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

USFS/GTAC/LCMS/v2023-9
Phạm vi cung cấp tập dữ liệu
1985-01-01T00:00:00Z–2023-12-31T00:00:00Z
Nhà cung cấp tập dữ liệu
Đoạn mã Earth Engine
ee.ImageCollection("USFS/GTAC/LCMS/v2023-9")
Thẻ
phát hiện thay đổi
rừng
gtac
lớp phủ mặt đất
có nguồn gốc từ Landsat
landuse
landuse-landcover
lcms
redcastle-resources
có nguồn gốc từ sentinel
chuỗi thời gian
usda
usfs

Mô tả

Sản phẩm này là một phần của bộ dữ liệu Hệ thống giám sát thay đổi cảnh quan (LCMS). Bản đồ này cho thấy sự thay đổi theo mô hình LCMS, lớp phủ thực vật và/hoặc các loại hình sử dụng đất cho mỗi năm bao gồm Lục địa Hoa Kỳ (CONUS) và các khu vực bên ngoài CONUS (OCONUS), bao gồm cả Đông Nam Alaska (SEAK), Puerto Rico – Quần đảo Virgin thuộc Hoa Kỳ (PRUSVI) và Hawaii (HI).

LCMS là một hệ thống dựa trên hoạt động viễn thám để lập bản đồ và giám sát sự thay đổi cảnh quan trên khắp Hoa Kỳ. Mục tiêu của dự án này là phát triển một phương pháp nhất quán bằng cách sử dụng công nghệ mới nhất và những tiến bộ trong việc phát hiện thay đổi để tạo ra một bản đồ "tốt nhất có thể" về sự thay đổi của cảnh quan.

Đầu ra bao gồm 3 sản phẩm hằng năm: sự thay đổi, độ che phủ đất và việc sử dụng đất. Thay đổi này liên quan cụ thể đến độ che phủ của thảm thực vật và bao gồm sự suy giảm chậm, sự suy giảm nhanh (cũng bao gồm các thay đổi về thuỷ văn như ngập lụt hoặc khô cằn) và sự gia tăng. Những giá trị này được dự đoán cho từng năm trong chuỗi thời gian Landsat và đóng vai trò là sản phẩm cơ bản cho LCMS. Bản đồ độ che phủ và sử dụng đất mô tả độ che phủ đất ở cấp độ dạng sống và việc sử dụng đất ở cấp độ rộng cho mỗi năm.

Vì không có thuật toán nào hoạt động hiệu quả nhất trong mọi trường hợp, nên LCMS sử dụng một nhóm mô hình làm yếu tố dự đoán, giúp cải thiện độ chính xác của bản đồ trên nhiều hệ sinh thái và quy trình thay đổi (Healey và cộng sự, 2018). Nhờ đó, bộ bản đồ thay đổi LCMS, độ che phủ đất và việc sử dụng đất đã cung cấp một bức tranh tổng thể về sự thay đổi cảnh quan trên khắp Hoa Kỳ kể từ năm 1985.

Các lớp dự đoán cho mô hình LCMS bao gồm đầu ra từ các thuật toán phát hiện thay đổi LandTrendr và CCDC, cũng như thông tin về địa hình. Tất cả các thành phần này đều được truy cập và xử lý bằng Google Earth Engine (Gorelick và cộng sự, 2017).

Đối với CCDC, dữ liệu hệ số phản xạ bề mặt Landsat Bậc 1 Bộ sưu tập 2 của Cục Khảo sát Địa chất Hoa Kỳ (USGS) được dùng cho CONUS và dữ liệu hệ số phản xạ đỉnh khí quyển Landsat Bậc 1 cho SEAK, PRUSVI và HI. Để tạo ra các thành phần hằng năm cho LandTrendr, dữ liệu hệ số phản xạ đỉnh khí quyển Landsat Bậc 1 Bộ sưu tập 2 của USGS và Sentinel 2A, 2B Cấp 1C đã được sử dụng. Thuật toán che mây cFmask (Foga và cộng sự, 2017), là một cách triển khai Fmask 2.0 (Zhu và Woodcock, 2012) (chỉ Landsat), cloudScore (Chastain và cộng sự, 2019) (chỉ Landsat), s2cloudless (Sentinel-Hub, 2021) và Cloud Score plus (Pasquarella và cộng sự, 2023) (chỉ Sentinel 2) được dùng để che mây, trong khi TDOM (Chastain và cộng sự, 2019) được dùng để che bóng mây (Landsat và Sentinel 2). Đối với LandTrendr, hệ thống sẽ tính toán medoid hằng năm để tóm tắt các giá trị không có mây và bóng mây của từng năm thành một hình ảnh tổng hợp duy nhất.

Chuỗi thời gian tổng hợp được phân đoạn theo thời gian bằng LandTrendr (Kennedy và cộng sự, 2010; Kennedy et al., 2018; Cohen et al., 2018).

