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
ผู้ผลิตชุดข้อมูล
ตัวอย่างข้อมูล Earth Engine
ee.ImageCollection("USFS/GTAC/LCMS/v2023-9")
แท็ก
การตรวจหาการเปลี่ยนแปลง
ป่า
gtac
สิ่งปกคลุมดิน
ได้มาจาก Landsat
การใช้ที่ดิน
การใช้ที่ดินและสิ่งปกคลุมดิน
LCMS
redcastle-resources
ที่ได้จาก Sentinel
อนุกรมเวลา
usda
usfs

คำอธิบาย

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

LCMS เป็นระบบที่ใช้การรับรู้จากระยะไกลสำหรับการทำแผนที่และตรวจสอบการเปลี่ยนแปลงของภูมิทัศน์ทั่วสหรัฐอเมริกา โดยมีวัตถุประสงค์เพื่อพัฒนารูปแบบที่สอดคล้องกันโดยใช้เทคโนโลยีล่าสุด และความก้าวหน้าในการตรวจหาการเปลี่ยนแปลงเพื่อสร้างแผนที่ "ดีที่สุด" ของการเปลี่ยนแปลงภูมิทัศน์

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

เนื่องจากไม่มีอัลกอริทึมใดที่ทำงานได้ดีที่สุดในทุกสถานการณ์ LCMS จึงใช้ชุดโมเดลเป็นตัวคาดการณ์ ซึ่งช่วยปรับปรุงความแม่นยำของแผนที่ในระบบนิเวศและกระบวนการเปลี่ยนแปลงที่หลากหลาย (Healey et al., 2018) ชุดแผนที่การเปลี่ยนแปลง LCMS, การปกคลุมดิน และการใช้ประโยชน์ที่ดินที่ได้จึงแสดงภาพรวมของการเปลี่ยนแปลงภูมิทัศน์ทั่วสหรัฐอเมริกาตั้งแต่ปี 1985

เลเยอร์ตัวทำนายสำหรับโมเดล LCMS ประกอบด้วยเอาต์พุต จากอัลกอริทึมการตรวจหาการเปลี่ยนแปลงของ LandTrendr และ CCDC รวมถึงข้อมูลภูมิประเทศ โดย คอมโพเนนต์เหล่านี้ทั้งหมดจะได้รับการเข้าถึงและประมวลผลโดยใช้ Google Earth Engine (Gorelick et al., 2017)

สำหรับ CCDC เราใช้ข้อมูลการสะท้อนพื้นผิวของ Landsat ระดับ 1 ของการรวบรวม 2 ของสำนักงานสำรวจทางธรณีวิทยาของสหรัฐอเมริกา (USGS) สำหรับ CONUS และข้อมูลการสะท้อนที่ด้านบนของชั้นบรรยากาศของ Landsat ระดับ 1 สำหรับ SEAK, PRUSVI และ HI ในการสร้างคอมโพสิตรายปีสำหรับ LandTrendr เราใช้ข้อมูลการสะท้อนที่ด้านบนของชั้นบรรยากาศของ Landsat ระดับ 1 ของการรวบรวม 2 ของ USGS และ Sentinel 2A, 2B ระดับ 1C เราใช้อัลกอริทึมการมาสก์เมฆ cFmask (Foga และคณะ, 2017) ซึ่งเป็นการติดตั้งใช้งาน Fmask 2.0 (Zhu และ Woodcock, 2012) (Landsat เท่านั้น), cloudScore (Chastain และคณะ, 2019) (Landsat เท่านั้น), s2cloudless (Sentinel-Hub, 2021) และ Cloud Score plus (Pasquarella และคณะ, 2023) (Sentinel 2 เท่านั้น) เพื่อมาสก์เมฆ ในขณะที่ TDOM (Chastain และคณะ, 2019) ใช้เพื่อมาสก์เงาเมฆ (Landsat และ Sentinel 2) สำหรับ LandTrendr จากนั้นเราจะคำนวณค่ามัธยฐานรายปีเพื่อสรุปค่าที่ไม่มีเมฆและเงาเมฆจากแต่ละปีเป็นคอมโพสิตเดียว

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

นอกจากนี้ ค่าที่ไม่มีเมฆและเงาเมฆทั้งหมดจะได้รับการแบ่งกลุ่มตามเวลาโดยใช้อัลกอริทึม CCDC (Zhu and Woodcock, 2014)

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

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

โมเดล Random Forests (Breiman, 2001) ได้รับการฝึกโดยใช้ข้อมูลอ้างอิงจาก TimeSync และข้อมูลตัวแปรทำนาย จาก LandTrendr, CCDC และดัชนีภูมิประเทศเพื่อคาดการณ์การเปลี่ยนแปลงรายปี สิ่งปกคลุมดิน และคลาสการใช้ประโยชน์ที่ดิน หลังจากการสร้างโมเดล เราได้กำหนดชุดเกณฑ์ความน่าจะเป็นและชุดกฎโดยใช้ชุดข้อมูลเสริม เพื่อปรับปรุงเอาต์พุตแผนที่เชิงคุณภาพ และลดการรวมและการละเว้น ดูข้อมูลเพิ่มเติมได้ใน สรุปวิธีการ LCMS ที่รวมอยู่ในคำอธิบาย

