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

USFS/GTAC/LCMS/v2023-9
Доступность набора данных
1985-01-01T00:00:00Z–2023-12-31T00:00:00Z
Поставщик наборов данных
Фрагмент Earth Engine
ee.ImageCollection("USFS/GTAC/LCMS/v2023-9")
Теги
обнаружение изменений
лес
гтак
почвенно-растительный покров
полученный с помощью Landsat
землепользование
землепользование-покров земли
lcms
redcastle-ресурсы
полученный от дозорного
временной ряд
Министерство сельского хозяйства США
USFS

Описание

Этот продукт входит в набор данных Системы мониторинга изменений ландшафта (LCMS). Он отображает смоделированные с помощью LCMS изменения, почвенный покров и/или классы землепользования для каждого года, охватывая континентальную часть США (CONUS) и территории за пределами CONUS (OCONUS), включая юго-восточную Аляску (SEAK), Пуэрто-Рико и Американские Виргинские острова (PRUSVI) и Гавайи (HI).

Система дистанционного зондирования (LCMS) предназначена для картирования и мониторинга изменений ландшафтов на территории США. Её цель — разработать последовательный подход, использующий новейшие технологии и достижения в области обнаружения изменений, для создания «наилучшей доступной» карты изменений ландшафтов.

Выходные данные включают три годовых продукта: изменение, земельный покров и землепользование. Изменения относятся непосредственно к растительному покрову и включают медленную потерю, быструю потерю (включая гидрологические изменения, такие как затопление или высыхание) и прирост. Эти значения прогнозируются для каждого года временного ряда Landsat и служат основой для LCMS. Карты земельного покрова и землепользования отображают земельный покров на уровне жизненных форм и землепользование в широком смысле для каждого года.

Поскольку ни один алгоритм не является оптимальным во всех ситуациях, LCMS использует ансамбль моделей в качестве предикторов, что повышает точность карт для различных экосистем и процессов изменений (Healey et al., 2018). Полученный набор карт изменений, почвенно-растительного покрова и землепользования, созданных LCMS, дает целостное представление об изменении ландшафтов в Соединенных Штатах с 1985 года.

Слои-предикторы для модели LCMS включают результаты алгоритмов обнаружения изменений LandTrendr и CCDC, а также информацию о рельефе местности. Доступ к этим компонентам и их обработка осуществляется с помощью Google Earth Engine (Gorelick et al., 2017).

Для CCDC использовались данные об отражательной способности поверхности Landsat Tier 1 из коллекции 2 Геологической службы США (USGS) для территории CONUS и данные об отражательной способности верхней части атмосферы Landsat Tier 1 для территорий SEAK, PRUSVI и HI. Для построения годовых композитов для LandTrendr использовались данные об отражательной способности верхней части атмосферы Landsat Tier 1 из коллекции 2 USGS и данные об отражательной способности верхней части атмосферы Sentinel 2A, 2B Level-1C. Для маскировки облаков используются алгоритм маскировки облаков cFmask (Foga et al., 2017), который является реализацией Fmask 2.0 (Zhu and Woodcock, 2012) (только Landsat), cloudScore (Chastain et al., 2019) (только Landsat), s2cloudless (Sentinel-Hub, 2021) и Cloud Score plus (Pasquarella et al., 2023) (только Sentinel 2), а для маскировки теней от облаков (Landsat и Sentinel 2) используется TDOM (Chastain et al., 2019). Для LandTrendr затем вычисляется годовой медоид для суммирования значений с облачностью и без облачной тени за каждый год в единый композит.

Составной временной ряд временно сегментируется с использованием LandTrendr (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).

Все значения без учета облаков и теней от облаков также сегментируются по времени с использованием алгоритма CCDC (Zhu и Woodcock, 2014).

Данные прогноза включают в себя необработанные составные значения, подобранные значения LandTrendr, парные разности, длительность сегмента, величину изменения и наклон, а также коэффициенты синуса и косинуса CCDC (первые 3 гармоники), подобранные значения и парные разности, а также индексы высоты, наклона, синуса экспозиции, косинуса экспозиции и топографического положения (Weiss, 2001) из данных 10-метровой программы высот USGS 3D (3DEP) (Геологическая служба США, 2019).

Справочные данные собираются с помощью TimeSync — веб-инструмента, который помогает аналитикам визуализировать и интерпретировать записи данных Landsat с 1984 года по настоящее время (Cohen et al., 2010).

Модели случайных лесов (Breiman, 2001) были обучены с использованием референтных данных TimeSync и данных-предикторов LandTrendr, CCDC, а также индексов рельефа для прогнозирования годовых изменений, почвенного покрова и классов землепользования. После моделирования мы установили ряд пороговых значений вероятности и наборов правил, используя вспомогательные наборы данных, для улучшения качественных результатов карт и снижения комиссий и пропусков. Более подробную информацию можно найти в кратком описании методов LCMS, включенном в описание.

Дополнительные ресурсы

По любым вопросам или запросам на конкретные данные обращайтесь по адресу [sm.fs.lcms@usda.gov].

Группы

Размер пикселя
30 метров

Группы

Имя Размер пикселя Описание
Change метров

Итоговый тематический продукт изменений LCMS. Всего для каждого года отображается три класса изменений (медленная потеря, быстрая потеря и прирост). Каждый класс предсказывается с помощью отдельной модели случайного леса, которая выводит вероятность (долю деревьев в модели случайного леса) того, что пиксель принадлежит этому классу. В связи с этим для каждого пикселя в каждом году получается три разных выходных значения модели. Итоговые классы присваиваются классу изменений с наибольшей вероятностью, которая также превышает заданный порог. Любой пиксель, значение которого не превышает соответствующего порога каждого класса, присваивается классу «Стабильный». Перед назначением класса изменений ко всем исследуемым территориям применялось правило для предотвращения изменений в нерастительном покрове.

Land_Cover метров

Итоговый тематический продукт LCMS по земельному покрову. Ежегодно на карту наносятся 14 классов земельного покрова с использованием референтных данных TimeSync и спектральной информации, полученной со снимков Landsat. Каждый класс прогнозируется с помощью отдельной модели случайного леса, которая вычисляет вероятность (долю деревьев в модели случайного леса) принадлежности пикселя к этому классу. В связи с этим для каждого года отдельные пиксели получают 14 различных результатов модели, и окончательные классы присваиваются земельному покрову с наибольшей вероятностью. Для юго-восточной Аляски перед назначением класса земельного покрова с наибольшей вероятностью было введено правило земельного покрова для ограничения комиссии классов древесного и снежного покрова в обширных приливно-отливных зонах на уровне моря. Правила земельного покрова не применялись для континентальной части США, Пуэрто-Рико – Американских Виргинских островов и Гавайев. Семь из 14 классов земельного покрова представляют собой единый земельный покров, где данный тип земельного покрова покрывает большую часть площади пикселя, и ни один другой класс не покрывает более 10% площади пикселя. Также существует семь смешанных классов. Они представляют собой пиксели, в которых дополнительный класс земельного покрова покрывает не менее 10% пикселя.