Tất cả các giá trị không có mây và bóng mây cũng được phân đoạn tạm thời bằng thuật toán CCDC (Zhu và Woodcock, 2014).

Dữ liệu của trình dự đoán bao gồm các giá trị tổng hợp thô, giá trị phù hợp của LandTrendr, chênh lệch theo cặp, thời lượng phân đoạn, mức độ thay đổi và độ dốc, cũng như hệ số sin và cosin CCDC (3 hài hoà đầu tiên), giá trị phù hợp và chênh lệch theo cặp, cùng với độ cao, độ dốc, sin của hướng, cosin của hướng và chỉ số vị trí địa hình (Weiss, 2001) từ dữ liệu Chương trình độ cao 3D (3DEP) của USGS 10 m (Cục Khảo sát địa chất Hoa Kỳ, 2019).

Dữ liệu tham chiếu được thu thập bằng TimeSync, một công cụ dựa trên web giúp các nhà phân tích hình dung và diễn giải bản ghi dữ liệu Landsat từ năm 1984 đến nay (Cohen và cộng sự, 2010).

Các mô hình Rừng ngẫu nhiên (Breiman, 2001) được huấn luyện bằng dữ liệu tham chiếu từ TimeSync và dữ liệu dự đoán từ LandTrendr, CCDC và các chỉ số địa hình để dự đoán sự thay đổi hằng năm, lớp phủ đất và các lớp sử dụng đất. Sau khi mô hình hoá, chúng tôi đã thiết lập một loạt ngưỡng xác suất và bộ quy tắc bằng cách sử dụng các tập dữ liệu phụ trợ để cải thiện chất lượng đầu ra của bản đồ, đồng thời giảm lỗi sai và lỗi thiếu sót. Bạn có thể xem thêm thông tin trong Bản tóm tắt về các phương pháp LCMS trong phần Mô tả.

Tài nguyên khác

Hãy liên hệ với [sm.fs.lcms@usda.gov] nếu bạn có câu hỏi hoặc yêu cầu cụ thể về dữ liệu.

Băng tần

Kích thước pixel
30 mét

Băng tần

Tên Kích thước pixel Mô tả
Change mét

Sản phẩm thay đổi LCMS theo chủ đề cuối cùng. Tổng cộng có 3 lớp thay đổi (mất chậm, mất nhanh và tăng) được lập bản đồ cho mỗi năm. Mỗi lớp được dự đoán bằng một mô hình Rừng ngẫu nhiên riêng biệt, cho ra một xác suất (tỷ lệ cây trong mô hình Rừng ngẫu nhiên) rằng pixel thuộc về lớp đó. Do đó, mỗi pixel riêng lẻ có 3 đầu ra mô hình khác nhau cho mỗi năm. Các lớp cuối cùng được chỉ định cho lớp thay đổi có xác suất cao nhất và cũng cao hơn một ngưỡng cụ thể. Mọi điểm ảnh không có giá trị nào cao hơn ngưỡng tương ứng của mỗi lớp đều được chỉ định cho lớp Ổn định. Trước khi chỉ định lớp thay đổi, một quy tắc đã được áp dụng cho tất cả các khu vực nghiên cứu để ngăn chặn sự thay đổi về độ che phủ đất không có thực vật.
Land_Cover mét

Sản phẩm cuối cùng về độ che phủ đất theo chủ đề LCMS. Tổng cộng có 14 lớp phủ đất được lập bản đồ hằng năm bằng cách sử dụng dữ liệu tham chiếu TimeSync và thông tin quang phổ lấy từ hình ảnh Landsat. Mỗi lớp được dự đoán bằng một mô hình Rừng ngẫu nhiên riêng biệt, mô hình này sẽ xuất ra một xác suất (tỷ lệ cây trong mô hình Rừng ngẫu nhiên) cho biết pixel thuộc về lớp đó. Do đó, mỗi pixel riêng lẻ có 14 đầu ra mô hình khác nhau cho mỗi năm và các lớp cuối cùng được chỉ định cho lớp phủ mặt đất có xác suất cao nhất. Đối với vùng Đông Nam Alaska, trước khi chỉ định lớp phủ đất có xác suất cao nhất, một quy tắc về lớp phủ đất đã được triển khai để hạn chế việc chỉ định lớp phủ đất là cây và tuyết ở các vùng gian triều lớn ở mực nước biển. Không có quy tắc nào về độ che phủ đất được áp dụng cho CONUS, Puerto Rico – Quần đảo Virgin thuộc Hoa Kỳ hoặc Hawaii. 7 trong số 14 lớp phủ bề mặt đất cho biết một lớp phủ bề mặt đất duy nhất, trong đó loại lớp phủ bề mặt đất đó bao phủ hầu hết diện tích của điểm ảnh và không có lớp nào khác bao phủ hơn 10% điểm ảnh. Ngoài ra còn có 7 lớp học hỗn hợp. Đây là những pixel mà một lớp phủ đất bổ sung chiếm ít nhất 10% pixel.
Land_Use mét

