USFS Landscape Change Monitoring System v2024.10 (CONUS and OCONUS)

USFS/GTAC/LCMS/v2024-10
ความพร้อมใช้งานของชุดข้อมูล
1985-01-01T00:00:00Z–2024-12-31T00:00:00Z
ผู้ผลิตชุดข้อมูล
ตัวอย่างข้อมูล Earth Engine
ee.ImageCollection("USFS/GTAC/LCMS/v2024-10")
แท็ก
การตรวจหาการเปลี่ยนแปลง ป่าไม้ gtac สิ่งปกคลุมดิน การใช้ประโยชน์ที่ดิน สิ่งปกคลุมดินและการใช้ประโยชน์ที่ดิน redcastle-resources usda usfs
LCMS

คำอธิบาย

ผลิตภัณฑ์นี้เป็นส่วนหนึ่งของชุดข้อมูลระบบการตรวจสอบการเปลี่ยนแปลงของภูมิประเทศ (LCMS) โดยจะแสดงการเปลี่ยนแปลงที่จำลองโดย LCMS, การปกคลุมของดิน และ/หรือชั้นการใช้ที่ดินสำหรับแต่ละปี และครอบคลุมสหรัฐอเมริกาภาคพื้นทวีป (CONUS) รวมถึงพื้นที่นอก CONUS (OCONUS) ซึ่งรวมถึงอะแลสกา (AK), เปอร์โตริโก-หมู่เกาะเวอร์จินของสหรัฐอเมริกา (PRUSVI) และฮาวาย (HAWAII)

LCMS เป็นระบบที่ใช้การรับรู้จากระยะไกลสำหรับการทำแผนที่และการตรวจสอบการเปลี่ยนแปลงของภูมิประเทศทั่ว สหรัฐอเมริกา โดยมีวัตถุประสงค์เพื่อพัฒนาแนวทางที่สอดคล้องกันโดยใช้เทคโนโลยีล่าสุด และความก้าวหน้าในการตรวจหาการเปลี่ยนแปลงเพื่อสร้างแผนที่การเปลี่ยนแปลงของภูมิประเทศที่ "ดีที่สุด"

เอาต์พุตประกอบด้วยผลิตภัณฑ์รายปี 3 รายการ ได้แก่ การเปลี่ยนแปลง สิ่งปกคลุมดิน และการใช้ที่ดิน เอาต์พุตโมเดลการเปลี่ยนแปลงเกี่ยวข้องกับการปกคลุมของพืชโดยเฉพาะ และรวมถึงการสูญเสียอย่างช้าๆ การสูญเสียอย่างรวดเร็ว (ซึ่งรวมถึงการเปลี่ยนแปลงทางอุทกวิทยา เช่น น้ำท่วมหรือการแห้งแล้ง) และการเพิ่มขึ้น ค่าเหล่านี้ได้รับการคาดการณ์สำหรับแต่ละปีของอนุกรมเวลา Landsat และทำหน้าที่เป็นผลิตภัณฑ์พื้นฐานสำหรับ LCMS เราใช้ชุดกฎตามชุดข้อมูลเสริมเพื่อสร้างผลิตภัณฑ์การเปลี่ยนแปลงขั้นสุดท้าย ซึ่งเป็นการ ปรับแต่ง/จัดประเภทการเปลี่ยนแปลงที่จำลองใหม่เป็น 15 คลาสที่ให้ข้อมูลอย่างชัดเจนเกี่ยวกับสาเหตุของการเปลี่ยนแปลงภูมิทัศน์ (เช่น การโค่นต้นไม้ ไฟป่า ความเสียหายจากลม) แผนที่การปกคลุมดินและการใช้ประโยชน์ที่ดินแสดงการปกคลุมดินระดับรูปแบบสิ่งมีชีวิตและการใช้ประโยชน์ที่ดินระดับกว้างในแต่ละปี

เนื่องจากไม่มีอัลกอริทึมใดที่ทำงานได้ดีที่สุดในทุกสถานการณ์ LCMS จึงใช้กลุ่มโมเดลเป็นตัวคาดการณ์ ซึ่งช่วยปรับปรุงความแม่นยำของแผนที่ในระบบนิเวศและกระบวนการเปลี่ยนแปลงที่หลากหลาย (Healey et al., 2018) ชุดแผนที่การเปลี่ยนแปลง LCMS, สิ่งปกคลุมดิน และการใช้ที่ดินที่ได้แสดงให้เห็น ภาพรวมของการเปลี่ยนแปลงภูมิทัศน์ทั่วสหรัฐอเมริกาตั้งแต่ปี 1985

เลเยอร์ตัวแปรทำนายสำหรับโมเดล LCMS ประกอบด้วยเอาต์พุตจากอัลกอริทึมการตรวจหาการเปลี่ยนแปลงของ LandTrendr และ CCDC รวมถึงข้อมูลภูมิประเทศ โดยจะเข้าถึงและประมวลผลคอมโพเนนต์เหล่านี้ทั้งหมดโดยใช้ Google Earth Engine (Gorelick et al., 2017)

