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

USFS/GTAC/LCMS/v2023-9
Disponibilidade do conjunto de dados
1985-01-01T00:00:00Z–2023-12-31T00:00:00Z
Produtor de conjunto de dados
Snippet do Earth Engine
ee.ImageCollection("USFS/GTAC/LCMS/v2023-9")
Tags
change-detection
floresta
gtac
landcover
landsat-derived
landuse
landuse-landcover
lcms
redcastle-resources
gerados a partir do sentinel
série temporal
usda
usfs

Descrição

Esse produto faz parte do pacote de dados do Sistema de monitoramento de mudanças na paisagem (LCMS, na sigla em inglês). Ele mostra a mudança modelada pelo LCMS, a cobertura da terra e/ou as classes de uso da terra para cada ano que abrange os Estados Unidos continentais (CONUS) e áreas fora dos CONUS (OCONUS) que incluem o sudeste do Alasca (SEAK), Porto Rico e Ilhas Virgens Americanas (PRUSVI) e Havaí (HI).

O LCMS é um sistema baseado em sensoriamento remoto para mapear e monitorar mudanças na paisagem em todos os Estados Unidos. O objetivo é desenvolver uma abordagem consistente usando a tecnologia mais recente e avanços na detecção de mudanças para produzir um mapa "melhor disponível" de mudanças na paisagem.

As saídas incluem três produtos anuais: mudança, cobertura e uso da terra. A mudança se relaciona especificamente à cobertura vegetal e inclui perda lenta, perda rápida (que também inclui mudanças hidrológicas, como inundação ou dessecação) e ganho. Esses valores são previstos para cada ano da série temporal do Landsat e servem como produtos básicos para o LCMS. Os mapas de cobertura e uso da terra mostram a cobertura da terra no nível de forma de vida e o uso da terra em nível amplo para cada ano.

Como nenhum algoritmo tem o melhor desempenho em todas as situações, o LCMS usa um conjunto de modelos como preditores, o que melhora a acurácia do mapa em vários ecossistemas e processos de mudança (Healey et al., 2018). O conjunto resultante de mapas de mudança de LCMS, cobertura e uso da terra oferece uma representação holística da mudança de paisagem nos Estados Unidos desde 1985.

As camadas de previsão do modelo LCMS incluem saídas dos algoritmos de detecção de mudanças LandTrendr e CCDC, além de informações sobre o terreno. Todos esses componentes são acessados e processados usando o Google Earth Engine (Gorelick et al., 2017).

Para o CCDC, foram usados dados de refletância da superfície do Landsat Tier 1 da Coleção 2 do United States Geological Survey (USGS) para o CONUS e dados de refletância do topo da atmosfera do Landsat Tier 1 para SEAK, PRUSVI e HI. Para produzir composições anuais para o LandTrendr, foram usados dados de refletância do topo da atmosfera do Landsat Tier 1 da Coleção 2 do USGS e do Sentinel 2A, 2B Nível-1C. O algoritmo de mascaramento de nuvem cFmask (Foga et al., 2017), que é uma implementação do Fmask 2.0 (Zhu e Woodcock, 2012) (somente Landsat), cloudScore (Chastain et al., 2019) (somente Landsat), s2cloudless (Sentinel-Hub, 2021) e Cloud Score plus (Pasquarella et al., 2023) (somente Sentinel 2) são usados para mascarar nuvens, enquanto o TDOM (Chastain et al., 2019) é usado para mascarar sombras de nuvens (Landsat e Sentinel 2). Para o LandTrendr, o medóide anual é calculado para resumir os valores sem nuvens e sem sombras de nuvens de cada ano em um único composto.

A série temporal composta é segmentada temporalmente usando o LandTrendr (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).

Todos os valores sem nuvens e sem sombras de nuvens também são segmentados temporalmente usando o algoritmo CCDC (Zhu e Woodcock, 2014).