Sản phẩm cuối cùng về việc sử dụng đất theo chủ đề của LCMS. Tổng cộng có 6 loại hình sử dụng đất được lập bản đồ hằng năm bằng cách sử dụng dữ liệu tham chiếu TimeSync và thông tin quang phổ lấy từ hình ảnh Landsat. Mỗi lớp được dự đoán bằng một mô hình Rừng ngẫu nhiên riêng biệt, mô hình này sẽ xuất ra một xác suất (tỷ lệ cây trong mô hình Rừng ngẫu nhiên) cho biết pixel thuộc về lớp đó. Do đó, mỗi pixel riêng lẻ có 6 đầu ra mô hình khác nhau cho mỗi năm và các lớp cuối cùng được chỉ định cho mục đích sử dụng đất có xác suất cao nhất. Trước khi chỉ định lớp sử dụng đất có xác suất cao nhất, một loạt các ngưỡng xác suất và bộ quy tắc sử dụng các quy tắc sử dụng đất của tập dữ liệu phụ trợ đã được áp dụng. Bạn có thể xem thêm thông tin về các ngưỡng xác suất và bộ quy tắc trong Bản tóm tắt về phương pháp LCMS có trong phần Mô tả. Sản phẩm sử dụng đất CONUS đã được cập nhật vào ngày 2 tháng 7 năm 2024 để khắc phục vấn đề về lớp đã phát triển.
Change_Raw_Probability_Slow_Loss mét

Xác suất được mô hình hoá LCMS thô về Tốc độ mất dữ liệu chậm. Được xác định là: Mất dữ liệu chậm bao gồm các lớp sau đây trong quá trình diễn giải thay đổi TimeSync –

  • Suy thoái về cấu trúc – Đất nơi cây cối hoặc thảm thực vật thân gỗ khác bị thay đổi về mặt vật lý do điều kiện sinh trưởng không thuận lợi do các yếu tố không phải do con người hoặc không phải do cơ học gây ra. Loại tổn thất này thường tạo ra một xu hướng trong(các) tín hiệu quang phổ (ví dụ: NDVI giảm, Độ ẩm giảm; SWIR tăng; v.v.) tuy nhiên, xu hướng này có thể không rõ ràng. Tình trạng suy giảm cấu trúc xảy ra trong môi trường thực vật thân gỗ, rất có thể là do côn trùng, bệnh tật, hạn hán, mưa axit, v.v. Tình trạng suy giảm cấu trúc có thể bao gồm các sự kiện rụng lá không dẫn đến tử vong, chẳng hạn như trong trường hợp sâu bướm Gypsy và sâu đục chồi cây vân sam xâm nhập, có thể phục hồi trong vòng 1 hoặc 2 năm.

  • Suy giảm quang phổ – Một biểu đồ cho thấy tín hiệu quang phổ có xu hướng ở một hoặc nhiều dải quang phổ hoặc chỉ số (ví dụ: NDVI giảm, Độ ẩm giảm; SWIR tăng; v.v.). Ví dụ: a) thảm thực vật không phải rừng/không phải cây gỗ cho thấy xu hướng suy giảm (ví dụ: NDVI giảm, Độ ẩm giảm; SWIR tăng; v.v.), hoặc b) thảm thực vật có cây gỗ cho thấy xu hướng suy giảm không liên quan đến việc mất thảm thực vật có cây gỗ, chẳng hạn như khi tán cây trưởng thành khép lại dẫn đến việc tăng bóng đổ, khi thành phần loài thay đổi từ cây lá kim sang cây gỗ cứng hoặc khi một thời kỳ khô hạn (khác với hạn hán nghiêm trọng hơn) gây ra sự suy giảm rõ ràng về sức sống, nhưng không làm mất vật liệu gỗ hoặc diện tích lá.
Change_Raw_Probability_Fast_Loss mét

Xác suất mất dữ liệu nhanh được mô hình hoá theo LCMS thô. Được xác định là: Mất dữ liệu nhanh bao gồm các lớp sau đây trong quá trình diễn giải thay đổi TimeSync –

  • Cháy – Đất bị thay đổi do cháy, bất kể nguyên nhân gây cháy (tự nhiên hoặc do con người), mức độ nghiêm trọng hoặc mục đích sử dụng đất.

  • Khai thác – Đất rừng nơi cây, cây bụi hoặc thảm thực vật khác đã bị chặt hoặc loại bỏ bằng các biện pháp do con người tạo ra. Ví dụ: khai thác trắng, khai thác gỗ cứu hộ sau khi cháy hoặc dịch hại do côn trùng, tỉa thưa và các quy định khác về quản lý rừng (ví dụ: khai thác gỗ theo phương pháp bảo vệ/gieo hạt).

