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 Landsata
landuse
landuse-landcover
lcms
redcastle-resources
pochodzące z satelitów Sentinel,
serii czasowych,
usda
usfs

Opis

Ten produkt jest częścią pakietu danych Landscape Change Monitoring System (LCMS). Zawiera ona zmiany modelowane za pomocą LCMS, pokrycie terenu lub klasy użytkowania terenu w poszczególnych latach na obszarze kontynentalnych Stanów Zjednoczonych (CONUS) i poza nim (OCONUS), w tym na południowo-wschodniej Alasce (SEAK), w Portoryko i na Wyspach Dziewiczych Stanów Zjednoczonych (PRUSVI) oraz na Hawajach (HI).

LCMS to system oparty na teledetekcji, który służy do mapowania i monitorowania zmian krajobrazu w Stanach Zjednoczonych. Jego 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 w ten sposób zestaw map zmian w pokryciu i zagospodarowaniu terenu oraz zmian w rodzaju pokrycia 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 na potrzeby CONUS wykorzystano dane o odbiciu powierzchniowym Landsat Tier 1 Collection 2 z USGS, a na potrzeby SEAK, PRUSVI i HI – dane o odbiciu na szczycie atmosfery Landsat Tier 1. Do tworzenia rocznych kompozytów na potrzeby LandTrendr wykorzystano dane o odbiciu na szczycie atmosfery Landsat Tier 1 Collection 2 z USGS oraz Sentinel 2A i 2B Level-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 jednym obrazie kompozytowym.

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 wysokość nad poziomem morza, nachylenie, sinus ekspozycji, cosinus ekspozycji i wskaźniki 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 TimeSync, narzędzia internetowego, 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 z wykorzystaniem dodatkowych zbiorów danych, aby poprawić jakość danych wyjściowych map i zmniejszyć liczbę błędów. Więcej informacji znajdziesz w dokumencie LCMS Methods Brief, który jest częścią opisu.

Dodatkowe materiały

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

Pasma

Rozmiar piksela
30 metrów

Pasma

Nazwa Rozmiar piksela Opis
Change metry

Final thematic LCMS change product. W przypadku każdego roku mapowane są 3 klasy zmian (powolna utrata, szybka utrata i przyrost). Każda klasa jest prognozowana za pomocą osobnego modelu Random Forest, który zwraca prawdopodobieństwo (proporcję drzew w modelu Random Forest), że piksel należy do tej klasy. Dlatego poszczególne piksele mają 3 różne dane wyjściowe modelu dla każdego roku. Ostateczne klasy są przypisywane do klasy zmiany o najwyższym prawdopodobieństwie, które jest również powyżej określonego progu. Każdy piksel, który nie ma żadnej wartości powyżej odpowiedniego progu dla każdej klasy, jest przypisywany do klasy Stable. Przed przypisaniem klasy zmiany do wszystkich obszarów badań zastosowano regułę, która zapobiega zmianom w przypadku pokrywy terenu niezawierającej roślinności.
Land_Cover metry

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 oddzielnego 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% powierzchni piksela.
Land_Use metry

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 dotyczących 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 metry

Surowe, modelowane prawdopodobieństwo powolnej utraty w przypadku 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 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 jodłowej, 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, zmniejsza się wilgotność, zwiększa się 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 pozorny spadek wigoru, ale nie utratę materiału zdrewniałego ani powierzchni liści.
Change_Raw_Probability_Fast_Loss metry

Surowe prawdopodobieństwo utraty Fast Loss modelowane za pomocą LCMS. Definicja: Szybka utrata obejmuje te klasy z interpretacji procesu zmian TimeSync:

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

  • Zbiory – obszar leśny, na którym drzewa, krzewy lub inna roślinność zostały wycięte 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 odnowienia naturalnego).

  • 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 ekstremalnych zjawisk pogodowych, w tym przez marznący deszcz podczas burz lodowych.

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

  • Zanieczyszczenia – teren (niezależnie od sposobu użytkowania) zmieniony przez ruch materiału naturalnego związany z osuwiskami, lawinami, wulkanami, spływami gruzowymi itp.

