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

USFS/GTAC/LCMS/v2023-9
資料集可用性
1985-01-01T00:00:00Z–2023-12-31T00:00:00Z
資料集供應來源
Earth Engine 程式碼片段
ee.ImageCollection("USFS/GTAC/LCMS/v2023-9")
標記
change-detection
森林
gtac
地貌
landsat-derived
landuse
landuse-landcover
lcms
redcastle-resources
衍生自 Sentinel
時間序列
usda
usfs

說明

這項產品是地景變化監控系統 (LCMS) 資料套件的一部分。 這項資料集會顯示美國本土 (CONUS) 和美國本土以外地區 (OCONUS) 每年 LCMS 模擬的變化、土地覆蓋和/或土地利用類別，包括阿拉斯加東南部 (SEAK)、波多黎各和美屬維京群島 (PRUSVI)，以及夏威夷 (HI)。

LCMS 是一種以遙測為基礎的系統，用於繪製和監控美國各地的地貌變化。該計畫的目標是運用最新技術和變化偵測方面的進展，開發一致的方法，製作「最佳可用」的地景變化地圖。

輸出內容包括三項年度產品：變化、土地覆蓋和土地用途。 變更具體來說與植被覆蓋有關，包括緩慢流失、快速流失 (也包括水文變化，例如淹水或乾旱)，以及增加。這些值是針對 Landsat 時間序列的每年預測值，也是 LCMS 的基礎產品。土地覆蓋和土地使用地圖會顯示每年生命形式層級的土地覆蓋，以及廣泛層級的土地使用。

由於沒有任何演算法在所有情況下都能發揮最佳效用，LCMS 會使用模型組合做為預測因子，藉此提升各種生態系統和變更程序的地圖準確度 (Healey 等人，2018)。這套 LCMS 變化、土地覆蓋和土地用途地圖，可全面呈現 1985 年以來美國的景觀變化。

LCMS 模型的預測層包括 LandTrendr 和 CCDC 變化偵測演算法的輸出內容，以及地形資訊。這些元件全都是使用 Google Earth Engine 存取及處理 (Gorelick 等人，2017)。

對於 CCDC，美國地質調查局 (USGS) Collection 2 Landsat Tier 1 地表反射率資料用於美國本土，而 Landsat Tier 1 大氣層頂端反射率資料用於 SEAK、PRUSVI 和 HI。如要製作 LandTrendr 的年度合成資料，則使用 USGS Collection 2 Landsat Tier 1 和 Sentinel 2A、2B Level-1C 大氣層頂端反射率資料。cFmask 雲遮罩演算法 (Foga 等人，2017)，這是 Fmask 2.0 (Zhu 和 Woodcock，2012 年) 的實作項目 (僅限 Landsat)、cloudScore (Chastain 等人，2019) (僅限 Landsat)、s2cloudless (Sentinel-Hub, 2021) 和 Cloud Score plus (Pasquarella 等人，2023 年) (僅限 Sentinel 2) 用於遮蓋雲朵，而 TDOM (Chastain 等人，2019) 用於遮蓋雲影 (Landsat 和 Sentinel 2)。對於 LandTrendr，系統接著會計算年度中位數，將每年的無雲和無雲陰影值匯總為單一合成影像。

複合時間序列會使用 LandTrendr (Kennedy 等人，2010; Kennedy et al., 2018; Cohen et al., 2018)。

所有無雲和無雲影的值也會使用 CCDC 演算法進行時間區隔 (Zhu 和 Woodcock，2014 年)。

預測因子資料包括原始複合值、LandTrendr 擬合值、成對差異、區隔持續時間、變化幅度和斜率，以及 CCDC 正弦和餘弦係數 (前 3 個諧波)、擬合值和成對差異，以及來自 10 公尺 USGS 3D Elevation Program (3DEP) 資料 (U.S. Geological Survey, 2019) 的海拔、坡度、方位正弦、方位餘弦和地形位置指數 (Weiss, 2001)。

參考資料是透過 TimeSync 收集而來，這項網頁工具可協助分析師從 1984 年至今，以視覺化方式呈現及解讀 Landsat 資料記錄 (Cohen 等人，2010 年)。