Os dados do preditor incluem valores brutos compostos, valores ajustados do LandTrendr, diferenças aos pares, duração do segmento, magnitude da mudança e inclinação, além de coeficientes de seno e cosseno do CCDC (três primeiros harmônicos), valores ajustados e diferenças aos pares, além de elevação, inclinação, seno do aspecto, cosseno do aspecto e índices de posição topográfica (Weiss, 2001) dos dados do Programa de Elevação 3D (3DEP) de 10 m do USGS (U.S. Geological Survey, 2019).

Os dados de referência são coletados usando o TimeSync, uma ferramenta baseada na Web que ajuda os analistas a visualizar e interpretar o registro de dados do Landsat de 1984 até o presente (Cohen et al., 2010).

Os modelos de florestas aleatórias (Breiman, 2001) foram treinados usando dados de referência do TimeSync e dados de previsão do LandTrendr, CCDC e índices de terreno para prever mudanças anuais, cobertura e classes de uso da terra. Após a modelagem, instituímos uma série de limites de probabilidade e conjuntos de regras usando conjuntos de dados auxiliares para melhorar as saídas de mapas qualitativos e reduzir a comissão e a omissão. Para mais informações, consulte o resumo dos métodos do LCMS incluído na descrição.

Additional Resources

Entre em contato com [sm.fs.lcms@usda.gov] se tiver dúvidas ou solicitações de dados específicas.

Bandas

Bandas

Tamanho do pixel: 30 metros (todas as bandas)

Nome Tamanho do pixel Descrição
Change 30 metros

Produto final de mudança temática do LCMS. Um total de três classes de mudança (perda lenta, perda rápida e ganho) são mapeadas para cada ano. Cada classe é prevista usando um modelo de floresta aleatória separado, que gera uma probabilidade (proporção das árvores no modelo de floresta aleatória) de que o pixel pertença a essa classe. Por isso, os pixels individuais têm três saídas de modelo diferentes para cada ano. As classes finais são atribuídas à classe de mudança com a maior probabilidade que também está acima de um limite especificado. Qualquer pixel que não tenha um valor acima do limite de cada classe é atribuído à classe "Estável". Antes de atribuir a classe de mudança, uma regra foi aplicada a todas as áreas de estudo para evitar mudanças na cobertura de terra não vegetada.
Land_Cover 30 metros

Produto final de cobertura da terra do LCMS temático. Um total de 14 classes de cobertura da terra são mapeadas anualmente usando dados de referência do TimeSync e informações espectrais derivadas de imagens do Landsat. Cada classe é prevista usando um modelo de floresta aleatória separado, que gera uma probabilidade (proporção das árvores no modelo de floresta aleatória) de que o pixel pertença a essa classe. Por isso, os pixels individuais têm 14 saídas de modelo diferentes para cada ano, e as classes finais são atribuídas à cobertura da terra com a maior probabilidade. No sudeste do Alasca, antes de atribuir a classe de cobertura da terra com a maior probabilidade, uma regra de cobertura da terra foi implementada para limitar a comissão de classes de cobertura de árvores e neve nas grandes zonas entre marés ao nível do mar. Nenhuma regra de cobertura da terra foi aplicada a CONUS, Porto Rico-Ilhas Virgens Americanas ou Havaí. Sete das 14 classes de cobertura do solo indicam uma única cobertura, em que esse tipo cobre a maior parte da área do pixel e nenhuma outra classe cobre mais de 10% do pixel. Há também sete aulas mistas. Eles representam pixels em que uma classe adicional de cobertura do solo cobre pelo menos 10% do pixel.
Land_Use 30 metros

Produto final de uso da terra do LCMS temático. Um total de seis classes de uso da terra são mapeadas anualmente usando dados de referência do TimeSync e informações espectrais derivadas de imagens do Landsat. Cada classe é prevista usando um modelo de floresta aleatória separado, que gera uma probabilidade (proporção das árvores no modelo de floresta aleatória) de que o pixel pertence a essa classe. Por isso, os pixels individuais têm seis saídas de modelo diferentes para cada ano, e as classes finais são atribuídas ao uso da terra com a maior probabilidade. Antes de atribuir a classe de uso da terra com a maior probabilidade, foram aplicados uma série de limites de probabilidade e conjuntos de regras usando conjuntos de dados auxiliares e regras de uso da terra. Para mais informações sobre os limites de probabilidade e os conjuntos de regras, consulte o resumo dos métodos do LCMS incluído na descrição. O produto de uso da terra do CONUS foi atualizado em 2 de julho de 2024 para corrigir um problema com a classe desenvolvida.
Change_Raw_Probability_Slow_Loss 30 metros

