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

Dataset-Verfügbarkeit: 1985-01-01T00:00:00Z–2024-12-31T00:00:00Z
Dataset-Produzent: Geospatial Office des USDA Forest Service (USFS) Field Services and Innovation Center (FSIC-GO) Google Earth Engine

Tags: change-detection forest gtac landcover landuse landuse-landcover redcastle-resources usda usfs
lcms

Beschreibung

Dieses Produkt ist Teil der LCMS-Datensuite (Landscape Change Monitoring System). Sie zeigt die LCMS-modellierte Änderung, die Landbedeckung und/oder die Landnutzungsklassen für jedes Jahr und umfasst die zusammenhängenden Vereinigten Staaten (CONUS) sowie Gebiete außerhalb der CONUS (OCONUS), einschließlich Alaska (AK), Puerto Rico und die US-Jungferninseln (PRUSVI) und Hawaii (HAWAII).

LCMS ist ein auf Fernerkundung basierendes System zur Kartierung und Überwachung von Landschaftsveränderungen in den USA. Ziel ist es, einen konsistenten Ansatz zu entwickeln, der die neuesten Technologien und Fortschritte bei der Änderungserkennung nutzt, um eine „bestmögliche“ Karte der Landschaftsveränderungen zu erstellen.

Die Ausgaben umfassen drei jährliche Produkte: Änderung, Bodenbedeckung und Landnutzung. Die Ausgabe des Änderungsmodells bezieht sich speziell auf die Vegetationsdecke und umfasst langsamen Verlust, schnellen Verlust (der auch hydrologische Veränderungen wie Überschwemmung oder Austrocknung umfasst) und Zunahme. Diese Werte werden für jedes Jahr der Landsat-Zeitreihe vorhergesagt und dienen als Grundlage für LCMS. Wir wenden ein Regelwerk auf Grundlage von Hilfsdatensätzen an, um das endgültige Änderungsprodukt zu erstellen. Dabei wird die modellierte Änderung in 15 Klassen unterteilt, die explizit Informationen zur Ursache der Landschaftsveränderung liefern (z. B. Baumentfernung, Waldbrand, Windschaden). Karten zur Landbedeckung und Landnutzung zeigen die Landbedeckung auf Lebensformebene und die Landnutzung auf breiter Ebene für jedes Jahr.

Da kein Algorithmus in allen Situationen die besten Ergebnisse liefert, verwendet LCMS ein Ensemble von Modellen als Vorhersagen, was die Kartenrichtigkeit in einer Reihe von Ökosystemen und Änderungsprozessen verbessert (Healey et al., 2018). Die resultierenden Karten zu LCMS-Änderungen, Bodenbedeckung und Landnutzung bieten eine ganzheitliche Darstellung der Landschaftsveränderungen in den USA seit 1985.

Zu den Vorhersageschichten für das LCMS-Modell gehören Ausgaben der LandTrendr- und CCDC-Algorithmen zur Änderungserkennung sowie Geländedaten. Auf diese Komponenten wird über Google Earth Engine zugegriffen und sie werden damit verarbeitet (Gorelick et al., 2017).

Für die Erstellung von Jahresverbundbildern für LandTrendr wurden USGS Collection 2 Landsat Tier 1- und Sentinel 2A-, 2B-Daten der Oberflächenreflexion auf Level 1C verwendet. Der cFmask-Algorithmus zur Wolkenmaskierung (Foga et al., 2017), einer Implementierung von Fmask 2.0 (Zhu und Woodcock, 2012) (nur Landsat), cloudScore (Chastain et al., 2019) (nur Landsat), s2cloudless (Sentinel-Hub, 2021) und Cloud Score+ (Pasquarella et al., 2023) (nur Sentinel 2) werden verwendet, um Wolken zu maskieren, während TDOM (Chastain et al., 2019) wird verwendet, um Wolkenschatten zu maskieren (Landsat und Sentinel 2). Für LandTrendr wird dann der jährliche Medoid berechnet, um wolken- und schattenfreie Werte aus jedem Jahr in einem einzigen Composite zusammenzufassen. Für CCDC wurden für die kontinentalen USA (CONUS) die Daten zur Oberflächenreflexion von Landsat Tier 1 aus der USGS-Sammlung 2 und für AK, PRUSVI und HAWAII die Daten zur Reflexion am oberen Rand der Atmosphäre von Landsat Tier 1 verwendet.

