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

USFS/GTAC/LCMS/v2023-9
ความพร้อมใช้งานของชุดข้อมูล
1985-01-01T00:00:00Z–2023-12-31T00:00:00Z
ผู้ให้บริการชุดข้อมูล
ตัวอย่างข้อมูล Earth Engine
ee.ImageCollection("USFS/GTAC/LCMS/v2023-9")
แท็ก
การตรวจหาการเปลี่ยนแปลง
ป่า
gtac
สิ่งปกคลุมดิน
ได้มาจาก Landsat
การใช้ที่ดิน
landuse-landcover
LCMS
redcastle-resources
ได้มาจาก Sentinel
อนุกรมเวลา
usda
usfs

คำอธิบาย

ผลิตภัณฑ์นี้เป็นส่วนหนึ่งของชุดข้อมูลระบบการตรวจสอบการเปลี่ยนแปลงของผืนป่า (LCMS) โดยจะแสดงการเปลี่ยนแปลงที่จำลองด้วย LCMS, การปกคลุมของดิน และ/หรือชั้นการใช้ที่ดินสำหรับแต่ละปีที่ครอบคลุมสหรัฐอเมริกาภาคพื้นทวีป (CONUS) และพื้นที่นอก CONUS (OCONUS) ซึ่งรวมถึงอลาสก้าตะวันออกเฉียงใต้ (SEAK), เปอร์โตริโก-หมู่เกาะเวอร์จินของสหรัฐอเมริกา (PRUSVI) และฮาวาย (HI)

LCMS เป็นระบบที่ใช้การรับรู้จากระยะไกลสำหรับการทำแผนที่และการตรวจสอบการเปลี่ยนแปลงของภูมิประเทศทั่วทั้ง สหรัฐอเมริกา โดยมีวัตถุประสงค์เพื่อพัฒนาแนวทางที่สอดคล้องกันโดยใช้เทคโนโลยีล่าสุด และความก้าวหน้าในการตรวจหาการเปลี่ยนแปลงเพื่อสร้างแผนที่การเปลี่ยนแปลงของภูมิประเทศที่ "ดีที่สุด"

เอาต์พุตประกอบด้วยผลิตภัณฑ์รายปี 3 รายการ ได้แก่ การเปลี่ยนแปลง สิ่งปกคลุมดิน และการใช้ที่ดิน การเปลี่ยนแปลงเกี่ยวข้องกับพืชปกคลุมโดยเฉพาะ และรวมถึงการสูญเสียอย่างช้าๆ การสูญเสียอย่างรวดเร็ว (ซึ่งรวมถึงการเปลี่ยนแปลงทางอุทกวิทยา เช่น น้ำท่วมหรือความแห้งแล้ง) และการเพิ่มขึ้น ค่าเหล่านี้เป็นค่าที่คาดการณ์ไว้สำหรับแต่ละปีของอนุกรมเวลา Landsat และเป็นผลิตภัณฑ์พื้นฐานสำหรับ LCMS แผนที่การปกคลุมของดินและการใช้ที่ดินแสดงการปกคลุมของดินระดับรูปแบบสิ่งมีชีวิตและการใช้ที่ดินระดับกว้าง ในแต่ละปี

เนื่องจากไม่มีอัลกอริทึมใดที่ทำงานได้ดีที่สุดในทุกสถานการณ์ LCMS จึงใช้กลุ่มโมเดลเป็นตัวคาดการณ์ ซึ่งช่วยปรับปรุงความแม่นยำของแผนที่ในระบบนิเวศและกระบวนการเปลี่ยนแปลงที่หลากหลาย (Healey et al., 2018) ชุดแผนที่การเปลี่ยนแปลง LCMS, สิ่งปกคลุมดิน และการใช้ที่ดินที่ได้แสดงให้เห็น ภาพรวมของการเปลี่ยนแปลงภูมิทัศน์ทั่วสหรัฐอเมริกาตั้งแต่ปี 1985

เลเยอร์ตัวแปรทำนายสำหรับโมเดล LCMS ประกอบด้วยเอาต์พุต จากอัลกอริทึมการตรวจหาการเปลี่ยนแปลงของ LandTrendr และ CCDC รวมถึงข้อมูลภูมิประเทศ โดยสามารถเข้าถึงและประมวลผล คอมโพเนนต์เหล่านี้ได้ทั้งหมดโดยใช้ Google Earth Engine (Gorelick et al., 2017)

สำหรับ CCDC เราใช้ข้อมูลการสะท้อนพื้นผิว Landsat Tier 1 Collection 2 ของสำนักงานสำรวจทางธรณีวิทยาของสหรัฐอเมริกา (USGS) สำหรับ CONUS และข้อมูลการสะท้อนที่ด้านบนของชั้นบรรยากาศ Landsat Tier 1 สำหรับ SEAK, PRUSVI และ HI ในการสร้างคอมโพสิตรายปีสำหรับ LandTrendr เราใช้ข้อมูลการสะท้อนที่ด้านบนของชั้นบรรยากาศ Landsat Tier 1 และ Sentinel 2A, 2B ระดับ 1C ของ USGS Collection 2 อัลกอริทึมการมาสก์เมฆ cFmask (Foga et al., 2017) ซึ่งเป็นการใช้งาน Fmask 2.0 (Zhu and Woodcock, 2012) (Landsat เท่านั้น), cloudScore (Chastain et al., 2019) (Landsat เท่านั้น), s2cloudless (Sentinel-Hub, 2021) และ Cloud Score plus (Pasquarella et al., 2023) (Sentinel 2 เท่านั้น) ใช้เพื่อมาสก์เมฆ ส่วน TDOM (Chastain et al., 2019) ใช้เพื่อมาสก์เงาเมฆ (Landsat และ Sentinel 2) สำหรับ LandTrendr ระบบจะคำนวณค่ามิดอยด์รายปีเพื่อสรุปค่าที่ไม่มีเมฆ และเงาเมฆจากแต่ละปีเป็นคอมโพสิตเดียว

อนุกรมเวลาแบบผสมจะได้รับการแบ่งส่วนตามเวลาโดยใช้ LandTrendr (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018)