  • Cơ giới – Đất không có rừng, nơi cây, cây bụi hoặc thảm thực vật khác đã bị chặt hoặc loại bỏ bằng phương pháp cơ giới như dùng xích, cào, cưa bụi, ủi hoặc bất kỳ phương pháp nào khác để loại bỏ thảm thực vật không phải rừng.

  • Gió/băng – Đất (bất kể mục đích sử dụng) nơi thảm thực vật bị gió làm thay đổi do bão, lốc xoáy, giông bão và các sự kiện thời tiết khắc nghiệt khác, bao gồm cả mưa đóng băng do bão băng.

  • Thuỷ văn học – Vùng đất nơi lũ lụt đã làm thay đổi đáng kể lớp phủ thực vật thân gỗ hoặc các yếu tố khác của lớp phủ mặt đất, bất kể mục đích sử dụng đất (ví dụ: hỗn hợp mới giữa sỏi và thảm thực vật trong và xung quanh lòng suối sau lũ lụt).

  • Mảnh vụn – Đất (bất kể mục đích sử dụng) bị thay đổi do sự di chuyển của vật liệu tự nhiên liên quan đến lở đất, tuyết lở, núi lửa, dòng mảnh vụn, v.v.

  • Khác – Đất (bất kể mục đích sử dụng) nơi xu hướng quang phổ hoặc bằng chứng hỗ trợ khác cho thấy đã xảy ra sự kiện gây xáo trộn hoặc thay đổi nhưng không thể xác định nguyên nhân chính xác hoặc loại thay đổi không đáp ứng bất kỳ danh mục quy trình thay đổi nào được xác định ở trên.
Change_Raw_Probability_Gain mét

Xác suất tăng trưởng được mô hình hoá của LCMS thô. Được định nghĩa là: Đất có độ che phủ thực vật tăng lên do sự phát triển và kế thừa trong một hoặc nhiều năm. Áp dụng cho mọi khu vực có thể thể hiện sự thay đổi về quang phổ liên quan đến sự tái sinh của thảm thực vật. Ở những khu vực đã phát triển, sự tăng trưởng có thể là do thảm thực vật trưởng thành và/hoặc bãi cỏ và cảnh quan mới được lắp đặt. Trong rừng, sự tăng trưởng bao gồm sự tăng trưởng của thảm thực vật từ đất trống, cũng như sự tăng trưởng của cây trung gian và cây đồng ưu thế và/hoặc cỏ và cây bụi ở vùng đất thấp hơn. Các phân đoạn Tăng trưởng/Phục hồi được ghi lại sau khi thu hoạch rừng có thể chuyển đổi qua các lớp phủ đất khác nhau khi rừng tái sinh. Để những thay đổi này được coi là tăng trưởng/phục hồi, các giá trị quang phổ phải tuân thủ chặt chẽ đường xu hướng tăng (ví dụ: độ dốc dương sẽ có giá trị khoảng 0,10 đơn vị NDVI nếu kéo dài đến khoảng 20 năm) và duy trì trong vài năm.
Land_Cover_Raw_Probability_Trees mét

Xác suất thô được mô hình hoá của LCMS đối với Cây. Được định nghĩa là: Phần lớn pixel bao gồm cây còn sống hoặc cây chết đứng.
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix mét

Xác suất được mô hình hoá LCMS thô của hỗn hợp cây bụi và cây cao (Chỉ ở Đông Nam Alaska). Được xác định là: Phần lớn pixel bao gồm các bụi cây cao hơn 1 mét và cũng bao gồm ít nhất 10% cây còn sống hoặc cây chết đứng.
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix mét

Xác suất được mô hình hoá LCMS thô của hỗn hợp Cây bụi và Cây. Được xác định là: Phần lớn pixel bao gồm cây bụi và cũng bao gồm ít nhất 10% cây còn sống hoặc cây chết đứng.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix mét

Xác suất thô được mô hình hoá theo LCMS của hỗn hợp Cỏ/Cây thân thảo/Thảo dược và Cây. Được xác định là: Phần lớn pixel bao gồm các loại cỏ lâu năm, cây thân thảo hoặc các dạng thực vật thân thảo khác, đồng thời cũng bao gồm ít nhất 10% cây còn sống hoặc cây chết đứng.
Land_Cover_Raw_Probability_Barren-and-Trees-Mix mét