ในการสร้างภาพคอมโพสิตรายปีสำหรับ LandTrendr เราใช้ข้อมูลการสะท้อนที่ด้านบนของชั้นบรรยากาศระดับ 1C ของ Landsat Tier 1 และ Sentinel 2A, 2B Collection 2 ของ USGS อัลกอริทึมการมาสก์เมฆ cFmask (Foga et al., 2017) ซึ่งเป็นการใช้งาน Fmask 2.0 (Zhu and Woodcock, 2012) (Landsat เท่านั้น), cloudScore (Chastain et al., 2019) (Landsat เท่านั้น), s2cloudless (Sentinel-Hub, 2021) และ Cloud Score+ (Pasquarella et al., 2023) (Sentinel 2 เท่านั้น) ใช้เพื่อมาสก์เมฆ ในขณะที่ TDOM (Chastain et al., 2019) ใช้เพื่อมาสก์เงาเมฆ (Landsat และ Sentinel 2) สำหรับ LandTrendr ระบบจะคำนวณเมดอยด์รายปีเพื่อสรุปค่าที่ไม่มีเมฆและเงาเมฆ จากแต่ละปีเป็นคอมโพสิตเดียว สำหรับ CCDC เราใช้ข้อมูลการสะท้อนพื้นผิว Landsat Tier 1 ของคอลเล็กชัน 2 จากสำนักงานสำรวจทางธรณีวิทยาของสหรัฐอเมริกา (USGS) สำหรับ CONUS และข้อมูลการสะท้อนที่ด้านบนของชั้นบรรยากาศ Landsat Tier 1 สำหรับ AK, PRUSVI และฮาวาย

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

นอกจากนี้ ค่าที่ไม่มีเมฆและเงาเมฆทั้งหมดจะได้รับการแบ่งส่วนตามเวลาโดยใช้อัลกอริทึม CCDC (Zhu and Woodcock, 2014)

ข้อมูลตัวทำนายประกอบด้วยค่าคอมโพสิตดิบ ค่าที่ปรับแล้วของ LandTrendr ความแตกต่างแบบคู่ ระยะเวลาของกลุ่ม ขนาดการเปลี่ยนแปลง และความชัน รวมถึงสัมประสิทธิ์ไซน์และ โคไซน์ของ CCDC (ฮาร์มอนิก 3 รายการแรก) ค่าที่ปรับแล้ว และความแตกต่างแบบคู่ พร้อมด้วยระดับความสูง ความชัน ไซน์ของลักษณะ โคไซน์ของลักษณะ และดัชนีตำแหน่งภูมิประเทศ (Weiss, 2001) จากข้อมูลโปรแกรมการยกระดับ 3 มิติ (3DEP) ของ USGS ที่ 10 ม. (สำรวจทางธรณีวิทยาของสหรัฐอเมริกา, 2019)

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

โมเดล Random Forest (Breiman, 2001) ได้รับการฝึกโดยใช้ข้อมูลอ้างอิงจาก TimeSync และข้อมูลตัวแปรทำนาย จาก LandTrendr, CCDC และดัชนีภูมิประเทศเพื่อคาดการณ์การเปลี่ยนแปลงรายปี สิ่งปกคลุมดิน และคลาสการใช้ที่ดิน หลังจากการสร้างแบบจำลอง เราจะกำหนดชุดเกณฑ์ความน่าจะเป็นและชุดกฎโดยใช้ชุดข้อมูลเสริม เพื่อปรับปรุงเอาต์พุตแผนที่เชิงคุณภาพ และลดการสร้างความคลาดเคลื่อนและการละเว้น ดูข้อมูลเพิ่มเติมได้ใน สรุปวิธีการ LCMS ที่รวมอยู่ในคำอธิบาย

แหล่งข้อมูลเพิ่มเติม

โปรดติดต่อ sm.fs.lcms@usda.gov หากมีคำถามหรือคำขอข้อมูลที่เฉพาะเจาะจง

ย่านความถี่

ย่านความถี่

ขนาดพิกเซล: 30 เมตร (ทุกแถบ)

ชื่อ ขนาดพิกเซล คำอธิบาย
Change 30 เมตร

ผลิตภัณฑ์เปลี่ยน LCMS ตามธีมขั้นสุดท้าย โดยจะมีการแมปคลาสการเปลี่ยนแปลงทั้งหมด 15 คลาสในแต่ละปี โดยพื้นฐานแล้ว การเปลี่ยนแปลงจะได้รับการจำลองด้วยโมเดล Random Forest แบบไบนารีแยกกัน 3 โมเดลสำหรับพื้นที่ศึกษาแต่ละแห่ง ได้แก่ การสูญเสียอย่างช้าๆ การสูญเสียอย่างรวดเร็ว และการเพิ่มขึ้น พิกเซลแต่ละพิกเซลจะได้รับการกำหนดให้กับคลาสการเปลี่ยนแปลงที่ผ่านการประมาณที่มีความน่าจะเป็นสูงสุดซึ่งสูงกว่าเกณฑ์ที่ระบุด้วย พิกเซลที่ไม่มีค่าใดๆ สูงกว่าเกณฑ์ของแต่ละคลาสจะได้รับการกำหนดให้กับคลาส "เสถียร" หลังจากใช้ชุดกฎโดยใช้คลาสการเปลี่ยนแปลงที่จำลอง ชุดข้อมูลเสริม (เช่น TCC, MTBS และ IDS) และข้อมูลสิ่งปกคลุมดิน LCMS แล้ว ระบบจะกำหนดคลาสสาเหตุของการเปลี่ยนแปลงที่ปรับปรุงแล้ว 1 ใน 15 คลาสให้กับแต่ละพิกเซล ดูรายละเอียดทั้งหมดเกี่ยวกับชุดกฎและชุดข้อมูลเสริมที่ใช้ได้ในเอกสารสรุปวิธีการของ LCMS ที่ลิงก์ไว้ในคำอธิบาย

