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

USFS/GTAC/LCMS/v2023-9
Veri Kümesi Kullanılabilirliği
1985-01-01T00:00:00Z–2023-12-31T00:00:00Z
Veri Kümesi Üreticisi
Earth Engine Snippet'i
ee.ImageCollection("USFS/GTAC/LCMS/v2023-9")
Etiketler
change-detection
orman
gtac
Arazi örtüsü
Landsat'ten türetilmiş
landuse
landuse-landcover
lcms
redcastle-resources
sentinel-derived
zaman serisi
usda
usfs

Açıklama

Bu ürün, Landscape Change Monitoring System (LCMS) veri paketinin bir parçasıdır. Bu veri seti, bitişik ABD (CONUS) ve CONUS dışındaki (OCONUS) alanları (Güneydoğu Alaska (SEAK), Porto Riko-ABD Virgin Adaları (PRUSVI) ve Hawaii (HI) dahil) kapsayan her yıl için LCMS ile modellenmiş değişiklikleri, arazi örtüsünü ve/veya arazi kullanım sınıflarını gösterir.

LCMS, ABD genelinde peyzaj değişikliklerini haritalandırmak ve izlemek için kullanılan uzaktan algılamaya dayalı bir sistemdir. Bu projenin amacı, peyzaj değişikliğinin "en iyi mevcut" haritasını oluşturmak için en son teknolojiyi ve değişiklik algılamadaki gelişmeleri kullanarak tutarlı bir yaklaşım geliştirmektir.

Çıkışlar arasında üç yıllık ürün bulunur: değişim, arazi örtüsü ve arazi kullanımı. Değişiklik özellikle bitki örtüsüyle ilgilidir ve yavaş kayıp, hızlı kayıp (su baskını veya kuruma gibi hidrolojik değişiklikleri de içerir) ve kazanımı kapsar. Bu değerler, Landsat zaman serisinin her yılı için tahmin edilir ve LCMS'nin temel ürünleri olarak kullanılır. Arazi örtüsü ve arazi kullanımı haritaları, her yıl için yaşam formu düzeyinde arazi örtüsünü ve geniş düzeyde arazi kullanımını gösterir.

Hiçbir algoritma her durumda en iyi performansı göstermediğinden LCMS, tahmin aracı olarak bir model topluluğu kullanır. Bu sayede, çeşitli ekosistemler ve değişim süreçlerinde harita doğruluğu artırılır (Healey ve diğerleri, 2018). Bunun sonucunda elde edilen LCMS değişikliği, arazi örtüsü ve arazi kullanımı haritaları paketi, 1985'ten bu yana ABD genelindeki manzara değişikliğinin bütünsel bir resmini sunar.

LCMS modelinin tahmin katmanları, LandTrendr ve CCDC değişiklik algılama algoritmalarının çıkışlarını ve arazi bilgilerini içerir. Tüm bu bileşenlere erişmek ve işlemek için Google Earth Engine kullanıldı (Gorelick ve diğerleri, 2017).

CCDC için ABD'nin kıta içi bölgelerinde ABD Jeoloji Araştırmaları Kurumu (USGS) Collection 2 Landsat Tier 1 yüzey yansıtma verileri, SEAK, PRUSVI ve HI'da ise Landsat Tier 1 atmosfer üstü yansıtma verileri kullanılmıştır. LandTrendr için yıllık kompozitler oluşturmak amacıyla USGS Collection 2 Landsat Tier 1 ve Sentinel 2A, 2B Level-1C atmosfer üstü yansıtma verileri kullanılmıştır. cFmask bulut maskeleme algoritması (Foga ve diğerleri, 2017), Fmask 2.0'ın (Zhu ve Woodcock, 2012) bir uygulamasıdır (yalnızca Landsat), cloudScore (Chastain ve diğerleri, 2019) (yalnızca Landsat), s2cloudless (Sentinel-Hub, 2021) ve Cloud Score plus (Pasquarella ve diğerleri, 2023) (yalnızca Sentinel 2) bulutları maskelemek için kullanılırken TDOM (Chastain ve diğerleri, 2019), bulut gölgelerini maskelemek için kullanılır (Landsat ve Sentinel 2). LandTrendr için yıllık medoid hesaplanarak her yılki bulut ve bulut gölgesi içermeyen değerler tek bir bileşende özetlenir.