Die zusammengesetzte Zeitreihe wird mit LandTrendr (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).

Alle wolken- und schattenfreien Werte werden auch zeitlich mit dem CCDC-Algorithmus segmentiert (Zhu und Woodcock, 2014).

Zu den Vorhersagedaten gehören rohe zusammengesetzte Werte, angepasste LandTrendr-Werte, paarweise Differenzen, Segmentdauer, Änderungsgröße und ‑neigung sowie CCDC-Sinus- und ‑Kosinuskoeffizienten (erste 3 Obertöne), angepasste Werte und paarweise Differenzen sowie Höhe, Neigung, Sinus des Aspekts, Kosinus des Aspekts und topografische Positionsindizes (Weiss, 2001) aus den 3DEP-Daten (3D Elevation Program) des USGS (U.S. Geological Survey, 2019) mit einer Auflösung von 10 m.

Referenzdaten werden mit TimeSync erfasst, einem webbasierten Tool, mit dem Analysten den Landsat-Datensatz von 1984 bis heute visualisieren und interpretieren können (Cohen et al., 2010).

Mithilfe von Referenzdaten aus TimeSync und Vorhersagedaten aus LandTrendr, CCDC und Geländeindizes wurden Random Forest-Modelle (Breiman, 2001) trainiert, um jährliche Änderungen, Landbedeckungs- und Landnutzungsklassen vorherzusagen. Nach der Modellierung werden mithilfe von Zusatz-Datasets eine Reihe von Wahrscheinlichkeitsschwellen und Regelsätzen eingeführt, um die qualitativen Kartenausgaben zu verbessern und Fehler durch Auslassung und Aufnahme zu reduzieren. Weitere Informationen finden Sie im LCMS Methods Brief in der Beschreibung.

Zusätzliche Ressourcen

Ein detaillierteres Codebeispiel für die Verwendung von LCMS-Daten
Der LCMS Data Explorer ist eine webbasierte Anwendung, mit der Nutzer LCMS-Daten ansehen, analysieren, zusammenfassen und herunterladen können.
Weitere Informationen zu Methoden und zur Bewertung der Genauigkeit finden Sie im LCMS Methods Brief. Daten-Downloads, Metadaten und Supportdokumente finden Sie im LCMS Geodata Clearinghouse.
Der String HAWAII wird in der kommenden Datenversion 2025.11 in HI geändert.

Bei Fragen oder spezifischen Datenanfragen wenden Sie sich bitte an sm.fs.lcms@usda.gov.

