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 Sağlayıcı
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 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 Hawaii (HI) yer alır.

LCMS, ABD genelinde peyzaj değişikliklerini haritalandırmak ve izlemek için kullanılan uzaktan algılamaya dayalı bir sistemdir. Bu projenin amacı, peyzaj değişikliğinin "mevcut en iyi" 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 (sel 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, 1985'ten bu yana ABD'deki 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 bölgesi (CONUS) için ABD Jeoloji Araştırmaları Kurumu (USGS) Collection 2 Landsat Tier 1 yüzey yansıtma verileri, SEAK, PRUSVI ve HI için 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 verileri; 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. Ayrıca CCDC sinüs ve kosinüs katsayıları (ilk 3 harmonik), uygun değerler ve çiftler arasındaki farklar da yer alır.

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 ile eksikliği 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

Piksel Boyutu
30 metre

Bantlar

Ad Piksel Boyutu Açıklama
Change metre

Son tematik LCMS değişikliği ürünü. Her yıl için toplam üç değişiklik sınıfı (yavaş kayıp, hızlı kayıp ve kazanç) eşleştirilir. Her sınıf, pikselin o sınıfa ait olma olasılığını (rastgele orman modelindeki ağaçların oranı) çıkaran ayrı bir rastgele orman modeli kullanılarak tahmin edilir. Bu nedenle, her pikselin her yıl için üç farklı model çıkışı vardır. Son sınıflar, belirli bir eşiğin üzerinde olan ve en yüksek olasılığa sahip değişiklik sınıfına atanır. Her sınıfın eşiğinin üzerinde değeri olmayan pikseller, Kararlı sınıfına atanır. Değişiklik sınıfı atanmadan önce, bitki örtüsü olmayan arazi örtüsünde değişiklik yapılmasını önlemek için tüm çalışma alanlarına bir kural uygulanmıştır.
Land_Cover 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 gösterir.
Land_Use metre

Son tematik LCMS arazi kullanımı ürünü. TimeSync referans verileri ve Landsat görüntülerinden elde edilen spektral bilgiler kullanılarak yıllık bazda 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, gelişmiş sınıfla ilgili bir sorunu düzeltmek için 2 Temmuz 2024'te güncellendi.
Change_Raw_Probability_Slow_Loss metre

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

  • Yapısal Bozulma (Structural Decline): Ağaçların veya diğer odunsu bitkilerin, insan kaynaklı olmayan ya da mekanik olmayan faktörlerin neden olduğu olumsuz büyüme koşulları nedeniyle fiziksel olarak değiştiği arazi. Bu tür kayıplar genellikle spektral sinyallerde bir trend oluşturur (ör. NDVI azalır, nem azalır, SWIR artar vb.), ancak bu trend belirgin olmayabilir. Yapısal gerileme, muhtemelen böcekler, hastalık, kuraklık, asit yağmuru vb. nedenlerle odunsu bitki örtüsü ortamlarında meydana gelir. Yapısal gerileme, 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 bantlardan veya indekslerden birinde ya da daha fazlasında (ör. NDVI azalıyor, nem azalıyor, SWIR artıyor vb.) bir eğilim gösterdiği grafik. 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 gölgelendirmeyi artıracak şekilde kapanması, 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 metre

Hızlı Kayıp'ın 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, yangın nedeniyle 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, fırça testereyle 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 şiddetli hava olaylarından etkilenerek bitki örtüsünün değiştiği arazi (kullanım şeklinden bağımsız olarak).

  • Hidroloji: Arazi kullanımından bağımsız olarak, selin ağaç örtüsünü 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 metre

Ham LCMS kazanç olasılığı modeli. Şu şekilde tanımlanır: Bir veya daha fazla yıl boyunca büyüme ve ardıllık nedeniyle bitki örtüsünde artış gösteren arazi. Bitki örtüsünün yeniden büyümesiyle ilişkili spektral değişikliklerin görülebileceği tüm alanlar için geçerlidir. Gelişmiş bölgelerde büyüme, olgunlaşan bitki örtüsü ve/veya yeni ekilen çimler ve peyzajdan kaynaklanabilir. Ormanlarda büyüme, çıplak zemindeki bitki büyümesinin yanı sıra orta ve ortak baskın ağaçların ve/veya alçakta kalan otlar ve çalıların üst kısımlarını da içerir. Orman hasadından sonra kaydedilen büyüme/iyileşme segmentleri, orman yenilenirken farklı arazi örtüsü sınıflarına geçiş yapabilir. Bu değişikliklerin büyüme/iyileşme olarak kabul edilmesi için spektral değerlerin, birkaç yıl boyunca devam eden artan bir trend çizgisine (ör. yaklaşık 20 yıla uzatıldığında 0,10 birim NDVI civarında olacak pozitif bir eğim) yakın olması gerekir.
Land_Cover_Raw_Probability_Trees metre