Land_Use метров

Окончательный тематический продукт землепользования LCMS. Ежегодно на карту наносятся в общей сложности 6 классов землепользования с использованием справочных данных TimeSync и спектральной информации, полученной из снимков Landsat. Каждый класс предсказывается с помощью отдельной модели Random Forest, которая выводит вероятность (долю деревьев в модели Random Forest) того, что пиксель принадлежит этому классу. В связи с этим отдельные пиксели имеют 6 различных выходных данных модели для каждого года, и окончательные классы назначаются землепользованию с наибольшей вероятностью. Перед назначением класса землепользования с наибольшей вероятностью был применен ряд пороговых значений вероятности и наборов правил с использованием вспомогательных наборов данных правил землепользования. Более подробную информацию о пороговых значениях вероятности и наборах правил можно найти в кратком изложении методов LCMS, включенном в описание. Продукт землепользования CONUS был обновлен 2 июля 2024 года для исправления проблемы с разработанным классом.

Change_Raw_Probability_Slow_Loss метров

Первичная модель вероятности медленной потери, полученная с помощью LCMS. Она определяется следующим образом: медленная потеря включает следующие классы из интерпретации процесса изменения TimeSync:

  • Структурный упадок – участок, на котором деревья или другая древесная растительность физически изменены под воздействием неблагоприятных условий роста, вызванных неантропогенными или немеханическими факторами. Этот тип упадка обычно приводит к появлению тенденции в спектральном сигнале (сигналах) (например, снижение NDVI, снижение влажности, увеличение SWIR и т. д.), однако эта тенденция может быть едва заметной. Структурный упадок происходит в среде древесной растительности, чаще всего из-за насекомых, болезней, засухи, кислотных дождей и т. д. Структурный упадок может включать в себя дефолиацию, не приводящую к гибели растений, например, при нашествии непарного шелкопряда и еловой листовертки, которые могут восстановиться в течение 1-2 лет.

  • Спектральный спад — график, на котором спектральный сигнал демонстрирует тенденцию в одном или нескольких спектральных диапазонах или индексах (например, снижение NDVI, снижение влажности; увеличение SWIR и т. д.). Примерами служат случаи, когда: a) нелесная/недревесная растительность демонстрирует тенденцию, указывающую на упадок (например, снижение NDVI, снижение влажности; увеличение SWIR и т. д.), или b) древесная растительность демонстрирует тенденцию к упадку, не связанную с потерей древесной растительности, например, когда смыкаются кроновые деревья, что приводит к усилению затенения, когда видовой состав меняется с хвойных на лиственные породы, или когда сухой период (в отличие от более сильной, более резкой засухи) вызывает видимое снижение жизненного тонуса, но не приводит к потере древесного материала или листовой поверхности.

Change_Raw_Probability_Fast_Loss метров

Вероятность быстрой потери, смоделированная методом жидкостной хроматографии (LCMS). Определяется как: быстрая потеря включает следующие классы из интерпретации процесса изменения TimeSync:

  • Пожар — земля, измененная пожаром, независимо от причины возгорания (естественная или антропогенная), интенсивности или характера землепользования.

  • Вырубка леса — лесные угодья, на которых деревья, кустарники или другая растительность были срублены или удалены антропогенным путём. Примерами служат сплошные рубки, рубки после пожаров или нашествий насекомых, прореживание и другие лесохозяйственные мероприятия (например, заготовка пологой/семенной древесины).

  • Механический метод — нелесные земли, на которых деревья, кустарники или другая растительность были механически срезаны или удалены цепями, скребками, кусторезами, бульдозерами или любыми другими методами удаления нелесной растительности.

  • Ветер/лед — земли (независимо от назначения), растительность на которых изменяется под воздействием ветра от ураганов, торнадо, штормов и других суровых погодных явлений, включая ледяной дождь от ледяных бурь.

  • Гидрология — земли, на которых наводнение существенно изменило лесной покров или другие элементы растительного покрова независимо от характера землепользования (например, новые смеси гравия и растительности в руслах рек и вокруг них после наводнения).

  • Мусор — земля (независимо от назначения), измененная естественным перемещением материала, связанным с оползнями, лавинами, вулканами, селевыми потоками и т. д.

  • Прочее - земля (независимо от назначения), где спектральная тенденция или другие подтверждающие данные указывают на то, что произошло нарушение или изменение, но окончательную причину определить невозможно или тип изменения не соответствует ни одной из категорий процесса изменения, определенных выше.

Change_Raw_Probability_Gain метров

Вероятность прироста, смоделированная с помощью необработанной LCMS. Определяется как: Земля, демонстрирующая увеличение растительного покрова из-за роста и сукцессии в течение одного или нескольких лет. Применимо к любым областям, которые могут выражать спектральные изменения, связанные с возобновлением роста растительности. В развитых районах рост может быть результатом созревания растительности и/или новых газонов и озеленения. В лесах рост включает рост растительности с голой земли, а также перекрывание промежуточных и со-доминирующих деревьев и/или нижележащих трав и кустарников. Сегменты роста/восстановления, зарегистрированные после рубки леса, вероятно, будут переходить через различные классы почвенного покрова по мере восстановления леса. Чтобы эти изменения можно было считать ростом/восстановлением, спектральные значения должны близко соответствовать возрастающей линии тренда (например, положительному наклону, который при продлении до ~20 лет будет порядка 0,10 единиц NDVI), которая сохраняется в течение нескольких лет.

Land_Cover_Raw_Probability_Trees метров

Вероятность деревьев, полученная с помощью модели LCMS. Определяется как: большая часть пикселя состоит из живых или стоящих мертвых деревьев.

Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix метров

Первичная модель вероятности смеси высоких кустарников и деревьев (только SEAK), полученная с помощью LCMS. Определяется как: большая часть пикселя состоит из кустарников высотой более 1 м, а также не менее 10% живых или стоящих мертвых деревьев.

Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix метров

Вероятность смешения кустарников и деревьев, полученная с помощью LCMS. Определяется как: большая часть пикселя состоит из кустарников, а также не менее 10% живых или стоящих мертвых деревьев.

Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix метров

Первичная модель вероятности смеси травы, разнотравья, злаков и деревьев, полученная с помощью LCMS. Определяется как: большая часть пикселя состоит из многолетних трав, разнотравья или других форм травянистой растительности, а также содержит не менее 10% живых или стоящих мертвых деревьев.