Probabilidade bruta modelada de perda lenta do LCMS. Definido como: a perda lenta inclui as seguintes classes da interpretação do processo de mudança do TimeSync:

  • Declínio estrutural: terra em que árvores ou outra vegetação lenhosa são alteradas fisicamente por condições de crescimento desfavoráveis causadas por fatores não antropogênicos ou não mecânicos. Esse tipo de perda geralmente cria uma tendência nos sinais espectrais (por exemplo, NDVI diminuindo, umidade diminuindo, SWIR aumentando etc.), mas a tendência pode ser sutil. O declínio estrutural ocorre em ambientes de vegetação lenhosa, provavelmente devido a insetos, doenças, seca, chuva ácida etc. Ele pode incluir eventos de desfolha que não resultam em mortalidade, como infestações de mariposa-cigana e traça-do-pinheiro, que podem se recuperar em um ou dois anos.

  • Declínio espectral: um gráfico em que o sinal espectral mostra uma tendência em uma ou mais bandas ou índices espectrais (por exemplo, NDVI diminuindo, umidade diminuindo, SWIR aumentando etc.). Exemplos incluem casos em que: a) a vegetação não florestal/não lenhosa mostra uma tendência sugestiva de declínio (por exemplo, diminuição do NDVI, da umidade, aumento do SWIR etc.) ou b) a vegetação lenhosa mostra uma tendência de declínio não relacionada à perda de vegetação lenhosa, como quando as copas das árvores maduras se fecham, resultando em aumento do sombreamento, quando a composição das espécies muda de coníferas para árvores de madeira nobre ou quando um período seco (em vez de uma seca mais forte e aguda) causa um declínio aparente no vigor, mas sem perda de material lenhoso ou área foliar.
Change_Raw_Probability_Fast_Loss 30 metros

Probabilidade bruta estimada de perda rápida de LCMS. Definida como: a perda rápida inclui as seguintes classes da interpretação do processo de mudança do TimeSync:

  • Incêndio: terra alterada por incêndio, independente da causa da ignição (natural ou antropogênica), da gravidade ou do uso da terra.

  • Colheita: terra florestal em que árvores, arbustos ou outra vegetação foram cortados ou removidos por meios antropogênicos. Exemplos incluem corte raso, corte de salvamento após incêndios ou surtos de insetos, desbaste e outras prescrições de manejo florestal (por exemplo, corte de proteção/corte de sementes).

  • Mecânico: terra não florestal em que árvores, arbustos ou outra vegetação foram cortados ou removidos mecanicamente por encadeamento, raspagem, serragem de arbustos, terraplanagem ou qualquer outro método de remoção de vegetação não florestal.

  • Vento/gelo: terra (independente do uso) em que a vegetação é alterada por ventos de furacões, tornados, tempestades e outras condições climáticas adversas, incluindo chuva congelada de tempestades de gelo.

  • Hidrologia: terra em que as inundações alteraram significativamente a cobertura vegetal ou outros elementos de cobertura terrestre, independente do uso da terra (por exemplo, novas misturas de cascalho e vegetação em leitos de rios e ao redor deles após uma enchente).

  • Detritos: terra (independente do uso) alterada por movimento de material natural associado a deslizamentos de terra, avalanches, vulcões, fluxos de detritos etc.