Bileşik zaman serisi, LandTrendr kullanılarak geçici olarak segmentlere ayrılır (Kennedy ve diğerleri, 2010; Kennedy ve diğerleri, 2018; Cohen ve diğerleri., 2018).

Tüm bulut ve bulut gölgesi içermeyen değerler, CCDC algoritması (Zhu ve Woodcock, 2014) kullanılarak zamansal olarak da segmentlere ayrılır.

Tahmin edici veriler; ham bileşik değerler, LandTrendr'a uygun değerler, çiftler arasındaki farklar, segment süresi, değişim büyüklüğü ve eğim ile birlikte 10 m USGS 3D Yükseklik Programı (3DEP) verilerinden (U.S. Geological Survey, 2019) yükseklik, eğim, yönün sinüsü, yönün kosinüsü ve topografik konum indekslerini (Weiss, 2001) içerir.

Referans verileri, analistlerin 1984'ten günümüze Landsat veri kaydını görselleştirmesine ve yorumlamasına yardımcı olan web tabanlı bir araç olan TimeSync kullanılarak toplanır (Cohen ve diğerleri, 2010).

Yıllık değişim, arazi örtüsü ve arazi kullanımı sınıflarını tahmin etmek için TimeSync'ten alınan referans verileri ve LandTrendr, CCDC ve arazi indekslerinden alınan tahmin verileri kullanılarak rastgele orman modelleri (Breiman, 2001) eğitildi. Modellemeyi takiben, niteliksel harita çıktılarını iyileştirmek ve komisyon ve eksiklikleri azaltmak için yardımcı veri kümelerini kullanarak bir dizi olasılık eşiği ve kural kümesi oluşturduk. Daha fazla bilgiye Açıklama bölümündeki LCMS Methods Brief'ten ulaşabilirsiniz.

Ek Kaynaklar

Sorularınız veya belirli veri istekleriniz için [sm.fs.lcms@usda.gov] ile iletişime geçin.

Bantlar

Bantlar

Piksel boyutu: 30 metre (tüm bantlar)

Ad Piksel Boyutu Açıklama
Change 30 metre

Son tematik LCMS ürünü değiştirir. Her yıl için toplam üç değişiklik sınıfı (yavaş kayıp, hızlı kayıp ve kazanç) eşlenir. Her sınıf, pikselin bu sınıfa ait olma olasılığını (Random Forest modelindeki ağaçların oranı) veren ayrı bir Random Forest modeli kullanılarak tahmin edilir. Bu nedenle, her yıl için tek tek piksellerin üç farklı model çıkışı vardır. Son sınıflar, belirtilen eşiğin üzerinde olan ve en yüksek olasılığa sahip değişiklik sınıfına atanır. Her sınıfın eşiğinin üzerinde herhangi bir değeri olmayan pikseller, Kararlı sınıfına atanır. Değişiklik sınıfı atanmadan önce, bitki örtüsü olmayan arazi örtüsünde değişiklik olmasını önlemek için tüm çalışma alanlarına bir kural uygulanmıştır.
Land_Cover 30 metre

Son tematik LCMS arazi örtüsü ürünü. TimeSync referans verileri ve Landsat görüntülerinden elde edilen spektral bilgiler kullanılarak yılda toplam 14 arazi örtüsü sınıfı haritalandırılır. Her sınıf, ayrı bir rastgele orman modeli kullanılarak tahmin edilir. Bu model, pikselin söz konusu sınıfa ait olma olasılığını (rastgele orman modelindeki ağaçların oranı) verir. Bu nedenle, her yıl için piksellerin 14 farklı model çıkışı vardır ve son sınıflar, en yüksek olasılığa sahip arazi örtüsüne atanır. Güneydoğu Alaska'da, en yüksek olasılığa sahip arazi örtüsü sınıfı atanmadan önce, deniz seviyesindeki büyük gelgitler arası bölgelerde ağaç ve kar arazi örtüsü sınıfı komisyonunu sınırlamak için bir arazi örtüsü kuralı uygulanmıştır. CONUS, Porto Riko-ABD Virgin Adaları veya Hawaii'ye arazi örtüsü kuralları uygulanmamıştır. 14 arazi örtüsü sınıfından yedisi, tek bir arazi örtüsünü gösterir. Bu arazi örtüsü türü, pikselin alanının çoğunu kaplar ve başka hiçbir sınıf pikselin% 10'undan fazlasını kaplamaz. Ayrıca karma yedi sınıf vardır. Bunlar, ek bir arazi örtüsü sınıfının pikselin en az% 10'unu kapladığı pikselleri ifade eder.
Land_Use 30 metre