นอกจากนี้ ค่าที่ไม่มีเมฆและเงาเมฆทั้งหมดจะได้รับการแบ่งส่วนตามเวลาโดยใช้อัลกอริทึม CCDC (Zhu and Woodcock, 2014)

ข้อมูลตัวทำนายประกอบด้วยค่าคอมโพสิตดิบ ค่าที่ปรับ LandTrendr ความแตกต่างแบบคู่ ระยะเวลาของกลุ่ม ขนาดการเปลี่ยนแปลง และความชัน รวมถึงสัมประสิทธิ์ไซน์และ โคไซน์ของ CCDC (ฮาร์มอนิก 3 รายการแรก) ค่าที่ปรับ และความแตกต่างแบบคู่ พร้อมด้วยระดับความสูง ความชัน ไซน์ของลักษณะ โคไซน์ของลักษณะ และดัชนีตำแหน่งภูมิประเทศ (Weiss, 2001) จากข้อมูลโปรแกรมระดับความสูง 3 มิติ (3DEP) ของ USGS ที่ 10 ม. (สำนักงานสำรวจทางธรณีวิทยาของสหรัฐอเมริกา, 2019)

เราเก็บรวบรวมข้อมูลอ้างอิงโดยใช้ TimeSync ซึ่งเป็นเครื่องมือบนเว็บที่ช่วยให้นักวิเคราะห์เห็นภาพและตีความบันทึกข้อมูล Landsat ตั้งแต่ปี 1984 จนถึงปัจจุบัน (Cohen et al., 2010)

ระบบฝึกโมเดล Random Forests (Breiman, 2001) โดยใช้ข้อมูลอ้างอิงจาก TimeSync และข้อมูลตัวแปรทำนาย จาก LandTrendr, CCDC และดัชนีภูมิประเทศเพื่อคาดการณ์การเปลี่ยนแปลงรายปี ประเภทการปกคลุมดิน และการใช้ที่ดิน หลังจากการประมาณ เราได้กำหนดชุดเกณฑ์ความน่าจะเป็นและชุดกฎโดยใช้ชุดข้อมูลเสริม เพื่อปรับปรุงเอาต์พุตแผนที่เชิงคุณภาพ และลดการละเว้นและการไม่รวม ดูข้อมูลเพิ่มเติมได้ใน สรุปวิธีการ LCMS ที่รวมอยู่ในคำอธิบาย

แหล่งข้อมูลเพิ่มเติม

โปรดติดต่อ [sm.fs.lcms@usda.gov] หากมีคำถามหรือคำขอข้อมูลที่เฉพาะเจาะจง

ย่านความถี่

ขนาดพิกเซล
30 เมตร

ย่านความถี่

ชื่อ ขนาดพิกเซล คำอธิบาย
Change เมตร

ผลิตภัณฑ์เปลี่ยน LCMS ตามธีมขั้นสุดท้าย โดยจะมีการแมปคลาสการเปลี่ยนแปลงทั้งหมด 3 คลาส (การสูญเสียช้า การสูญเสียเร็ว และการเพิ่มขึ้น) สำหรับแต่ละปี ระบบจะคาดการณ์แต่ละคลาสโดยใช้โมเดล Random Forest แยกกัน ซึ่งจะแสดงผลความน่าจะเป็น (สัดส่วนของต้นไม้ภายในโมเดล Random Forest) ที่พิกเซลเป็นของคลาสนั้น ด้วยเหตุนี้ Pixel แต่ละรุ่นจึงมีเอาต์พุตโมเดลที่แตกต่างกัน 3 แบบในแต่ละปี ระบบจะกำหนดคลาสสุดท้ายให้กับคลาสการเปลี่ยนแปลงที่มีความน่าจะเป็นสูงสุด ซึ่งสูงกว่าเกณฑ์ที่ระบุด้วย พิกเซลที่ไม่มีค่าใดๆ สูงกว่าเกณฑ์ที่เกี่ยวข้องของแต่ละคลาสจะได้รับการกำหนดให้กับคลาส "เสถียร" ก่อนที่จะกำหนด คลาสการเปลี่ยนแปลง ระบบได้ใช้กฎกับพื้นที่ศึกษาทั้งหมดเพื่อป้องกันการเปลี่ยนแปลงในสิ่งปกคลุมดินที่ไม่มีพืช
Land_Cover เมตร

ผลิตภัณฑ์สิ่งปกคลุมดิน LCMS ตามธีมขั้นสุดท้าย เราจะแมปชั้นสิ่งปกคลุมดินทั้งหมด 14 ชั้นเป็นรายปีโดยใช้ข้อมูลอ้างอิง TimeSync และข้อมูลสเปกตรัมที่ได้จากภาพ Landsat ระบบจะคาดการณ์แต่ละคลาสโดยใช้โมเดล Random Forest แยกกัน ซึ่งจะแสดงผล ความน่าจะเป็น (สัดส่วนของต้นไม้ภายในโมเดล Random Forest) ที่พิกเซลเป็นของ คลาสนั้น ด้วยเหตุนี้ พิกเซลแต่ละพิกเซลจึงมีเอาต์พุตโมเดลที่แตกต่างกัน 14 รายการสำหรับแต่ละปี และระบบจะกำหนดคลาสสุดท้ายให้กับพื้นที่ปกคลุมดินที่มีความน่าจะเป็นสูงสุด สำหรับรัฐอะแลสกาตะวันออกเฉียงใต้ ก่อนที่จะกำหนดชั้นปกคลุมดินที่มีความน่าจะเป็นสูงสุด เราได้ใช้กฎการปกคลุมดินเพื่อจำกัดการกำหนดชั้นปกคลุมดินที่เป็นต้นไม้และหิมะในเขตน้ำขึ้นน้ำลงขนาดใหญ่ที่ระดับน้ำทะเล ไม่มีการใช้กฎการปกคลุมของพื้นดินกับ CONUS, เปอร์โตริโก-หมู่เกาะเวอร์จินของสหรัฐอเมริกา หรือฮาวาย การปกคลุมพื้นดิน 7 ใน 14 คลาส ระบุการปกคลุมพื้นดินเดียว ซึ่งประเภทการปกคลุมพื้นดินนั้นครอบคลุมพื้นที่ส่วนใหญ่ของพิกเซล และ ไม่มีคลาสอื่นใดครอบคลุมมากกว่า 10% ของพิกเซล นอกจากนี้ ยังมีชั้นเรียนแบบผสมอีก 7 ชั้นเรียน ซึ่งแสดงถึงพิกเซล ที่คลาสการปกคลุมพื้นดินเพิ่มเติมครอบคลุมอย่างน้อย 10% ของพิกเซล
Land_Use เมตร