  • Outro: terra (independente do uso) em que a tendência espectral ou outras evidências sugerem que ocorreu um evento de perturbação ou mudança, mas não é possível determinar a causa definitiva ou o tipo de mudança não se enquadra em nenhuma das categorias de processo de mudança definidas acima.
Change_Raw_Probability_Gain 30 metros

Probabilidade bruta modelada de ganho do LCMS. Definição: terra que apresenta um aumento na cobertura vegetal devido ao crescimento e à sucessão ao longo de um ou mais anos. Aplicável a áreas que podem expressar mudanças espectrais associadas ao crescimento da vegetação. Em áreas desenvolvidas, o crescimento pode resultar da vegetação em maturação e/ou de gramados e paisagismo recém-instalados. Em florestas, o crescimento inclui o crescimento da vegetação em solo sem cobertura, bem como o crescimento de árvores intermediárias e codominantes e/ou gramíneas e arbustos mais baixos. Os segmentos de crescimento/recuperação registrados após a colheita florestal provavelmente vão passar por diferentes classes de cobertura da terra à medida que a floresta se regenera. Para que essas mudanças sejam consideradas crescimento/recuperação, os valores espectrais precisam seguir de perto uma linha de tendência crescente (por exemplo, uma inclinação positiva que, se estendida por cerca de 20 anos, seria da ordem de 0,10 unidades de NDVI) que persiste por vários anos.
Land_Cover_Raw_Probability_Trees 30 metros

Probabilidade bruta modelada de árvores do LCMS. Definido como: a maioria dos pixels é composta de árvores vivas ou mortas em pé.
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix 30 metros

Probabilidade bruta modelada de LCMS de mistura de arbustos altos e árvores (somente SEAK). Definido como: a maioria dos pixels é composta por arbustos com mais de 1 m de altura e também por pelo menos 10% de árvores vivas ou mortas em pé.
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix 30 metros

Probabilidade bruta modelada de LCMS de arbustos e árvores misturadas. Definido como: a maioria dos pixels é composta por arbustos e também por pelo menos 10% de árvores vivas ou mortas em pé.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix 30 metros

Probabilidade bruta modelada de LCMS de grama/herbácea/erva e mistura de árvores. Definição: a maioria dos pixels é composta por gramíneas perenes, ervas ou outras formas de vegetação herbácea e também por pelo menos 10% de árvores vivas ou mortas em pé.
Land_Cover_Raw_Probability_Barren-and-Trees-Mix 30 metros

Probabilidade bruta modelada de LCMS de Barren and Trees Mix. Definido como: a maioria dos pixels é composta de solo exposto por perturbações (por exemplo, solo descoberto por limpeza mecânica ou colheita florestal), bem como áreas permanentemente áridas, como desertos, lagos secos, afloramentos rochosos (incluindo minerais e outros materiais geológicos expostos por atividades de mineração a céu aberto), dunas de areia, salinas e praias. Estradas de terra e cascalho também são consideradas áreas sem vegetação e têm pelo menos 10% de árvores vivas ou mortas em pé.
Land_Cover_Raw_Probability_Tall-Shrubs 30 metros

Probabilidade bruta modelada de LCMS de arbustos altos (somente SEAK). Definido como: a maioria dos pixels é composta por arbustos com mais de 1 m de altura.
Land_Cover_Raw_Probability_Shrubs 30 metros

Probabilidade bruta modelada de arbustos do LCMS. Definido como: a maioria dos pixels é composta por arbustos.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix 30 metros

Probabilidade bruta modelada de LCMS de grama/planta herbácea/erva e arbustos. Definido como: a maioria dos pixels é composta por gramíneas perenes, ervas ou outras formas de vegetação herbácea e também por pelo menos 10% de arbustos.
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix 30 metros

Probabilidade bruta estimada de LCMS de Barren and Shrubs Mix. Definido como: a maioria dos pixels é composta de solo exposto por perturbações (por exemplo, solo descoberto por limpeza mecânica ou colheita florestal), bem como áreas permanentemente áridas, como desertos, lagos secos, afloramentos rochosos (incluindo minerais e outros materiais geológicos expostos por atividades de mineração a céu aberto), dunas de areia, salinas e praias. Estradas de terra e cascalho também são consideradas áridas e têm pelo menos 10% de arbustos.
Land_Cover_Raw_Probability_Grass-Forb-Herb 30 metros

Probabilidade bruta modelada de LCMS de grama/erva daninha/erva. Definido como: a maioria dos pixels é composta de gramíneas perenes, ervas ou outras formas de vegetação herbácea.
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix 30 metros