Land_Cover 30 เมตร

ผลิตภัณฑ์สิ่งปกคลุมดิน LCMS ตามธีมสุดท้าย ระบบจะแมปชั้นสิ่งปกคลุมดินทั้งหมด 14 ชั้นเป็นรายปีโดยใช้ข้อมูลอ้างอิง TimeSync และข้อมูลสเปกตรัมที่ได้จากภาพ Landsat ระบบจะคาดการณ์การปกคลุมของพื้นดินโดยใช้โมเดล Random Forest แบบหลายคลาสเดียว ซึ่งจะแสดงอาร์เรย์ของความน่าจะเป็นของแต่ละคลาส (สัดส่วนของต้นไม้ภายในโมเดล Random Forest ที่ "เลือก" แต่ละคลาส) ระบบจะกำหนดคลาสสุดท้ายให้กับการใช้ประโยชน์ที่ดินที่มีความน่าจะเป็นสูงสุด ก่อนที่จะกำหนดคลาสสิ่งปกคลุมดินที่มีความน่าจะเป็นสูงสุด เราได้ใช้เกณฑ์ความน่าจะเป็นและชุดกฎตั้งแต่ 1 รายการขึ้นไปโดยใช้ชุดข้อมูลเสริม ทั้งนี้ขึ้นอยู่กับพื้นที่ศึกษา ดูข้อมูลเพิ่มเติมเกี่ยวกับเกณฑ์ความน่าจะเป็นและชุดกฎได้ในเอกสารสรุปวิธีการของ LCMS ที่ลิงก์ไว้ในคำอธิบาย คลาสการปกคลุมพื้นดิน 7 คลาสระบุการปกคลุมพื้นดินเดียว ซึ่งประเภทการปกคลุมพื้นดินนั้นครอบคลุมพื้นที่ส่วนใหญ่ของพิกเซล และไม่มีคลาสอื่นใดครอบคลุมพื้นที่มากกว่า 10% ของพิกเซล นอกจากนี้ ยังมีชั้นเรียนแบบผสมอีก 7 ชั้นเรียน ซึ่งแสดงถึงพิกเซลที่มีคลาสสิ่งปกคลุมดินเพิ่มเติมครอบคลุมอย่างน้อย 10% ของพิกเซล
Land_Use 30 เมตร

ผลิตภัณฑ์การใช้ที่ดิน LCMS ตามธีมขั้นสุดท้าย เราจะแมปประเภทการใช้ประโยชน์ที่ดินทั้งหมด 5 ประเภทเป็นประจำทุกปีโดยใช้ข้อมูลอ้างอิง TimeSync และข้อมูลสเปกตรัมที่ได้จากภาพ Landsat ระบบจะคาดการณ์การใช้ที่ดินโดยใช้โมเดล Random Forest แบบหลายคลาสเดียว ซึ่งจะแสดงอาร์เรย์ของความน่าจะเป็นของแต่ละคลาส (สัดส่วนของต้นไม้ภายในโมเดล Random Forest ที่ "เลือก" แต่ละคลาส) ระบบจะกำหนดคลาสสุดท้ายให้กับการใช้ประโยชน์ที่ดินที่มีความน่าจะเป็นสูงสุด ก่อนที่จะกำหนดคลาสการใช้ที่ดินที่มีความน่าจะเป็นสูงสุด เราได้ใช้ชุดเกณฑ์ความน่าจะเป็นและชุดกฎโดยใช้ชุดข้อมูลเสริม ดูข้อมูลเพิ่มเติมเกี่ยวกับเกณฑ์ความน่าจะเป็นและชุดกฎได้ในเอกสารสรุปวิธีการของ LCMS ที่ลิงก์ไว้ในคำอธิบาย
Change_Raw_Probability_Slow_Loss 30 เมตร

ความน่าจะเป็นของอัตราการสูญเสียลูกค้าอย่างช้าๆ ที่ได้จากการประมาณ LCMS ดิบ การสูญเสียช้าประกอบด้วยคลาสต่อไปนี้ จากการตีความกระบวนการเปลี่ยนแปลง TimeSync

  • การเสื่อมถอยเชิงโครงสร้าง - พื้นที่ที่ต้นไม้หรือพืชพรรณอื่นๆ ที่เป็นเนื้อไม้มีการเปลี่ยนแปลงทางกายภาพเนื่องจาก สภาพการเจริญเติบโตที่ไม่เอื้ออำนวยซึ่งเกิดจากปัจจัยที่ไม่ใช่จากมนุษย์หรือเครื่องจักร โดยทั่วไปแล้ว การสูญเสียประเภทนี้ควรสร้างแนวโน้มในสัญญาณสเปกตรัม (เช่น NDVI ลดลง ความชื้นลดลง SWIR เพิ่มขึ้น ฯลฯ) อย่างไรก็ตาม แนวโน้มอาจไม่ชัดเจน การเสื่อมถอยเชิงโครงสร้างเกิดขึ้นในสภาพแวดล้อมที่มีพืชพรรณที่เป็นเนื้อไม้ ซึ่งส่วนใหญ่มักเกิดจากแมลง โรคภัย ความแห้งแล้ง ฝนกรด ฯลฯ การเสื่อมถอยเชิงโครงสร้างอาจรวมถึงเหตุการณ์การร่วงหล่นของใบไม้ที่ ไม่ส่งผลให้เกิดการตาย เช่น การรบกวนของผีเสื้อกลางคืนและหนอนเจาะต้นสน ซึ่งอาจ ฟื้นตัวได้ภายใน 1 หรือ 2 ปี

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

ความน่าจะเป็นของ Fast Loss ที่จำลองจาก LCMS ดิบ การสูญเสียอย่างรวดเร็วรวมถึงคลาสต่อไปนี้ จากการตีความกระบวนการเปลี่ยนแปลง TimeSync

  • ไฟ - พื้นที่ที่เปลี่ยนแปลงโดยไฟ ไม่ว่าสาเหตุของการจุดไฟ (ธรรมชาติหรือ มนุษย์) ความรุนแรง หรือการใช้ที่ดิน

  • การเก็บเกี่ยว - พื้นที่ป่าที่ต้นไม้ พุ่มไม้ หรือพืชอื่นๆ ถูกตัดหรือนำออก โดยมนุษย์ ตัวอย่างเช่น การตัดไม้ทำลายป่า การตัดไม้กู้หลังเกิดไฟไหม้หรือการระบาดของแมลง การตัดสาง และการจัดการป่าอื่นๆ (เช่น การเก็บเกี่ยวแบบ Shelterwood/Seedtree)