我們使用 TimeSync 的參考資料，以及 LandTrendr、CCDC 和地形指數的預測資料，訓練隨機森林模型 (Breiman，2001 年)，以預測年度變化、土地覆蓋和土地利用類別。完成建模後，我們使用輔助資料集建立一系列機率門檻和規則集，以改善地圖輸出內容的品質，並減少錯誤和遺漏。詳情請參閱「說明」中的 LCMS 方法簡介。

其他資源

如有任何問題或特定資料要求，請傳送電子郵件至 [sm.fs.lcms@usda.gov]。

錶帶

Pixel 大小
30 公尺

波段

名稱 像素大小 說明
Change 公尺

最終主題 LCMS 變更產品。每年都會對應三種變化類別 (緩慢流失、快速流失和獲得)。每個類別都是使用個別的隨機森林模型預測，該模型會輸出像素屬於該類別的機率 (隨機森林模型中樹狀結構的比例)。因此，個別 Pixel 手機每年都會有三種不同的模型輸出內容。系統會將最終類別指派給機率最高且高於指定門檻的變更類別。如果像素在各類別的相應門檻以上都沒有任何值，系統就會將該像素指派給「穩定」類別。指派變更類別前，系統已對所有研究區域套用規則，避免非植被土地覆蓋發生變化。
Land_Cover 公尺

最終主題 LCMS 土地覆蓋產品。我們每年都會使用 TimeSync 參考資料和從 Landsat 圖像取得的光譜資訊，繪製 14 個土地覆蓋類別的地圖。每個類別都是使用個別的隨機森林模型預測，該模型會輸出像素屬於該類別的機率 (隨機森林模型中樹狀結構的比例)。因此，每個像素每年有 14 種不同的模型輸出結果，最終會將機率最高的類別指派給土地覆蓋。在指派機率最高的土地覆蓋類別之前，阿拉斯加東南部會先實作土地覆蓋規則，限制海平面大型潮間帶的樹木和積雪土地覆蓋類別。沒有任何土地覆蓋規則套用至美國本土、波多黎各 - 美屬維京群島或夏威夷。14 個土地覆蓋類別中，有 7 個代表單一土地覆蓋，這類土地覆蓋類型涵蓋大部分的像素區域，且沒有其他類別涵蓋超過 10% 的像素。另有七堂混合課程。這些像素代表額外的土地覆蓋類別至少涵蓋 10% 的像素。
Land_Use 公尺

最終主題 LCMS 土地使用產品。我們每年都會使用 TimeSync 參考資料和從 Landsat 圖像取得的光譜資訊，繪製 6 個土地用途類別的地圖。每個類別都是使用個別的隨機森林模型預測，該模型會輸出像素屬於該類別的機率 (隨機森林模型中樹狀結構的比例)。因此，每個像素每年都有 6 種不同的模型輸出結果，而最終類別會指派給機率最高的土地用途。在指派機率最高的土地使用類別之前，系統會先套用一系列機率門檻和規則集，並使用輔助資料集土地使用規則。如要進一步瞭解機率門檻和規則集，請參閱「說明」中隨附的 LCMS 方法簡報。我們已於 2024 年 7 月 2 日更新美國本土土地利用產品，修正開發類別的問題。
Change_Raw_Probability_Slow_Loss 公尺

LCMS 原始模型預測的緩慢流失機率。定義為：緩慢遺失包括以下類別，這些類別來自 TimeSync 變更程序解讀：

  • 結構性衰退 - 樹木或其他木質植被因非人為或非機械因素造成的不利生長條件，而發生實質變化。這類損失通常會在光譜訊號中產生趨勢 (例如 NDVI 減少、濕度減少、SWIR 增加等)，但趨勢可能不明顯。木本植被環境的結構性衰退，最有可能來自昆蟲、疾病、乾旱、酸雨等。結構性衰退可能包括不會導致死亡的落葉事件，例如舞毒蛾和雲杉捲葉蛾的侵擾，這些事件可能在 1 或 2 年內恢復。