ผลิตภัณฑ์การใช้ที่ดิน LCMS ตามธีมสุดท้าย ระบบจะแมปคลาสการใช้ประโยชน์ที่ดินทั้งหมด 6 คลาสเป็นรายปี โดยใช้ข้อมูลอ้างอิง TimeSync และข้อมูลสเปกตรัมที่ได้จากภาพ Landsat ระบบจะคาดการณ์แต่ละคลาสโดยใช้โมเดล Random Forest แยกกัน ซึ่งจะแสดงความน่าจะเป็น (สัดส่วนของต้นไม้ภายในโมเดล Random Forest) ที่พิกเซลเป็นของคลาสนั้น ด้วยเหตุนี้ พิกเซลแต่ละพิกเซลจึงมีเอาต์พุตโมเดลที่แตกต่างกัน 6 รายการสำหรับแต่ละปี และระบบจะกำหนดคลาสสุดท้าย ให้กับประเภทการใช้ที่ดินที่มีความน่าจะเป็นสูงสุด ก่อนที่จะกำหนดคลาสการใช้ที่ดินที่มีความน่าจะเป็นสูงสุด เราได้ใช้ชุดเกณฑ์ความน่าจะเป็นและชุดกฎหลายชุดโดยใช้กฎการใช้ที่ดินของชุดข้อมูลเสริม ดูข้อมูลเพิ่มเติมเกี่ยวกับเกณฑ์ความน่าจะเป็น และชุดกฎได้ในสรุปวิธีการของ LCMS ที่รวมอยู่ในคำอธิบาย ผลิตภัณฑ์การใช้ที่ดินใน CONUS ได้รับการอัปเดตเมื่อวันที่ 2 กรกฎาคม 2024 เพื่อแก้ไขปัญหาเกี่ยวกับคลาสที่พัฒนาแล้ว
Change_Raw_Probability_Slow_Loss เมตร

ความน่าจะเป็นของอัตราการสูญเสียลูกค้าอย่างช้าๆ ที่ได้จากการประมาณ LCMS ดิบ โดย "การสูญเสียช้า" หมายถึงคลาสต่อไปนี้ จากการตีความกระบวนการเปลี่ยนแปลง TimeSync -

  • การเสื่อมถอยเชิงโครงสร้าง - ที่ดินที่ต้นไม้หรือพืชพรรณไม้อื่นๆ มีการเปลี่ยนแปลงทางกายภาพเนื่องจาก สภาพการเจริญเติบโตที่ไม่เอื้ออำนวยซึ่งเกิดจากปัจจัยที่ไม่ใช่จากมนุษย์หรือเครื่องจักร โดยทั่วไปแล้ว การสูญเสียประเภทนี้ควรสร้างแนวโน้มในสัญญาณสเปกตรัม (เช่น NDVI ลดลง ความชื้นลดลง SWIR เพิ่มขึ้น ฯลฯ) อย่างไรก็ตาม แนวโน้มอาจไม่ชัดเจน การเสื่อมถอยเชิงโครงสร้างเกิดขึ้นในสภาพแวดล้อมที่มีพืชพรรณที่เป็นไม้ยืนต้น ซึ่งส่วนใหญ่เกิดจากแมลง โรคภัย ความแห้งแล้ง ฝนกรด ฯลฯ การเสื่อมถอยเชิงโครงสร้างอาจรวมถึงเหตุการณ์การร่วงหล่นของใบไม้ที่ ไม่ส่งผลให้เกิดการตาย เช่น การรบกวนของผีเสื้อกลางคืนและหนอนเจาะต้นสน ซึ่งอาจ ฟื้นตัวได้ภายใน 1 หรือ 2 ปี

  • การลดลงของสเปกตรัม - พล็อตที่สัญญาณสเปกตรัมแสดงแนวโน้มในแถบหรือดัชนีสเปกตรัมอย่างน้อย 1 รายการ (เช่น NDVI ลดลง ความชื้นลดลง SWIR เพิ่มขึ้น ฯลฯ) ตัวอย่างเช่น กรณีที่ ก) พืชที่ไม่ใช่ป่า/ไม่ใช่ไม้ยืนต้นแสดงแนวโน้มที่บ่งบอกถึงการลดลง (เช่น NDVI ลดลง ความชื้นลดลง SWIR เพิ่มขึ้น ฯลฯ) หรือ ข) พืชที่เป็นไม้ยืนต้นแสดงแนวโน้มการลดลงซึ่งไม่เกี่ยวข้องกับการสูญเสียพืชที่เป็นไม้ยืนต้น เช่น เมื่อพุ่มไม้ของต้นไม้ที่โตเต็มวัยปิดลงส่งผลให้เกิดเงาเพิ่มขึ้น เมื่อองค์ประกอบของสายพันธุ์เปลี่ยนจากต้นสนเป็นไม้เนื้อแข็ง หรือเมื่อช่วงแล้ง (ตรงข้ามกับภัยแล้งที่รุนแรงและเฉียบพลันกว่า) ทำให้ความแข็งแรงลดลงอย่างเห็นได้ชัด แต่ไม่มีการสูญเสียเนื้อไม้หรือพื้นที่ใบ
Change_Raw_Probability_Fast_Loss เมตร

ความน่าจะเป็นของ Fast Loss ที่จำลอง LCMS ดิบ โดยกำหนดเป็น: การสูญเสียอย่างรวดเร็วรวมถึงคลาสต่อไปนี้ จากการตีความกระบวนการเปลี่ยนแปลง TimeSync -

  • ไฟ - พื้นที่ที่เปลี่ยนแปลงจากไฟ ไม่ว่าสาเหตุของการเกิดไฟ (ตามธรรมชาติหรือจากมนุษย์) ความรุนแรง หรือการใช้ที่ดิน