Land_Cover_Raw_Probability_Barren-and-Trees-Mix метров

Вероятность, полученная в результате моделирования методом LCMS, для смешанного рельефа с пустошью и деревьями. Определяется как: большая часть пикселя состоит из голой почвы, обнажённой в результате нарушения рельефа (например, почвы, обнажённой при механической расчистке или вырубке леса), а также из вечно бесплодных территорий, таких как пустыни, плейи, скальные выходы (включая минералы и другие геологические материалы, обнажённые в результате открытой добычи полезных ископаемых), песчаные дюны, солончаки и пляжи. Дороги из грунта и гравия также считаются бесплодными и содержат не менее 10% живых или стоящих мертвых деревьев.

Land_Cover_Raw_Probability_Tall-Shrubs метров

Первичная модель вероятности высоких кустарников (только SEAK), полученная с помощью LCMS. Определяется как: большая часть пикселя состоит из кустарников высотой более 1 м.

Land_Cover_Raw_Probability_Shrubs метров

Первичная модель вероятности наличия кустарников, полученная с помощью LCMS. Определяется как: большая часть пикселя состоит из кустарников.

Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix метров

Первичная модель LCMS, моделирующая вероятность наличия смеси травы, разнотравья, трав и кустарников. Определяется как: большая часть пикселя состоит из многолетних трав, разнотравья или других форм травянистой растительности, а также не менее 10% кустарников.

Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix метров

Вероятность, полученная в результате моделирования методом LCMS для смеси пустоши и кустарников. Определяется как: большая часть пикселя состоит из голой почвы, обнажённой в результате нарушения (например, почвы, обнажённой при механической расчистке или вырубке леса), а также из вечно бесплодных участков, таких как пустыни, плейи, скальные выходы (включая минералы и другие геологические материалы, обнажённые в результате открытой добычи полезных ископаемых), песчаные дюны, солончаки и пляжи. Дороги из грунта и гравия также считаются бесплодными и также содержат не менее 10% кустарников.

Land_Cover_Raw_Probability_Grass-Forb-Herb метров

Первичная модель вероятности «трава/разнотравье/трава», полученная с помощью LCMS. Определяется как: большая часть пикселя состоит из многолетних трав, разнотравья или других форм травянистой растительности.

Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix метров

Вероятность, полученная с помощью модели LCMS для бесплодных земель и смешанных злаков/разнотравья. Определяется как: большая часть пикселя состоит из открытой почвы, обнажённой в результате нарушения (например, почвы, обнажённой при механической расчистке или вырубке леса), а также из вечно бесплодных территорий, таких как пустыни, плейи, скальные выходы (включая минералы и другие геологические материалы, обнажённые в результате открытой добычи полезных ископаемых), песчаные дюны, солончаки и пляжи. Дороги, покрытые грунтом и гравием, также считаются бесплодными и содержат не менее 10% многолетних трав, разнотравья или других форм травянистой растительности.

Land_Cover_Raw_Probability_Barren-or-Impervious метров

Вероятность бесплодности или непроницаемости, полученная в результате моделирования методом LCMS. Определяется как: большая часть пикселя состоит из: 1) голой почвы, обнажённой в результате нарушения (например, почвы, обнажённой при механической расчистке или вырубке леса), а также из вечно бесплодных участков, таких как пустыни, песчаные песчаные отмели, скальные выходы (включая минералы и другие геологические материалы, обнажённые в результате открытой добычи полезных ископаемых), песчаные дюны, солончаки и пляжи. Дороги из грунта и гравия также считаются бесплодными; 2) искусственных материалов, не пропускающих воду, таких как асфальтированные дороги, крыши и парковки.

Land_Cover_Raw_Probability_Snow-or-Ice метров

Вероятность снега или льда, смоделированная методом жидкостной хроматографии и масс-спектрометрии (LCMS). Определяется как: большая часть пикселя покрыта снегом или льдом.

Land_Cover_Raw_Probability_Water метров

Первичная модель вероятности присутствия воды, полученная с помощью LCMS. Определяется как: большая часть пикселя состоит из воды.

Land_Use_Raw_Probability_Agriculture метров

Вероятность, полученная с помощью модели LCMS для сельского хозяйства. Определяется как: земли, используемые для производства продуктов питания, волокон и топлива, находящиеся как в заросшем, так и в не заросшем состоянии. Сюда входят, помимо прочего, возделываемые и невозделываемые пахотные земли, сенокосы, сады, виноградники, животноводческие хозяйства с ограниченным содержанием скота и земли, занятые выращиванием фруктов, орехов или ягод. Дороги, используемые преимущественно для сельскохозяйственных целей (т.е. не используемые для общественного транспорта между городами), считаются сельскохозяйственными землями.

Land_Use_Raw_Probability_Developed метров

Первичная модель вероятности освоения, полученная с помощью LCMS. Определяется как: земля, покрытая искусственными сооружениями (например, жилая застройка с высокой плотностью, коммерческая застройка, промышленность, горнодобывающая промышленность или транспорт), или сочетание растительности (включая деревья) и сооружений (например, жилая застройка с низкой плотностью, газоны, зоны отдыха, кладбища, транспортные и коммунальные коридоры и т. д.), включая любые земли, функционально изменённые в результате деятельности человека.

Land_Use_Raw_Probability_Forest метров

Вероятность наличия леса, полученная с помощью модели LCMS. Лес определяется как: земля, засаженная или покрытая естественной растительностью, которая содержит (или, вероятно, будет содержать) 10% или более древесного покрова в какой-то момент в течение ближайшего сукцессионного цикла. Сюда могут входить лиственные, вечнозелёные и/или смешанные категории естественных лесов, лесные плантации и лесистые водно-болотные угодья.

Land_Use_Raw_Probability_Non-Forest-Wetland метров

Вероятность наличия нелесных водно-болотных угодий, смоделированная методом LCMS. Определяется как: земли, прилегающие к или находящиеся в пределах видимого уровня грунтовых вод (постоянно или сезонно насыщенных), с преобладанием кустарников или устойчивых водопроявлений. Эти водно-болотные угодья могут располагаться по берегам озер, речных русел или эстуариев; в поймах рек; на изолированных водосборах; или на склонах. Они также могут встречаться в виде прерийных котловин, дренажных канав и прудов для скота в сельскохозяйственных ландшафтах, а также в виде островов посреди озер или рек. Другими примерами являются болота, топи, трясины, трясины, торфяники, топи, низинные болота и протоки.

Land_Use_Raw_Probability_Other метров

Первичная модель вероятности «Другое», полученная с помощью LCMS. Определяется как: участок (независимо от назначения), где спектральный тренд или другие подтверждающие данные указывают на то, что произошло нарушение или изменение, но окончательную причину установить невозможно, или тип изменения не соответствует ни одной из категорий процесса изменений, определённых выше.

Land_Use_Raw_Probability_Rangeland-or-Pasture метров

Первичная модель вероятности пастбищ или выпаса, полученная с помощью LCMS. Определяется как: Этот класс включает любую территорию, которая является либо а) пастбищами, где растительность представляет собой смесь местных трав, кустарников, разнотравья и травянистых растений, в основном образующихся под воздействием естественных факторов и процессов, таких как осадки, температура, высота над уровнем моря и пожары, хотя ограниченное управление может включать в себя предписанное выжигание, а также выпас домашних и диких травоядных животных; или б) пастбищами, где растительность может варьироваться от смешанной, в основном естественной травы, разнотравья и злаков до более управляемой растительности с преобладанием видов трав, которые высеваются и выращиваются практически в монокультурном виде.

