klasy użytkowania terenu w poszczególnych latach, obejmujące kontynentalną część Stanów Zjednoczonych (CONUS) i obszary poza nią (OCONUS), w tym południowo-wschodnią Alaskę (SEAK), Portoryko i Wyspy Dziewicze Stanów Zjednoczonych (PRUSVI) oraz…
USFS/GTAC/LCMS/v2023-9, wykrywanie zmian,las,gtac,pokrycie terenu,dane pochodne z Landsata,użytkowanie terenu,użytkowanie terenu i pokrycie terenu,lcms,redcastle-resources,dane pochodne z Sentinela,szeregi czasowe,usda,usfs
1985-01-01T00:00:00Z/2023-12-31T00:00:00Z
20,38379 –135,286387 52,459364 –56,446306
Google Earth Engine