  • การเก็บเกี่ยว - พื้นที่ป่าที่ต้นไม้ พุ่มไม้ หรือพืชอื่นๆ ถูกตัดหรือนำออกโดยมนุษย์ ตัวอย่างเช่น การตัดไม้ทำลายป่า การตัดไม้กู้หลังเกิดไฟไหม้หรือการระบาดของแมลง การตัดสาง และการจัดการป่าอื่นๆ (เช่น การเก็บเกี่ยวแบบป่าร่ม/ป่าเมล็ด)

  • การกำจัดด้วยเครื่องจักร - พื้นที่นอกป่าที่ต้นไม้ พุ่มไม้ หรือพืชอื่นๆ ถูกตัดหรือกำจัดด้วยเครื่องจักร โดยการลากโซ่ ขูด ถางพุ่มไม้ การใช้รถปราบดิน หรือวิธีการอื่นๆ ในการกำจัดพืชพรรณนอกป่า

  • ลม/น้ำแข็ง - พื้นที่ (ไม่ว่าจะใช้ประโยชน์ใดก็ตาม) ที่พืชพรรณเปลี่ยนแปลงเนื่องจากลมจากเฮอริเคน ทอร์นาโด พายุ และเหตุการณ์สภาพอากาศรุนแรงอื่นๆ รวมถึงฝนเยือกแข็งจากพายุ น้ำแข็ง

  • อุทกวิทยา - พื้นที่ที่น้ำท่วมทำให้สิ่งปกคลุมดินที่เป็นไม้หรือสิ่งปกคลุมดินอื่นๆ เปลี่ยนแปลงอย่างมีนัยสำคัญ โดยไม่คำนึงถึงการใช้ที่ดิน (เช่น กรวดและพืชพรรณที่ผสมกันใหม่ในและรอบๆ ท้องน้ำหลังน้ำท่วม)

  • เศษซาก - ที่ดิน (ไม่ว่าจะใช้ประโยชน์ใดก็ตาม) ที่เปลี่ยนแปลงเนื่องจากการเคลื่อนที่ของวัสดุธรรมชาติที่เกี่ยวข้องกับ ดินถล่ม หิมะถล่ม ภูเขาไฟระเบิด โคลนถล่ม ฯลฯ

  • อื่นๆ - พื้นที่ (ไม่ว่าจะมีการใช้งานหรือไม่ก็ตาม) ที่แนวโน้มสเปกตรัมหรือหลักฐานสนับสนุนอื่นๆ บ่งชี้ว่าเกิดเหตุการณ์การรบกวนหรือการเปลี่ยนแปลง แต่ไม่สามารถระบุสาเหตุที่แน่ชัดได้ หรือประเภทของการเปลี่ยนแปลงไม่ตรงตามหมวดหมู่กระบวนการเปลี่ยนแปลงที่กำหนดไว้ ข้างต้น
Change_Raw_Probability_Gain เมตร

ความน่าจะเป็นของการเพิ่มขึ้นที่ผ่านการประมาณ LCMS ดิบ กำหนดเป็น: พื้นที่ที่มีการเพิ่มขึ้นของพืชพรรณ เนื่องจากการเติบโตและการเปลี่ยนแปลงในช่วงเวลาตั้งแต่ 1 ปีขึ้นไป ใช้ได้กับทุกพื้นที่ที่อาจ แสดงการเปลี่ยนแปลงของสเปกตรัมที่เกี่ยวข้องกับการงอกใหม่ของพืช ในพื้นที่ที่มีการพัฒนา การเติบโตอาจ เกิดจากพืชที่โตเต็มวัยและ/หรือสนามหญ้าและภูมิทัศน์ที่เพิ่งติดตั้งใหม่ ในป่า การเติบโตประกอบด้วยการเติบโตของพืชจากพื้นดินที่ว่างเปล่า รวมถึงการเติบโตของ ต้นไม้ระดับกลางและต้นไม้ที่ขึ้นร่วมกัน และ/หรือหญ้าและพุ่มไม้ที่อยู่ต่ำกว่า การเติบโต/การฟื้นตัว ส่วนที่บันทึกหลังจากการเก็บเกี่ยวป่ามีแนวโน้มที่จะเปลี่ยนผ่านไปยังพื้นที่ ประเภทต่างๆ เมื่อป่าฟื้นตัว การเปลี่ยนแปลงเหล่านี้จะถือเป็นการเติบโต/การฟื้นตัวได้ ค่าสเปกตรัมควรเป็นไปตามแนวโน้มที่เพิ่มขึ้นอย่างใกล้ชิด (เช่น ความชันที่เป็นบวก ซึ่งหากขยายไปถึงประมาณ 20 ปี จะอยู่ในลำดับที่ 0.10 หน่วยของ NDVI) ซึ่งคงอยู่ เป็นเวลาหลายปี
Land_Cover_Raw_Probability_Trees เมตร

ความน่าจะเป็นของต้นไม้ที่จำลอง LCMS ดิบ กำหนดเป็น: พิกเซลส่วนใหญ่ประกอบด้วย ต้นไม้ที่ยังมีชีวิตอยู่หรือต้นไม้ที่ตายแล้ว
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix เมตร

ความน่าจะเป็นของ LCMS ดิบที่จำลองของ Tall Shrubs and Trees Mix (SEAK เท่านั้น) กำหนด เป็น: พิกเซลส่วนใหญ่ประกอบด้วยพุ่มไม้ที่มีความสูงมากกว่า 1 เมตร และยังประกอบด้วยต้นไม้ที่ยังมีชีวิตอยู่หรือต้นไม้ที่ตายแล้วอย่างน้อย 10%
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix เมตร

ความน่าจะเป็นของพุ่มไม้และต้นไม้ผสมที่จำลอง LCMS ดิบ กำหนดเป็น: พิกเซลส่วนใหญ่ ประกอบด้วยพุ่มไม้ และประกอบด้วยต้นไม้ที่ยังมีชีวิตหรือต้นไม้ที่ตายแล้วอย่างน้อย 10%
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix เมตร