QA_Bits метров

Дополнительная информация об источнике годовых значений выходных данных LCMS.

Изменить таблицу классов

Ценить Цвет Описание
1 #3d4551

Стабильный

2 #f39268

Медленная потеря

3 #d54309

Быстрая потеря

4 #00a398

Прирост

5 #1b1716

Маска необрабатываемой области

Таблица классов Land_Cover

Ценить Цвет Описание
1 #005e00

Деревья

2 #008000

Смесь высоких кустарников и деревьев (только SEAK)

3 #00cc00

Смесь кустарников и деревьев

4 #b3ff1a

Смесь травы/разнотравья/трав и деревьев

5 #99ff99

Смесь пустоши и деревьев

6 #b30088

Высокие кустарники (только SEAK)

7 #e68a00

Кустарники

8 #ffad33

Смесь трав/разнотравья/трав и кустарников

9 #ffe0b3

Смесь для пустоши и кустарников

10 #ffff00

Трава/Разнотравье/Трава

11 #aa7700

Смесь пустоши и травы/разнотравья/травянистых растений

12 #d3bf9b

Бесплодный или непроницаемый

13 #ffffff

Снег или лед

14 #4780f3

Вода

15 #1b1716

Маска необрабатываемой области

Таблица классов землепользования

Ценить Цвет Описание
1 #efff6b

Сельское хозяйство

2 #ff2ff8

Развитый

3 #1b9d0c

Лес

4 #97ffff

Нелесные водно-болотные угодья

5 #a1a1a1

Другой

6 #c2b34a

Пастбища или пастбища

7 #1b1716

Маска необрабатываемой области

Свойства изображения

Свойства изображения

Имя Тип Описание
область_исследования НИТЬ

В настоящее время LCMS охватывает территорию США, юго-восточную Аляску, Пуэрто-Рико и Американские Виргинские острова, а также Гавайи. Эта версия содержит данные для территории США, юго-восточной Аляски, Пуэрто-Рико и Американских Виргинских островов, а также Гавайев. Возможные значения: «CONUS», «SEAK», «PRUSVI», «HI».

год ИНТ

Год выпуска продукта

Условия эксплуатации

Условия эксплуатации

Лесная служба Министерства сельского хозяйства США не предоставляет никаких гарантий, явных или подразумеваемых, включая гарантии товарной пригодности и пригодности для определенной цели, и не принимает на себя никакой юридической ответственности за точность, надежность, полноту или полезность этих геопространственных данных, а также за ненадлежащее или некорректное использование этих геопространственных данных. Эти геопространственные данные и связанные с ними карты или графические изображения не являются юридическими документами и не предназначены для использования в качестве таковых. Данные и карты не могут быть использованы для определения права собственности, правового описания или границ, правовой юрисдикции или ограничений, которые могут действовать на государственных или частных землях. Стихийные бедствия могут быть или не быть изображены на данных и картах, и землепользователи должны проявлять должную осторожность. Данные являются динамичными и могут меняться со временем. Пользователь несет ответственность за проверку ограничений геопространственных данных и использование данных соответствующим образом.

Эти данные были собраны при финансовой поддержке правительства США и могут быть использованы без дополнительных разрешений или сборов. При использовании этих данных в публикации, презентации или другом исследовательском продукте, пожалуйста, используйте следующую ссылку:

Лесная служба Министерства сельского хозяйства США. 2024. Система мониторинга изменений ландшафта Лесной службы США, версия 2023.9 ​​(территория США и прилегающие территории США). Солт-Лейк-Сити, штат Юта.

Цитаты

Цитаты:

  • Лесная служба Министерства сельского хозяйства США. 2024. Система мониторинга изменений ландшафта Лесной службы США, версия 2023.9 ​​(территория США и прилегающие территории США). Солт-Лейк-Сити, штат Юта.

  • Брейман, Л., 2001. Случайные леса. В машинном обучении. Springer, 45: 5-32. doi:10.1023/A:1010933404324

  • Честейн, Р., Хаусман, И., Голдштейн, Дж., Финко, М. и Теннесон, К., 2019. Эмпирическое сравнение спектральных характеристик верхней части атмосферы спутников Sentinel-2A и 2B MSI, Landsat-8 OLI и Landsat-7 ETM над территорией США. В кн.: Дистанционное зондирование окружающей среды. Science Direct, 221: 274–285. doi:10.1016/j.rse.2018.11.012

  • Коэн, У. Б., Янг, З. и Кеннеди, Р., 2010. Выявление тенденций в нарушении и восстановлении лесов с использованием ежегодных временных рядов Landsat: 2. TimeSync — инструменты калибровки и проверки. В книге «Дистанционное зондирование окружающей среды». Science Direct, 114(12): 2911–2924. doi:10.1016/j.rse.2010.07.010

  • Коэн, У. Б., Янг, З., Хили, С. П., Кеннеди, Р. Э. и Горелик, Н., 2018. Многоспектральный ансамбль LandTrendr для обнаружения нарушений в лесах. В кн.: Дистанционное зондирование окружающей среды. Science Direct, 205: 131–140. doi:10.1016/j.rse.2017.11.015

  • Фога, С., Скарамуцца, П.Л., Го, С., Чжу, З., Дилли, Р.Д., Бекманн, Т., Шмидт, Г.Л., Дуайер, Дж.Л., Хьюз, М.Дж., Лауэ, Б., 2017. Сравнение и валидация алгоритмов обнаружения облаков для оперативных данных Landsat. В книге «Дистанционное зондирование окружающей среды». Science Direct, 194: 379–390. doi:10.1016/j.rse.2017.03.026

  • Геологическая служба США, 2019 г. Цифровая модель рельефа 3D-программы USGS Elevation Program, дата обращения: август 2022 г., https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m

  • Healey, SP, Cohen, WB, Yang, Z., Kenneth Brewer, C., Brooks, EB, Gorelick, N., Hernandez, AJ, Huang, C., Joseph Hughes, M., Kennedy, RE, Loveland, TR, Moisen, GG, Schroeder, TA, Stehman, SV, Vogelmann, JE, Woodcock, CE, Yang, L., and Zhu, Z., 2018. Картографирование изменений лесов с использованием стековой генерализации: ансамблевый подход. В книге «Дистанционное зондирование окружающей среды». Science Direct, 204: 717–728. doi:10.1016/j.rse.2017.09.029