Son tematik LCMS arazi kullanımı ürünü. TimeSync referans verileri ve Landsat görüntülerinden elde edilen spektral bilgiler kullanılarak yılda toplam 6 arazi kullanım sınıfı haritalandırılır. Her sınıf, ayrı bir rastgele orman modeli kullanılarak tahmin edilir. Bu model, pikselin söz konusu sınıfa ait olma olasılığını (rastgele orman modelindeki ağaçların oranı) verir. Bu nedenle, her bir pikselin her yıl için 6 farklı model çıkışı vardır ve son sınıflar, en yüksek olasılığa sahip arazi kullanımına atanır. En yüksek olasılığa sahip arazi kullanım sınıfı atanmadan önce, yardımcı veri kümeleri arazi kullanım kurallarını kullanan bir dizi olasılık eşiği ve kural kümesi uygulanmıştır. Olasılık eşikleri ve kural kümeleri hakkında daha fazla bilgiyi Açıklama bölümündeki LCMS Yöntemleri Özeti'nde bulabilirsiniz. CONUS arazi kullanımı ürünü, 2 Temmuz 2024'te geliştirilmiş sınıfla ilgili bir sorunu düzeltmek için güncellendi.
Change_Raw_Probability_Slow_Loss 30 metre

Yavaş Kayıp'ın ham LCMS ile modellenmiş olasılığı. Şu şekilde tanımlanır: Yavaş Kayıp, TimeSync değişiklik süreci yorumlamasındaki aşağıdaki sınıfları içerir:

  • Yapısal gerileme: Ağaçların veya diğer odunsu bitkilerin, insan kaynaklı olmayan ya da mekanik olmayan faktörlerin neden olduğu olumsuz büyüme koşullarıyla fiziksel olarak değiştiği araziler. Bu tür kayıplar genellikle spektral sinyallerde bir trend oluşturur (ör.NDVI azalır, nem azalır, SWIR artar vb.). Ancak bu trend belirgin olmayabilir. Yapısal bozulma, muhtemelen böcekler, hastalık, kuraklık, asit yağmuru vb. nedenlerle odunsu bitki örtüsü ortamlarında meydana gelir. Yapısal bozulma, 1 veya 2 yıl içinde iyileşebilen çingene kelebeği ve ladin tomurcuk kurdu istilaları gibi ölüme yol açmayan yaprak dökme olaylarını içerebilir.

  • Spektral Düşüş: Spektral sinyalin, spektral bantların veya indekslerin birinde ya da daha fazlasında trend gösterdiği bir grafik (ör. NDVI düşüşü, nem düşüşü, SWIR artışı vb.). Örnekler arasında şunlar yer alır: a) Orman dışı/odunsu olmayan bitki örtüsünde düşüşe işaret eden bir trend görülmesi (ör.NDVI'nin azalması, nemin azalması, SWIR'nin artması vb.) veya b) odunsu bitki örtüsünde, odunsu bitki örtüsünün kaybıyla ilgili olmayan bir düşüş trendi görülmesi (ör. olgun ağaçların taçlarının kapanması sonucu gölgelenmenin artması, tür bileşiminin kozalaklı ağaçtan sert ağaca değişmesi veya kuraklık döneminin (daha güçlü ve akut kuraklığın aksine) canlılıkta belirgin bir düşüşe neden olması ancak odunsu malzeme veya yaprak alanında kayıp olmaması).
Change_Raw_Probability_Fast_Loss 30 metre

Hızlı Kayıp'ın ham LCMS modellenmiş olasılığı. Şu şekilde tanımlanır: Hızlı Kayıp, TimeSync değişiklik süreci yorumlamasındaki aşağıdaki sınıfları içerir:

  • Yangın: Tutuşma nedenine (doğal veya insan kaynaklı), şiddetine ya da arazi kullanımına bakılmaksızın yangınla değişen arazi.