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

Surowe dane LCMS dotyczące modelowanego 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 metry

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

Surowe dane LCMS dotyczące prawdopodobieństwa wystąpienia mieszanki wysokich krzewów i drzew (tylko południowo-wschodnia Alaska). Definicja: większość pikseli zajmują krzewy o wysokości powyżej 1 m, a co najmniej 10% pikseli zajmują żywe lub martwe drzewa.
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix metry

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 metry

Surowe prawdopodobieństwo modelowane na podstawie LCMS dla mieszanki traw, roślin zielnych i drzew. Definicja: większość piksela stanowią trawy wieloletnie, rośliny zielne lub inne formy roślinności zielnej, a także co najmniej 10% – żywe lub martwe drzewa.
Land_Cover_Raw_Probability_Barren-and-Trees-Mix metry

Surowe dane LCMS modelowane pod kątem prawdopodobieństwa wystąpienia obszarów nieużytków i mieszanki drzew. Definicja: większość pikseli to odsłonięta gleba, która została naruszona (np. gleba odsłonięta w wyniku mechanicznego oczyszczania lub wycinki lasu), a także obszary trwale jałowe, 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 składają się w co najmniej 10% z żywych lub martwych drzew.
Land_Cover_Raw_Probability_Tall-Shrubs metry

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 metry

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

Surowe dane LCMS dotyczące modelowanego 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% – krzewy.
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix metry

Surowe dane LCMS modelowane pod kątem prawdopodobieństwa wystąpienia mieszanki roślinności jałowej i krzewów. Definicja: większość pikseli to odsłonięta gleba, która została naruszona (np. gleba odsłonięta w wyniku mechanicznego oczyszczania lub wycinki lasu), a także obszary trwale jałowe, 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 składają się w co najmniej 10% z krzewów.
Land_Cover_Raw_Probability_Grass-Forb-Herb metry

Surowe prawdopodobieństwo LCMS modelowane dla trawy/rośliny zielnej/zioła. Definicja: większość piksela stanowią trawy wieloletnie, rośliny zielne lub inne formy roślinności zielnej.
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix metry

Surowe dane LCMS modelowane pod kątem prawdopodobieństwa wystąpienia obszarów nieużytków i mieszanki traw, ziół i roślin zielnych. Definicja: większość piksela to nieosłonięta gleba odsłonięta w wyniku zaburzeń (np. gleba odsłonięta w wyniku mechanicznego oczyszczania lub wycinki lasu), a także obszary trwale jałowe, 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 składają się co najmniej w 10% z wieloletnich traw, roślin zielnych lub innych form roślinności zielnej.
Land_Cover_Raw_Probability_Barren-or-Impervious metry

Surowe prawdopodobieństwo modelu LCMS dla obszarów nieużytków lub nieprzepuszczalnych. Definicja: większość pikseli to 1) odsłonięta gleba, która została naruszona (np. gleba odkryta 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 metry

Surowe prawdopodobieństwo wystąpienia śniegu lub lodu w modelu LCMS. Definicja: większość piksela zajmuje śnieg lub lód.
Land_Cover_Raw_Probability_Water metry

Surowe dane LCMS modelowane pod kątem prawdopodobieństwa wystąpienia wody. Definicja: większość piksela składa się z wody.
Land_Use_Raw_Probability_Agriculture metry

Surowe dane LCMS modelowane pod kątem prawdopodobieństwa występowania rolnictwa. Zdefiniowane jako: grunty wykorzystywane do produkcji żywności, włókien i paliw, które są w stanie wegetatywnym lub nie. Obejmuje to między innymi uprawne i nieuprawne grunty rolne, łąki, sady, winnice, fermy zwierząt gospodarskich oraz obszary obsadzone w celu produkcji owoców, orzechów lub jagód. Drogi wykorzystywane głównie do celów rolniczych (tzn. nieużywane do transportu publicznego między miastami) są uważane za grunty rolne.
Land_Use_Raw_Probability_Developed metry