ความน่าจะเป็นของหญ้า/พืชล้มลุก/สมุนไพรและต้นไม้ผสมที่จำลองโดย LCMS ดิบ กำหนดเป็น: พิกเซลส่วนใหญ่ประกอบด้วยหญ้าไม้ยืนต้น ไม้ดอก หรือพืชล้มลุกอื่นๆ และประกอบด้วยต้นไม้ที่ยังมีชีวิตหรือต้นไม้ที่ตายแล้วอย่างน้อย 10%
Land_Cover_Raw_Probability_Barren-and-Trees-Mix เมตร

ความน่าจะเป็นของพื้นที่แห้งแล้งและพื้นที่ที่มีต้นไม้ผสมกันที่ได้จาก LCMS ดิบ กำหนดเป็น: พิกเซลส่วนใหญ่ ประกอบด้วยดินเปล่าที่เกิดจากการรบกวน (เช่น ดินที่เกิดจากการเคลียร์พื้นที่ด้วยเครื่องจักร หรือการเก็บเกี่ยวป่า) รวมถึงพื้นที่แห้งแล้งตลอดปี เช่น ทะเลทราย เพลยา หินโผล่ (รวมถึงแร่ธาตุและวัสดุทางธรณีวิทยาอื่นๆ ที่เกิดจากกิจกรรมการทำเหมืองบนพื้นผิว ) เนินทราย ที่ราบเกลือ และชายหาด ถนนที่ทำจากดินและกรวดก็ถือเป็นพื้นที่แห้งแล้งเช่นกัน และประกอบด้วยต้นไม้ที่ยังมีชีวิตอยู่หรือต้นไม้ที่ตายแล้วอย่างน้อย 10%
Land_Cover_Raw_Probability_Tall-Shrubs เมตร

ความน่าจะเป็นของพุ่มไม้สูงที่จำลองโดย LCMS ดิบ (SEAK เท่านั้น) กำหนดเป็น: พิกเซลส่วนใหญ่ประกอบด้วยพุ่มไม้ที่มีความสูงมากกว่า 1 เมตร
Land_Cover_Raw_Probability_Shrubs เมตร

ความน่าจะเป็นของพุ่มไม้ที่ผ่านการประมาณ LCMS ดิบ กำหนดเป็น: พิกเซลส่วนใหญ่ประกอบด้วย พุ่มไม้
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix เมตร

ความน่าจะเป็นของหญ้า/พืชล้มลุก/สมุนไพรและพุ่มไม้ผสมที่จำลองโดย LCMS ดิบ กำหนดเป็น: พิกเซลส่วนใหญ่ประกอบด้วยหญ้าไม้ยืนต้น ไม้ดอก หรือพืชล้มลุกอื่นๆ และประกอบด้วยพุ่มไม้อย่างน้อย 10%
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix เมตร

ความน่าจะเป็นของ LCMS ดิบที่จำลองของ Barren และ Shrubs Mix กำหนดเป็น: พิกเซลส่วนใหญ่ ประกอบด้วยดินเปล่าที่เกิดจากการรบกวน (เช่น ดินที่เกิดจากการเคลียร์พื้นที่ด้วยเครื่องจักร หรือการเก็บเกี่ยวป่า) รวมถึงพื้นที่แห้งแล้งตลอดปี เช่น ทะเลทราย เพลยา หินโผล่ (รวมถึงแร่ธาตุและวัสดุทางธรณีวิทยาอื่นๆ ที่เกิดจากกิจกรรมการทำเหมืองบนพื้นผิว ) เนินทราย ที่ราบเกลือ และชายหาด ถนนที่ทำจากดินและกรวดก็ถือเป็นพื้นที่แห้งแล้งเช่นกัน และประกอบด้วยพุ่มไม้อย่างน้อย 10%
Land_Cover_Raw_Probability_Grass-Forb-Herb เมตร

ความน่าจะเป็นของหญ้า/พืชล้มลุก/สมุนไพรที่จำลองตาม LCMS ดิบ กำหนดเป็น: พิกเซลส่วนใหญ่ประกอบด้วยหญ้าไม้ยืนต้น ไม้ดอก หรือพืชล้มลุกในรูปแบบอื่นๆ
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix เมตร

ความน่าจะเป็นของ Barren และ Grass/Forb/Herb Mix ที่จำลองโดย LCMS ดิบ กำหนดเป็น: พิกเซลส่วนใหญ่ประกอบด้วยดินเปล่าที่เกิดจากการรบกวน (เช่น ดินที่เปิดออกจากการเคลียร์ด้วยเครื่องจักรหรือการเก็บเกี่ยวป่า) รวมถึงพื้นที่แห้งแล้งตลอดปี เช่น ทะเลทราย ที่ราบเกลือ โขดหิน (รวมถึงแร่ธาตุและวัสดุทางธรณีวิทยาอื่นๆ ที่เกิดจากกิจกรรมการทำเหมืองบนพื้นผิว) เนินทราย ที่ราบเกลือ และชายหาด ถนนที่ทำจากดินและกรวดถือเป็นพื้นที่แห้งแล้งเช่นกัน และประกอบด้วยหญ้าไม้ยืนต้น ไม้ล้มลุก หรือพืชสมุนไพรอื่นๆ อย่างน้อย 10%
Land_Cover_Raw_Probability_Barren-or-Impervious เมตร

ความน่าจะเป็นที่โมเดล LCMS ดิบระบุว่าไม่มีพืชขึ้นหรือกันน้ำ กำหนดเป็น: พิกเซลส่วนใหญ่ ประกอบด้วย 1.) ดินเปล่าที่เกิดจากการรบกวน (เช่น ดินที่เกิดจากการเคลียร์พื้นที่ด้วยเครื่องจักร หรือการเก็บเกี่ยวในป่า) รวมถึงพื้นที่แห้งแล้งตลอดปี เช่น ทะเลทราย เพลยา หินโผล่ (รวมถึงแร่ธาตุและวัสดุทางธรณีวิทยาอื่นๆ ที่เกิดจากกิจกรรมการทำเหมืองบนพื้นผิว ) เนินทราย ที่ราบเกลือ และชายหาด ถนนที่ทำจากดินและกรวดก็ถือเป็นพื้นที่แห้งแล้งเช่นกัน หรือ 2.) วัสดุที่มนุษย์สร้างขึ้นซึ่งน้ำไม่สามารถซึมผ่านได้ เช่น ถนนลาดยาง หลังคา และที่จอดรถ
Land_Cover_Raw_Probability_Snow-or-Ice เมตร