แหล่งข้อมูลเพิ่มเติม

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

ย่านความถี่

ย่านความถี่

ขนาดพิกเซล: 30 เมตร (ทุกแถบ)

ชื่อ ขนาดพิกเซล คำอธิบาย
Change 30 เมตร

ผลิตภัณฑ์เปลี่ยน LCMS ตามธีมขั้นสุดท้าย ระบบจะแมปคลาสการเปลี่ยนแปลงทั้งหมด 3 คลาส (การสูญเสียช้า การสูญเสียเร็ว และการเพิ่มขึ้น) สำหรับแต่ละปี ระบบจะคาดการณ์แต่ละคลาสโดยใช้โมเดล Random Forest แยกกัน ซึ่งจะแสดงผลความน่าจะเป็น (สัดส่วนของต้นไม้ภายในโมเดล Random Forest) ที่พิกเซลเป็นของคลาสนั้น ด้วยเหตุนี้ พิกเซลแต่ละรายการจึงมีเอาต์พุตโมเดลที่แตกต่างกัน 3 รายการ สำหรับแต่ละปี ระบบจะกำหนดชั้นเรียนสุดท้ายให้กับชั้นเรียนการเปลี่ยนแปลงที่มีความน่าจะเป็นสูงสุด ซึ่งสูงกว่าเกณฑ์ที่ระบุด้วย พิกเซลที่ไม่มีค่าใดๆ สูงกว่าเกณฑ์ที่เกี่ยวข้องของแต่ละคลาสจะได้รับการกำหนดให้กับคลาส Stable ก่อนที่จะกำหนด คลาสการเปลี่ยนแปลง ระบบได้ใช้กฎกับพื้นที่ศึกษาทั้งหมดเพื่อป้องกันการเปลี่ยนแปลงในสิ่งปกคลุมดินที่ไม่มีพืช
Land_Cover 30 เมตร

ผลิตภัณฑ์สิ่งปกคลุมดิน LCMS เชิงธีมขั้นสุดท้าย ระบบจะแมปคลาสสิ่งปกคลุมดินทั้งหมด 14 คลาสในแต่ละปีโดยใช้ข้อมูลอ้างอิง TimeSync และข้อมูลสเปกตรัมที่ได้จากภาพ Landsat แต่ละคลาสจะได้รับการคาดการณ์โดยใช้โมเดล Random Forest แยกต่างหาก ซึ่งจะแสดงความน่าจะเป็น (สัดส่วนของต้นไม้ภายในโมเดล Random Forest) ที่พิกเซลเป็นของคลาสนั้น ด้วยเหตุนี้ พิกเซลแต่ละพิกเซลจึงมีเอาต์พุตโมเดลที่แตกต่างกัน 14 รายการสำหรับแต่ละปี และระบบจะกำหนดคลาสสุดท้ายให้กับสิ่งปกคลุมดินที่มีความน่าจะเป็นสูงสุด สำหรับรัฐอะแลสกาตะวันออกเฉียงใต้ ก่อนที่จะกำหนดคลาสสิ่งปกคลุมดินที่มีความน่าจะเป็นสูงสุด ระบบได้ใช้กฎสิ่งปกคลุมดินเพื่อจำกัดการกำหนดคลาสสิ่งปกคลุมดินที่เป็นต้นไม้และหิมะในเขตน้ำขึ้นน้ำลงขนาดใหญ่ที่ระดับน้ำทะเล ไม่มีการใช้กฎสิ่งปกคลุมดินกับ CONUS, เปอร์โตริโก-หมู่เกาะเวอร์จินของสหรัฐอเมริกา หรือฮาวาย คลาสสิ่งปกคลุมดิน 7 ใน 14 คลาสระบุสิ่งปกคลุมดินเดียว ซึ่งประเภทสิ่งปกคลุมดินนั้นครอบคลุมพื้นที่ส่วนใหญ่ของพิกเซล และไม่มีคลาสอื่นใดครอบคลุมมากกว่า 10% ของพิกเซล นอกจากนี้ยังมีคลาสแบบผสม 7 คลาส ซึ่งแสดงถึงพิกเซลที่คลาสสิ่งปกคลุมดินเพิ่มเติมครอบคลุมอย่างน้อย 10% ของพิกเซล
Land_Use 30 เมตร