  • 光譜衰退：繪圖，顯示一或多個光譜帶或指數的趨勢 (例如 NDVI 減少、濕度減少、SWIR 增加等)。例如：a) 非森林/非木質植被呈現衰退趨勢 (例如 NDVI 降低、濕度降低、SWIR 增加等)，或 b) 木質植被呈現衰退趨勢，但與木質植被流失無關，例如成熟樹冠封閉導致陰影增加、物種組成從針葉樹變為闊葉樹，或乾旱期 (相較於更強烈、更嚴重的乾旱) 導致活力明顯下降，但沒有木質材料或葉面積流失。
Change_Raw_Probability_Fast_Loss 公尺

原始 LCMS 模擬快速流失機率。定義為：快速遺失包括以下類別，這些類別來自 TimeSync 變更程序解讀：

  • 火災：因火災而改變的土地，無論起火原因 (自然或人為)、嚴重程度或土地用途為何。

  • 收成 - 樹木、灌木或其他植被遭人為砍伐或移除的林地。例如皆伐、火災或蟲害爆發後的搶救伐採、疏伐和其他森林管理處方 (例如避難林/留種樹伐採)。

  • 機械式 - 非森林土地，樹木、灌木或其他植被已透過鏈結、刮除、刷鋸、推土或其他非森林植被移除方法，以機械方式切斷或移除。

  • 風/冰 - 陸地 (不論用途) 的植被因颶風、龍捲風、暴風雨和其他惡劣天氣 (包括冰風暴造成的凍雨) 而改變。

  • 水文 - 洪水顯著改變木質覆蓋或其他土地覆蓋元素的土地，無論土地用途為何 (例如洪水過後，河床內外出現新的碎石和植被混合物)。

  • 碎屑 - 土地 (不論用途) 因與山崩、雪崩、火山、土石流等相關的天然物質移動而改變。

  • 其他 - 土地 (不論用途)，其中光譜趨勢或其他佐證資料顯示發生干擾或變化事件，但無法確定確切原因，或變化類型不符合上述任何變化程序類別。
Change_Raw_Probability_Gain 公尺

LCMS 原始模型預測的獲利機率。定義：土地的植被覆蓋率因多年生長和演替而增加。適用於可能出現與植被再生相關光譜變化的任何區域。在已開發區域，成長可能來自成熟的植被和/或新安裝的草坪和景觀。在森林中，生長包括從裸露地面生長的植被，以及中等和共同優勢樹木和/或低窪草地和灌木的頂部。森林砍伐後記錄的成長/復原區段，可能會隨著森林再生而經歷不同的土地覆蓋類別。如要將這些變化視為成長/復原，光譜值應緊密遵循上升趨勢線 (例如正斜率，如果延伸至約 20 年，則為 NDVI 的 0.10 個單位)，且持續數年。
Land_Cover_Raw_Probability_Trees 公尺

樹木的原始 LCMS 模擬機率。定義：像素的大部分由活樹或枯樹組成。
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix 公尺

高灌木和樹木混合物 (僅限東南阿拉斯加) 的原始 LCMS 模擬機率。定義：像素的大部分由高度超過 1 公尺的灌木組成，且至少有 10% 的活樹或枯樹。
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix 公尺

灌木和樹木混合的原始 LCMS 模擬機率。定義：像素的大部分區域由灌木叢組成，且至少有 10% 的活樹或枯樹。
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix 公尺

草/闊葉草/草本植物和樹木混合的原始 LCMS 模擬機率。定義：像素的大部分由多年生草、草本植物或其他形式的草本植被組成，且至少有 10% 的活樹或枯樹。
Land_Cover_Raw_Probability_Barren-and-Trees-Mix 公尺

原始 LCMS 模擬的 Barren 和 Trees Mix 機率。定義：像素的大部分區域由因干擾而裸露的土壤組成 (例如機械清除或森林砍伐後裸露的土壤)，以及永久荒蕪的區域，例如沙漠、鹽湖、岩層 (包括因露天採礦活動而裸露的礦物和其他地質物質)、沙丘、鹽灘和海灘。由泥土和碎石鋪成的道路也視為荒地，且至少有 10% 的活樹或枯樹。
Land_Cover_Raw_Probability_Tall-Shrubs 公尺