  • Hasat: Ağaçların, çalıların veya diğer bitki örtüsünün insan kaynaklı yöntemlerle kesildiği ya da kaldırıldığı orman arazisi. Örnekler arasında tamamen ağaç kesme, yangın veya böcek salgınlarından sonra kurtarma amaçlı ağaç kesme, seyreltme ve diğer orman yönetimi uygulamaları (ör. koruyucu ağaç/tohum ağacı hasadı) yer alır.

  • Mekanik: Ağaçların, çalıların veya diğer bitki örtüsünün zincirleme, kazıma, çalı kesme, buldozerle yıkma ya da orman dışı bitki örtüsünü kaldırmaya yönelik diğer yöntemlerle mekanik olarak kesildiği veya kaldırıldığı orman dışı arazi.

  • Rüzgar/buz: Kasırgalar, hortumlar, fırtınalar ve buz fırtınalarından kaynaklanan buzlu yağmur da dahil olmak üzere diğer sert hava koşulları nedeniyle bitki örtüsünün değiştiği arazi (kullanım şeklinden bağımsız olarak).

  • Hidroloji: Arazi kullanımından bağımsız olarak, selin odunsu örtüyü veya diğer arazi örtüsü unsurlarını önemli ölçüde değiştirdiği arazi (ör. selden sonra dere yataklarında ve çevresinde yeni çakıl ve bitki karışımları).

  • Enkaz - Heyelanlar, çığlar, volkanlar, enkaz akıntıları vb. ile ilişkili doğal malzeme hareketiyle değiştirilen arazi (kullanımdan bağımsız olarak)

  • Diğer: Spektral eğilimin veya diğer destekleyici kanıtların bir bozulma ya da değişiklik olayının meydana geldiğini gösterdiği ancak kesin nedenin belirlenemediği veya değişiklik türünün yukarıda tanımlanan değişiklik süreci kategorilerinden herhangi birini karşılamadığı arazi (kullanım şeklinden bağımsız olarak).
Change_Raw_Probability_Gain 30 metre

Kazanç olasılığının LCMS ham modeli. Bir veya daha fazla yıl boyunca büyüme ve ardışık gelişme nedeniyle bitki örtüsünde artış gösteren arazi olarak tanımlanır. Bitki örtüsünün yeniden büyümesiyle ilişkili spektral değişiklik gösterebilecek tüm alanlar için geçerlidir. Gelişmiş alanlarda büyüme, olgunlaşan bitki örtüsünden ve/veya yeni ekilen çimlerden ve peyzajdan kaynaklanabilir. Ormanlarda büyüme, çıplak zeminden bitki örtüsünün büyümesinin yanı sıra ara ve ortak baskın ağaçların ve/veya alçakta kalan otların ve çalıların üst kısımlarının büyümesini içerir. Orman hasadından sonra kaydedilen büyüme/toparlanma segmentleri, orman yenilenirken muhtemelen farklı arazi örtüsü sınıflarına geçiş yapacaktır. Bu değişikliklerin büyüme/toparlanma olarak kabul edilmesi için spektral değerlerin birkaç yıl boyunca devam eden artan bir trend çizgisine (ör. yaklaşık 20 yıla uzatıldığında NDVI'nin 0,10 birimi mertebesinde olacak pozitif bir eğim) yakından uyması gerekir.
Land_Cover_Raw_Probability_Trees 30 metre

Ağaçların modellenmiş ham LCMS olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı canlı veya ölü ağaçlardan oluşur.
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix 30 metre

Uzun çalılar ve ağaç karışımı olasılığının (yalnızca SEAK) modellenmiş ham LCMS'si. Şu şekilde tanımlanır: Pikselin büyük bir kısmı, yüksekliği 1 metreden fazla olan çalılardan oluşur ve en az% 10 oranında canlı veya ayakta ölü ağaç içerir.
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix 30 metre