ผลิตภัณฑ์การใช้ที่ดิน LCMS ตามธีมขั้นสุดท้าย เราจะแมปประเภทการใช้ประโยชน์ที่ดินทั้งหมด 6 ประเภทเป็นรายปีโดยใช้ข้อมูลอ้างอิง TimeSync และข้อมูลสเปกตรัมที่ได้จากภาพ Landsat ระบบจะคาดการณ์แต่ละคลาสโดยใช้โมเดล Random Forest แยกกัน ซึ่งจะแสดงผลความน่าจะเป็น (สัดส่วนของต้นไม้ภายในโมเดล Random Forest) ที่พิกเซลเป็นของคลาสนั้น ด้วยเหตุนี้ พิกเซลแต่ละพิกเซลจึงมีเอาต์พุตโมเดลที่แตกต่างกัน 6 รายการในแต่ละปี และระบบจะกำหนดคลาสสุดท้ายให้กับการใช้ที่ดินที่มีความน่าจะเป็นสูงสุด ก่อนที่จะกำหนดคลาสการใช้ที่ดินที่มีความน่าจะเป็นสูงสุด เราได้ใช้ชุดเกณฑ์ความน่าจะเป็นและชุดกฎโดยใช้กฎการใช้ที่ดินของชุดข้อมูลเสริม ดูข้อมูลเพิ่มเติมเกี่ยวกับเกณฑ์ความน่าจะเป็น และชุดกฎได้ในสรุปวิธีการของ LCMS ที่รวมอยู่ในคำอธิบาย ผลิตภัณฑ์การใช้ที่ดินใน CONUS ได้รับการอัปเดตเมื่อวันที่ 2 กรกฎาคม 2024 เพื่อแก้ไขปัญหาเกี่ยวกับคลาสที่พัฒนาแล้ว
Change_Raw_Probability_Slow_Loss 30 เมตร

ความน่าจะเป็นของอัตราการสูญเสียลูกค้าอย่างช้าๆ ที่ได้จากการประมาณ LCMS แบบดิบ โดยมีคำจำกัดความดังนี้ การสูญเสียช้าประกอบด้วย คลาสต่อไปนี้จากการตีความกระบวนการเปลี่ยนแปลง TimeSync -

  • การเสื่อมถอยเชิงโครงสร้าง - พื้นที่ที่ต้นไม้หรือพืชพรรณไม้อื่นๆ มีการเปลี่ยนแปลงทางกายภาพเนื่องจาก สภาพแวดล้อมที่ไม่เอื้อต่อการเจริญเติบโตซึ่งเกิดจากปัจจัยที่ไม่ใช่จากมนุษย์หรือเครื่องจักร โดยทั่วไปแล้ว การสูญเสียประเภทนี้ควรสร้างแนวโน้มในสัญญาณสเปกตรัม (เช่น NDVI ลดลง ความชื้นลดลง SWIR เพิ่มขึ้น ฯลฯ) อย่างไรก็ตาม แนวโน้มอาจไม่ชัดเจน การเสื่อมถอยเชิงโครงสร้างเกิดขึ้นในสภาพแวดล้อมของพืชพรรณไม้ ซึ่งส่วนใหญ่มักเกิดจากแมลง โรค ภัยแล้ง ฝนกรด ฯลฯ การเสื่อมถอยเชิงโครงสร้างอาจรวมถึงเหตุการณ์การร่วงของใบไม้ซึ่งไม่ ส่งผลให้เกิดการตาย เช่น การรบกวนของผีเสื้อกลางคืนและหนอนเจาะยอดสน ซึ่งอาจ ฟื้นตัวได้ภายใน 1 หรือ 2 ปี

  • การลดลงของสเปกตรัม - แผนผังที่สัญญาณสเปกตรัมแสดงแนวโน้มในแถบหรือดัชนีสเปกตรัมอย่างน้อย 1 รายการ (เช่น NDVI ลดลง ความชื้นลดลง SWIR เพิ่มขึ้น ฯลฯ) ตัวอย่าง ได้แก่ กรณีที่ ก) พืชที่ไม่ใช่ป่า/ไม่ใช่ไม้ยืนต้นแสดงแนวโน้มที่บ่งบอกถึงการลดลง (เช่น NDVI ลดลง ความชื้นลดลง SWIR เพิ่มขึ้น ฯลฯ) หรือ ข) พืชที่เป็นไม้ยืนต้นแสดงแนวโน้มการลดลงซึ่งไม่เกี่ยวข้องกับการสูญเสียพืชที่เป็นไม้ยืนต้น เช่น เมื่อเรือนยอดของต้นไม้ที่โตเต็มวัยปิดลงส่งผลให้เกิดเงาเพิ่มขึ้น เมื่อองค์ประกอบของชนิดพันธุ์เปลี่ยนจากต้นสนเป็นต้นไม้เนื้อแข็ง หรือเมื่อช่วงแล้ง (ตรงข้ามกับภัยแล้งที่รุนแรงกว่าและเฉียบพลันกว่า) ทำให้ความแข็งแรงลดลงอย่างเห็นได้ชัด แต่ไม่มีการสูญเสียเนื้อไม้หรือพื้นที่ใบ
Change_Raw_Probability_Fast_Loss 30 เมตร

ความน่าจะเป็นของ Fast Loss ที่จำลองตาม LCMS ดิบ ซึ่งกำหนดไว้ดังนี้ Fast Loss รวมถึงคลาสต่อไปนี้ จากการตีความกระบวนการเปลี่ยนแปลง TimeSync -