高灌木叢的原始 LCMS 模擬機率 (僅限東南阿拉斯加)。定義：大部分像素是由高度超過 1 公尺的灌木叢組成。
Land_Cover_Raw_Probability_Shrubs 公尺

灌木叢的原始 LCMS 模擬機率。定義：像素的大部分區域由灌木叢組成。
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix 公尺

草/草本植物/灌木混合物原始 LCMS 建模機率。定義：像素的大部分由多年生草、草本植物或其他草本植被組成，且至少有 10% 的灌木。
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix 公尺

Barren and Shrubs Mix 的原始 LCMS 模擬機率。定義：像素的大部分區域由因干擾而裸露的土壤組成 (例如機械清除或森林砍伐後裸露的土壤)，以及永久荒蕪的區域，例如沙漠、鹽湖、岩層 (包括因露天採礦活動而裸露的礦物和其他地質物質)、沙丘、鹽灘和海灘。泥土和碎石路也視為荒地，且至少有 10% 的灌木叢。
Land_Cover_Raw_Probability_Grass-Forb-Herb 公尺

草/闊葉草/草本植物的原始 LCMS 模擬機率。定義：像素的大部分由多年生草、草本植物或其他形式的草本植被組成。
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix 公尺

原始 LCMS 模擬的荒地和草/闊葉草/草本植物混合機率。定義：像素的大部分區域由因擾動而裸露的土壤組成 (例如因機械清除或森林砍伐而裸露的土壤)，以及長期荒蕪的區域，例如沙漠、鹽湖、岩層 (包括因露天採礦活動而裸露的礦物和其他地質材料)、沙丘、鹽灘和海灘。泥土和碎石路也視為荒地，且至少有 10% 的多年生草、草本植物或其他草本植被。
Land_Cover_Raw_Probability_Barren-or-Impervious 公尺

裸露或不透水 LCMS 模擬機率。定義為：像素的大部分區域由 1.) 因擾動而裸露的土壤 (例如因機械清除或森林砍伐而裸露的土壤)，以及永久荒蕪的區域 (例如沙漠、鹽湖、岩層 (包括因露天採礦活動而裸露的礦物和其他地質物質)、沙丘、鹽灘和海灘) 組成。泥土和碎石路也視為貧瘠或 2.) 水無法滲透的人造材料，例如鋪砌道路、屋頂和停車場。
Land_Cover_Raw_Probability_Snow-or-Ice 公尺

雪或結冰的原始 LCMS 模擬機率。定義：像素的大部分區域由雪或冰組成。
Land_Cover_Raw_Probability_Water 公尺

水份的原始 LCMS 模擬機率。定義：像素的大部分成分為水。
Land_Use_Raw_Probability_Agriculture 公尺

農業的原始 LCMS 模擬機率。定義為：用於生產食物、纖維和燃料的土地，無論是植被或非植被狀態。包括但不限於耕地和非耕地、乾草地、果園、葡萄園、圈養牲畜作業，以及種植水果、堅果或漿果的區域。主要用於農業用途的道路 (即不適用於城鎮間的大眾運輸) 視為農業用地。
Land_Use_Raw_Probability_Developed 公尺

已開發的原始 LCMS 模擬機率。定義為：由人造結構物覆蓋的土地 (例如高密度住宅、商業、工業、採礦或運輸)，或植被 (包括樹木) 和結構物混合的土地 (例如低密度住宅、草坪、休閒設施、墓地、運輸和公用事業走廊等)，包括因人類活動而發生功能性變化的任何土地。
Land_Use_Raw_Probability_Forest 公尺

森林的原始 LCMS 模擬機率。定義為：種植或自然植被的土地，在近期演替序列的某個時間點，包含 (或可能包含) 10% 以上的樹木覆蓋率。這可能包括天然森林、造林地和木本濕地，以及落葉林、常綠林和/或混合類別。
Land_Use_Raw_Probability_Non-Forest-Wetland 公尺