Probabilidade bruta modelada de LCMS de mistura de ervas/forb/grama e estéril. Definido como: a maioria dos pixels é composta de solo exposto por perturbações (por exemplo, solo descoberto por desmatamento mecânico ou colheita florestal), bem como áreas permanentemente áridas, como desertos, playas, afloramentos rochosos (incluindo minerais e outros materiais geológicos expostos por atividades de mineração de superfície), dunas de areia, salinas e praias. Estradas de terra e cascalho também são consideradas áridas e compostas por pelo menos 10% de gramíneas perenes, ervas ou outras formas de vegetação herbácea.
Land_Cover_Raw_Probability_Barren-or-Impervious 30 metros

Probabilidade bruta modelada de LCMS de Barren ou Impervious. Definido como: a maioria dos pixels é composta por 1) solo exposto por perturbação (por exemplo, solo descoberto por limpeza mecânica ou colheita florestal), bem como áreas permanentemente áridas, como desertos, lagos secos, afloramentos rochosos (incluindo minerais e outros materiais geológicos expostos por atividades de mineração a céu aberto), dunas de areia, salinas e praias. Estradas de terra e cascalho também são consideradas áridas ou 2) materiais artificiais que a água não consegue penetrar, como estradas pavimentadas, telhados e estacionamentos.
Land_Cover_Raw_Probability_Snow-or-Ice 30 metros

Probabilidade bruta modelada de neve ou gelo do LCMS. Definido como: a maioria dos pixels é composta de neve ou gelo.
Land_Cover_Raw_Probability_Water 30 metros

Probabilidade bruta modelada de água do LCMS. Definido como: a maioria dos pixels é composta de água.
Land_Use_Raw_Probability_Agriculture 30 metros

Probabilidade bruta modelada de agricultura do LCMS. Definido como: terra usada para a produção de alimentos, fibras e combustíveis, que está em estado vegetado ou não vegetado. Isso inclui, entre outros, plantações cultivadas e não cultivadas, pastagens, pomares, vinhedos, operações de pecuária confinada e áreas plantadas para produção de frutas, nozes ou frutas vermelhas. As vias usadas principalmente para fins agrícolas (ou seja, não usadas para transporte público de cidade a cidade) são consideradas uso agrícola do solo.
Land_Use_Raw_Probability_Developed 30 metros

Probabilidade bruta modelada de LCMS de "Desenvolvido". Definido como: terra coberta por estruturas feitas pelo homem (por exemplo, residencial de alta densidade, comercial, industrial, mineração ou transporte) ou uma mistura de vegetação (incluindo árvores) e estruturas (por exemplo, residencial de baixa densidade, gramados, instalações recreativas, cemitérios, corredores de transporte e utilidades etc.), incluindo qualquer terra funcionalmente alterada pela atividade humana.
Land_Use_Raw_Probability_Forest 30 metros

Probabilidade bruta modelada de floresta do LCMS. Definida como: terra plantada ou com vegetação natural que contém (ou provavelmente vai conter) 10% ou mais de cobertura de árvores em algum momento durante uma sequência sucessional de curto prazo. Isso pode incluir categorias decíduas, perenes e/ou mistas de florestas naturais, plantações florestais e pântanos arborizados.
Land_Use_Raw_Probability_Non-Forest-Wetland 30 metros

Probabilidade bruta modelada de LCMS de áreas úmidas não florestais. Definido como: terras adjacentes ou dentro de um lençol freático visível (permanentemente ou sazonalmente saturado) dominado por arbustos ou plantas emergentes persistentes. Essas áreas úmidas podem estar localizadas na costa de lagos, canais de rios ou estuários, em planícies de inundação de rios, em bacias isoladas ou em encostas. Elas também podem aparecer como buracos de pradaria, valas de drenagem e tanques de água em paisagens agrícolas, além de ilhas no meio de lagos ou rios. Outros exemplos incluem pântanos, charcos, pântanos, atoleiros, turfeiras, valas, brejos e riachos.
Land_Use_Raw_Probability_Other 30 metros