  • ไฟ - พื้นที่ที่เปลี่ยนแปลงจากไฟ ไม่ว่าสาเหตุของการเกิดไฟ (ตามธรรมชาติหรือ จากมนุษย์) ความรุนแรง หรือการใช้ที่ดิน

  • การเก็บเกี่ยว - พื้นที่ป่าที่ต้นไม้ พุ่มไม้ หรือพืชอื่นๆ ถูกตัดหรือนำออก โดยมนุษย์ ตัวอย่างเช่น การตัดไม้ทำลายป่า การตัดไม้กู้หลังเกิดไฟไหม้หรือแมลงระบาด การตัดสาง และการจัดการป่าอื่นๆ (เช่น การตัดไม้แบบให้ร่มเงา/การตัดไม้แบบให้เมล็ด)

  • เชิงกล - ที่ดินนอกป่าซึ่งมีการตัดหรือกำจัดต้นไม้ พุ่มไม้ หรือพืชพรรณอื่นๆ ด้วยเครื่องจักร โดยการล่าม การขูด การเลื่อยพุ่มไม้ การไถด้วยรถปราบดิน หรือวิธีการอื่นๆ ในการกำจัดพืชพรรณนอกป่า

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

  • อุทกวิทยา - พื้นที่ที่น้ำท่วมทำให้สิ่งปกคลุมดินที่เป็นไม้หรือสิ่งปกคลุมดินอื่นๆ เปลี่ยนแปลงอย่างมีนัยสำคัญ โดยไม่คำนึงถึงการใช้ที่ดิน (เช่น การผสมกันใหม่ของกรวดและพืชพรรณในและรอบๆ ท้องน้ำหลังน้ำท่วม)

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

  • อื่นๆ - พื้นที่ (ไม่ว่าจะมีการใช้งานหรือไม่ก็ตาม) ที่แนวโน้มสเปกตรัมหรือหลักฐานสนับสนุนอื่นๆ บ่งชี้ว่าเกิดเหตุการณ์การรบกวนหรือการเปลี่ยนแปลง แต่ไม่สามารถระบุสาเหตุที่แน่ชัดได้ หรือประเภทของการเปลี่ยนแปลงไม่ตรงกับหมวดหมู่กระบวนการเปลี่ยนแปลงที่กำหนดไว้ ข้างต้น
Change_Raw_Probability_Gain 30 เมตร

ความน่าจะเป็นของกำไรที่ได้จาก LCMS ดิบ ซึ่งกำหนดเป็นพื้นที่ที่แสดงให้เห็นถึงการเพิ่มขึ้นของ พืชปกคลุมเนื่องจากการเติบโตและการสืบทอดในช่วงเวลา 1 ปีขึ้นไป ใช้ได้กับทุกพื้นที่ที่อาจ แสดงการเปลี่ยนแปลงของสเปกตรัมที่เกี่ยวข้องกับการงอกใหม่ของพืช ในพื้นที่ที่มีการพัฒนา การเติบโตอาจ เกิดจากพืชที่โตเต็มวัยและ/หรือสนามหญ้าและการจัดสวนที่เพิ่งติดตั้งใหม่ ในป่า การเติบโต รวมถึงการเติบโตของพืชจากพื้นที่โล่ง รวมถึงการปกคลุมของต้นไม้ระดับกลางและต้นไม้ที่ขึ้นร่วมกัน และ/หรือหญ้าและพุ่มไม้ที่อยู่ต่ำกว่า ส่วนการเติบโต/การฟื้นตัว ที่บันทึกไว้หลังจากการเก็บเกี่ยวในป่ามีแนวโน้มที่จะเปลี่ยนผ่านชั้นการปกคลุมของดินที่แตกต่างกัน เมื่อป่าฟื้นตัว สำหรับการเปลี่ยนแปลงเหล่านี้ที่จะถือเป็นการเติบโต/การฟื้นตัว ค่าสเปกตรัมควรเป็นไปตามแนวโน้มที่เพิ่มขึ้นอย่างใกล้ชิด (เช่น ความชันที่เป็นบวก ซึ่งหากขยายไปถึงประมาณ 20 ปี จะอยู่ในลำดับที่ 0.10 หน่วยของ NDVI) ซึ่งคงอยู่ เป็นเวลาหลายปี
Land_Cover_Raw_Probability_Trees 30 เมตร

ความน่าจะเป็นของต้นไม้ที่ได้จากการประมาณ LCMS ดิบ กำหนดเป็น: พิกเซลส่วนใหญ่ประกอบด้วย ต้นไม้ที่ยังมีชีวิตอยู่หรือต้นไม้ที่ตายแล้ว
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix 30 เมตร

ความน่าจะเป็นของ LCMS ดิบที่จำลองของ Tall Shrubs and Trees Mix (SEAK เท่านั้น) กำหนดเป็น: พิกเซลส่วนใหญ่ประกอบด้วยพุ่มไม้ที่มีความสูงมากกว่า 1 เมตร และประกอบด้วยต้นไม้ที่ยังมีชีวิตอยู่หรือต้นไม้ที่ตายแล้วอย่างน้อย 10%
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix 30 เมตร