非森林濕地的原始 LCMS 模擬機率。定義：鄰近或位於可見水位線 (永久或季節性飽和) 內，以灌木或持續性挺水植物為主的土地。這些濕地可能位於湖泊、河道或河口岸邊；河漫灘；孤立的集水區；或斜坡上。也可能出現在農業景觀中，例如草原窪地、排水溝和蓄水池，也可能出現在湖泊或河流中央，形成島嶼。其他例子包括沼澤、濕地、沼澤地、泥沼、苔原、水塘、沼澤地和河口。
Land_Use_Raw_Probability_Other 公尺

「其他」的原始 LCMS 模擬機率。定義：土地 (不論用途) 的光譜趨勢或其他佐證顯示發生干擾或變化事件，但無法確定確切原因，或變化類型不符合上述任何變化程序類別。
Land_Use_Raw_Probability_Rangeland-or-Pasture 公尺

原始 LCMS 模擬的牧草地或牧場機率。定義為：此類別包含任何區域，牧草地，植被是由原生草、灌木、草本植物和草狀植物組成，主要由降雨、溫度、海拔和火災等自然因素和過程產生，雖然有限的管理可能包括規定的燃燒以及家畜和野生草食動物的放牧；或 b.) 牧草地，植被可能包括混合的天然草類、闊葉草和草本植物，也可能經過管理，以草類為主，並經過播種和管理，維持近乎單一栽培的狀態。
QA_Bits 公尺

年度 LCMS 產品輸出值來源的輔助資訊。

變更課程表

值 顏色 說明
1 #3d4551

穩定
2 #f39268

緩慢流失
3 #d54309

Fast Loss
4 #00a398

增強
5 #1b1716

非處理區域遮罩

Land_Cover Class Table

值 顏色 說明
1 #005e00

樹木
2 #008000

高灌木和樹木混合 (僅限東南阿拉斯加)
3 #00cc00

灌木和樹木混合
4 #b3ff1a

草/草本植物/香草和樹木混合
5 #99ff99

荒地和樹木混合
6 #b30088

高灌木 (僅限東南亞)
7 #e68a00

灌木
8 #ffad33

草/草本植物/香草和灌木混合
9 #ffe0b3

荒地和灌木叢混合
10 #ffff00

草/草本植物
11 #aa7700

貧瘠和草/闊葉草/香草混合
12 #d3bf9b

不透水或不透水
13 #ffffff

積雪或結冰
14 #4780f3

水
15 #1b1716

非處理區域遮罩

土地用途類別表

值 顏色 說明
1 #efff6b

農業
2 #ff2ff8

開發
3 #1b9d0c

森林
4 #97ffff

非森林濕地
5 #a1a1a1

其他
6 #c2b34a

牧草地或牧場
7 #1b1716

非處理區域遮罩

圖片屬性

影像屬性

名稱 類型 說明
study_area STRING

LCMS 目前涵蓋美國本土、阿拉斯加東南部、波多黎各和美屬維京群島，以及夏威夷。這個版本包含美國本土、阿拉斯加東南部、波多黎各和美屬維京群島，以及夏威夷的輸出內容。可能的值：「CONUS, SEAK, PRUSVI, HI」
年 INT

產品年份

使用條款

使用條款

美國農業部林務署不提供任何明示或默示擔保，包括適售性和特定用途適用性的擔保，也不對這些地理空間資料的準確性、可靠性、完整性或實用性，或對這些地理空間資料的不當或錯誤使用承擔任何法律責任或義務。這些地理空間資料和相關地圖或圖像並非法律文件，不應做為法律文件使用。資料和地圖不得用於判斷公共或私人土地的權利、所有權、法律說明或界線、法律管轄權，或可能存在的限制。資料和地圖可能不會顯示天然災害，土地使用者應謹慎行事。資料是動態的，可能會隨時間改變。使用者有責任確認地理空間資料的限制，並據此使用資料。