Xác suất được mô hình hoá thô của LCMS đối với hỗn hợp Đất cằn và Cây. Được xác định là: Phần lớn pixel bao gồm đất trống do hoạt động gây xáo trộn (ví dụ: đất do hoạt động dọn dẹp bằng máy móc hoặc khai thác rừng làm lộ ra), cũng như các khu vực cằn cỗi lâu năm như sa mạc, hồ nước mặn, đá lộ thiên (bao gồm cả khoáng chất và các vật liệu địa chất khác do hoạt động khai thác mỏ lộ thiên làm lộ ra), cồn cát, vùng đất mặn và bãi biển. Đường làm bằng đất và sỏi cũng được coi là đất cằn và cũng có ít nhất 10% cây còn sống hoặc cây chết đứng.
Land_Cover_Raw_Probability_Tall-Shrubs mét

Xác suất được mô hình hoá LCMS thô của Cây bụi cao (Chỉ Đông Nam Alaska). Được xác định là: Phần lớn pixel bao gồm các bụi cây cao hơn 1 mét.
Land_Cover_Raw_Probability_Shrubs mét

Xác suất được mô hình hoá thô của LCMS đối với Cây bụi. Được xác định là: Phần lớn pixel bao gồm cây bụi.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix mét

Xác suất thô được mô hình hoá của LCMS về hỗn hợp Cỏ/Cây thân thảo/Thảo dược và Cây bụi. Được xác định là: Phần lớn các pixel bao gồm cỏ lâu năm, cây thân thảo hoặc các dạng thực vật thân thảo khác và cũng bao gồm ít nhất 10% cây bụi.
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix mét

Xác suất được mô hình hoá LCMS thô của hỗn hợp đất cằn và cây bụi. Được xác định là: Phần lớn pixel bao gồm đất trống do hoạt động gây xáo trộn (ví dụ: đất do hoạt động dọn dẹp bằng máy móc hoặc khai thác rừng làm lộ ra), cũng như các khu vực cằn cỗi lâu năm như sa mạc, hồ nước mặn, đá lộ thiên (bao gồm cả khoáng chất và các vật liệu địa chất khác do hoạt động khai thác mỏ lộ thiên làm lộ ra), cồn cát, vùng đất mặn và bãi biển. Đường làm bằng đất và sỏi cũng được coi là cằn cỗi và cũng có ít nhất 10% là cây bụi.
Land_Cover_Raw_Probability_Grass-Forb-Herb mét

Xác suất thô được mô hình hoá bằng LCMS của Cỏ/Cây thân thảo/Thảo dược. Được định nghĩa là: Phần lớn điểm ảnh bao gồm các loại cỏ lâu năm, cây thân thảo hoặc các dạng thực vật thân thảo khác.
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix mét

Xác suất thô được mô hình hoá theo LCMS của Đất cằn và Hỗn hợp cỏ/cây thân thảo. Được xác định là: Phần lớn pixel bao gồm đất trống do hoạt động gây xáo trộn (ví dụ: đất do hoạt động dọn dẹp bằng máy móc hoặc khai thác rừng làm lộ ra), cũng như các khu vực cằn cỗi lâu năm như sa mạc, hồ cạn, đá lộ thiên (bao gồm cả khoáng chất và các vật liệu địa chất khác do hoạt động khai thác mỏ lộ thiên làm lộ ra), cồn cát, vùng đất mặn và bãi biển. Đường làm bằng đất và sỏi cũng được coi là đất cằn và cũng bao gồm ít nhất 10% cỏ lâu năm, cây thân thảo hoặc các dạng thực vật thân thảo khác.
Land_Cover_Raw_Probability_Barren-or-Impervious mét

Xác suất được mô hình hoá LCMS thô của Đất cằn hoặc Đất không thấm nước. Được xác định là: Phần lớn điểm ảnh bao gồm 1.) đất trống do hoạt động gây xáo trộn (ví dụ: đất do hoạt động dọn dẹp bằng máy móc hoặc khai thác rừng làm lộ ra), cũng như các khu vực cằn cỗi quanh năm như sa mạc, hồ nước cạn, mỏm đá (bao gồm cả khoáng chất và các vật liệu địa chất khác do hoạt động khai thác mỏ lộ thiên làm lộ ra), cồn cát, vùng đất mặn và bãi biển. Đường làm bằng đất và sỏi cũng được coi là cằn cỗi hoặc 2.) vật liệu nhân tạo mà nước không thể thấm qua, chẳng hạn như đường trải nhựa, mái nhà và bãi đỗ xe.
Land_Cover_Raw_Probability_Snow-or-Ice mét

Xác suất được mô hình hoá thô của LCMS về Tuyết hoặc Băng. Được xác định là: Phần lớn pixel được tạo thành từ tuyết hoặc băng.
Land_Cover_Raw_Probability_Water mét

Xác suất được mô hình hoá thô của LCMS đối với Nước. Được định nghĩa là: Phần lớn pixel bao gồm nước.
Land_Use_Raw_Probability_Agriculture mét