Çalılar ve Ağaçlar Karışımı olasılığının modellenmiş ham LCMS'si. Şu şekilde tanımlanır: Pikselin büyük bir kısmı çalılar ve en az% 10 oranında canlı veya ayakta ölü ağaçlardan oluşur.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix 30 metre

Çim/çiçek/ot ve ağaç karışımı olasılığının LCMS ile modellenmiş ham verileri. Şu şekilde tanımlanır: Pikselin büyük bir kısmı çok yıllık çimler, çiçekler veya diğer ot formlarından oluşur ve en az% 10 oranında canlı ya da ayakta ölü ağaç içerir.
Land_Cover_Raw_Probability_Barren-and-Trees-Mix 30 metre

Çorak ve Ağaç Karışımı'nın modellenmiş olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı, rahatsızlık nedeniyle açığa çıkan çıplak topraktan (ör.mekanik temizleme veya orman hasadı ile ortaya çıkan toprak) oluşur. Ayrıca çöl, playa, kaya çıkıntıları (yüzey madenciliği faaliyetleriyle açığa çıkan mineraller ve diğer jeolojik malzemeler dahil), kum tepeleri, tuz düzlükleri ve plajlar gibi sürekli olarak çorak alanlar da bu kategoriye girer. Toprak ve çakıldan yapılmış yollar da çorak olarak kabul edilir ve en az% 10 oranında canlı veya ayakta ölü ağaç içerir.
Land_Cover_Raw_Probability_Tall-Shrubs 30 metre

Uzun çalıların (yalnızca Güneydoğu Alaska) ham LCMS modelleme olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı, yüksekliği 1 metreden fazla olan çalılardan oluşur.
Land_Cover_Raw_Probability_Shrubs 30 metre

Çalıların modellenmiş olasılığı olan ham LCMS. Şu şekilde tanımlanır: Pikselin büyük kısmı çalılardan oluşur.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix 30 metre

Çim/çiçekli bitki/ot ve çalı karışımının ham LCMS ile modellenmiş olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı çok yıllık otlar, çiçekli bitkiler veya diğer otsu bitki türlerinden oluşur ve en az% 10 oranında çalı içerir.
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix 30 metre

Çorak ve çalı karışımı olasılığının modellenmiş ham LCMS'si. Şu şekilde tanımlanır: Pikselin büyük bir kısmı, rahatsızlık nedeniyle açığa çıkan çıplak topraktan (ör. mekanik temizleme veya orman hasadı ile açığa çıkan toprak) oluşur. Ayrıca çorak alanlar (ör. yüzey madenciliği faaliyetleriyle açığa çıkan mineraller ve diğer jeolojik malzemeler dahil olmak üzere kaya çıkıntıları), kum tepeleri, tuz düzlükleri ve plajlar gibi sürekli olarak çorak olan alanlar da bu kategoriye girer. Toprak ve çakıldan yapılmış yollar da çorak olarak kabul edilir ve en az% 10 çalı içerir.
Land_Cover_Raw_Probability_Grass-Forb-Herb 30 metre

Çim/çiçekli bitki/ot olma olasılığının modellenmiş ham LCMS değeri. Şu şekilde tanımlanır: Pikselin büyük bir kısmı çok yıllık otlar, çiçekli bitkiler veya diğer otsu bitki türlerinden oluşur.
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix 30 metre

Çorak ve ot/çiçek/bitki karışımı olasılığının LCMS ile modellenmiş ham değeri. Şu şekilde tanımlanır: Pikselin büyük bir kısmı, rahatsızlık nedeniyle açığa çıkan çıplak topraktan (ör.mekanik temizleme veya orman hasadı ile açığa çıkan toprak) oluşur. Ayrıca çöl, playa, kaya çıkıntıları (yüzey madenciliği faaliyetleriyle açığa çıkan mineraller ve diğer jeolojik malzemeler dahil), kum tepeleri, tuz düzlükleri ve plajlar gibi sürekli olarak çorak alanlar da bu kategoriye girer. Toprak ve çakıldan yapılmış yollar da çorak olarak kabul edilir ve en az% 10 oranında çok yıllık otlar, çiçekler veya diğer otsu bitki türlerinden oluşur.
Land_Cover_Raw_Probability_Barren-or-Impervious 30 metre