  • Кеннеди, Р.Э., Янг, З. и Коэн, У.Б., 2010. Выявление тенденций в нарушении и восстановлении лесов с использованием ежегодных временных рядов Landsat: 1. LandTrendr — алгоритмы временной сегментации. В книге «Дистанционное зондирование окружающей среды». Science Direct, 114(12): 2897–2910. doi:10.1016/j.rse.2010.07.008

  • Кеннеди, Р., Янг, З., Горелик, Н., Браатен, Дж., Кавальканте, Л., Коэн, У. и Хили, С. 2018. Реализация алгоритма LandTrendr в Google Earth Engine. В разделе «Дистанционное зондирование». MDPI, 10(5): 691. doi:10.3390/rs10050691

  • Паскуарелла, В.Дж., Браун, К.Ф., Червински, В. и Раклидж, У.Дж., 2023. Комплексная оценка качества оптических спутниковых изображений с использованием слабо контролируемого видеообучения. В материалах конференции IEEE/CVF по компьютерному зрению и распознаванию образов. 2125–2135. doi:10.1109/CVPRW59228.2023.00206

  • Sentinel-Hub, 2021. Sentinel 2 Cloud Detector. [Онлайн]. Доступно по адресу: https://github.com/sentinel-hub/sentinel2-cloud-detector

  • Вайс, А.Д., 2001. Постерная презентация по топографическому положению и анализу рельефа, Конференция пользователей ESRI, Сан-Диего, CAZhu, Z., и Woodcock, CE, 2012. Объектно-ориентированное обнаружение облаков и теней облаков на снимках Landsat. 118: 83-94.

  • Чжу, З. и Вудкок, К.Э., 2012. Объектное обнаружение облаков и их теней на снимках Landsat. В кн.: Дистанционное зондирование окружающей среды. Science Direct, 118: 83–94. doi:10.1016/j.rse.2011.10.028

  • Чжу, З. и Вудкок, К.Э., 2014. Непрерывное обнаружение изменений и классификация почвенно-растительного покрова с использованием всех доступных данных Landsat. В кн.: Дистанционное зондирование окружающей среды. Science Direct, 144: 152–171. doi:10.1016/j.rse.2014.01.011

DOI

Исследуйте с Earth Engine

Редактор кода (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);
Открыть в редакторе кода
Этот продукт входит в набор данных Системы мониторинга изменений ландшафта (LCMS). Он отображает смоделированные с помощью LCMS изменения, почвенный покров и/или классы землепользования для каждого года, охватывая континентальную часть США (CONUS) и территории за пределами CONUS (OCONUS), включая юго-восточную Аляску (SEAK), Пуэрто-Рико и Американские Виргинские острова (PRUSVI) и…
USFS/GTAC/LCMS/v2023-9, обнаружение изменений, лес, gtac, земной покров, данные Landsat, землепользование, данные о земном покрове, ресурсы Redcastle, данные Sentinel, временные ряды, usda, usfs
1985-01-01T00:00:00Z/2023-12-31T00:00:00Z
20,38379 -135,286387 52,459364 -56,446306
Google Earth Engine
,
USFS/GTAC/LCMS/v2023-9
Доступность набора данных
1985-01-01T00:00:00Z–2023-12-31T00:00:00Z
Поставщик наборов данных
Фрагмент Earth Engine
ee.ImageCollection("USFS/GTAC/LCMS/v2023-9")
Теги
обнаружение изменений
лес
гтак
почвенно-растительный покров
полученный с помощью Landsat
землепользование
землепользование-покров земли
lcms
redcastle-ресурсы
полученный от дозорного
временной ряд
Министерство сельского хозяйства США
USFS

Описание

Этот продукт входит в набор данных Системы мониторинга изменений ландшафта (LCMS). Он отображает смоделированные с помощью LCMS изменения, почвенный покров и/или классы землепользования для каждого года, охватывая континентальную часть США (CONUS) и территории за пределами CONUS (OCONUS), включая юго-восточную Аляску (SEAK), Пуэрто-Рико и Американские Виргинские острова (PRUSVI) и Гавайи (HI).

Система дистанционного зондирования (LCMS) предназначена для картирования и мониторинга изменений ландшафтов на территории США. Её цель — разработать последовательный подход, использующий новейшие технологии и достижения в области обнаружения изменений, для создания «наилучшей доступной» карты изменений ландшафтов.

Выходные данные включают три годовых продукта: изменение, земельный покров и землепользование. Изменения относятся непосредственно к растительному покрову и включают медленную потерю, быструю потерю (включая гидрологические изменения, такие как затопление или высыхание) и прирост. Эти значения прогнозируются для каждого года временного ряда Landsat и служат основой для LCMS. Карты земельного покрова и землепользования отображают земельный покров на уровне жизненных форм и землепользование в широком смысле для каждого года.

Поскольку ни один алгоритм не является оптимальным во всех ситуациях, LCMS использует ансамбль моделей в качестве предикторов, что повышает точность карт для различных экосистем и процессов изменений (Healey et al., 2018). Полученный набор карт изменений, почвенно-растительного покрова и землепользования, созданных LCMS, дает целостное представление об изменении ландшафтов в Соединенных Штатах с 1985 года.

Слои-предикторы для модели LCMS включают результаты алгоритмов обнаружения изменений LandTrendr и CCDC, а также информацию о рельефе местности. Доступ к этим компонентам и их обработка осуществляется с помощью Google Earth Engine (Gorelick et al., 2017).

Для CCDC использовались данные об отражательной способности поверхности Landsat Tier 1 из коллекции 2 Геологической службы США (USGS) для территории CONUS и данные об отражательной способности верхней части атмосферы Landsat Tier 1 для территорий SEAK, PRUSVI и HI. Для построения годовых композитов для LandTrendr использовались данные об отражательной способности верхней части атмосферы Landsat Tier 1 из коллекции 2 USGS и данные об отражательной способности верхней части атмосферы Sentinel 2A, 2B Level-1C. Для маскировки облаков используются алгоритм маскировки облаков cFmask (Foga et al., 2017), который является реализацией Fmask 2.0 (Zhu and Woodcock, 2012) (только Landsat), cloudScore (Chastain et al., 2019) (только Landsat), s2cloudless (Sentinel-Hub, 2021) и Cloud Score plus (Pasquarella et al., 2023) (только Sentinel 2), а для маскировки теней от облаков (Landsat и Sentinel 2) используется TDOM (Chastain et al., 2019). Для LandTrendr затем вычисляется годовой медоид для суммирования значений с облачностью и без облачной тени за каждый год в единый композит.

Составной временной ряд временно сегментируется с использованием LandTrendr (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).

Все значения без учета облаков и теней от облаков также сегментируются по времени с использованием алгоритма CCDC (Zhu и Woodcock, 2014).

Данные прогноза включают в себя необработанные составные значения, подобранные значения LandTrendr, парные разности, длительность сегмента, величину изменения и наклон, а также коэффициенты синуса и косинуса CCDC (первые 3 гармоники), подобранные значения и парные разности, а также индексы высоты, наклона, синуса экспозиции, косинуса экспозиции и топографического положения (Weiss, 2001) из данных 10-метровой программы высот USGS 3D (3DEP) (Геологическая служба США, 2019).