這些資料是使用美國政府的資金收集而來，可免費使用，不需額外權限。如要在出版品、簡報或其他研究產品中使用這些資料，請引用下列內容：

美國農業部林務署。2024 年。USFS Landscape Change Monitoring System v2023.9 (美國本土和美國本土外)。猶他州鹽湖城。

引用內容

參考資料：

  • 美國農業部林務署。2024 年。美國森林局地景變化監控系統 v2023.9 (美國本土和美國本土外)。猶他州鹽湖城。

  • Breiman, L.、2001 年。隨機森林。在機器學習中，Springer, 45: 5-32. doi:10.1023/A:1010933404324

  • Chastain, R.、Housman, I.、Goldstein, J.、Finco, M. 和 Tenneson, K.，2019 年。 美國本土上空 Sentinel-2A 和 2B MSI、Landsat-8 OLI 和 Landsat-7 ETM 大氣層頂端光譜特徵的感應器交叉比較。In Remote Sensing of Environment. Science Direct， 221：274-285。doi:10.1016/j.rse.2018.11.012

  • Cohen, W. B. Yang, Z. 和 Kennedy, R.，2010 年。使用 Landsat 年度時間序列偵測森林干擾和復原趨勢：2. TimeSync - 用於校準和驗證的工具。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. 和 Gorelick, N.， 2018 年。用於偵測森林干擾的 LandTrendr 多光譜集合。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 年。比較並驗證作業 Landsat 資料產品的雲端偵測演算法。In Remote Sensing of Environment. Science Direct, 194: 379-390. doi:10.1016/j.rse.2017.03.026

  • 美國地質調查局，2019 年。USGS 3D Elevation Program Digital Elevation Model，2022 年 8 月存取自 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. 和 Zhu, Z.，2018 年。Mapping forest change using stacked generalization: An ensemble approach. In Remote Sensing of Environment. Science Direct，204：717-728。 doi:10.1016/j.rse.2017.09.029

  • Kennedy, R. E.、Yang, Z. 和 Cohen, W. B. 2010 年。使用 Landsat 每年時間序列資料偵測森林干擾和復原趨勢：1.LandTrendr - 時間區隔演算法。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. 和 Healey, S. 2018 年。在 Google Earth Engine 上實作 LandTrendr 演算法。在遙感中，MDPI, 10(5): 691. doi:10.3390/rs10050691

  • Pasquarella, V. J.、Brown, C. F.、Czerwinski, W. 和 Rucklidge, W. J.、 2023 年。Comprehensive Quality Assessment of Optical Satellite Imagery Using Weakly Supervised Video Learning. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2125-2135. doi:10.1109/CVPRW59228.2023.00206

  • Sentinel-Hub，2021 年。Sentinel 2 Cloud Detector。[線上]。可前往以下網址查看： https://github.com/sentinel-hub/sentinel2-cloud-detector

  • Weiss, A.D.、2001 年。地形位置和地貌分析 海報簡報，ESRI 使用者大會，加州聖地牙哥 Zhu, Z.， 和 Woodcock, C. E. 2012 年。在 Landsat 影像中偵測雲朵和雲影。118: 83-94。

  • Zhu, Z. 和 Woodcock, C. E.、2012 年。在 Landsat 影像中偵測雲朵和雲影。In Remote Sensing of Environment. Science Direct， 118：83-94。doi:10.1016/j.rse.2011.10.028

  • Zhu, Z. 和 Woodcock, C. E.、2014 年。使用所有可用的 Landsat 資料，持續偵測土地覆蓋變化並進行分類。In Remote Sensing of Environment. Science Direct, 144: 152-171。 doi:10.1016/j.rse.2014.01.011

DOI

使用 Earth Engine 探索

程式碼編輯器 (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);
在程式碼編輯器中開啟
這項產品是「地景變化監控系統」(LCMS) 資料套件的一部分。這項資料集會顯示美國本土 (CONUS) 和 CONUS 以外地區 (OCONUS) 每年 LCMS 模式的變化、土地覆蓋和/或土地利用類別，包括阿拉斯加東南部 (SEAK)、波多黎各和美屬維京群島 (PRUSVI)，以及…
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