Çorak veya geçirimsiz olma olasılığının LCMS ham verileriyle modellenmiş hali. Şu şekilde tanımlanır: Pikselin büyük bir kısmı 1.) rahatsızlık nedeniyle açığa çıkan çıplak toprağın (ör.mekanik temizleme veya orman hasadı ile açığa çıkan toprak) yanı sıra çöller, playa'lar, kaya çıkıntıları (madenler ve yüzey madenciliği faaliyetleriyle açığa çıkan diğer jeolojik malzemeler dahil), kum tepeleri, tuz düzlükleri ve plajlar gibi sürekli olarak çorak olan alanlardan oluşur. Toprak ve çakıl yolları da çorak olarak kabul edilir veya 2.) suyun nüfuz edemediği insan yapımı malzemelerden (ör. asfalt yollar, çatılar ve otoparklar) oluşur.
Land_Cover_Raw_Probability_Snow-or-Ice 30 metre

Kar veya buzun ham LCMS ile modellenmiş olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı kar veya buzdan oluşur.
Land_Cover_Raw_Probability_Water 30 metre

Su olasılığını modelleyen ham LCMS. Şu şekilde tanımlanır: Pikselin büyük bir kısmı sudan oluşur.
Land_Use_Raw_Probability_Agriculture 30 metre

Tarım için modellenmiş ham LCMS olasılığı. Şu şekilde tanımlanır: Gıda, lif ve yakıt üretimi için kullanılan, bitki örtüsü olan veya olmayan arazi. Bu kapsamda, ekili ve ekili olmayan tarım arazileri, otlaklar, meyve bahçeleri, bağlar, kapalı hayvancılık tesisleri ve meyve, fındık ya da çilek üretimi için ekilen alanlar yer alır ancak bunlarla sınırlı değildir. Öncelikli olarak tarım amacıyla kullanılan yollar (ör. kasabadan kasabaya toplu taşıma için kullanılmayan yollar) tarım arazisi kullanımı olarak kabul edilir.
Land_Use_Raw_Probability_Developed 30 metre

Gelişmişlik için ham LCMS modellenmiş olasılığı. Şu şekilde tanımlanır: İnsan yapımı yapılarla kaplı arazi (ör. yüksek yoğunluklu konut, ticari, endüstriyel, madencilik veya ulaşım) ya da hem bitki örtüsü (ağaçlar dahil) hem de yapıların (ör. düşük yoğunluklu konut, çimler, rekreasyon tesisleri, mezarlıklar, ulaşım ve kamu hizmeti koridorları vb.) karışımı, insan faaliyetleriyle işlevsel olarak değiştirilmiş araziler dahil.
Land_Use_Raw_Probability_Forest 30 metre

Orman olasılığının modellenmiş ham LCMS verileri. Şu şekilde tanımlanır: Yakın vadeli bir ardışık dizilim sırasında bir noktada% 10 veya daha fazla ağaç örtüsü içeren (veya içermesi muhtemel olan) dikilmiş ya da doğal olarak bitkilendirilmiş arazi. Bu, doğal ormanların, orman plantasyonlarının ve ağaçlı sulak alanların yaprak döken, her zaman yeşil ve/veya karışık kategorilerini içerebilir.
Land_Use_Raw_Probability_Non-Forest-Wetland 30 metre

Orman dışı sulak alanın ham LCMS modellenmiş olasılığı. Tanım: Çalılar veya kalıcı olarak su yüzeyine çıkan bitkilerin baskın olduğu, görünür bir su yüzeyine (kalıcı veya mevsimsel olarak doygun) bitişik ya da bu yüzeyin içinde yer alan araziler. Bu sulak alanlar göllerin, nehir kanallarının veya haliçlerin kıyısında, nehir taşkın ovalarında, izole edilmiş havzalarda ya da yamaçlarda yer alabilir. Ayrıca tarım arazilerinde çayır çukurları, drenaj kanalları ve hayvan sulama göletleri olarak da görülebilirler. Göllerin veya nehirlerin ortasında adalar olarak da görünebilirler. Diğer örnekler arasında bataklıklar, turbalıklar, sulak alanlar, çamurlar, muskegler, sloughlar, fensler ve bayoular da yer alır.
Land_Use_Raw_Probability_Other 30 metre