Probabilidade bruta modelada de LCMS de "Outro". Definido como: terra (independente do uso) em que a tendência espectral ou outras evidências sugerem que ocorreu uma perturbação ou um evento de mudança, mas não é possível determinar a causa definitiva ou o tipo de mudança não se enquadra em nenhuma das categorias de processo de mudança definidas acima.
Land_Use_Raw_Probability_Rangeland-or-Pasture 30 metros

Probabilidade bruta modelada de pastagem ou pasto do LCMS. Definida como: essa classe inclui qualquer área que seja a) Pastagem, onde a vegetação é uma mistura de gramíneas nativas, arbustos, ervas e plantas semelhantes a gramíneas, que surgem principalmente de fatores e processos naturais, como chuva, temperatura, altitude e fogo, embora o manejo limitado possa incluir queimadas controladas e pastoreio por herbívoros domésticos e selvagens; ou b.) Pastagem, onde a vegetação pode variar de gramíneas mistas, em grande parte naturais, ervas daninhas e ervas a vegetação mais manejada, dominada por espécies de gramíneas que foram semeadas e manejadas para manter quase monocultura.
QA_Bits 30 metros

Informações complementares sobre a origem dos valores anuais de saída de produtos do LCMS.

Mudar tabela de classes

Valor Cor Descrição
1 #3d4551

Estável
2 #f39268

Perda lenta
3 #d54309

Perda rápida
4 #00a398

Ganho
5 #1b1716

Máscara de área não processada

Tabela de classes de cobertura da terra

Valor Cor Descrição
1 #005e00

Árvores
2 #008000

Mistura de arbustos e árvores altas (somente SEAK)
3 #00cc00

Mistura de arbustos e árvores
4 #b3ff1a

Mistura de gramíneas/herbáceas/ervas e árvores
5 #99ff99

Barren & Trees Mix
6 #b30088

Arbustos altos (somente no SEAK)
7 #e68a00

Arbustos
8 #ffad33

Mistura de gramíneas/herbáceas/ervas e arbustos
9 #ffe0b3

Mistura de arbustos e vegetação rasteira
10 #ffff00

Grama/forb/erva
11 #aa7700

Mistura de ervas/forbs/gramíneas e áreas sem vegetação
12 #d3bf9b

Sem vegetação ou impermeável
13 #ffffff

Neve ou gelo
14 #4780f3

Água
15 #1b1716

Máscara de área não processada

Tabela de classes de uso do solo

Valor Cor Descrição
1 #efff6b

Agricultura
2 #ff2ff8

Desenvolvido
3 #1b9d0c

Floresta
4 #97ffff

Pântano não florestal
5 #a1a1a1

Outro
6 #c2b34a

Pastagem
7 #1b1716

Máscara de área não processada

Propriedades de imagens

Propriedades da imagem

Nome Tipo Descrição
study_area STRING

No momento, o LCMS abrange os Estados Unidos contíguos, o sudeste do Alasca, Porto Rico e as Ilhas Virgens Americanas, além do Havaí. Esta versão contém resultados em toda a parte continental dos Estados Unidos, no sudeste do Alasca, em Porto Rico e nas Ilhas Virgens Americanas e no Havaí. Valores possíveis: "CONUS, SEAK, PRUSVI, HI"
ano INT

Ano do produto

Termos de Uso

Termos de Uso

O Serviço Florestal do USDA não oferece garantias, expressas ou implícitas, incluindo as garantias de comercialização e adequação a uma finalidade específica, nem assume qualquer responsabilidade legal pela precisão, confiabilidade, integridade ou utilidade desses dados geoespaciais ou pelo uso inadequado ou incorreto deles. Esses dados geoespaciais e mapas ou gráficos relacionados não são documentos legais e não devem ser usados como tal. Os dados e mapas não podem ser usados para determinar título, propriedade, descrições ou limites legais, jurisdição legal ou restrições que possam estar em vigor em terras públicas ou privadas. Os riscos naturais podem ou não ser representados nos dados e mapas, e os usuários de terra precisam ter cautela. Os dados são dinâmicos e podem mudar com o tempo. O usuário é responsável por verificar as limitações dos dados geoespaciais e usá-los de acordo com elas.