ความน่าจะเป็นของพุ่มไม้และต้นไม้ผสมที่ได้จาก LCMS ดิบ กำหนดเป็น: พิกเซลส่วนใหญ่ ประกอบด้วยพุ่มไม้ และประกอบด้วยต้นไม้ที่ยังมีชีวิตหรือต้นไม้ที่ตายแล้วอย่างน้อย 10%
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix 30 เมตร

ความน่าจะเป็นของหญ้า/พืชล้มลุก/สมุนไพรและต้นไม้ผสมที่ได้จาก LCMS ดิบ กำหนดเป็น: พิกเซลส่วนใหญ่ ประกอบด้วยหญ้าไม้ยืนต้น ไม้ดอก หรือพืชล้มลุกอื่นๆ และประกอบด้วยต้นไม้ที่ยังมีชีวิตหรือต้นไม้ที่ตายแล้วอย่างน้อย 10%
Land_Cover_Raw_Probability_Barren-and-Trees-Mix 30 เมตร

ความน่าจะเป็นของพื้นที่แห้งแล้งและพื้นที่ที่มีต้นไม้ผสมกันที่ได้จาก LCMS แบบดิบ ซึ่งกำหนดไว้ดังนี้ พิกเซลส่วนใหญ่ ประกอบด้วยดินเปล่าที่เกิดจากการรบกวน (เช่น ดินที่เกิดจากการเคลียร์พื้นที่ด้วยเครื่องจักร หรือการเก็บเกี่ยวป่า) รวมถึงพื้นที่แห้งแล้งตลอดปี เช่น ทะเลทราย ทะเลสาบน้ำเค็ม หินโผล่ (รวมถึงแร่ธาตุและวัสดุทางธรณีวิทยาอื่นๆ ที่เกิดจากกิจกรรมการทำเหมืองบนพื้นผิว ) เนินทราย ที่ราบเกลือ และชายหาด ถนนที่ทำจากดินและกรวดก็ถือเป็น พื้นที่แห้งแล้งเช่นกัน และประกอบด้วยต้นไม้ที่ยังมีชีวิตหรือต้นไม้ที่ตายแล้วอย่างน้อย 10%
Land_Cover_Raw_Probability_Tall-Shrubs 30 เมตร

ความน่าจะเป็นของพุ่มไม้สูงที่ได้จากการจำลอง LCMS แบบดิบ (SEAK เท่านั้น) ซึ่งกำหนดเป็น: พิกเซลส่วนใหญ่ประกอบด้วยพุ่มไม้ที่มีความสูงมากกว่า 1 เมตร
Land_Cover_Raw_Probability_Shrubs 30 เมตร

ความน่าจะเป็นของไม้พุ่มที่ได้จากการจำลอง LCMS แบบดิบ กำหนดเป็น: พิกเซลส่วนใหญ่ประกอบด้วย พุ่มไม้
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix 30 เมตร

ความน่าจะเป็นของหญ้า/พืชล้มลุก/สมุนไพรและไม้พุ่มผสมที่ได้จาก LCMS ดิบ กำหนดเป็น: พิกเซลส่วนใหญ่ประกอบด้วยหญ้าไม้ยืนต้น ไม้ดอก หรือพืชล้มลุกอื่นๆ และประกอบด้วยพุ่มไม้อย่างน้อย 10%
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix 30 เมตร

ความน่าจะเป็นของ LCMS ดิบที่จำลองของ Barren และ Shrubs Mix กำหนดเป็น: พิกเซลส่วนใหญ่ ประกอบด้วยดินเปล่าที่เกิดจากการรบกวน (เช่น ดินที่ไม่มีพืชปกคลุมเนื่องจากการ ถางโดยใช้เครื่องจักรหรือการเก็บเกี่ยวในป่า) รวมถึงพื้นที่แห้งแล้งตลอดปี เช่น ทะเลทราย เพลยา หินโผล่ (รวมถึงแร่ธาตุและวัสดุทางธรณีวิทยาอื่นๆ ที่เกิดจากกิจกรรมการทำเหมืองบนพื้นผิว) เนินทราย ที่ราบเกลือ และชายหาด ถนนที่ทำจากดินและกรวดก็ถือเป็นพื้นที่แห้งแล้งเช่นกัน และประกอบด้วยพุ่มไม้อย่างน้อย 10%
Land_Cover_Raw_Probability_Grass-Forb-Herb 30 เมตร

ความน่าจะเป็นของหญ้า/พืชล้มลุก/สมุนไพรที่ได้จากการจำลอง LCMS ดิบ กำหนดเป็น: พิกเซลส่วนใหญ่ประกอบด้วยหญ้าไม้ยืนต้น ไม้ดอก หรือพืชล้มลุกในรูปแบบอื่นๆ
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix 30 เมตร