Surowe, modelowane prawdopodobieństwo LCMS, że produkt został opracowany. Definicja: obszar pokryty konstrukcjami stworzonymi przez człowieka (np. obszary mieszkalne o dużej gęstości zaludnienia, obszary komercyjne, przemysłowe, górnicze lub transportowe) lub mieszanina roślinności (w tym drzew) i konstrukcji (np. obszary mieszkalne o małej gęstości zaludnienia, trawniki, obiekty rekreacyjne, cmentarze, korytarze transportowe i użytkowe itp.), w tym wszelkie obszary funkcjonalnie zmienione przez działalność człowieka.
Land_Use_Raw_Probability_Forest metry

Surowe, modelowane przez LCMS prawdopodobieństwo wystąpienia lasu. Definicja: obszar, na którym rosną drzewa lub inne rośliny, i który w pewnym momencie w najbliższej przyszłości będzie (lub prawdopodobnie będzie) pokryty drzewami w co najmniej 10%. Może to obejmować lasy liściaste, iglaste lub mieszane, plantacje leśne i mokradła zalesione.
Land_Use_Raw_Probability_Non-Forest-Wetland metry

Surowe modelowane prawdopodobieństwo LCMS dotyczące mokradeł nieleśnych. 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 zielne. 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 metry

Surowe prawdopodobieństwo LCMS modelowane dla kategorii Inne. Definicja: obszar (niezależnie od sposobu użytkowania), w którym 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 procesów zmian zdefiniowanych powyżej.
Land_Use_Raw_Probability_Rangeland-or-Pasture metry

Surowe prawdopodobieństwo LCMS modelowane dla terenów trawiastych lub pastwisk. Definicja: ta klasa obejmuje każdy obszar, który: 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 metry

Informacje dodatkowe o pochodzeniu rocznych wartości wyjściowych usługi 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 nieprzetwarzanego

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 w południowo-wschodniej Azji)
7 #e68a00

Krzewy
8 #ffad33

Mieszanka traw, roślin zielnych i krzewów
9 #ffe0b3

Mieszanka na nieużytki i krzewy
10 #ffff00

Trawa/roślina zielna/zioło
11 #aa7700

Mieszanka jałowa i traw/roślin zielnych
12 #d3bf9b

Barren or Impervious
13 #ffffff

Śnieg lub lód
14 #4780f3

Woda
15 #1b1716

Maska obszaru nieprzetwarzanego

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

Pastwiska lub łąki
7 #1b1716

Maska obszaru nieprzetwarzanego

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 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 powinny być jako takie traktowane. 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 rządu Stanów Zjednoczonych i można ich używać bez dodatkowych uprawnień ani opłat. Jeśli wykorzystujesz te dane w publikacji, prezentacji lub innym produkcie badawczym, podaj następujące źródło:

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

Cytaty

Cytaty:

  • 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. i Tenneson, K., 2019 r. Empiryczne porównanie charakterystyki spektralnej na szczycie atmosfery danych z instrumentów MSI na satelitach Sentinel-2A i 2B, OLI na satelicie Landsat-8 oraz ETM na satelicie Landsat-7 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 za pomocą rocznych szeregów czasowych 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 za pomocą rocznych szeregów czasowych 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 teledetekcji. MDPI, 10(5): 691. doi:10.3390/rs10050691

  • Pasquarella, V. J., Brown, C. F., Czerwinski, W., and Rucklidge, W. J. 2023 r. Kompleksowa ocena jakości optycznych zdjęć satelitarnych za pomocą słabo nadzorowanego uczenia wideo. W Proceedings of the 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 obrazach Landsat na podstawie obiektów. 118: 83–94.

  • Zhu, Z., and Woodcock, C. E., 2012 r. Wykrywanie chmur i cieni chmur na obrazach Landsat na podstawie obiektów. 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 Landscape Change Monitoring System (LCMS). Wyświetla zmiany modelowane w 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…
USFS/GTAC/LCMS/v2023-9, change-detection,forest,gtac,landcover,landsat-derived,landuse,landuse-landcover,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