Bänder

Pixelgröße
30 Meter

Bänder

Name	Pixelgröße	Beschreibung
`Change`	Meter	Endgültiges thematisches LCMS-Änderungsprodukt. Für jedes Jahr werden insgesamt 15 Änderungsklassen zugeordnet. Grundsätzlich wird die Veränderung mit drei separaten binären Random Forest-Modellen für jedes Untersuchungsgebiet modelliert: langsamer Verlust, schneller Verlust und Zuwachs. Jedes Pixel wird der modellierten Änderungsklasse mit der höchsten Wahrscheinlichkeit zugewiesen, die auch über einem bestimmten Schwellenwert liegt. Alle Pixel, die keinen Wert über dem jeweiligen Schwellenwert der einzelnen Klassen haben, werden der Klasse „Stabil“ zugewiesen. Anhand eines Regelsatzes, der die modellierte Änderungsklasse, zusätzliche Datasets (z. B. TCC, MTBS und IDS) und LCMS-Daten zur Landbedeckung verwendet, wird jedem Pixel eine der 15 verfeinerten Klassen für die Ursache der Änderung zugewiesen. Weitere Informationen zum Regelsatz und den verwendeten Hilfsdatasets finden Sie im LCMS Methods Brief, auf den in der Beschreibung verlinkt wird.
`Land_Cover`	Meter	Endgültiges thematisches LCMS-Produkt zur Bodenbedeckung. Insgesamt 14 Bodenbedeckungsklassen werden jährlich mithilfe von TimeSync-Referenzdaten und spektralen Informationen aus Landsat-Bildern kartiert. Die Landbedeckung wird mit einem einzelnen Multiklassen-Random Forest-Modell vorhergesagt, das ein Array mit den Wahrscheinlichkeiten jeder Klasse ausgibt (Anteil der Bäume im Random Forest-Modell, die jede Klasse „ausgewählt“ haben). Die endgültigen Klassen werden der Landnutzung mit der höchsten Wahrscheinlichkeit zugewiesen. Bevor die Landbedeckungsklasse mit der höchsten Wahrscheinlichkeit zugewiesen wurde, wurden je nach Untersuchungsgebiet ein bis mehrere Wahrscheinlichkeitsschwellen und Regelsätze mit zusätzlichen Datasets angewendet. Weitere Informationen zu den Wahrscheinlichkeitsschwellen und Regelsätzen finden Sie im LCMS Methods Brief, der in der Beschreibung verlinkt ist. Sieben Bodenbedeckungsklassen geben eine einzelne Bodenbedeckung an, bei der diese Bodenbedeckungsart den größten Teil der Fläche des Pixels abdeckt und keine andere Klasse mehr als 10% des Pixels abdeckt. Außerdem gibt es sieben gemischte Klassen. Diese Pixel werden durch eine zusätzliche Landbedeckungsklasse abgedeckt, die mindestens 10% des Pixels ausmacht.
`Land_Use`	Meter	Endgültiges thematisches LCMS-Produkt zur Landnutzung. Insgesamt werden jährlich fünf Landnutzungsklassen mithilfe von TimeSync-Referenzdaten und spektralen Informationen aus Landsat-Bildern kartiert. Die Landnutzung wird mit einem einzelnen Multiklassen-Random-Forest-Modell vorhergesagt, das ein Array mit den Wahrscheinlichkeiten für jede Klasse ausgibt (Anteil der Bäume im Random-Forest-Modell, die jede Klasse „ausgewählt“ haben). Die endgültigen Klassen werden der Landnutzung mit der höchsten Wahrscheinlichkeit zugewiesen. Bevor die Landnutzungsklasse mit der höchsten Wahrscheinlichkeit zugewiesen wurde, wurden eine Reihe von Wahrscheinlichkeitsschwellen und Regelsätzen mit zusätzlichen Datasets angewendet. Weitere Informationen zu den Wahrscheinlichkeitsschwellen und Regelsätzen finden Sie im LCMS Methods Brief, der in der Beschreibung verlinkt ist.
`Change_Raw_Probability_Slow_Loss`	Meter	Die Rohwahrscheinlichkeit für langsamen Verlust, die mit LCMS modelliert wurde. „Slow Loss“ umfasst die folgenden Klassen aus der Interpretation des TimeSync-Änderungsprozesses: Struktureller Rückgang: Land, auf dem Bäume oder andere holzige Vegetation durch ungünstige Wachstumsbedingungen, die durch nicht anthropogene oder nicht mechanische Faktoren verursacht werden, physisch verändert werden. Diese Art von Verlust sollte im Allgemeinen einen Trend im spektralen Signal (z.B. abnehmender NDVI, abnehmende Feuchtigkeit, zunehmender SWIR usw.) verursachen, der jedoch subtil sein kann. Der strukturelle Rückgang tritt in Umgebungen mit holziger Vegetation auf, höchstwahrscheinlich durch Insekten, Krankheiten, Dürre, sauren Regen usw. Der strukturelle Rückgang kann Entlaubungsereignisse umfassen, die nicht zum Tod führen, z. B. bei Befall durch Schwammspinner und Fichtenknospenwürmer, die sich innerhalb von ein oder zwei Jahren erholen können. Spektraler Rückgang: Ein Diagramm, in dem das