  • เชิงกล - ที่ดินนอกป่าซึ่งมีการตัดหรือกำจัดต้นไม้ พุ่มไม้ หรือพืชพรรณอื่นๆ ด้วยเครื่องจักร โดยการล่ามโซ่ ขูด เลื่อยพุ่มไม้ รถปราบดิน หรือวิธีการอื่นๆ ในการกำจัดพืชพรรณนอกป่า

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

  • อุทกวิทยา - พื้นที่ที่น้ำท่วมได้เปลี่ยนแปลงสิ่งปกคลุมที่เป็นไม้หรือองค์ประกอบอื่นๆ ของสิ่งปกคลุมดินอย่างมีนัยสำคัญ โดยไม่คำนึงถึงการใช้ที่ดิน (เช่น การผสมกันใหม่ของกรวดและพืชพรรณในและรอบๆ ท้องน้ำหลังน้ำท่วม)

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

  • อื่นๆ - ที่ดิน (ไม่ว่าจะใช้ประโยชน์หรือไม่ก็ตาม) ที่แนวโน้มสเปกตรัมหรือหลักฐานสนับสนุนอื่นๆ บ่งชี้ว่าเกิดเหตุการณ์การรบกวนหรือการเปลี่ยนแปลง แต่ไม่สามารถระบุสาเหตุที่แน่ชัดได้ หรือประเภทของการเปลี่ยนแปลงไม่ตรงกับหมวดหมู่กระบวนการเปลี่ยนแปลงที่กำหนดไว้ ข้างต้น
Change_Raw_Probability_Gain 30 เมตร

ความน่าจะเป็นของการเพิ่มขึ้นที่ได้จากการประมาณ LCMS ดิบ กำหนดเป็น: พื้นที่ที่มีการเพิ่มขึ้นของพืชพรรณ เนื่องจากการเติบโตและการเปลี่ยนแปลงในช่วงเวลาตั้งแต่ 1 ปีขึ้นไป ใช้ได้กับพื้นที่ใดก็ตามที่อาจ แสดงการเปลี่ยนแปลงของสเปกตรัมที่เกี่ยวข้องกับการงอกใหม่ของพืช ในพื้นที่ที่มีการพัฒนา การเติบโตอาจ เกิดจากพืชที่โตเต็มวัยและ/หรือสนามหญ้าและภูมิทัศน์ที่เพิ่งติดตั้งใหม่ ในป่า การเติบโตประกอบด้วยการเติบโตของพืชจากพื้นดินที่ว่างเปล่า รวมถึงการเติบโตของ ต้นไม้ระดับกลางและต้นไม้ที่อยู่ร่วมกัน และ/หรือหญ้าและพุ่มไม้ที่อยู่ต่ำกว่า การเติบโต/การฟื้นตัว กลุ่มที่บันทึกหลังการเก็บเกี่ยวป่ามีแนวโน้มที่จะเปลี่ยนผ่านชั้นปกคลุมดิน ที่แตกต่างกันเมื่อป่าฟื้นตัว การเปลี่ยนแปลงเหล่านี้จะถือเป็นการเติบโต/การฟื้นตัวได้ ค่าสเปกตรัมควรเป็นไปตามแนวโน้มที่เพิ่มขึ้นอย่างใกล้ชิด (เช่น ความชันที่เป็นบวก ซึ่งหากขยายไปถึงประมาณ 20 ปี จะอยู่ในลำดับที่ 0.10 หน่วยของ NDVI) ซึ่งคงอยู่ เป็นเวลาหลายปี
Land_Cover_Raw_Probability_Trees 30 เมตร

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

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

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

ความน่าจะเป็นของหญ้า/พืชล้มลุก/สมุนไพรและต้นไม้ผสมที่จำลองจาก LCMS ดิบ กำหนดเป็น: พิกเซลส่วนใหญ่ ประกอบด้วยหญ้าไม้ยืนต้น ไม้ล้มลุก หรือพืชสมุนไพรอื่นๆ และประกอบด้วยต้นไม้ที่ยังมีชีวิตหรือต้นไม้ที่ตายแล้วอย่างน้อย 10%
Land_Cover_Raw_Probability_Barren-and-Trees-Mix 30 เมตร

ความน่าจะเป็นของ Barren and Trees Mix ที่ได้จาก LCMS ดิบ กำหนดเป็น: พิกเซลส่วนใหญ่ ประกอบด้วยดินเปล่าที่เกิดจากการรบกวน (เช่น ดินที่ไม่มีพืชปกคลุมเนื่องจากการ ถางโดยใช้เครื่องจักรหรือการเก็บเกี่ยวในป่า) รวมถึงพื้นที่แห้งแล้งตลอดปี เช่น ทะเลทราย เพลยา หินโผล่ (รวมถึงแร่ธาตุและวัสดุทางธรณีวิทยาอื่นๆ ที่เกิดจากกิจกรรมการทำเหมืองบนพื้นผิว) เนินทราย ที่ราบเกลือ และชายหาด ถนนที่ทำจากดินและกรวดก็ถือเป็นพื้นที่แห้งแล้งเช่นกัน และประกอบด้วยต้นไม้ที่ยังมีชีวิตอยู่หรือต้นไม้ที่ตายแล้วอย่างน้อย 10%
Land_Cover_Raw_Probability_Tall-Shrubs 30 เมตร

ความน่าจะเป็นของพุ่มไม้สูงที่จำลอง LCMS ดิบ (อลาสก้าเท่านั้น) กำหนดเป็น: พิกเซลส่วนใหญ่ประกอบด้วยพุ่มไม้ที่มีความสูงมากกว่า 1 เมตร
Land_Cover_Raw_Probability_Shrubs 30 เมตร