Diğer kategorisinin ham LCMS ile modellenmiş olasılığı. Şu şekilde tanımlanır: Spektral trendin veya diğer destekleyici kanıtların bir bozulma ya da değişiklik olayının meydana geldiğini gösterdiği ancak kesin nedenin belirlenemediği veya değişiklik türünün yukarıda tanımlanan değişiklik süreci kategorilerinden herhangi birini karşılamadığı arazi (kullanımdan bağımsız olarak).
Land_Use_Raw_Probability_Rangeland-or-Pasture 30 metre

LCMS'nin ham verileri, otlak veya mera olma olasılığını gösterir. Bu olasılık şu şekilde tanımlanır: Bu sınıf, a.) otlak olan tüm alanları kapsar. Otlaklarda bitki örtüsü, yağmur, sıcaklık, yükseklik ve yangın gibi doğal faktörler ve süreçlerden büyük ölçüde kaynaklanan yerel otlar, çalılar, çiçekli bitkiler ve ot benzeri bitkilerin karışımından oluşur. Sınırlı yönetim, kontrollü yakma ve evcil ve yabani ot yiyen hayvanların otlatılmasını içerebilir. b.) Mera olan tüm alanları kapsar. Meralarda bitki örtüsü, büyük ölçüde doğal otlar, çiçekli bitkiler ve otların karışımından, neredeyse tek türün hakim olduğu, ekilmiş ve yönetilmiş ot türlerinin bulunduğu daha yönetilen bitki örtüsüne kadar değişebilir.
QA_Bits 30 metre

Yıllık LCMS ürün çıktısı değerlerinin kaynağıyla ilgili ek bilgiler.

Sınıf Tablosunu Değiştir

Değer Renk Açıklama
1 #3d4551

Kararlı
2 #f39268

Yavaş Kayıp
3 #d54309

Hızlı Kayıp
4 #00a398

Kazanç
5 #1b1716

İşlenmeyen Alan Maskesi

Land_Cover Sınıf Tablosu

Değer Renk Açıklama
1 #005e00

Ağaçlar
2 #008000

Uzun Çalılar ve Ağaçlar Karışımı (Yalnızca Güneydoğu Alaska)
3 #00cc00

Çalı ve Ağaç Karışımı
4 #b3ff1a

Çimen/Forb/Ot ve Ağaç Karışımı
5 #99ff99

Çorak ve Ağaç Karışımı
6 #b30088

Uzun Ağaçlıklar (yalnızca SEAK)
7 #e68a00

Ağaçlık
8 #ffad33

Çim/Çiçek/Ot ve Çalı Karışımı
9 #ffe0b3

Çorak ve Çalı Karışımı
10 #ffff00

Çim/Ot/Bitki
11 #aa7700

Çorak ve Çim/Çiçek/Ot Karışımı
12 #d3bf9b

Çorak veya Geçirimsiz
13 #ffffff

Kar veya buzlanma
14 #4780f3

Su
15 #1b1716

İşlenmeyen Alan Maskesi

Land_Use Sınıf Tablosu

Değer Renk Açıklama
1 #efff6b

Tarım
2 #ff2ff8

Geliştirme
3 #1b9d0c

orman
4 #97ffff

Orman Olmayan Sulak Alan
5 #a1a1a1

Diğer
6 #c2b34a

Otlak veya Mera
7 #1b1716

İşlenmeyen Alan Maskesi

Resim Özellikleri

Görüntü Özellikleri

Ad Tür Açıklama
study_area Dize

LCMS şu anda bitişik ABD, Güneydoğu Alaska, Porto Riko-ABD Virgin Adaları ve Hawaii'yi kapsamaktadır. Bu sürüm, bitişik ABD, Güneydoğu Alaska, Porto Riko-ABD Virgin Adaları ve Hawaii'deki çıkışları içerir. Olası değerler: "CONUS, SEAK, PRUSVI, HI"
yıl MÜD