ความน่าจะเป็นของ LCMS ดิบที่จำลองของ Barren และ Grass/Forb/Herb Mix กำหนดเป็น: พิกเซลส่วนใหญ่ประกอบด้วยดินเปล่าที่เกิดจากการรบกวน (เช่น ดินที่เปิดออกจากการเคลียร์พื้นที่ด้วยเครื่องจักรหรือการเก็บเกี่ยวป่า) รวมถึงพื้นที่แห้งแล้งตลอดปี เช่น ทะเลทราย เพลยา หินโผล่ (รวมถึงแร่ธาตุและวัสดุทางธรณีวิทยาอื่นๆ ที่เกิดจากกิจกรรมการทำเหมืองบนพื้นผิว) เนินทราย ที่ราบเกลือ และชายหาด ถนนที่ทำจากดินและกรวดก็ถือเป็นพื้นที่แห้งแล้งเช่นกัน และประกอบด้วยหญ้าไม้ยืนต้น ไม้ล้มลุก หรือพืชสมุนไพรอื่นๆ อย่างน้อย 10%
Land_Cover_Raw_Probability_Barren-or-Impervious 30 เมตร

ความน่าจะเป็นของ LCMS ดิบที่จำลองแบบของพื้นที่แห้งแล้งหรือพื้นที่ที่ไม่ซึมน้ำ ซึ่งกำหนดไว้ดังนี้ พิกเซลส่วนใหญ่ประกอบด้วย 1.) ดินเปล่าที่เกิดจากการรบกวน (เช่น ดินที่เปิดออกโดยการเคลียร์พื้นที่ด้วยเครื่องจักรหรือการเก็บเกี่ยวป่า) รวมถึงพื้นที่แห้งแล้งตลอดปี เช่น ทะเลทราย ชายหาด โขดหิน (รวมถึงแร่ธาตุและวัสดุทางธรณีวิทยาอื่นๆ ที่เกิดจากกิจกรรมการทำเหมืองบนพื้นผิว) เนินทราย ที่ราบเกลือ และชายหาด ถนนที่ทำจากดินและกรวดก็ถือเป็นพื้นที่แห้งแล้งเช่นกัน หรือ 2.) วัสดุที่มนุษย์สร้างขึ้นซึ่งน้ำไม่สามารถซึมผ่านได้ เช่น ถนนลาดยาง หลังคา และลานจอดรถ
Land_Cover_Raw_Probability_Snow-or-Ice 30 เมตร

ความน่าจะเป็นของหิมะหรือน้ำแข็งที่ได้จาก LCMS ดิบ ซึ่งกำหนดไว้ว่าพิกเซลส่วนใหญ่ประกอบด้วยหิมะหรือน้ำแข็ง
Land_Cover_Raw_Probability_Water 30 เมตร

ความน่าจะเป็นของน้ำที่ได้จากการสร้างโมเดล LCMS ดิบ กำหนดเป็น: พิกเซลส่วนใหญ่ ประกอบด้วยน้ำ
Land_Use_Raw_Probability_Agriculture 30 เมตร

ความน่าจะเป็นของเกษตรกรรมที่ได้จากการจำลอง LCMS ดิบ ซึ่งกำหนดเป็นที่ดินที่ใช้ในการผลิต อาหาร เส้นใย และเชื้อเพลิง ซึ่งอยู่ในสถานะที่มีพืชปกคลุมหรือไม่มีพืชปกคลุม ซึ่งรวมถึง แต่ไม่จำกัดเพียงพื้นที่เพาะปลูกและพื้นที่เพาะปลูกที่ไม่ได้เพาะปลูก ทุ่งหญ้า สวนผลไม้ ไร่องุ่น การเลี้ยงปศุสัตว์แบบจำกัด และพื้นที่ที่ปลูกเพื่อผลิตผลไม้ ถั่ว หรือเบอร์รี ถนนที่ใช้เพื่อการเกษตรเป็นหลัก (เช่น ไม่ได้ใช้สำหรับการขนส่งสาธารณะจากเมืองหนึ่งไปยังอีกเมืองหนึ่ง) ถือเป็นการใช้ที่ดินเพื่อการเกษตร
Land_Use_Raw_Probability_Developed 30 เมตร

ความน่าจะเป็นของ LCMS ดิบที่ผ่านการประมาณว่าได้รับการพัฒนา กำหนดเป็นที่ดินที่ปกคลุมด้วยสิ่งก่อสร้างที่มนุษย์สร้างขึ้น (เช่น ที่อยู่อาศัยที่มีความหนาแน่นสูง เชิงพาณิชย์ อุตสาหกรรม เหมืองแร่ หรือการขนส่ง) หรือ ส่วนผสมของทั้งพืชพรรณ (รวมถึงต้นไม้) และสิ่งก่อสร้าง (เช่น ที่อยู่อาศัยที่มีความหนาแน่นต่ำ สนามหญ้า สถานที่พักผ่อนหย่อนใจ สุสาน ทางเดินขนส่งและสาธารณูปโภค ฯลฯ) รวมถึงที่ดินใดๆ ที่มีการเปลี่ยนแปลงการทำงานโดยกิจกรรมของมนุษย์
Land_Use_Raw_Probability_Forest 30 เมตร