LCMS'nin ağaç olasılığı için modellenmiş ham verileri. Şu şekilde tanımlanır: Pikselin büyük bir kısmı canlı veya ayakta ölü ağaçlardan oluşur.
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix metre

Tall Shrubs and Trees Mix (Yalnızca SEAK) olasılığını modelleyen ham LCMS. Şu şekilde tanımlanır: Pikselin büyük bir kısmı, yüksekliği 1 metreden fazla olan çalılardan oluşur ve en az% 10 oranında canlı veya ayakta ölü ağaçlar içerir.
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix metre

Çalı ve Ağaç Karışımı'nın modellenmiş olasılığını gösteren ham LCMS. Şu şekilde tanımlanır: Pikselin büyük bir kısmı çalılardan oluşur ve en az% 10'u canlı veya ayakta ölü ağaçlardan oluşur.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix metre

Çim/çiçek/ot ve ağaç karışımı olma olasılığının ham LCMS modeli. Şu şekilde tanımlanır: Pikselin büyük bir kısmı çok yıllık otlar, çiçekli bitkiler veya diğer otsu bitki türlerinden oluşur ve en az% 10 oranında canlı ya da ayakta ölü ağaçlar içerir.
Land_Cover_Raw_Probability_Barren-and-Trees-Mix metre

Barren and Trees Mix'in ham LCMS modelleme olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı, rahatsızlık nedeniyle açığa çıkan çıplak topraklardan (ör. mekanik temizleme veya orman hasadı ile açığa çıkan toprak) ve çöl, playa, kaya çıkıntıları (yüzey madenciliği faaliyetleriyle açığa çıkan mineraller ve diğer jeolojik materyaller dahil), kum tepeleri, tuz düzlükleri ve plajlar gibi sürekli olarak verimsiz alanlardan oluşur. Toprak ve çakıl yollarda da en az% 10 oranında canlı veya ayakta ölü ağaçlar bulunur.
Land_Cover_Raw_Probability_Tall-Shrubs metre

Uzun çalıların (yalnızca Güneydoğu Alaska) modellenmiş olasılığını gösteren ham LCMS. Şu şekilde tanımlanır: Pikselin büyük bir bölümü, yüksekliği 1 metreden fazla olan çalılarla kaplıdır.
Land_Cover_Raw_Probability_Shrubs metre

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

Çim/çiçek/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 metre

Çorak ve çalı karışımı için modellenmiş ham LCMS olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı, rahatsızlık nedeniyle açığa çıkan çıplak topraklardan (ör. mekanik temizleme veya orman hasadı ile açığa çıkan toprak) ve çöl, playa, kaya çıkıntıları (yüzey madenciliği faaliyetleriyle açığa çıkan mineraller ve diğer jeolojik materyaller dahil), kum tepeleri, tuz düzlükleri ve plajlar gibi sürekli olarak verimsiz alanlardan oluşur. Toprak ve çakıldan oluşan yollar da çorak olarak kabul edilir ve en az% 10 oranında çalı içerir.
Land_Cover_Raw_Probability_Grass-Forb-Herb metre

Çim/çiçek/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 metre

Barren ve Grass/Forb/Herb Mix'in ham LCMS ile modellenmiş olasılığı. 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 çöller, playa'lar, kaya çıkıntıları (yüzey madenciliği faaliyetleriyle açığa çıkan mineraller ve diğer jeolojik malzemeler dahil), kum tepeleri, tuz düzlükleri ve plajlar gibi sürekli olarak verimsiz alanlar da bu kategoriye girer. Toprak ve çakıldan oluşan yollar da çorak olarak kabul edilir ve en az% 10 oranında çok yıllık otlar, çiçekli bitkiler veya diğer otsu bitki türlerinden oluşur.
Land_Cover_Raw_Probability_Barren-or-Impervious metre