ความน่าจะเป็นของหิมะหรือน้ำแข็งที่จำลองโดย LCMS ดิบ กำหนดเป็น: พิกเซลส่วนใหญ่ประกอบด้วยหิมะหรือน้ำแข็ง
Land_Cover_Raw_Probability_Water เมตร

ความน่าจะเป็นของน้ำที่จำลอง LCMS ดิบ กำหนดเป็น: พิกเซลส่วนใหญ่ ประกอบด้วยน้ำ
Land_Use_Raw_Probability_Agriculture เมตร

ความน่าจะเป็นของเกษตรกรรมที่จำลอง LCMS ดิบ กำหนดเป็นที่ดินที่ใช้ในการผลิต อาหาร เส้นใย และเชื้อเพลิง ซึ่งอยู่ในสถานะที่มีพืชปกคลุมหรือไม่มีพืชปกคลุม ซึ่งรวมถึงแต่ไม่จำกัดเพียงพื้นที่เพาะปลูกและพื้นที่เพาะปลูกที่ไม่ได้ใช้ประโยชน์ ทุ่งหญ้า สวนผลไม้ ไร่องุ่น การเลี้ยงปศุสัตว์แบบจำกัด และพื้นที่ที่ปลูกเพื่อผลิตผลไม้ ถั่ว หรือเบอร์รี ถนนที่ใช้เพื่อการเกษตรเป็นหลัก (เช่น ไม่ได้ใช้เป็นขนส่งสาธารณะจากเมืองหนึ่งไปยังอีกเมืองหนึ่ง) ถือเป็นการใช้ที่ดินเพื่อการเกษตร
Land_Use_Raw_Probability_Developed เมตร

ความน่าจะเป็นของ LCMS ดิบที่โมเดลคาดการณ์ว่า "พัฒนาแล้ว" กำหนดเป็นที่ดินที่ปกคลุมด้วยสิ่งก่อสร้างที่มนุษย์สร้างขึ้น (เช่น ที่อยู่อาศัยที่มีความหนาแน่นสูง เชิงพาณิชย์ อุตสาหกรรม เหมืองแร่ หรือการขนส่ง) หรือ การผสมผสานระหว่างพืชพรรณ (รวมถึงต้นไม้) และสิ่งก่อสร้าง (เช่น ที่อยู่อาศัยที่มีความหนาแน่นต่ำ สนามหญ้า สถานที่พักผ่อน สุสาน การขนส่ง และทางเดินสาธารณูปโภค ฯลฯ) รวมถึงที่ดินใดๆ ที่มีการเปลี่ยนแปลงการทำงานโดยกิจกรรมของมนุษย์
Land_Use_Raw_Probability_Forest เมตร

ความน่าจะเป็นของป่าที่จำลอง LCMS ดิบ กำหนดเป็นที่ดินที่มีการปลูกพืชหรือมีพืชขึ้นตามธรรมชาติ และมี (หรือมีแนวโน้มที่จะมี) ต้นไม้ปกคลุมตั้งแต่ 10% ขึ้นไปในช่วงเวลาใดเวลาหนึ่ง ในลำดับการเปลี่ยนแปลงที่เกิดขึ้นในระยะเวลาอันใกล้นี้ ซึ่งอาจรวมถึงป่าธรรมชาติ ป่าปลูก และพื้นที่ชุ่มน้ำที่เป็นไม้ ซึ่งอาจเป็นประเภทผลัดใบ ไม่ผลัดใบ และ/หรือแบบผสม
Land_Use_Raw_Probability_Non-Forest-Wetland เมตร

ความน่าจะเป็นของพื้นที่ชุ่มน้ำที่ไม่ใช่ป่าไม้ที่จำลองโดย LCMS ดิบ กำหนดเป็นพื้นที่ที่อยู่ติดกับหรือภายใน ระดับน้ำที่มองเห็นได้ (อิ่มตัวอย่างถาวรหรือตามฤดูกาล) ซึ่งมีพุ่มไม้หรือ พืชโผล่พ้นน้ำที่คงอยู่เป็นหลัก พื้นที่ชุ่มน้ำเหล่านี้อาจตั้งอยู่บริเวณชายฝั่งของทะเลสาบ ช่องแม่น้ำ หรือปากแม่น้ำ บนที่ราบน้ำท่วมถึงของแม่น้ำ ในพื้นที่ลุ่มน้ำที่แยกตัว หรือบนเนินเขา นอกจากนี้ ยังอาจพบ เป็นแอ่งน้ำในทุ่งหญ้า คลองระบายน้ำ และสระเก็บน้ำในพื้นที่เกษตรกรรม รวมถึงอาจปรากฏเป็นเกาะกลางทะเลสาบหรือแม่น้ำด้วย ตัวอย่างอื่นๆ ได้แก่ หนองน้ำ บึง หนองน้ำตื้น ดินโคลน หนองน้ำพรุ ลำธาร หนองน้ำจืด และลำน้ำ
Land_Use_Raw_Probability_Other เมตร

ความน่าจะเป็นของ "อื่นๆ" ที่ได้จากการประมาณ LCMS ดิบ กำหนดเป็น: ที่ดิน (ไม่ว่าจะใช้ประโยชน์หรือไม่ก็ตาม) ที่ แนวโน้มสเปกตรัมหรือหลักฐานสนับสนุนอื่นๆ บ่งชี้ว่าเกิดเหตุการณ์รบกวนหรือการเปลี่ยนแปลง แต่ไม่สามารถระบุสาเหตุที่แน่ชัดได้ หรือประเภทของการเปลี่ยนแปลงไม่ตรงกับ หมวดหมู่กระบวนการเปลี่ยนแปลงที่กำหนดไว้ข้างต้น
Land_Use_Raw_Probability_Rangeland-or-Pasture เมตร