Xác suất thô được mô hình hoá của LCMS đối với ngành Nông nghiệp. Được định nghĩa là: Đất được dùng để sản xuất thực phẩm, sợi và nhiên liệu, ở trạng thái có hoặc không có thực vật. Điều này bao gồm nhưng không giới hạn ở đất trồng trọt và đất chưa trồng trọt, đất trồng cỏ khô, vườn cây ăn quả, vườn nho, hoạt động chăn nuôi gia súc trong không gian hạn chế và khu vực trồng để sản xuất trái cây, các loại hạt hoặc quả mọng. Đường chủ yếu dùng cho mục đích nông nghiệp (tức là không dùng cho phương tiện công cộng đi từ thị trấn này sang thị trấn khác) được coi là đất nông nghiệp.
Land_Use_Raw_Probability_Developed mét

Xác suất thô được mô hình hoá của LCMS về trạng thái Đã phát triển. Được định nghĩa là: Đất có công trình nhân tạo (ví dụ: khu dân cư mật độ cao, thương mại, công nghiệp, khai thác mỏ hoặc giao thông vận tải), hoặc hỗn hợp cả thảm thực vật (bao gồm cả cây) và công trình (ví dụ: khu dân cư mật độ thấp, bãi cỏ, cơ sở giải trí, nghĩa trang, hành lang giao thông vận tải và tiện ích, v.v.), bao gồm mọi vùng đất bị thay đổi chức năng do hoạt động của con người.
Land_Use_Raw_Probability_Forest mét

Xác suất thô được mô hình hoá của LCMS đối với Rừng. Được định nghĩa là: Đất được trồng hoặc có thảm thực vật tự nhiên và có (hoặc có khả năng có) độ che phủ của cây từ 10% trở lên tại một thời điểm nào đó trong chuỗi diễn thế ngắn hạn. Điều này có thể bao gồm các danh mục rừng tự nhiên, rừng trồng và đất ngập nước có cây gỗ rụng lá, thường xanh và/hoặc hỗn hợp.
Land_Use_Raw_Probability_Non-Forest-Wetland mét

Xác suất được mô hình hoá LCMS thô của Đất ngập nước không phải rừng. Được định nghĩa là: Vùng đất liền kề hoặc nằm trong mực nước ngầm có thể nhìn thấy (bão hoà vĩnh viễn hoặc theo mùa) chủ yếu là cây bụi hoặc cây mọc trên mặt nước lâu năm. Những vùng đất ngập nước này có thể nằm ở bờ hồ, lòng sông hoặc cửa sông; trên vùng lũ của sông; trong các lưu vực biệt lập; hoặc trên sườn dốc. Chúng cũng có thể xuất hiện dưới dạng các hố nước trên đồng cỏ, mương thoát nước và ao nuôi cá trong cảnh quan nông nghiệp, đồng thời cũng có thể xuất hiện dưới dạng các hòn đảo ở giữa hồ hoặc sông. Các ví dụ khác cũng bao gồm đầm lầy, đầm than bùn, đầm nước, vùng đất lầy, vùng đất than bùn, vùng nước tù, vùng đất ngập nước và vùng nước chảy chậm.
Land_Use_Raw_Probability_Other mét

Xác suất được mô hình hoá thô của LCMS về danh mục Khác. Được xác định là: Đất (bất kể mục đích sử dụng) mà xu hướng quang phổ hoặc bằng chứng hỗ trợ khác cho thấy đã xảy ra sự kiện xáo trộn hoặc thay đổi nhưng không thể xác định nguyên nhân chính xác hoặc loại thay đổi không đáp ứng bất kỳ danh mục quy trình thay đổi nào được xác định ở trên.
Land_Use_Raw_Probability_Rangeland-or-Pasture mét

Xác suất thô theo mô hình LCMS của Đất đồng cỏ hoặc Đất chăn thả. Được xác định là: Lớp này bao gồm mọi khu vực thuộc một trong hai trường hợp sau: a.) Đất chăn thả, nơi thảm thực vật là hỗn hợp của các loại cỏ, cây bụi, cây thân thảo và cây giống cỏ bản địa chủ yếu phát sinh từ các yếu tố và quy trình tự nhiên như lượng mưa, nhiệt độ, độ cao và lửa, mặc dù hoạt động quản lý hạn chế có thể bao gồm cả việc đốt có kiểm soát cũng như hoạt động chăn thả của động vật ăn cỏ hoang dã và gia súc; hoặc b.) Đồng cỏ, nơi thảm thực vật có thể bao gồm nhiều loại cỏ tự nhiên, cây thân thảo và thảo mộc đến thảm thực vật được quản lý nhiều hơn, chủ yếu là các loài cỏ được gieo hạt và quản lý để duy trì gần như độc canh.
QA_Bits mét

Thông tin bổ sung về nguồn gốc của các giá trị đầu ra của sản phẩm LCMS hằng năm.