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

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

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

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

ความน่าจะเป็นที่ได้จาก LCMS แบบดิบของ Barren และ Grass/Forb/Herb Mix กำหนดเป็น: พิกเซลส่วนใหญ่ประกอบด้วยดินเปล่าที่เกิดจากการรบกวน (เช่น ดินที่เปิดออกจากการเคลียร์พื้นที่ด้วยเครื่องจักรหรือการเก็บเกี่ยวป่า) รวมถึงพื้นที่แห้งแล้งตลอดปี เช่น ทะเลทราย ที่ราบเกลือ หินโผล่ (รวมถึงแร่ธาตุและวัสดุทางธรณีวิทยาอื่นๆ ที่เปิดออกจากการทำเหมืองผิวดิน) เนินทราย ที่ราบเกลือ และชายหาด ถนนที่ทำจากดินและกรวดถือเป็นพื้นที่แห้งแล้งเช่นกัน และประกอบด้วยหญ้าไม้ยืนต้น ไม้ล้มลุก หรือพืชสมุนไพรอื่นๆ อย่างน้อย 10%
Land_Cover_Raw_Probability_Barren-or-Impervious 30 เมตร

ความน่าจะเป็นของ LCMS ดิบที่จำลองว่าไม่มีพืชหรือเป็นพื้นผิวที่ไม่ซึมน้ำ กำหนดเป็น: พิกเซลส่วนใหญ่ประกอบด้วย 1.) ดินเปล่าที่เกิดจากการรบกวน (เช่น ดินที่ไม่มีพืชปกคลุมเนื่องจากการเคลียร์พื้นที่ด้วยเครื่องจักรหรือการเก็บเกี่ยวป่า) รวมถึงพื้นที่แห้งแล้งตลอดปี เช่น ทะเลทราย ที่ราบน้ำท่วมขัง หินโผล่ (รวมถึงแร่ธาตุและวัสดุทางธรณีวิทยาอื่นๆ ที่เกิดจากการทำเหมืองผิวดิน) เนินทราย ที่ราบเกลือ และชายหาด ถนนที่ทำจากดินและกรวดก็ถือเป็นพื้นที่แห้งแล้งเช่นกัน หรือ 2.) วัสดุที่มนุษย์สร้างขึ้นซึ่งน้ำไม่สามารถซึมผ่านได้ เช่น ถนนลาดยาง หลังคา และที่จอดรถ
Land_Cover_Raw_Probability_Snow-or-Ice 30 เมตร

ความน่าจะเป็นของหิมะหรือน้ำแข็งที่จำลองจาก LCMS ดิบ กำหนดเป็น: พิกเซลส่วนใหญ่ประกอบด้วยหิมะหรือน้ำแข็ง
Land_Cover_Raw_Probability_Water 30 เมตร

ความน่าจะเป็นของน้ำที่ได้จากการสร้างโมเดล LCMS ดิบ กำหนดเป็น: พิกเซลส่วนใหญ่ ประกอบด้วยน้ำ
Land_Use_Raw_Probability_Agriculture 30 เมตร

ความน่าจะเป็นของการเกษตรที่ได้จากการจำลอง LCMS ดิบ กำหนดเป็นที่ดินที่ใช้ในการผลิต อาหาร เส้นใย และเชื้อเพลิง ซึ่งอยู่ในสถานะที่มีพืชปกคลุมหรือไม่มีพืชปกคลุม ซึ่งรวมถึงแต่ไม่จำกัดเพียงพื้นที่เพาะปลูกและพื้นที่เพาะปลูกที่ไม่ได้ใช้ประโยชน์ ทุ่งหญ้า สวนผลไม้ ไร่องุ่น การเลี้ยงปศุสัตว์แบบจำกัด และพื้นที่ที่ปลูกเพื่อผลิตผลไม้ ถั่ว หรือเบอร์รี ถนนที่ใช้เพื่อการเกษตรเป็นหลัก (เช่น ไม่ได้ใช้เป็นขนส่งสาธารณะจากเมืองหนึ่งไปยังอีกเมืองหนึ่ง) ถือเป็นการใช้ที่ดินเพื่อการเกษตร
Land_Use_Raw_Probability_Developed 30 เมตร

ความน่าจะเป็นของ LCMS ดิบที่โมเดลว่าได้รับการพัฒนา กำหนดเป็น: พื้นที่ที่ปกคลุมด้วยสิ่งก่อสร้างที่มนุษย์สร้างขึ้น (เช่น ที่อยู่อาศัยที่มีความหนาแน่นสูง พาณิชยกรรม อุตสาหกรรม เหมืองแร่ หรือการขนส่ง) หรือ ส่วนผสมของทั้งพืชพรรณ (รวมถึงต้นไม้) และสิ่งก่อสร้าง (เช่น ที่อยู่อาศัยที่มีความหนาแน่นต่ำ สนามหญ้า สถานที่พักผ่อนหย่อนใจ สุสาน ทางเดินขนส่งและสาธารณูปโภค ฯลฯ) รวมถึงพื้นที่ใดๆ ที่มีการเปลี่ยนแปลงการทำงานโดยกิจกรรมของมนุษย์
Land_Use_Raw_Probability_Forest 30 เมตร

ความน่าจะเป็นของป่าที่ได้จากการจำลอง LCMS แบบดิบ หมายถึง พื้นที่ที่ปลูกหรือมีพืชพรรณขึ้นตามธรรมชาติ และมี (หรือมีแนวโน้มที่จะมี) ร่มไม้ตั้งแต่ 10% ขึ้นไปในช่วงเวลาใดเวลาหนึ่งในลำดับการเปลี่ยนแปลงที่เกิดขึ้นในระยะเวลาอันใกล้นี้ ซึ่งอาจรวมถึงป่าธรรมชาติ ป่าปลูก และพื้นที่ชุ่มน้ำที่มีต้นไม้ที่มีการจำแนกประเภทเป็นป่าผลัดใบ ป่าไม่ผลัดใบ และ/หรือป่าผสม
Land_Use_Raw_Probability_Other 30 เมตร