ความน่าจะเป็นของ LCMS ดิบที่จำลองของทุ่งหญ้าหรือทุ่งเลี้ยงสัตว์ กำหนดเป็น: คลาสนี้รวมถึงพื้นที่ใดๆ ที่เป็นอย่างใดอย่างหนึ่งต่อไปนี้ ก.) ทุ่งหญ้าเลี้ยงสัตว์ ซึ่งมีพืชพรรณเป็นส่วนผสมของหญ้า พุ่มไม้ พืชดอก และพืชคล้ายหญ้าพื้นเมืองที่ส่วนใหญ่เกิดจากปัจจัยและกระบวนการทางธรรมชาติ เช่น ปริมาณน้ำฝน อุณหภูมิ ความสูง และไฟ แม้ว่าการจัดการอาจจำกัดอยู่เพียงการเผาตามแผน รวมถึงการเล็มหญ้าโดยสัตว์กินพืชในบ้านและสัตว์ป่า หรือ ข.) ทุ่งหญ้าที่พืชอาจมีตั้งแต่หญ้าผสมที่ส่วนใหญ่เป็นหญ้าธรรมชาติ พืชดอก และสมุนไพร ไปจนถึงพืชที่ได้รับการจัดการมากขึ้นซึ่งมีหญ้าเป็นพืชเด่นที่ได้รับการเพาะเมล็ดและจัดการเพื่อรักษาให้เป็นพืชเชิงเดี่ยว
QA_Bits เมตร

ข้อมูลเสริมเกี่ยวกับแหล่งที่มาของค่าเอาต์พุตผลิตภัณฑ์ LCMS ประจำปี

เปลี่ยนตารางเรียน

ค่า สี คำอธิบาย
1 #3d4551

คงที่
2 #f39268

การสูญเสียอย่างช้าๆ
3 #d54309

การสูญเสียอย่างรวดเร็ว
4 #00a398

ค่าเกน
5 #1b1716

มาสก์พื้นที่ที่ไม่ประมวลผล

ตารางคลาส Land_Cover

ค่า สี คำอธิบาย
1 #005e00

เกสรจากต้นไม้
2 #008000

พุ่มไม้และต้นไม้สูง (SEAK เท่านั้น)
3 #00cc00

มิกซ์เพลงเกี่ยวกับพุ่มไม้และต้นไม้
4 #b3ff1a

ส่วนผสมของหญ้า/พืชล้มลุก/สมุนไพรและต้นไม้
5 #99ff99

มิกซ์เพลง Barren & Trees
6 #b30088

พุ่มไม้สูง (เอเชียตะวันออกเฉียงใต้เท่านั้น)
7 #e68a00

พุ่มไม้
8 #ffad33

ส่วนผสมของหญ้า/พืชล้มลุก/สมุนไพรและพุ่มไม้
9 #ffe0b3

มิกซ์เพลง Barren & Shrubs
10 #ffff00

หญ้า/พืชล้มลุก/สมุนไพร
11 #aa7700

พื้นที่แห้งแล้งและพื้นที่ผสมหญ้า/พืชล้มลุก/สมุนไพร
12 #d3bf9b

แห้งแล้งหรือกันน้ำ
13 #ffffff

หิมะตกหรือถนนเป็นน้ำแข็ง
14 #4780f3

น้ำ
15 #1b1716

มาสก์พื้นที่ที่ไม่ประมวลผล

ตารางคลาส Land_Use

ค่า สี คำอธิบาย
1 #efff6b

เกษตรกรรม
2 #ff2ff8

พัฒนาแล้ว
3 #1b9d0c

ป่า
4 #97ffff

พื้นที่ชุ่มน้ำที่ไม่ใช่ป่า
5 #a1a1a1

อื่นๆ
6 #c2b34a

ทุ่งหญ้าหรือทุ่งเลี้ยงสัตว์
7 #1b1716

มาสก์พื้นที่ที่ไม่ประมวลผล

คุณสมบัติของรูปภาพ

คุณสมบัติของรูปภาพ

ชื่อ ประเภท คำอธิบาย
study_area STRING

ปัจจุบัน LCMS ครอบคลุมพื้นที่สหรัฐอเมริกาที่อยู่ติดกัน ทางตะวันออกเฉียงใต้ของอะแลสกา เปอร์โตริโก-หมู่เกาะเวอร์จินของสหรัฐอเมริกา และฮาวาย เวอร์ชันนี้มีเอาต์พุตทั่ว สหรัฐอเมริกาภาคพื้นทวีป อะแลสกาตะวันออกเฉียงใต้ เปอร์โตริโก-หมู่เกาะเวอร์จินของสหรัฐอเมริกา และฮาวาย ค่าที่เป็นไปได้: 'CONUS, SEAK, PRUSVI, HI'
ปี INT

ปีของผลิตภัณฑ์

ข้อกำหนดในการใช้งาน

ข้อกำหนดในการใช้งาน

กรมป่าไม้ของ USDA ไม่รับประกันทั้งโดยชัดแจ้งหรือโดยนัย ซึ่งรวมถึงการรับประกัน ความสามารถในการขายและความเหมาะสมสำหรับวัตถุประสงค์เฉพาะ และไม่รับผิดชอบทางกฎหมายหรือ ความรับผิดชอบต่อความถูกต้อง ความน่าเชื่อถือ ความสมบูรณ์ หรือประโยชน์ของข้อมูลเชิงพื้นที่เหล่านี้ หรือต่อการใช้ข้อมูลเชิงพื้นที่เหล่านี้อย่างไม่เหมาะสมหรือไม่ถูกต้อง ข้อมูลเชิงพื้นที่และ แผนที่หรือกราฟิกที่เกี่ยวข้องเหล่านี้ไม่ใช่เอกสารทางกฎหมายและไม่ได้มีวัตถุประสงค์เพื่อใช้เป็นเอกสารดังกล่าว ห้ามใช้ข้อมูลและแผนที่เพื่อกำหนดกรรมสิทธิ์ การเป็นเจ้าของ คำอธิบายทางกฎหมาย หรือขอบเขต เขตอำนาจศาล หรือข้อจำกัดที่อาจมีอยู่บนที่ดินสาธารณะหรือที่ดินส่วนบุคคล ข้อมูลและแผนที่อาจแสดงหรือไม่แสดงอันตรายจากภัยธรรมชาติ และผู้ใช้ที่ดินควรใช้ความระมัดระวัง ตามสมควร ข้อมูลมีความผันผวนและอาจเปลี่ยนแปลงเมื่อเวลาผ่านไป ผู้ใช้มีหน้าที่รับผิดชอบในการยืนยัน ข้อจำกัดของข้อมูลเชิงพื้นที่และใช้ข้อมูลตามนั้น