Thay đổi bảng lớp

Giá trị Màu Mô tả
1 #3d4551

Ổn định
2 #f39268

Tổn thất chậm
3 #d54309

Giảm cân nhanh
4 #00a398

Độ nhạy
5 #1b1716

Mặt nạ vùng không xử lý

Bảng phân loại độ che phủ đất

Giá trị Màu Mô tả
1 #005e00

Cây
2 #008000

Hỗn hợp cây bụi và cây cao (Chỉ ở Đông Nam Alaska)
3 #00cc00

Danh sách kết hợp cây bụi và cây
4 #b3ff1a

Hỗn hợp cỏ/cây thân thảo/thảo mộc và cây
5 #99ff99

Cảnh vật cằn cỗi và cây cối
6 #b30088

Cây bụi cao (Chỉ ở Đông Nam Alaska)
7 #e68a00

Cây bụi
8 #ffad33

Hỗn hợp cỏ/cây thân thảo/thảo mộc và cây bụi
9 #ffe0b3

Hỗn hợp đất cằn và cây bụi
10 #ffff00

Cỏ/Cây thân thảo/Thảo mộc
11 #aa7700

Hỗn hợp đất cằn và cỏ/cây thân thảo/thảo mộc
12 #d3bf9b

Cằn cỗi hoặc Không thấm nước
13 #ffffff

Tuyết hoặc băng
14 #4780f3

Nước
15 #1b1716

Mặt nạ vùng không xử lý

Bảng phân loại việc sử dụng đất

Giá trị Màu Mô tả
1 #efff6b

Nông nghiệp
2 #ff2ff8

Đã phát triển
3 #1b9d0c

Rừng
4 #97ffff

Đất ngập nước không phải là rừng
5 #a1a1a1

Khác
6 #c2b34a

Đồng cỏ hoặc bãi chăn thả
7 #1b1716

Mặt nạ vùng không xử lý

Thuộc tính hình ảnh

Thuộc tính hình ảnh

Tên Loại Mô tả
study_area STRING

LCMS hiện bao gồm các vùng lãnh thổ liền kề của Hoa Kỳ, Đông Nam Alaska, Puerto Rico – Quần đảo Virgin thuộc Hoa Kỳ và Hawaii. Phiên bản này chứa dữ liệu đầu ra trên khắp Hoa Kỳ lục địa, Đông Nam Alaska, Puerto Rico – Quần đảo Virgin thuộc Hoa Kỳ và Hawaii. Các giá trị có thể là: "CONUS, SEAK, PRUSVI, HI"
năm SLC

Năm sản xuất sản phẩm

Điều khoản sử dụng

Điều khoản sử dụng

Cục Lâm nghiệp Hoa Kỳ không bảo đảm (dù rõ ràng hay ngụ ý), bao gồm cả việc đảm bảo khả năng bán được và tính phù hợp cho một mục đích cụ thể, cũng như không chịu trách nhiệm pháp lý hoặc trách nhiệm đối với tính chính xác, độ tin cậy, tính đầy đủ hoặc tính hữu ích của dữ liệu không gian địa lý này, hoặc đối với việc sử dụng dữ liệu không gian địa lý này không đúng cách hoặc không chính xác. Những dữ liệu không gian địa lý và bản đồ hoặc đồ hoạ liên quan này không phải là tài liệu pháp lý và không được dùng làm tài liệu pháp lý. Bạn không được sử dụng dữ liệu và bản đồ để xác định danh hiệu, quyền sở hữu, nội dung mô tả hoặc ranh giới pháp lý, phạm vi tài phán pháp lý hoặc các hạn chế có thể áp dụng đối với đất công hoặc đất tư nhân. Dữ liệu và bản đồ có thể mô tả hoặc không mô tả các mối nguy hiểm tự nhiên, đồng thời người dùng đất cần thận trọng. Dữ liệu này mang tính linh hoạt và có thể thay đổi theo thời gian. Người dùng chịu trách nhiệm xác minh các giới hạn của dữ liệu không gian địa lý và sử dụng dữ liệu cho phù hợp.

Những dữ liệu này được thu thập bằng nguồn tài trợ của Chính phủ Hoa Kỳ và bạn có thể sử dụng mà không cần có thêm quyền hoặc trả thêm phí. Nếu bạn sử dụng những dữ liệu này trong một ấn phẩm, bản trình bày hoặc sản phẩm nghiên cứu khác, vui lòng sử dụng thông tin trích dẫn sau:

Cục Lâm nghiệp Hoa Kỳ. 2024. Hệ thống giám sát thay đổi cảnh quan của USFS phiên bản 2023.9 (Hoa Kỳ lục địa và Hoa Kỳ lục địa bên ngoài). Thành phố Salt Lake, Utah.