Справочные данные собираются с помощью TimeSync — веб-инструмента, который помогает аналитикам визуализировать и интерпретировать записи данных Landsat с 1984 года по настоящее время (Cohen et al., 2010).

Модели случайных лесов (Breiman, 2001) были обучены с использованием референтных данных TimeSync и данных-предикторов LandTrendr, CCDC, а также индексов рельефа для прогнозирования годовых изменений, почвенного покрова и классов землепользования. После моделирования мы установили ряд пороговых значений вероятности и наборов правил, используя вспомогательные наборы данных, для улучшения качественных результатов карт и снижения комиссий и пропусков. Более подробную информацию можно найти в кратком описании методов LCMS, включенном в описание.

Дополнительные ресурсы

По любым вопросам или запросам на конкретные данные обращайтесь по адресу [sm.fs.lcms@usda.gov].

Группы

Размер пикселя
30 метров

Группы

Имя Размер пикселя Описание
Change метров

Final thematic LCMS change product. A total of three change classes (slow loss, fast loss, and gain) are mapped for each year. Each class is predicted using a separate Random Forest model, which outputs a probability (proportion of the trees within the Random Forest model) that the pixel belongs to that class. Because of this, individual pixels have three different model outputs for each year. Final classes are assigned to the change class with the highest probability that is also above a specified threshold. Any pixel that does not have any value above each class's respective threshold is assigned to the Stable class. Prior to assigning the change class, a rule was applied to all study areas to prevent change in non-vegetated land cover.

Land_Cover метров

Final thematic LCMS land cover product. A total of 14 land cover classes are mapped on an annual basis using TimeSync reference data and spectral information derived from Landsat imagery. Each class is predicted using a separate Random Forest model, which outputs a probability (proportion of the trees within the Random Forest model) that the pixel belongs to that class. Because of this, individual pixels have 14 different model outputs for each year, and final classes are assigned to the land cover with the highest probability. For Southeastern Alaska, prior to assigning the land cover class with the highest probability, a land cover rule was implemented to limit tree and snow landcover class commission in the large intertidal zones at sea level. No land cover rules were applied to CONUS, Puerto Rico-US Virgin Islands or Hawaii. Seven of the 14 land cover classes indicate a single land cover, where that land cover type covers most of the pixel's area and no other class covers more than 10% of the pixel. There are also seven mixed classes. These represent pixels in which an additional land cover class covers at least 10% of the pixel.

Land_Use метров

Final thematic LCMS land use product. A total of 6 land use classes are mapped on an annual basis using TimeSync reference data and spectral information derived from Landsat imagery. Each class is predicted using a separate Random Forest model, which outputs a probability (proportion of the trees within the Random Forest model) that the pixel belongs to that class. Because of this, individual pixels have 6 different model outputs for each year, and final classes are assigned to the land use with the highest probability. Prior to assigning the land use class with the highest probability, a series of probability thresholds and rulesets using ancillary datasets land use rules were applied. More information on the probability thresholds and rulesets can be found in the LCMS Methods Brief included in the Description. The CONUS land use product was updated on July 2nd 2024, to correct an issue with the developed class.

Change_Raw_Probability_Slow_Loss метров

Raw LCMS modeled probability of Slow Loss. Defined as: Slow Loss includes the following classes from the TimeSync change process interpretation-

  • Structural Decline - Land where trees or other woody vegetation is physically altered by unfavorable growing conditions brought on by non-anthropogenic or non-mechanical factors. This type of loss should generally create a trend in the spectral signal(s) (eg NDVI decreasing, Wetness decreasing; SWIR increasing; etc.) however the trend can be subtle. Structural decline occurs in woody vegetation environments, most likely from insects, disease, drought, acid rain, etc. Structural decline can include defoliation events that do not result in mortality such as in Gypsy moth and spruce budworm infestations which may recover within 1 or 2 years.

  • Spectral Decline - A plot where the spectral signal shows a trend in one or more of the spectral bands or indices (eg NDVI decreasing, Wetness decreasing; SWIR increasing; etc.). Examples include cases where: a) non-forest/non-woody vegetation shows a trend suggestive of decline (eg NDVI decreasing, Wetness decreasing; SWIR increasing; etc.), or b) where woody vegetation shows a decline trend which is not related to the loss of woody vegetation, such as when mature tree canopies close resulting in increased shadowing, when species composition changes from conifer to hardwood, or when a dry period (as opposed to stronger, more acute drought) causes an apparent decline in vigor, but no loss of woody material or leaf area.

Change_Raw_Probability_Fast_Loss метров

Raw LCMS modeled probability of Fast Loss. Defined as: Fast Loss includes the following classes from the TimeSync change process interpretation-

  • Fire - Land altered by fire, regardless of the cause of the ignition (natural or anthropogenic), severity, or land use.

  • Harvest - Forest land where trees, shrubs or other vegetation have been severed or removed by anthropogenic means. Examples include clearcutting, salvage logging after fire or insect outbreaks, thinning and other forest management prescriptions (eg shelterwood/seedtree harvest).

  • Mechanical - Non-forest land where trees, shrubs or other vegetation has been mechanically severed or removed by chaining, scraping, brush sawing, bulldozing, or any other methods of non-forest vegetation removal.

  • Wind/ice - Land (regardless of use) where vegetation is altered by wind from hurricanes, tornados, storms and other severe weather events including freezing rain from ice storms.

  • Hydrology - Land where flooding has significantly altered woody cover or other Land cover elements regardless of land use (eg new mixtures of gravel and vegetation in and around streambeds after a flood).

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

  • Other - Land (regardless of use) where the spectral trend or other supporting evidence suggests a disturbance or change event has occurred but the definitive cause cannot be determined or the type of change fails to meet any of the change process categories defined above.

Change_Raw_Probability_Gain метров

Raw LCMS modeled probability of Gain. Defined as: Land exhibiting an increase in vegetation cover due to growth and succession over one or more years. Applicable to any areas that may express spectral change associated with vegetation regrowth. In developed areas, growth can result from maturing vegetation and/or newly installed lawns and landscaping. In forests, growth includes vegetation growth from bare ground, as well as the over topping of intermediate and co-dominate trees and/or lower-lying grasses and shrubs. Growth/Recovery segments recorded following forest harvest will likely transition through different land cover classes as the forest regenerates. For these changes to be considered growth/recovery, spectral values should closely adhere to an increasing trend line (eg a positive slope that would, if extended to ~20 years, be on the order of .10 units of NDVI) which persists for several years.

Land_Cover_Raw_Probability_Trees метров

Raw LCMS modeled probability of Trees. Defined as: The majority of the pixel is comprised of live or standing dead trees.

Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix метров

Raw LCMS modeled probability of Tall Shrubs and Trees Mix (SEAK Only). Defined as: The majority of the pixel is comprised of shrubs greater than 1m in height and is also comprised of at least 10% live or standing dead trees.

Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix метров

Raw LCMS modeled probability of Shrubs and Trees Mix. Defined as: The majority of the pixel is comprised of shrubs and is also comprised of at least 10% live or standing dead trees.

Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix метров

Raw LCMS modeled probability of Grass/Forb/Herb and Trees Mix. Defined as: The majority of the pixel is comprised of perennial grasses, forbs, or other forms of herbaceous vegetation and is also comprised of at least 10% live or standing dead trees.

Land_Cover_Raw_Probability_Barren-and-Trees-Mix метров

Raw LCMS modeled probability of Barren and Trees Mix. Defined as: The majority of the pixel is comprised of bare soil exposed by disturbance (eg, soil uncovered by mechanical clearing or forest harvest), as well as perennially barren areas such as deserts, playas, rock outcroppings (including minerals and other geologic materials exposed by surface mining activities), sand dunes, salt flats, and beaches. Roads made of dirt and gravel are also considered barren and is also comprised of at least 10% live or standing dead trees.

Land_Cover_Raw_Probability_Tall-Shrubs метров

Raw LCMS modeled probability of Tall Shrubs (SEAK Only). Defined as: The majority of the pixel is comprised of shrubs greater than 1m in height.

Land_Cover_Raw_Probability_Shrubs метров

Raw LCMS modeled probability of Shrubs. Defined as: The majority of the pixel is comprised of shrubs.

Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix метров

Raw LCMS modeled probability of Grass/Forb/Herb and Shrubs Mix. Defined as: The majority of the pixel is comprised of perennial grasses, forbs, or other forms of herbaceous vegetation and is also comprised of at least 10% shrubs.

Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix метров

Raw LCMS modeled probability of Barren and Shrubs Mix. Defined as: The majority of the pixel is comprised of bare soil exposed by disturbance (eg, soil uncovered by mechanical clearing or forest harvest), as well as perennially barren areas such as deserts, playas, rock outcroppings (including minerals and other geologic materials exposed by surface mining activities), sand dunes, salt flats, and beaches. Roads made of dirt and gravel are also considered barren and is also comprised of at least 10% shrubs.

Land_Cover_Raw_Probability_Grass-Forb-Herb метров

Raw LCMS modeled probability of Grass/Forb/Herb. Defined as: The majority of the pixel is comprised of perennial grasses, forbs, or other forms of herbaceous vegetation.

Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix метров

Raw LCMS modeled probability of Barren and Grass/Forb/Herb Mix. Defined as: The majority of the pixel is comprised of bare soil exposed by disturbance (eg, soil uncovered by mechanical clearing or forest harvest), as well as perennially barren areas such as deserts, playas, rock outcroppings (including minerals and other geologic materials exposed by surface mining activities), sand dunes, salt flats, and beaches. Roads made of dirt and gravel are also considered barren and is also comprised of at least 10% perennial grasses, forbs, or other forms of herbaceous vegetation.

Land_Cover_Raw_Probability_Barren-or-Impervious метров

Raw LCMS modeled probability of Barren or Impervious. Defined as: The majority of the pixel is comprised of 1.) bare soil exposed by disturbance (eg, soil uncovered by mechanical clearing or forest harvest), as well as perennially barren areas such as deserts, playas, rock outcroppings (including minerals and other geologic materials exposed by surface mining activities), sand dunes, salt flats, and beaches. Roads made of dirt and gravel are also considered barren or 2.) man-made materials that water cannot penetrate, such as paved roads, rooftops, and parking lots.

Land_Cover_Raw_Probability_Snow-or-Ice метров

Raw LCMS modeled probability of Snow or Ice. Defined as: The majority of the pixel is comprised of snow or ice.

Land_Cover_Raw_Probability_Water метров

Raw LCMS modeled probability of Water. Defined as: The majority of the pixel is comprised of water.

Land_Use_Raw_Probability_Agriculture метров

Raw LCMS modeled probability of Agriculture. Defined as: Land used for the production of food, fiber and fuels which is in either a vegetated or non-vegetated state. This includes but is not limited to cultivated and uncultivated croplands, hay lands, orchards, vineyards, confined livestock operations, and areas planted for production of fruits, nuts or berries. Roads used primarily for agricultural use (ie not used for public transport from town to town) are considered agriculture land use.

Land_Use_Raw_Probability_Developed метров

Raw LCMS modeled probability of Developed. Defined as: Land covered by man-made structures (eg high density residential, commercial, industrial, mining or transportation), or a mixture of both vegetation (including trees) and structures (eg, low density residential, lawns, recreational facilities, cemeteries, transportation and utility corridors, etc.), including any land functionally altered by human activity.

Land_Use_Raw_Probability_Forest метров

Raw LCMS modeled probability of Forest. Defined as: Land that is planted or naturally vegetated and which contains (or is likely to contain) 10% or greater tree cover at some time during a near-term successional sequence. This may include deciduous, evergreen and/or mixed categories of natural forest, forest plantations, and woody wetlands.

Land_Use_Raw_Probability_Non-Forest-Wetland метров

Raw LCMS modeled probability of Non-Forest Wetland. Defined as: Lands adjacent to or within a visible water table (either permanently or seasonally saturated) dominated by shrubs or persistent emergents. These wetlands may be situated shoreward of lakes, river channels, or estuaries; on river floodplains; in isolated catchments; or on slopes. They may also occur as prairie potholes, drainage ditches and stock ponds in agricultural landscapes and may also appear as islands in the middle of lakes or rivers. Other examples also include marshes, bogs, swamps, quagmires, muskegs, sloughs, fens, and bayous.

Land_Use_Raw_Probability_Other метров

Raw LCMS modeled probability of Other. Defined as: Land (regardless of use) where the spectral trend or other supporting evidence suggests a disturbance or change event has occurred but the definitive cause cannot be determined or the type of change fails to meet any of the change process categories defined above.

Land_Use_Raw_Probability_Rangeland-or-Pasture метров

Raw LCMS modeled probability of Rangeland or Pasture. Defined as: This class includes any area that is either a.) Rangeland, where vegetation is a mix of native grasses, shrubs, forbs and grass-like plants largely arising from natural factors and processes such as rainfall, temperature, elevation and fire, although limited management may include prescribed burning as well as grazing by domestic and wild herbivores; or b.) Pasture, where vegetation may range from mixed, largely natural grasses, forbs and herbs to more managed vegetation dominated by grass species that have been seeded and managed to maintain near monoculture.

QA_Bits метров

Ancillary information on the origin of the annual LCMS product output values.