ความน่าจะเป็นของป่าที่ได้จากการจำลอง LCMS แบบดิบ หมายถึงพื้นที่ที่มีการปลูกหรือมีพืชพรรณขึ้นตามธรรมชาติ และมี (หรือมีแนวโน้มที่จะมี) ร่มไม้ตั้งแต่ 10% ขึ้นไปในช่วงเวลาใดเวลาหนึ่งในลำดับการเปลี่ยนแปลงที่เกิดขึ้นในระยะใกล้ ซึ่งอาจรวมถึงป่าธรรมชาติประเภทผลัดใบ ป่าดิบ และ/หรือป่าผสม สวนป่า และพื้นที่ชุ่มน้ำที่มีต้นไม้
Land_Use_Raw_Probability_Non-Forest-Wetland 30 เมตร

ความน่าจะเป็นของพื้นที่ชุ่มน้ำที่ไม่ใช่ป่าไม้ที่ได้จากการจำลอง LCMS ดิบ กำหนดเป็นที่ดินที่อยู่ติดกับหรือภายใน ระดับน้ำใต้ดินที่มองเห็นได้ (อิ่มตัวอย่างถาวรหรือตามฤดูกาล) ซึ่งมีพุ่มไม้หรือ พืชโผล่พ้นน้ำที่คงอยู่เป็นหลัก พื้นที่ชุ่มน้ำเหล่านี้อาจตั้งอยู่บริเวณชายฝั่งของทะเลสาบ ช่องแม่น้ำ หรือปากแม่น้ำ บนที่ราบน้ำท่วมถึงของแม่น้ำ ในพื้นที่ลุ่มน้ำที่แยกตัว หรือบนเนินเขา นอกจากนี้ ยังอาจพบเห็น เป็นแอ่งน้ำในทุ่งหญ้า คลองระบายน้ำ และสระเก็บน้ำในพื้นที่เกษตรกรรม รวมถึงอาจ ปรากฏเป็นเกาะกลางทะเลสาบหรือแม่น้ำด้วย ตัวอย่างอื่นๆ ได้แก่ หนองน้ำ บึง หนองน้ำตื้น ดินโคลน หนองน้ำตื้นที่มีมอสขึ้น หนองน้ำตื้นที่มีหญ้าขึ้น หนองน้ำตื้นที่มีพืชขึ้น และลำน้ำ
Land_Use_Raw_Probability_Other 30 เมตร

ความน่าจะเป็นของ "อื่นๆ" ที่ได้จากการประมาณ LCMS แบบดิบ กำหนดเป็น: ที่ดิน (ไม่ว่าจะใช้ประโยชน์หรือไม่ก็ตาม) ซึ่ง แนวโน้มสเปกตรัมหรือหลักฐานสนับสนุนอื่นๆ บ่งชี้ว่าเกิดเหตุการณ์การรบกวนหรือการเปลี่ยนแปลง แต่ไม่สามารถระบุสาเหตุที่แน่ชัดได้ หรือประเภทของการเปลี่ยนแปลงไม่ตรงกับ หมวดหมู่กระบวนการเปลี่ยนแปลงที่กำหนดไว้ข้างต้น
Land_Use_Raw_Probability_Rangeland-or-Pasture 30 เมตร

ความน่าจะเป็นของทุ่งหญ้าหรือทุ่งเลี้ยงสัตว์ที่ได้จากการจำลอง LCMS ดิบ ซึ่งกำหนดไว้ดังนี้: คลาสนี้รวมถึงพื้นที่ใดก็ตามที่เป็น ก.) ทุ่งหญ้า ซึ่งมีพืชพรรณเป็นส่วนผสมของหญ้า พุ่มไม้ พืชดอก และพืชคล้ายหญ้าพื้นเมืองที่ส่วนใหญ่เกิดจากปัจจัยและกระบวนการทางธรรมชาติ เช่น ปริมาณน้ำฝน อุณหภูมิ ความสูง และไฟ แม้ว่าการจัดการแบบจำกัดอาจรวมถึงการเผาตามแผนที่กำหนดไว้ รวมถึงการเล็มหญ้าโดยสัตว์กินพืชในประเทศและสัตว์ป่า หรือ ข.) ทุ่งเลี้ยงสัตว์ ซึ่งมีพืชพรรณตั้งแต่หญ้า พืชดอก และสมุนไพรที่ส่วนใหญ่เป็นพืชธรรมชาติแบบผสม ไปจนถึงพืชพรรณที่มีการจัดการมากขึ้นซึ่งมีหญ้าเป็นพืชเด่นที่ได้รับการเพาะเมล็ดและจัดการเพื่อรักษาให้เป็นพืชเชิงเดี่ยว
QA_Bits 30 เมตร