spektrale Signal einen Trend in einem oder mehreren Spektralbändern oder ‑indizes zeigt (z.B. NDVI sinkt, Feuchtigkeit sinkt, SWIR steigt usw.). Beispiele hierfür sind Fälle, in denen a) nicht forstliche/nicht holzige Vegetation einen Trend aufweist, der auf einen Rückgang hindeutet (z. B. abnehmender NDVI, abnehmende Feuchtigkeit, zunehmender SWIR usw.), oder b) in denen holzige Vegetation einen Rückgang aufweist, der nicht mit dem Verlust von holziger Vegetation zusammenhängt, z. B. wenn sich die Kronen ausgewachsener Bäume schließen, was zu einer stärkeren Beschattung führt, wenn sich die Artenzusammensetzung von Nadel- zu Hartholz ändert oder wenn eine Trockenperiode (im Gegensatz zu einer stärkeren, akuten Dürre) zu einem scheinbaren Rückgang der Vitalität führt, aber kein Verlust von holzigem Material oder Blattfläche auftritt.
`Change_Raw_Probability_Fast_Loss`	Meter	Rohdaten für die modellierte Wahrscheinlichkeit für schnellen Verlust aus LCMS. „Schneller Verlust“ umfasst die folgenden Klassen aus der Interpretation des TimeSync-Änderungsprozesses: Feuer: Durch Feuer veränderte Flächen, unabhängig von der Ursache der Entzündung (natürlich oder anthropogen), dem Schweregrad oder der Landnutzung. Abholzung – Waldflächen, auf denen Bäume, Sträucher oder andere Vegetation durch anthropogene Mittel entfernt wurden. Beispiele sind Kahlschlag, Bergungsholz nach Feuer oder Insektenbefall, Ausdünnung und andere Forstwirtschaftsvorschriften (z.B. Schutzwald-/Saatbaumernte). Mechanisch – Nichtwaldfläche, auf der Bäume, Sträucher oder andere Vegetation durch Ketten, Schaben, Sägen, Bulldozer oder andere Methoden zur Entfernung von Nichtwaldvegetation mechanisch entfernt wurden. Wind/Eis – Land (unabhängig von der Nutzung), auf dem die Vegetation durch Wind von Hurrikans, Tornados, Stürmen und anderen extremen Wetterereignissen, einschließlich gefrierendem Regen von Eisstürmen, verändert wurde. Hydrologie: Land, auf dem durch Überschwemmungen die Gehölzbedeckung oder andere Elemente der Bodenbedeckung unabhängig von der Landnutzung erheblich verändert wurden (z.B. neue Mischungen aus Kies und Vegetation in und um Bachbetten nach einer Überschwemmung). Schutt – Land (unabhängig von der Nutzung), das durch die Bewegung von Naturmaterial im Zusammenhang mit Erdrutschen, Lawinen, Vulkanen, Schlammströmen usw. verändert wurde. Sonstiges – Land (unabhängig von der Nutzung), bei dem der spektrale Trend oder andere unterstützende Beweise auf ein Ereignis mit Störung oder Änderung hindeuten, die endgültige Ursache jedoch nicht ermittelt werden kann oder die Art der Änderung keiner der oben definierten Kategorien für Änderungsprozesse entspricht.
`Change_Raw_Probability_Gain`	Meter	Rohdaten für die modellierte Wahrscheinlichkeit für Steigerungen in LCMS. Definiert als: Land, auf dem die Vegetationsdecke aufgrund von Wachstum und Sukzession über ein oder mehrere Jahre zugenommen hat. Gilt für alle Bereiche, in denen spektrale Veränderungen im Zusammenhang mit dem Nachwachsen von Vegetation auftreten können. In bebauten Gebieten kann das Wachstum auf reifende Vegetation und/oder neu angelegte Rasenflächen und Landschaftsgestaltung zurückzuführen sein. Im Wald umfasst das Wachstum das Wachstum von Vegetation auf unbewachsenem Boden sowie das Überragen von Bäumen mittlerer und gleichrangiger Höhe und/oder tiefer liegenden Gräsern und Sträuchern. Segmente für Wachstum/Erholung, die nach der Holzernte aufgezeichnet werden, durchlaufen wahrscheinlich verschiedene Landbedeckungsklassen, wenn sich der Wald regeneriert. Damit diese Änderungen als Wachstum/Erholung betrachtet werden können, sollten die Spektralwerte über mehrere Jahre hinweg einem steigenden Trend folgen (z. B. einer positiven Steigung, die, wenn sie auf etwa 20 Jahre verlängert würde, in der Größenordnung von 0,10 Einheiten des NDVI läge).
`Land_Cover_Raw_Probability_Trees`	Meter	Die Wahrscheinlichkeit für „Bäume“ wird im LCMS-Rohmodell geschätzt. Definiert als: Der Großteil des Pixels besteht aus lebenden oder stehenden toten Bäumen.
`Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix`	Meter	Rohdaten für die modellierte Wahrscheinlichkeit von LCMS für die Mischung aus hohen Sträuchern und Bäumen (nur AK). Definiert als: Der Großteil des Pixels besteht aus Sträuchern mit einer Höhe von mehr als 1 Meter und zu mindestens 10% aus lebenden oder stehenden toten Bäumen.
`Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix`	Meter	Rohdaten für die modellierte Wahrscheinlichkeit von „Sträucher und Bäume“ (LCMS). Definiert als: Der Großteil des Pixels besteht aus Sträuchern und mindestens 10% aus lebenden oder stehenden toten Bäumen.
`Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix`	Meter	Die Rohwahrscheinlichkeit für eine Mischung aus Gräsern/Kräutern/Blumen und Bäumen, die mit LCMS modelliert wurde. Definiert als: Der Großteil der Pixel besteht aus mehrjährigen Gräsern, Kräutern oder anderen Formen krautiger Vegetation und enthält außerdem mindestens 10% lebende oder stehende tote Bäume.
`Land_Cover_Raw_Probability_Barren-and-Trees-Mix`	Meter	Rohdaten für die LCMS-Modellwahrscheinlichkeit für „Barren and Trees Mix“ (Mischung aus Ödland und Bäumen). Definiert als: Der Großteil des Pixels besteht aus unbedecktem Boden, der durch Störungen freigelegt wurde (z.B. Boden, der durch mechanische Rodung oder Holzeinschlag freigelegt wurde), sowie aus dauerhaft kargen Gebieten wie Wüsten, Salzseen, Felsaufschlüssen (einschließlich Mineralien und anderen geologischen Materialien, die durch den Tagebau freigelegt wurden), Sanddünen, Salzebenen und Stränden. Auch Straßen aus Schmutz und Schotter gelten als karg und bestehen zu mindestens 10% aus lebenden oder stehenden toten Bäumen.
`Land_Cover_Raw_Probability_Tall-Shrubs`	Meter	Rohdaten für die modellierte Wahrscheinlichkeit von hohen Sträuchern (nur Alaska) aus LCMS. Definiert als: Der Großteil des Pixels besteht aus Sträuchern mit einer Höhe von mehr als 1 Meter.
`Land_Cover_Raw_Probability_Shrubs`	Meter	Die Rohwahrscheinlichkeit für Sträucher, die mit LCMS modelliert wurde. Definiert als: Der Großteil des Pixels besteht aus Sträuchern.
`Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix`	Meter	Rohdaten für die modellierte Wahrscheinlichkeit von LCMS für eine Mischung aus Gräsern, Kräutern und Sträuchern. Definiert als: Der Großteil der Pixel besteht aus mehrjährigen Gräsern, Kräutern oder anderen Formen krautiger Vegetation und zu mindestens 10% aus Sträuchern.
`Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix`	Meter	Die Rohwahrscheinlichkeit für „Barren and Shrubs Mix“ (Mischung aus Ödland und Sträuchern) aus dem LCMS-Modell. Definiert als: Der Großteil des Pixels besteht aus unbedecktem Boden, der durch Störungen freigelegt wurde (z.B. Boden, der durch mechanische Rodung oder Holzeinschlag freigelegt wurde), sowie aus dauerhaft kargen Gebieten wie Wüsten, Salzseen, Felsaufschlüssen (einschließlich Mineralien und anderen geologischen Materialien, die durch den Tagebau freigelegt wurden), Sanddünen, Salzebenen und Stränden. Straßen aus Erde und Schotter gelten ebenfalls als kahl und bestehen zu mindestens 10% aus Sträuchern.
`Land_Cover_Raw_Probability_Grass-Forb-Herb`	Meter	Rohdaten für die modellierte Wahrscheinlichkeit von Gras/Kraut/Pflanze gemäß LCMS. Definiert als: Der Großteil der Pixel besteht aus mehrjährigen Gräsern, Kräutern oder anderen Formen von krautiger Vegetation.
`Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix`	Meter	Rohdaten für die modellierte LCMS-Wahrscheinlichkeit für „Barren“ und „Grass/Forb/Herb Mix“. Definiert als: Der Großteil des Pixels besteht aus unbedecktem Boden, der durch Störungen freigelegt wurde (z.B. Boden, der durch mechanische Rodung oder Holzeinschlag freigelegt wurde), sowie aus dauerhaft unfruchtbaren Gebieten wie Wüsten, Salzseen, Felsaufschlüssen (einschließlich Mineralien und anderen geologischen Materialien, die durch den Tagebau freigelegt wurden), Sanddünen, Salzebenen und Stränden. Auch Schotter- und Feldwege gelten als kahl und bestehen zu mindestens 10% aus mehrjährigen Gräsern, Kräutern oder anderen Formen krautiger Vegetation.