ความน่าจะเป็นของ "อื่นๆ" ที่ได้จากการประมาณ LCMS แบบดิบ กำหนดเป็น: พื้นที่ (ไม่ว่าจะใช้ประโยชน์หรือไม่ก็ตาม) ที่แนวโน้มสเปกตรัมหรือหลักฐานสนับสนุนอื่นๆ บ่งชี้ว่าเกิดเหตุการณ์การรบกวนหรือการเปลี่ยนแปลง แต่ไม่สามารถระบุสาเหตุที่แน่ชัดได้ หรือประเภทของการเปลี่ยนแปลงไม่ตรงกับหมวดหมู่กระบวนการเปลี่ยนแปลงที่กำหนดไว้ข้างต้น
Land_Use_Raw_Probability_Rangeland-or-Pasture 30 เมตร

ความน่าจะเป็นของทุ่งหญ้าหรือทุ่งเลี้ยงสัตว์ที่ได้จากการจำลอง LCMS ดิบ กำหนดเป็น: คลาสนี้รวมถึงพื้นที่ใดๆ ที่เป็นอย่างใดอย่างหนึ่งต่อไปนี้ ก.) ทุ่งหญ้าเลี้ยงสัตว์ ซึ่งมีพืชพรรณเป็นส่วนผสมของหญ้า พุ่มไม้ พืชดอก และพืชคล้ายหญ้าพื้นเมืองที่ส่วนใหญ่เกิดจากปัจจัยและกระบวนการทางธรรมชาติ เช่น ปริมาณน้ำฝน อุณหภูมิ ระดับความสูง และไฟ แม้ว่าการจัดการอาจจำกัดอยู่เพียงการเผาตามแผน รวมถึงการเล็มหญ้าโดยสัตว์กินพืชในบ้านและสัตว์ป่า หรือ ข.) ทุ่งหญ้าที่พืชอาจมีตั้งแต่หญ้าผสมที่ส่วนใหญ่เป็นหญ้าธรรมชาติ พืชดอก และสมุนไพร ไปจนถึงพืชที่ได้รับการจัดการมากขึ้นซึ่งมีหญ้าเป็นพืชเด่นที่ได้รับการเพาะเมล็ดและจัดการเพื่อรักษาให้เป็นพืชเชิงเดี่ยว
QA_Bits 30 เมตร

ข้อมูลเสริมเกี่ยวกับแหล่งที่มาของค่าเอาต์พุตผลิตภัณฑ์ LCMS รายปี

เปลี่ยนตารางชั้นเรียน

ค่า สี คำอธิบาย
1 #ff09f3

ลม
2 #541aff

เฮอริเคน
3 #e4f5fd

การเปลี่ยนฉากหิมะหรือน้ำแข็ง
4 #cc982e

การทำให้แห้ง
5 #0adaff

น้ำท่วม
6 #a10018

การเผาตามแผนควบคุม
7 #d54309

Wildfire
8 #fafa4b

การเปลี่ยนแปลงที่ดินโดยใช้เครื่องจักร
9 #afde1c

การตัดต้นไม้
10 #ffc80d

การทำให้ใบร่วง
11 #a64c28

ด้วงสนใต้
12 #f39268

ความเครียดจากแมลง โรค หรือภัยแล้ง
13 #c291d5

การสูญเสียอื่นๆ
14 #00a398

การเติบโตของพืชพรรณตามลำดับ
15 #3d4551

คงที่
16 #1b1716

มาสก์พื้นที่ที่ไม่ประมวลผล

ตารางคลาส Land_Cover

ค่า สี คำอธิบาย
1 #004e2b

เกสรจากต้นไม้
2 #009344

ส่วนผสมของพุ่มไม้และต้นไม้สูง (อลาสก้าเท่านั้น)
3 #61bb46

มิกซ์เพลงเกี่ยวกับพุ่มไม้และต้นไม้
4 #acbb67

ส่วนผสมของหญ้า/พืชล้มลุก/สมุนไพรและต้นไม้
5 #8b8560

มิกซ์เพลง Barren & Trees
6 #cafd4b

พุ่มไม้สูง (อลาสก้าเท่านั้น)
7 #f89a1c

พุ่มไม้
8 #8fa55f

ส่วนผสมของหญ้า/พืชล้มลุก/สมุนไพรและพุ่มไม้
9 #bebb8e

มิกซ์เพลง Barren & Shrubs
10 #e5e98a

หญ้า/พืชล้มลุก/สมุนไพร
11 #ddb925

พื้นที่แห้งแล้งและส่วนผสมของหญ้า/พืชล้มลุก/สมุนไพร
12 #893f54

แห้งแล้งหรือกันน้ำ
13 #e4f5fd

หิมะตกหรือถนนเป็นน้ำแข็ง
14 #00b6f0

น้ำ
15 #1b1716

มาสก์พื้นที่ที่ไม่ประมวลผล

ตารางคลาส Land_Use

ค่า สี คำอธิบาย
1 #fbff97

เกษตรกรรม
2 #e6558b

พัฒนา
3 #004e2b

ป่า
4 #9dbac5

อื่นๆ
5 #a6976a

ทุ่งหญ้าหรือทุ่งเลี้ยงสัตว์
6 #1b1716

มาสก์พื้นที่ที่ไม่ประมวลผล

พร็อพเพอร์ตี้รูปภาพ

พร็อพเพอร์ตี้รูปภาพ

ชื่อ ประเภท คำอธิบาย
study_area STRING

LCMS เวอร์ชันนี้ครอบคลุมพื้นที่ของสหรัฐอเมริกาที่อยู่ติดกัน อะแลสกา เปอร์โตริโก-หมู่เกาะเวอร์จินของสหรัฐอเมริกา และฮาวาย ค่าที่เป็นไปได้: "CONUS, AK, PRUSVI, HAWAII"
เวอร์ชัน STRING