Çorak veya geçirimsiz olma olasılığının ham LCMS modeli. 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 materyaller dahil), kum tepeleri, tuz düzlükleri ve plajlar gibi sürekli olarak verimsiz alanlardan oluşur. Toprak ve çakıldan yapılmış yollar da 1) çorak olarak kabul edilir veya 2) suyun nüfuz edemediği yapay malzemeler (ör. asfalt yollar, çatılar ve otoparklar) olarak kabul edilir.
Land_Cover_Raw_Probability_Snow-or-Ice metre

Kar veya buzlanma olasılığının ham LCMS modeli. Şu şekilde tanımlanır: Pikselin büyük bir kısmı kar veya buzdan oluşur.
Land_Cover_Raw_Probability_Water metre

Su için ham LCMS modellenmiş olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı sudan oluşur.
Land_Use_Raw_Probability_Agriculture metre

Tarım için modellenmiş ham LCMS olasılığı. Şu şekilde tanımlanır: Gıda, lif ve yakıt üretimi için kullanılan, bitki örtüsü olan veya olmayan arazi. Bu yükümlülük, ekili ve ekili olmayan tarım arazilerini, otlakları, meyve bahçelerini, bağları, kapalı hayvancılık tesislerini ve meyve, fındık ya da çilek üretimi için ekilen alanları içerir ancak bunlarla sınırlı değildir. Öncelikli olarak tarım amaçlı kullanılan yollar (ör. kasabadan kasabaya toplu taşıma için kullanılmayan yollar) tarım arazisi kullanımı olarak kabul edilir.
Land_Use_Raw_Probability_Developed metre

Gelişmiş 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 tüm araziler dahil.
Land_Use_Raw_Probability_Forest metre

Orman için modellenmiş ham LCMS olasılığı. Şu şekilde tanımlanır: Yakın vadede bir ardışık gelişim süreci boyunca bir zamanlar% 10 veya daha fazla ağaç örtüsü içeren (ya da içermesi muhtemel olan) ekilmiş veya doğal olarak bitki örtüsüyle kaplı arazi. Bu kapsamda doğal orman, orman plantasyonları ve ağaçlı sulak alanların yaprak döken, her dem yeşil ve/veya karışık kategorileri yer alabilir.
Land_Use_Raw_Probability_Non-Forest-Wetland metre

Orman dışı sulak alanın ham LCMS modellenmiş olasılığı. Tanımı: 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 metre

Diğer kategorisi için modellenen ham LCMS 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 (kullanım şeklinden bağımsız olarak).
Land_Use_Raw_Probability_Rangeland-or-Pasture metre

LCMS'nin ham verileriyle modellenmiş otlak veya mera olasılığı. Şu şekilde tanımlanır: Bu sınıf, a.) Bitki örtüsünün yağmur, sıcaklık, yükseklik ve yangın gibi doğal faktörler ve süreçlerden büyük ölçüde kaynaklanan yerel otlar, çalılar, çiçekli bitkiler ve ot benzeri bitkilerden oluştuğu, sınırlı yönetimde kontrollü yakma ve evcil ve yabani ot yiyen hayvanların otlatılması gibi uygulamaların da yer alabileceği otlaklar; veya b.) Bitki örtüsünün, büyük ölçüde doğal olan karışık otlar, çiçekli bitkiler ve otlardan, neredeyse tek türün korunması için ekilmiş ve yönetilmiş ot türlerinin baskın olduğu, daha kontrollü bitki örtüsüne kadar değişebildiği otlak.
QA_Bits metre

Yıllık LCMS ürün çıktısı değerlerinin kaynağıyla ilgili ek bilgiler.

Sınıf Tablosunu Değiştirme

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

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

Çorak ve Ağaç Karışımı
6 #b30088

Uzun Ağaçlıklar (yalnızca Güneydoğu Asya ve Kore)
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

Geliştirildi
3 #1b9d0c

orman
4 #97ffff

Orman Olmayan Sulak Alan
5 #a1a1a1

Diğer
6 #c2b34a

Otlak veya Mera
7 #1b1716

İşlenmeyen Alan Maskesi

Resim Özellikleri

Resim Özellikleri

Ad Tür Açıklama
study_area Dize

LCMS şu anda bitişik ABD eyaletleri, 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. 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, 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 Düzenleyicide 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,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