`Land_Cover_Raw_Probability_Barren-or-Impervious`	Meter	Die Wahrscheinlichkeit für „Unbebaut“ oder „Undurchlässig“ wird im Rohmodell von LCMS berechnet. Definiert als: Der Großteil des Pixels besteht aus 1.) unbedecktem Boden, der durch Störungen freigelegt wurde (z.B. Boden, der durch mechanische Rodung oder Holzeinschlag freigelegt wurde), sowie aus dauerhaft unfruchtbaren Gebieten wie Wüsten, Playas, Felsaufschlüssen (einschließlich Mineralien und anderen geologischen Materialien, die durch den Tagebau freigelegt wurden), Sanddünen, Salzseen und Stränden. Auch Straßen aus Schmutz und Kies gelten als kahl oder 2.) künstliche Materialien, in die Wasser nicht eindringen kann, z. B. gepflasterte Straßen, Dächer und Parkplätze.
`Land_Cover_Raw_Probability_Snow-or-Ice`	Meter	Die Wahrscheinlichkeit für Schnee oder Eis, die mit dem Rohmodell für LCMS berechnet wurde. Definiert als: Der Großteil des Pixels besteht aus Schnee oder Eis.
`Land_Cover_Raw_Probability_Water`	Meter	Rohdaten für die LCMS-Modellwahrscheinlichkeit für Wasser. Definiert als: Der Großteil des Pixels besteht aus Wasser.
`Land_Use_Raw_Probability_Agriculture`	Meter	Rohdaten für die modellierte Wahrscheinlichkeit von „Landwirtschaft“ aus LCMS. Definiert als: Land, das für die Produktion von Lebensmitteln, Fasern und Brennstoffen genutzt wird und sich entweder in einem vegetativen oder nicht vegetativen Zustand befindet. Dazu gehören unter anderem landwirtschaftliche Flächen, die für den Anbau von Feldfrüchten genutzt werden, Heuwiesen, Obstgärten, Weinberge, Tierhaltungsbetriebe und Flächen, die für die Produktion von Obst, Nüssen oder Beeren bepflanzt werden. Straßen, die hauptsächlich für landwirtschaftliche Zwecke genutzt werden (d.h. nicht für den öffentlichen Verkehr von Stadt zu Stadt), gelten als landwirtschaftliche Nutzung.
`Land_Use_Raw_Probability_Developed`	Meter	Die Rohwahrscheinlichkeit für „Entwickelt“ aus dem LCMS-Modell. Definiert als: Land, das von künstlichen Strukturen bedeckt ist (z.B. Wohn-, Gewerbe-, Industrie-, Bergbau- oder Transportgebiete mit hoher Dichte) oder eine Mischung aus Vegetation (einschließlich Bäumen) und Strukturen (z.B. Wohngebiete mit geringer Dichte, Rasenflächen, Freizeiteinrichtungen, Friedhöfe, Transport- und Versorgungskorridore usw.), einschließlich aller Flächen, die durch menschliche Aktivitäten funktional verändert wurden.
`Land_Use_Raw_Probability_Forest`	Meter	Die mit dem LCMS-Modell berechnete Rohwahrscheinlichkeit für „Wald“. Definiert als: Land, das bepflanzt oder natürlich bewachsen ist und das zu einem bestimmten Zeitpunkt während einer kurzfristigen Sukzessionsfolge eine Baumdeckung von mindestens 10% aufweist oder wahrscheinlich aufweisen wird. Dazu können Laub-, immergrüne und/oder gemischte Kategorien von Naturwald, Forstplantagen und bewaldeten Feuchtgebieten gehören.
`Land_Use_Raw_Probability_Other`	Meter	Die modellierte Rohwahrscheinlichkeit für „Andere“ aus LCMS. Definiert als: Land (unabhängig von der Nutzung), auf dem der spektrale Trend oder andere unterstützende Beweise auf eine Störung oder ein Ereignis mit Veränderungen hindeuten, die endgültige Ursache jedoch nicht ermittelt werden kann oder die Art der Veränderung keiner der oben definierten Kategorien für Veränderungsprozesse entspricht.
`Land_Use_Raw_Probability_Rangeland-or-Pasture`	Meter	Die rohe, auf LCMS basierende Wahrscheinlichkeit für Rangeland oder Weide. Definiert als: Diese Klasse umfasst alle Bereiche, die entweder a.) Weideland, auf dem die Vegetation aus einer Mischung aus einheimischen Gräsern, Sträuchern, Kräutern und grasartigen Pflanzen besteht, die hauptsächlich auf natürliche Faktoren und Prozesse wie Niederschlag, Temperatur, Höhe und Feuer zurückzuführen sind, obwohl eine begrenzte Bewirtschaftung das kontrollierte Abbrennen sowie die Beweidung durch Haus- und Wildherbivoren umfassen kann; oder b.) Weide, auf der die Vegetation von gemischten, weitgehend natürlichen Gräsern, Kräutern und Pflanzen bis hin zu einer stärker bewirtschafteten Vegetation reichen kann, die von Gräsern dominiert wird, die gesät und bewirtschaftet wurden, um eine nahezu monokulturelle Umgebung zu schaffen.
`QA_Bits`	Meter	Zusätzliche Informationen zum Ursprung der jährlichen LCMS-Produktausgabewerte.
Bitmaske für QA_Bits Bit 0: Gibt an, ob das Pixel interpoliert wurde. 0: Interpoliert 1: Nicht interpoliert Bits 1–5: Von welchem Sensor das Pixel stammt. 4. Landsat 4 5: Landsat 5 7: Landsat 7 8: Landsat 8 9: Landsat 9 21: Sentinel 2A 22: Sentinel 2B Bits 6–14: Der Julianische Tag, an dem das Pixel aufgenommen wurde (1–365).