Trích dẫn

Trích dẫn:

  • Cục Lâm nghiệp Hoa Kỳ. 2024. Hệ thống giám sát thay đổi cảnh quan của USFS phiên bản 2023.9 (Hoa Kỳ lục địa và Hoa Kỳ lục địa bên ngoài). Thành phố Salt Lake, Utah.

  • Breiman, L., 2001. Rừng ngẫu nhiên. Trong công nghệ học máy. Springer, 45: 5-32. doi:10.1023/A:1010933404324

  • Chastain, R., Housman, I., Goldstein, J., Finco, M. và Tenneson, K., 2019. So sánh thực nghiệm giữa các cảm biến của Sentinel-2A và 2B MSI, Landsat-8 OLI và Landsat-7 ETM về đặc điểm quang phổ đỉnh khí quyển trên khắp Hoa Kỳ lục địa. Trong Remote Sensing of Environment. Science Direct, 221: 274-285. doi:10.1016/j.rse.2018.11.012

  • Cohen, W. B., Yang, Z., và Kennedy, R., 2010. Phát hiện xu hướng về tình trạng xáo trộn và phục hồi rừng bằng cách sử dụng chuỗi thời gian Landsat hằng năm: 2. TimeSync – Công cụ để hiệu chỉnh và xác thực. Trong 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., và Gorelick, N., 2018. Một tổ hợp đa phổ LandTrendr để phát hiện tình trạng xáo trộn rừng. Trong 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. So sánh và xác thực thuật toán phát hiện đám mây cho các sản phẩm dữ liệu Landsat đang hoạt động. Trong Remote Sensing of Environment. Science Direct, 194: 379-390. doi:10.1016/j.rse.2017.03.026

  • Cơ quan Khảo sát Địa chất Hoa Kỳ, 2019. Mô hình độ cao kỹ thuật số của Chương trình độ cao 3D của Cục Khảo sát Địa chất Hoa Kỳ, truy cập vào tháng 8 năm 2022 tại 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. và Zhu, Z., 2018. Lập bản đồ thay đổi rừng bằng cách sử dụng khái quát hoá xếp chồng: Một phương pháp kết hợp. Trong Remote Sensing of Environment. Science Direct, 204: 717-728. doi:10.1016/j.rse.2017.09.029

  • Kennedy, R. E., Yang, Z. và Cohen, W. B., 2010. Phát hiện xu hướng trong sự xáo trộn và phục hồi rừng bằng cách sử dụng chuỗi thời gian Landsat hằng năm: 1. LandTrendr – Thuật toán phân đoạn theo thời gian. Trong 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., và Healey, S. 2018. Triển khai Thuật toán LandTrendr trên Google Earth Engine. Trong lĩnh vực Viễn thám. MDPI, 10(5): 691. doi:10.3390/rs10050691

  • Pasquarella, V. J., Brown, C. F., Czerwinski, W. và Rucklidge, W. J., 2023. Đánh giá toàn diện chất lượng của hình ảnh vệ tinh quang học bằng phương pháp học video được giám sát một phần. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2125-2135. doi:10.1109/CVPRW59228.2023.00206

  • Sentinel-Hub, 2021. Trình phát hiện đám mây Sentinel 2. [Trực tuyến]. Có tại: https://github.com/sentinel-hub/sentinel2-cloud-detector

  • Weiss, A.D., 2001. Phân tích vị trí địa hình và địa mạo Bài thuyết trình trên áp phích, Hội nghị người dùng ESRI, San Diego, CAZhu, Z., và Woodcock, C. E. 2012. Phát hiện đám mây và bóng mây dựa trên đối tượng trong hình ảnh Landsat. 118: 83-94.

  • Zhu, Z. và Woodcock, C. E., 2012. Phát hiện đám mây và bóng mây dựa trên đối tượng trong hình ảnh Landsat. Trong Remote Sensing of Environment. Science Direct, 118: 83-94. doi:10.1016/j.rse.2011.10.028

  • Zhu, Z. và Woodcock, C. E., 2014. Phân loại và phát hiện thay đổi liên tục về độ che phủ đất bằng cách sử dụng tất cả dữ liệu Landsat có sẵn. Trong Remote Sensing of Environment. Science Direct, 144: 152-171. doi:10.1016/j.rse.2014.01.011

DOI

Khám phá bằng Earth Engine

Trình soạn thảo mã (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);
Mở trong Trình soạn thảo mã
Sản phẩm này là một phần của bộ dữ liệu Hệ thống giám sát thay đổi cảnh quan (LCMS). Tập dữ liệu này cho thấy sự thay đổi theo mô hình LCMS, lớp phủ đất và/hoặc các lớp sử dụng đất cho mỗi năm bao gồm Lục địa Hoa Kỳ (CONUS) và các khu vực bên ngoài CONUS (OCONUS), bao gồm cả Đông Nam Alaska (SEAK), Puerto Rico – Quần đảo Virgin thuộc Hoa Kỳ (PRUSVI) và …
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