ข้อมูลเหล่านี้รวบรวมขึ้นโดยใช้เงินทุนจากรัฐบาลสหรัฐอเมริกา และสามารถนำไปใช้ได้ โดยไม่ต้องขอสิทธิ์เพิ่มเติมหรือเสียค่าธรรมเนียม หากคุณใช้ข้อมูลเหล่านี้ในสื่อเผยแพร่ งานนำเสนอ หรือ ผลิตภัณฑ์งานวิจัยอื่นๆ โปรดใช้การอ้างอิงต่อไปนี้

USDA Forest Service 2024 ระบบตรวจสอบการเปลี่ยนแปลงภูมิทัศน์ของ USFS v2023.9 (สหรัฐอเมริกาภาคพื้นทวีปและสหรัฐอเมริกาภาคพื้นทวีปตอนนอก) ซอลต์เลกซิตี ยูทาห์

การอ้างอิง

การอ้างอิง

  • USDA Forest Service 2024 ระบบตรวจสอบการเปลี่ยนแปลงภูมิทัศน์ของ USFS v2023.9 (สหรัฐอเมริกาภาคพื้นทวีปและสหรัฐอเมริกาภาคพื้นทวีปตอนนอก) ซอลต์เลกซิตี ยูทาห์

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

  • Chastain, R., Housman, I., Goldstein, J., Finco, M., and Tenneson, K., 2019 การเปรียบเทียบเซ็นเซอร์แบบข้ามของ MSI ของ Sentinel-2A และ 2B, OLI ของ Landsat-8 และลักษณะสเปกตรัมที่ด้านบนของชั้นบรรยากาศของ ETM ของ Landsat-7 เหนือ สหรัฐอเมริกาที่อยู่ติดกัน ใน 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 การตรวจหาแนวโน้มการรบกวนและการฟื้นตัวของป่าโดยใช้ชุดข้อมูลอนุกรมเวลา Landsat รายปี: 2. TimeSync - เครื่องมือสำหรับการปรับเทียบและการตรวจสอบ ใน 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., and Gorelick, N., 2018 ชุดข้อมูลหลายสเปกตรัมของ LandTrendr สำหรับการตรวจหาการรบกวนป่า ใน 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 การเปรียบเทียบและการตรวจสอบอัลกอริทึมการตรวจหาเมฆ สำหรับผลิตภัณฑ์ข้อมูล Landsat ที่ใช้งานได้ ใน Remote Sensing of Environment Science Direct, 194: 379-390. doi:10.1016/j.rse.2017.03.026

  • กรมสำรวจธรณีวิทยาของสหรัฐอเมริกา ปี 2019 USGS 3D Elevation Program Digital Elevation Model เข้าถึงเมื่อเดือนสิงหาคม 2022 ที่ 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., and Zhu, Z., 2018 การแมป การเปลี่ยนแปลงของป่าโดยใช้การวางซ้อนทั่วไป: วิธีการแบบรวม ใน 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 การตรวจหาแนวโน้ม การรบกวนและการฟื้นตัวของป่าโดยใช้ชุดข้อมูลอนุกรมเวลา Landsat รายปี: 1. LandTrendr - อัลกอริทึมการแบ่งกลุ่มตามเวลา ใน 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. และ Healey, S. 2018 การติดตั้งใช้งานอัลกอริทึม LandTrendr ใน Google Earth Engine ในการรับรู้จากระยะไกล MDPI, 10(5): 691. doi:10.3390/rs10050691

  • Pasquarella, V. J., Brown, C. F., Czerwinski, W., and Rucklidge, W. J., 2023 การประเมินคุณภาพที่ครอบคลุมของภาพจากดาวเทียมที่ใช้แสงโดยใช้ การเรียนรู้วิดีโอแบบมีผู้ดูแลอย่างอ่อน 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 [ออนไลน์] พร้อมใช้งานที่ https://github.com/sentinel-hub/sentinel2-cloud-detector

  • Weiss, A.D., 2001 การวิเคราะห์ตำแหน่งภูมิประเทศและลักษณะภูมิประเทศ การนำเสนอโปสเตอร์, การประชุมผู้ใช้ ESRI, ซานดิเอโก, แคลิฟอร์เนีย, สหรัฐอเมริกา, Zhu, Z., และ Woodcock, C. E. 2012 การตรวจจับเมฆและเงาเมฆตามออบเจ็กต์ ในภาพจาก Landsat 118: 83-94.

  • Zhu, Z., และ Woodcock, C. E., 2012 การตรวจจับเมฆและเงาเมฆตามออบเจ็กต์ ในภาพจาก Landsat ใน Remote Sensing of Environment Science Direct, 118: 83-94. doi:10.1016/j.rse.2011.10.028

  • Zhu, Z., และ Woodcock, C. E., 2014 การตรวจหาการเปลี่ยนแปลงอย่างต่อเนื่อง และการแยกประเภทสิ่งปกคลุมดินโดยใช้ข้อมูล Landsat ทั้งหมดที่มี ใน Remote Sensing of Environment Science Direct, 144: 152-171. doi:10.1016/j.rse.2014.01.011

DOI

สำรวจด้วย Earth Engine

ตัวแก้ไขโค้ด (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);
เปิดในตัวแก้ไขโค้ด
ผลิตภัณฑ์นี้เป็นส่วนหนึ่งของชุดข้อมูลระบบการตรวจสอบการเปลี่ยนแปลงของผืนป่า (LCMS) โดยจะแสดงการเปลี่ยนแปลงที่จำลองโดย LCMS, การปกคลุมของดิน และ/หรือชั้นการใช้ที่ดินสำหรับแต่ละปีที่ครอบคลุมสหรัฐอเมริกาภาคพื้นทวีป (CONUS) และพื้นที่นอก CONUS (OCONUS) ซึ่งรวมถึงอลาสก้าตะวันออกเฉียงใต้ (SEAK), เปอร์โตริโก-หมู่เกาะเวอร์จินของสหรัฐอเมริกา (PRUSVI) และ …
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