ข้อมูลเสริมเกี่ยวกับแหล่งที่มาของค่าเอาต์พุตผลิตภัณฑ์ LCMS ประจำปี

เปลี่ยนตารางเรียน

ค่า สี คำอธิบาย
1 #3d4551

เสถียร
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 (SEAK เท่านั้น)
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

พร็อพเพอร์ตี้รูปภาพ

พร็อพเพอร์ตี้รูปภาพ

ชื่อ ประเภท คำอธิบาย
study_area STRING

ปัจจุบัน LCMS ครอบคลุมพื้นที่สหรัฐอเมริกาที่อยู่ติดกัน อะแลสกาตะวันออกเฉียงใต้ เปอร์โตริโก-หมู่เกาะเวอร์จินของสหรัฐอเมริกา และฮาวาย เวอร์ชันนี้มีเอาต์พุตในพื้นที่ สหรัฐอเมริกาที่อยู่ติดกัน 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 แผนที่หรือกราฟิกที่เกี่ยวข้องไม่ใช่เอกสารทางกฎหมายและไม่ได้มีวัตถุประสงค์เพื่อใช้เป็นเอกสารดังกล่าว ห้ามใช้ข้อมูลและแผนที่เพื่อกำหนดกรรมสิทธิ์ การเป็นเจ้าของ คำอธิบายทางกฎหมาย หรือขอบเขต เขตอำนาจศาล หรือข้อจำกัดที่อาจมีอยู่ในที่ดินสาธารณะหรือที่ดินส่วนบุคคล ข้อมูลและแผนที่อาจแสดงหรืออาจไม่แสดงอันตรายจากธรรมชาติ และผู้ใช้ที่ดินควรใช้ความระมัดระวัง ตามสมควร ข้อมูลมีความผันผวนและอาจเปลี่ยนแปลงเมื่อเวลาผ่านไป ผู้ใช้มีหน้าที่รับผิดชอบในการยืนยัน ข้อจำกัดของข้อมูลเชิงพื้นที่และใช้ข้อมูลตามนั้น

ข้อมูลเหล่านี้รวบรวมขึ้นโดยใช้เงินทุนจากรัฐบาลสหรัฐอเมริกา และสามารถนำไปใช้ได้ โดยไม่ต้องขอสิทธิ์หรือเสียค่าธรรมเนียมเพิ่มเติม หากคุณใช้ข้อมูลเหล่านี้ในสิ่งพิมพ์ การนำเสนอ หรือผลิตภัณฑ์การวิจัยอื่นๆ โปรดใช้การอ้างอิงต่อไปนี้

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

การอ้างอิง

การอ้างอิง:

  • กรมป่าไม้ของ USDA 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 การเปรียบเทียบเซ็นเซอร์ข้ามแบบเชิงประจักษ์ของ Sentinel-2A และ 2B MSI, Landsat-8 OLI, และลักษณะสเปกตรัมของ Landsat-7 ETM ที่ด้านบนของชั้นบรรยากาศเหนือ 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 ชุดข้อมูลหลายช่วงคลื่นของ 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

  • สำนักงานสำรวจทางธรณีวิทยาของสหรัฐอเมริกา, 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 การเปลี่ยนแปลงของป่าโดยใช้การวางซ้อนกันของฟังก์ชันทั่วไป: 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 การประเมินคุณภาพที่ครอบคลุมของภาพจากดาวเทียมออปติคัลโดยใช้การเรียนรู้วิดีโอแบบมีการกำกับดูแลอย่างอ่อน ใน 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, Zhu, Z., and Woodcock, C. จ. 2012 การตรวจจับเมฆและเงาเมฆตามออบเจ็กต์ ในภาพจาก Landsat 118: 83-94.

  • Zhu, Z., and 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., and 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
ผลิตภัณฑ์นี้เป็นส่วนหนึ่งของชุดข้อมูลระบบการตรวจสอบการเปลี่ยนแปลงของภูมิประเทศ (LCMS) โดยจะแสดงการเปลี่ยนแปลงที่จำลองด้วย LCMS, การปกคลุมของดิน และ/หรือประเภทการใช้ที่ดินสำหรับแต่ละปีที่ครอบคลุมสหรัฐอเมริกาภาคพื้นทวีป (CONUS) และพื้นที่นอก CONUS (OCONUS) ซึ่งรวมถึงอลาสก้าตะวันออกเฉียงใต้ (SEAK), เปอร์โตริโก-หมู่เกาะเวอร์จินของสหรัฐอเมริกา (PRUSVI) และ …
USFS/GTAC/LCMS/v2023-9, การตรวจหาการเปลี่ยนแปลง,ป่า,gtac,สิ่งปกคลุมดิน,landsat-derived,การใช้ประโยชน์ที่ดิน,สิ่งปกคลุมดินและการใช้ประโยชน์ที่ดิน,lcms,redcastle-resources,sentinel-derived,อนุกรมเวลา,usda,usfs
1985-01-01T00:00:00Z/2023-12-31T00:00:00Z
20.38379 -135.286387 52.459364 -56.446306
Google Earth Engine