Esses dados foram coletados com financiamento do governo dos EUA e podem ser usados sem permissões ou taxas adicionais. Se você usar esses dados em uma publicação, apresentação ou outro produto de pesquisa, use a seguinte citação:

USDA Forest Service. 2024. Sistema de monitoramento de mudanças na paisagem da USFS v2023.9 (Estados Unidos contíguos e Estados Unidos contíguos externos). Salt Lake City, Utah.

Citações

Citações:

  • USDA Forest Service. 2024. Sistema de monitoramento de mudanças na paisagem da USFS v2023.9 (Estados Unidos contíguos e Estados Unidos contíguos externos). Salt Lake City, Utah.

  • Breiman, L., 2001. Florestas aleatórias. Em machine learning. Springer, 45: 5-32. doi:10.1023/A:1010933404324

  • Chastain, R., Housman, I., Goldstein, J., Finco, M., e Tenneson, K., 2019. Comparação empírica entre sensores das características espectrais do Sentinel-2A e 2B MSI, do Landsat-8 OLI e do Landsat-7 ETM no topo da atmosfera nos Estados Unidos contíguos. Em 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. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 2. TimeSync: ferramentas para calibragem e validação. Em 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. Um conjunto multiespectral do LandTrendr para detecção de distúrbios florestais. Em 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. Comparação e validação de algoritmos de detecção de nuvens para produtos de dados operacionais do Landsat. Em Remote Sensing of Environment. Science Direct, 194: 379-390. doi:10.1016/j.rse.2017.03.026

  • U.S. Geological Survey, 2019. Modelo digital de elevação do programa de elevação 3D do USGS, acessado em agosto de 2022 em 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., e Zhu, Z., 2018. Mapeamento da mudança florestal usando generalização empilhada: uma abordagem de ensemble. 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. Detecção de tendências em distúrbios e recuperação florestal usando séries temporais anuais do Landsat: 1. LandTrendr: algoritmos de segmentação temporal. Em 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., and Healey, S. 2018. Implementação do algoritmo LandTrendr no Google Earth Engine. Em sensoriamento remoto. MDPI, 10(5): 691. doi:10.3390/rs10050691

  • Pasquarella, V. J., Brown, C. F., Czerwinski, W. e Rucklidge, W. J., 2023. Avaliação abrangente da qualidade de imagens de satélite ópticas usando aprendizado de vídeo com supervisão fraca. Anais da Conferência IEEE/CVF sobre Visão Computacional e Reconhecimento de Padrões. 2125-2135. doi:10.1109/CVPRW59228.2023.00206

  • Sentinel-Hub, 2021. Detector de nuvens do Sentinel 2. [On-line]. Disponível em: https://github.com/sentinel-hub/sentinel2-cloud-detector

  • Weiss, A.D., 2001. Análise de posição topográfica e relevos. Apresentação de pôster, Conferência de usuários da ESRI, San Diego, CA. Zhu, Z., e Woodcock, C. E. 2012. Detecção de nuvens e sombras de nuvens com base em objetos em imagens do Landsat. 118: 83-94.

  • Zhu, Z. e Woodcock, C. E., 2012. Detecção de nuvens e sombras de nuvens com base em objetos em imagens do Landsat. Em Remote Sensing of Environment. Science Direct, 118: 83-94. doi:10.1016/j.rse.2011.10.028

  • Zhu, Z. e Woodcock, C. E., 2014. Detecção contínua de mudanças e classificação da cobertura da terra usando todos os dados disponíveis do Landsat. Em Remote Sensing of Environment. Science Direct, 144: 152-171. doi:10.1016/j.rse.2014.01.011

Identificadores DOI

Explore com o Earth Engine

Editor de código (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);
Abrir no editor de código
Esse produto faz parte do pacote de dados do Sistema de monitoramento de mudanças na paisagem (LCMS, na sigla em inglês). Ele mostra a mudança modelada pelo LCMS, a cobertura da terra e/ou as classes de uso da terra para cada ano que abrange os Estados Unidos continentais (CONUS) e áreas fora do CONUS (OCONUS) que incluem o sudeste do Alasca (SEAK), Porto Rico e as Ilhas Virgens Americanas (PRUSVI) e…
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