เวอร์ชันของผลิตภัณฑ์
startYear INT

ปีที่เริ่มต้นของผลิตภัณฑ์
endYear INT

ปีที่สิ้นสุดของผลิตภัณฑ์
ปี INT

ปีของผลิตภัณฑ์

ข้อกำหนดในการใช้งาน

ข้อกำหนดในการใช้งาน

กรมป่าไม้ของ USDA ไม่รับประกันทั้งโดยชัดแจ้งหรือโดยนัย ซึ่งรวมถึงการรับประกันความสามารถในการขายและความเหมาะสมสำหรับวัตถุประสงค์เฉพาะ และไม่รับผิดชอบทางกฎหมายหรือความรับผิดชอบต่อความถูกต้อง ความน่าเชื่อถือ ความสมบูรณ์ หรือประโยชน์ของข้อมูลเชิงพื้นที่เหล่านี้ หรือต่อการใช้ข้อมูลเชิงพื้นที่เหล่านี้อย่างไม่เหมาะสมหรือไม่ถูกต้อง ข้อมูลเชิงพื้นที่และ แผนที่หรือกราฟิกที่เกี่ยวข้องเหล่านี้ไม่ใช่เอกสารทางกฎหมายและไม่ได้มีวัตถุประสงค์เพื่อใช้เป็นเอกสารดังกล่าว ห้ามใช้ข้อมูลและแผนที่เพื่อกำหนดกรรมสิทธิ์ การเป็นเจ้าของ คำอธิบายทางกฎหมาย หรือขอบเขต เขตอำนาจศาล หรือข้อจำกัดที่อาจมีอยู่บนที่ดินสาธารณะหรือที่ดินส่วนบุคคล ข้อมูลและแผนที่อาจแสดงหรือไม่แสดงอันตรายจากภัยธรรมชาติ และผู้ใช้ที่ดินควรใช้ความระมัดระวังตามสมควร ข้อมูลมีความผันผวนและอาจเปลี่ยนแปลงเมื่อเวลาผ่านไป ผู้ใช้มีหน้าที่รับผิดชอบในการยืนยัน ข้อจำกัดของข้อมูลเชิงพื้นที่และใช้ข้อมูลตามนั้น

ข้อมูลเหล่านี้รวบรวมขึ้นโดยใช้เงินทุนจากรัฐบาลสหรัฐอเมริกา และสามารถนำไปใช้ได้ โดยไม่ต้องขอสิทธิ์เพิ่มเติมหรือเสียค่าธรรมเนียม หากคุณใช้ข้อมูลเหล่านี้ในสิ่งพิมพ์ การนำเสนอ หรือ ผลิตภัณฑ์การวิจัยอื่นๆ โปรดใช้การอ้างอิงต่อไปนี้

USDA Forest Service 2025 ระบบตรวจสอบการเปลี่ยนแปลงภูมิทัศน์ของ USFS v2024.10 (สหรัฐอเมริกาภาคพื้นทวีปและสหรัฐอเมริกาภาคพื้นทวีปตอนนอก) ซอลต์เลกซิตี ยูทาห์

การอ้างอิง

การอ้างอิง

  • USDA Forest Service 2025 ระบบตรวจสอบการเปลี่ยนแปลงภูมิทัศน์ของ USFS v2024.10 (สหรัฐอเมริกาภาคพื้นทวีปและสหรัฐอเมริกาภาคพื้นทวีปตอนนอก) ซอลต์เลกซิตี ยูทาห์

  • Breiman, L., 2001 Random Forests ในแมชชีนเลิร์นนิง Springer, 45: 5-32. doi:10.1023/A:1010933404324

  • Chastain, R., Housman, I., Goldstein, J., Finco, M., and Tenneson, K., 2019 การเปรียบเทียบเซ็นเซอร์ข้ามกันเชิงประจักษ์ของ Sentinel-2A และ 2B MSI, Landsat-8 OLI, และลักษณะสเปกตรัมของชั้นบรรยากาศด้านบนของ Landsat-7 ETM เหนือ สหรัฐอเมริกาที่อยู่ติดกัน ใน Remote Sensing of Environment Science Direct, 221: 274-285. doi:10.1016/j.rse.2018.11.012

  • Cohen, W. B., Yang, Z., and Kennedy, R., 2010 การตรวจหาแนวโน้มการรบกวนและการฟื้นตัวของป่าโดยใช้ชุดข้อมูลอนุกรมเวลา Landsat รายปี: 2. TimeSync - เครื่องมือสำหรับการปรับเทียบและการตรวจสอบ ใน Remote Sensing of Environment Science Direct, 114(12): 2911-2924. doi:10.1016/j.rse.2010.07.010

  • Cohen, W. B., Yang, Z., Healey, S. P., Kennedy, R. E., and Gorelick, N., 2018 กลุ่มมัลติสเปกตรัม LandTrendr สำหรับการตรวจหาการรบกวนป่า ใน Remote Sensing of Environment Science Direct, 205: 131-140. doi:10.1016/j.rse.2017.11.015

  • Foga, S., Scaramuzza, P.L., Guo, S., Zhu, Z., Dilley, R.D., Beckmann, T., Schmidt, G.L., Dwyer, J.L., Hughes, M.J., Laue, B., 2017 การเปรียบเทียบและการตรวจสอบอัลกอริทึมการตรวจหาเมฆ สำหรับผลิตภัณฑ์ข้อมูล Landsat ที่ใช้งานได้ ใน Remote Sensing of Environment Science Direct, 194: 379-390. doi:10.1016/j.rse.2017.03.026