Klassentabelle ändern

Wert	Farbe	Beschreibung
1	#ff09f3	Wind
2	#541aff	Hurrikan
3	#e4f5fd	Schnee- oder Eisübergang
4	#cc982e	Austrocknung
5	#0adaff	Überschwemmung
6	#a10018	Vorgeschriebenes Feuer
7	#d54309	Wildfire
8	#fafa4b	Mechanische Landtransformation
9	#afde1c	Baumentfernung
10	#ffc80d	Entlaubung
11	#a64c28	Südlicher Kiefernkäfer
12	#f39268	Insekten-, Krankheits- oder Dürrestress
13	#c291d5	Sonstiger Verlust
14	#00a398	Sukzessionelles Wachstum der Vegetation
15	#3d4551	Stabil
16	#1b1716	Maske für nicht zu verarbeitendes Gebiet

Klassentabelle für „Land_Cover“

Wert	Farbe	Beschreibung
1	#004e2b	Bäume
2	#009344	Mischung aus hohen Sträuchern und Bäumen (nur AK)
3	#61bb46	Sträucher- und Bäume-Mix
4	#acbb67	Gras-/Kraut-/Baummischung
5	#8b8560	Mischung aus Ödland und Bäumen
6	#cafd4b	Hohe Sträucher (nur AK)
7	#f89a1c	Sträucher
8	#8fa55f	Mischung aus Gräsern, Kräutern und Sträuchern
9	#bebb8e	Mischung aus Barren und Sträuchern
10	#e5e98a	Gras/Kraut
11	#ddb925	Mischung aus Gräsern, Kräutern und anderen Pflanzen für karge Böden
12	#893f54	Kahl oder undurchlässig
13	#e4f5fd	Schnee oder Eis
14	#00b6f0	Wasser
15	#1b1716	Maske für nicht zu verarbeitendes Gebiet

Klassentabelle für „Land_Use“

Wert	Farbe	Beschreibung
1	#fbff97	Landwirtschaft
2	#e6558b	Entwickelt
3	#004e2b	Wald
4	#9dbac5	Sonstiges
5	#a6976a	Weideland oder Weide
6	#1b1716	Maske für nicht zu verarbeitendes Gebiet

Bildattribute

Bildattribute

Name	Typ	Beschreibung
study_area	STRING	Diese LCMS-Version umfasst die angrenzenden USA, Alaska, Puerto Rico und die Amerikanischen Jungferninseln sowie Hawaii. Mögliche Werte: „CONUS, AK, PRUSVI, HAWAII“
Version	STRING	Version des Produkts
startYear	INT	Startjahr des Produkts
endYear	INT	Endjahr des Produkts
Jahr	INT	Jahr des Produkts