Change Class Table

Ценить Цвет Описание
1 #3d4551

Стабильный

2 #f39268

Slow Loss

3 #d54309

Fast Loss

4 #00a398

Прирост

5 #1b1716

Non-Processing Area Mask

Land_Cover Class Table

Ценить Цвет Описание
1 #005e00

Деревья

2 #008000

Tall Shrubs & Trees Mix (SEAK Only)

3 #00cc00

Shrubs & Trees Mix

4 #b3ff1a

Grass/Forb/Herb & Trees Mix

5 #99ff99

Barren & Trees Mix

6 #b30088

Tall Shrubs (SEAK Only)

7 #e68a00

Кустарники

8 #ffad33

Grass/Forb/Herb & Shrubs Mix

9 #ffe0b3

Barren & Shrubs Mix

10 #ffff00

Grass/Forb/Herb

11 #aa7700

Barren & Grass/Forb/Herb Mix

12 #d3bf9b

Barren or Impervious

13 #ffffff

Snow or Ice

14 #4780f3

Вода

15 #1b1716

Non-Processing Area Mask

Land_Use Class Table

Ценить Цвет Описание
1 #efff6b

Сельское хозяйство

2 #ff2ff8

Развитый

3 #1b9d0c

Лес

4 #97ffff

Non-Forest Wetland

5 #a1a1a1

Другой

6 #c2b34a

Rangeland or Pasture

7 #1b1716

Non-Processing Area Mask

Свойства изображения

Свойства изображения

Имя Тип Описание
область_исследования НИТЬ

LCMS currently covers the conterminous United States, Southeastern Alaska, Puerto Rico-US Virgin Islands, and Hawaii. This version contains outputs across conterminous United States, Southeastern Alaska, Puerto Rico-US Virgin Islands, and Hawaii. Possible values: 'CONUS, SEAK, PRUSVI, HI'

год ИНТ

Год выпуска продукта

Условия эксплуатации

Условия эксплуатации

The USDA Forest Service makes no warranty, expressed or implied, including the warranties of merchantability and fitness for a particular purpose, nor assumes any legal liability or responsibility for the accuracy, reliability, completeness or utility of these geospatial data, or for the improper or incorrect use of these geospatial data. These geospatial data and related maps or graphics are not legal documents and are not intended to be used as such. The data and maps may not be used to determine title, ownership, legal descriptions or boundaries, legal jurisdiction, or restrictions that may be in place on either public or private land. Natural hazards may or may not be depicted on the data and maps, and land users should exercise due caution. The data are dynamic and may change over time. The user is responsible to verify the limitations of the geospatial data and to use the data accordingly.

Эти данные были собраны при финансовой поддержке правительства США и могут быть использованы без дополнительных разрешений или сборов. При использовании этих данных в публикации, презентации или другом исследовательском продукте, пожалуйста, используйте следующую ссылку:

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

Цитаты

Цитаты:

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

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

  • Chastain, R., Housman, I., Goldstein, J., Finco, M., and Tenneson, K., 2019. Empirical cross sensor comparison of Sentinel-2A and 2B MSI, Landsat-8 OLI, and Landsat-7 ETM top of atmosphere spectral characteristics over the conterminous United States. In Remote Sensing of Environment. Science Direct, 221: 274-285. doi:10.1016/j.rse.2018.11.012

  • Cohen, WB, Yang, Z., and Kennedy, R., 2010. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 2. TimeSync - Tools for calibration and validation. In Remote Sensing of Environment. Science Direct, 114(12): 2911-2924. doi:10.1016/j.rse.2010.07.010

  • Cohen, WB, Yang, Z., Healey, SP, Kennedy, RE, and Gorelick, N., 2018. A LandTrendr multispectral ensemble for forest disturbance detection. In Remote Sensing of Environment. Science Direct, 205: 131-140. doi:10.1016/j.rse.2017.11.015

  • Foga, S., Scaramuzza, PL, Guo, S., Zhu, Z., Dilley, RD, Beckmann, T., Schmidt, GL, Dwyer, JL, Hughes, MJ, Laue, B., 2017. Cloud detection algorithm comparison and validation for operational Landsat data products. In Remote Sensing of Environment. Science Direct, 194: 379-390. doi:10.1016/j.rse.2017.03.026

  • US Geological Survey, 2019. USGS 3D Elevation Program Digital Elevation Model, accessed August 2022 at https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m

  • Healey, SP, Cohen, WB, Yang, Z., Kenneth Brewer, C., Brooks, EB, Gorelick, N., Hernandez, AJ, Huang, C., Joseph Hughes, M., Kennedy, RE, Loveland, TR, Moisen, GG, Schroeder, TA, Stehman, SV, Vogelmann, JE, Woodcock, CE, Yang, L., and Zhu, Z., 2018. Mapping forest change using stacked generalization: An ensemble approach. In Remote Sensing of Environment. Science Direct, 204: 717-728. doi:10.1016/j.rse.2017.09.029

  • Kennedy, RE, Yang, Z., and Cohen, WB, 2010. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 1. LandTrendr - Temporal segmentation algorithms. In Remote Sensing of Environment. Science Direct, 114(12): 2897-2910. doi:10.1016/j.rse.2010.07.008

  • Kennedy, R., Yang, Z., Gorelick, N., Braaten, J., Cavalcante, L., Cohen, W., and Healey, S. 2018. Implementation of the LandTrendr Algorithm on Google Earth Engine. In Remote Sensing. MDPI, 10(5): 691. doi:10.3390/rs10050691

  • Pasquarella, VJ, Brown, CF, Czerwinski, W., and Rucklidge, WJ, 2023. Comprehensive Quality Assessment of Optical Satellite Imagery Using Weakly Supervised Video Learning. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2125-2135. doi:10.1109/CVPRW59228.2023.00206

  • Sentinel-Hub, 2021. Sentinel 2 Cloud Detector. [Online]. Available at: https://github.com/sentinel-hub/sentinel2-cloud-detector

  • Weiss, AD, 2001. Topographic position and landforms analysis Poster Presentation, ESRI Users Conference, San Diego, CAZhu, Z., and Woodcock, CE 2012. Object-based cloud and cloud shadow detection in Landsat imagery. 118: 83-94.

  • Zhu, Z., and Woodcock, CE, 2012. Object-based cloud and cloud shadow detection in Landsat imagery. In Remote Sensing of Environment. Science Direct, 118: 83-94. doi:10.1016/j.rse.2011.10.028

  • Zhu, Z., and Woodcock, CE, 2014. Continuous change detection and classification of land cover using all available Landsat data. In Remote Sensing of Environment. Science Direct, 144: 152-171. doi:10.1016/j.rse.2014.01.011

DOI

Исследуйте с Earth Engine

Редактор кода (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);
Открыть в редакторе кода
This product is part of the Landscape Change Monitoring System (LCMS) data suite. It shows LCMS-modeled change, land cover, and/or land use classes for each year that covers the Conterminous United States (CONUS) and areas outside the CONUS (OCONUS) that include Southeastern Alaska (SEAK), Puerto Rico-US Virgin Islands (PRUSVI), and …
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