Ürünün yılı

Kullanım Şartları

Kullanım Şartları

USDA Orman Hizmetleri, ticari elverişlilik ve belirli bir amaca uygunluk garantileri dahil olmak üzere açık veya zımni hiçbir garanti vermez, bu coğrafi verilerin doğruluğu, güvenilirliği, eksiksizliği veya kullanışlılığı ya da bu coğrafi verilerin uygunsuz veya yanlış kullanımı konusunda herhangi bir yasal yükümlülük ya da sorumluluk üstlenmez. Bu coğrafi veriler ve ilgili haritalar veya grafikler yasal belgeler değildir ve bu şekilde kullanılmak üzere tasarlanmamıştır. Veriler ve haritalar; mülkiyet, sahiplik, yasal açıklamalar veya sınırlar, yasal yetki alanı ya da kamuya ait ya da özel arazilerde geçerli olabilecek kısıtlamaları belirlemek için kullanılamaz. Doğal tehlikeler verilerde ve haritalarda gösterilebilir veya gösterilmeyebilir. Arazi kullanıcıları gerekli önlemleri almalıdır. Veriler dinamiktir ve zaman içinde değişebilir. Kullanıcı, coğrafi verilerin sınırlamalarını doğrulamak ve verileri buna göre kullanmakla sorumludur.

Bu veriler ABD hükümetinin sağladığı fonlar kullanılarak toplanmıştır ve ek izin veya ücret olmadan kullanılabilir. Bu verileri bir yayında, sunumda veya başka bir araştırma ürününde kullanırsanız lütfen aşağıdaki alıntıyı kullanın:

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

Alıntılar

Alıntılar:

  • 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, W. B., Yang, Z., and Kennedy, R., 2010. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 2. TimeSync - Kalibrasyon ve doğrulama araçları. In 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., ve 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, P.L., Guo, S., Zhu, Z., Dilley, R.D., Beckmann, T., Schmidt, G.L., Dwyer, J.L., Hughes, M.J., 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

  • U.S. 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, 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. Yığılmış genelleştirme kullanarak orman değişikliğini eşleme: Bir topluluk yaklaşımı. In Remote Sensing of Environment. Science Direct, 204: 717-728. doi:10.1016/j.rse.2017.09.029

  • Kennedy, R. E., Yang, Z., and Cohen, W. B., 2010. 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. ve Healey, S. 2018. Implementation of the LandTrendr Algorithm on Google Earth Engine. In Remote Sensing. MDPI, 10(5): 691. doi:10.3390/rs10050691

  • Pasquarella, V. J., Brown, C. F., Czerwinski, W., and Rucklidge, W. J., 2023. Zayıf Gözetimli Video Öğrenimi Kullanarak Optik Uydu Görüntülerinin Kapsamlı Kalite Değerlendirmesi. IEEE/CVF Bilgisayar Görüşü ve Desen Tanıma Konferansı Bildirileri'nde. 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, A.D., 2001. Topographic position and landforms analysis Poster Presentation, ESRI Users Conference, San Diego, CAZhu, Z., and Woodcock, C. E. 2012. Object-based cloud and cloud shadow detection in Landsat imagery. 118: 83-94.

  • Zhu, Z., and Woodcock, C. E., 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, C. E., 2014. Mevcut tüm Landsat verileri kullanılarak arazi örtüsünün sürekli olarak değiştiğinin algılanması ve sınıflandırılması. In Remote Sensing of Environment. Science Direct, 144: 152-171. doi:10.1016/j.rse.2014.01.011

DOI'lar

Earth Engine ile keşfetme

Kod Düzenleyici (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);
Kod Düzenleyici'de aç
Bu ürün, Landscape Change Monitoring System (LCMS) veri paketinin bir parçasıdır. Bu veri seti, bitişik ABD'yi (CONUS) ve CONUS dışındaki alanları (OCONUS) kapsayan her yıl için LCMS ile modellenmiş değişiklikleri, arazi örtüsünü ve/veya arazi kullanım sınıflarını gösterir. Bu alanlar arasında Güneydoğu Alaska (SEAK), Porto Riko-ABD Virgin Adaları (PRUSVI) ve …
USFS/GTAC/LCMS/v2023-9, change-detection,forest,gtac,landcover,landsat-derived,landuse,landuse-landcover,lcms,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