  • กรมสำรวจธรณีวิทยาของสหรัฐอเมริกา ปี 2019 แบบจำลองระดับความสูงแบบดิจิทัลจากโปรแกรมระดับความสูง 3 มิติของ USGS เข้าถึงเมื่อเดือนสิงหาคม 2022 ที่ https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m

  • Healey, S. P., Cohen, W. B., Yang, Z., Kenneth Brewer, C., Brooks, E. B., Gorelick, N., Hernandez, A. J., Huang, C., Joseph Hughes, M., Kennedy, R. E., Loveland, T. R., Moisen, G. G., Schroeder, T. A., Stehman, S. V., Vogelmann, J. E., Woodcock, C. E., Yang, L., and Zhu, Z., 2018 การทำแผนที่การเปลี่ยนแปลงป่าไม้ โดยใช้การวางซ้อนกันของฟังก์ชันทั่วไป: แนวทางแบบรวม ใน Remote Sensing of Environment Science Direct, 204: 717-728. doi:10.1016/j.rse.2017.09.029

  • Kennedy, R. E., Yang, Z., and Cohen, W. B., 2010 การตรวจหาแนวโน้ม การรบกวนและการฟื้นตัวของป่าโดยใช้ชุดข้อมูลอนุกรมเวลา Landsat รายปี: 1. LandTrendr - อัลกอริทึมการแบ่งกลุ่มตามเวลา ใน Remote Sensing of Environment Science Direct, 114(12): 2897-2910. doi:10.1016/j.rse.2010.07.008

  • Kennedy, R., Yang, Z., Gorelick, N., Braaten, J., Cavalcante, L., Cohen, W. และ Healey, S. 2018 การใช้งานอัลกอริทึม LandTrendr ใน Google Earth Engine ในการรับรู้จากระยะไกล MDPI, 10(5): 691. doi:10.3390/rs10050691

  • Pasquarella, V. J., Brown, C. F., Czerwinski, W., and Rucklidge, W. J., 2023 การประเมินคุณภาพที่ครอบคลุมของภาพถ่ายจากดาวเทียมออปติคัลโดยใช้ การเรียนรู้วิดีโอแบบมีการกำกับดูแลอย่างอ่อน ใน Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition 2124-2134

  • Sentinel-Hub, 2021 Sentinel 2 Cloud Detector [ออนไลน์] พร้อมใช้งานที่ https://github.com/sentinel-hub/sentinel2-cloud-detector

  • Weiss, A.D., 2001 การวิเคราะห์ตำแหน่งภูมิประเทศและลักษณะภูมิประเทศ การนำเสนอโปสเตอร์, การประชุมผู้ใช้ ESRI, ซานดิเอโก, แคลิฟอร์เนียZhu, Z., และ Woodcock, C. จ. 2012 การตรวจจับเมฆและเงาเมฆตามวัตถุ ในภาพจาก Landsat 118: 83-94.

  • Zhu, Z., และ Woodcock, C. E., 2012 การตรวจจับเมฆและเงาเมฆตามออบเจ็กต์ ในภาพจาก Landsat ใน Remote Sensing of Environment Science Direct, 118: 83-94. doi:10.1016/j.rse.2011.10.028

  • Zhu, Z., และ Woodcock, C. E., 2014 การตรวจหาการเปลี่ยนแปลงอย่างต่อเนื่อง และการแยกประเภทสิ่งปกคลุมดินโดยใช้ข้อมูล Landsat ทั้งหมดที่มี ใน Remote Sensing of Environment Science Direct, 144: 152-171. doi:10.1016/j.rse.2014.01.011

DOI

สำรวจด้วย Earth Engine

ตัวแก้ไขโค้ด (JavaScript)

var dataset = ee.ImageCollection('USFS/GTAC/LCMS/v2024-10');

var lcms = dataset.filterDate('2022', '2023')  // range: [1985, 2024]
               .filter('study_area == "CONUS"')  // "AK", "HAWAII", "PRUSVI" 
               .first();

Map.addLayer(lcms.select('Land_Cover'), {}, 'Land Cover');
Map.addLayer(lcms.select('Land_Use'), {}, 'Land Use');
Map.addLayer(lcms.select('Change'), {}, 'Vegetation Change', false);

Map.setCenter(-98.58, 38.14, 4);
เปิดในตัวแก้ไขโค้ด
ผลิตภัณฑ์นี้เป็นส่วนหนึ่งของชุดข้อมูลระบบการตรวจสอบการเปลี่ยนแปลงของภูมิประเทศ (LCMS) โดยจะแสดงการเปลี่ยนแปลงที่สร้างแบบจำลอง LCMS, การปกคลุมของดิน และ/หรือชั้นการใช้ที่ดินสำหรับแต่ละปี และครอบคลุมสหรัฐอเมริกาภาคพื้นทวีป (CONUS) รวมถึงพื้นที่นอก CONUS (OCONUS) ซึ่งรวมถึงอะแลสกา (AK), เปอร์โตริโก-หมู่เกาะเวอร์จินของสหรัฐอเมริกา (PRUSVI) และ…
USFS/GTAC/LCMS/v2024-10, การตรวจหาการเปลี่ยนแปลง,ป่าไม้,gtac,สิ่งปกคลุมดิน,การใช้ประโยชน์ที่ดิน,สิ่งปกคลุมดินและการใช้ประโยชน์ที่ดิน,redcastle-resources,usda,usfs
1985-01-01T00:00:00Z/2024-12-31T00:00:00Z
20.38379 -135.286387 52.459364 -56.446306
Google Earth Engine