Nutzungsbedingungen

Nutzungsbedingungen

Der USDA Forest Service übernimmt keine ausdrückliche oder stillschweigende Gewährleistung, einschließlich der Gewährleistung der Marktgängigkeit und der Eignung für einen bestimmten Zweck, und übernimmt keine rechtliche Haftung oder Verantwortung für die Richtigkeit, Zuverlässigkeit, Vollständigkeit oder Nützlichkeit dieser Geodaten oder für die unsachgemäße oder falsche Verwendung dieser Geodaten. Diese Geodaten und zugehörigen Karten oder Grafiken sind keine rechtlichen Dokumente und sind nicht als solche gedacht. Die Daten und Karten dürfen nicht verwendet werden, um Eigentumsrechte, rechtliche Beschreibungen oder Grenzen, Gerichtsbarkeiten oder Einschränkungen zu ermitteln, die für öffentliches oder privates Land gelten. Naturgefahren werden möglicherweise in den Daten und Karten dargestellt. Landnutzer sollten Vorsicht walten lassen. Die Daten sind dynamisch und können sich im Laufe der Zeit ändern. Der Nutzer ist dafür verantwortlich, die Einschränkungen der Geodaten zu überprüfen und die Daten entsprechend zu verwenden.

Diese Daten wurden mit Mitteln der US-Regierung erhoben und können ohne zusätzliche Berechtigungen oder Gebühren verwendet werden. Wenn Sie diese Daten in einer Publikation, Präsentation oder einem anderen Forschungsprodukt verwenden, geben Sie bitte die folgende Quelle an:

USDA Forest Service. 2025) USFS Landscape Change Monitoring System v2024.10 (zusammenhängende USA und äußere zusammenhängende USA). Salt Lake City, Utah.

Zitationen

USDA Forest Service. 2025) USFS Landscape Change Monitoring System, Version 2024.10 (USA und Außengebiete der USA). Salt Lake City, Utah.
Breiman, L., 2001. Random Forests. Maschinelles Lernen Springer, 45: 5–32. doi:10.1023/A:1010933404324
Chastain, R., Housman, I., Goldstein, J., Finco, M. und 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. und Kennedy, R., 2010. Erkennen von Trends bei Waldstörungen und ‑erholung mithilfe jährlicher Landsat-Zeitreihen: 2. TimeSync: Tools für die Kalibrierung und Validierung. 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. und Gorelick, N., 2018. Ein multispektrales LandTrendr-Ensemble zur Erkennung von Waldstörungen. 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. Vergleich und Validierung von Algorithmen zur Erkennung von Wolken für operationelle Landsat-Datenprodukte. In: Remote Sensing of Environment. Science Direct, 194: 379–390. doi:10.1016/j.rse.2017.03.026
U.S. Geological Survey, 2019 Digitales Höhenmodell des USGS 3D Elevation Program, abgerufen im August 2022 unter 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. Kartierung von Waldveränderungen mit gestapelter Generalisierung: Ein Ensemble-Ansatz. 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. Erkennen von Trends bei Waldstörungen und ‑erholung mithilfe jährlicher Landsat-Zeitreihen: 1. LandTrendr – Algorithmen für die zeitliche Segmentierung. 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. und Healey, S. 2018. Implementierung des LandTrendr-Algorithmus in Google Earth Engine. In Remote Sensing. MDPI, 10(5): 691. doi:10.3390/rs10050691
Pasquarella, V. J., Brown, C. F., Czerwinski, W. und Rucklidge, W. J., 2023. 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. 2124–2134.
Sentinel-Hub, 2021. Sentinel 2 Cloud Detector [Online] Verfügbar unter: https://github.com/sentinel-hub/sentinel2-cloud-detector
Weiss, A.D., 2001. Topografische Position und Analyse von Landformen Posterpräsentation, ESRI Users Conference, San Diego, CAZhu, Z., und Woodcock, C. E. 2012. Objektbasierte Erkennung von Wolken und Wolkenschatten in Landsat-Bildern. 118: 83-94.
Zhu, Z. und Woodcock, C. E., 2012. Objektbasierte Erkennung von Wolken und Wolkenschatten in Landsat-Bildern. In: Remote Sensing of Environment. Science Direct, 118: 83-94. doi:10.1016/j.rse.2011.10.028
Zhu, Z. und Woodcock, C. E., 2014. Kontinuierliche Änderungserkennung und Klassifizierung der Bodenbedeckung mit allen verfügbaren Landsat-Daten. In: Remote Sensing of Environment. Science Direct, 144: 152–171. doi:10.1016/j.rse.2014.01.011

DOIs

Die Earth Engine nutzen

Code-Editor (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);

Open in Code Editor

USFS Landscape Change Monitoring System, Version 2024.10 (CONUS und OCONUS)

USFS/GTAC/LCMS/v2024-10, change-detection,forest,gtac,landcover,landuse,landuse-landcover,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

https://developers.google.com/earth-engine/datasets