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

זמינות קבוצת הנתונים: 1985-01-01T00:00:00Z–2024-12-31T00:00:00Z
יוצר מערך הנתונים: USDA Forest Service (USFS) Field Services and Innovation Center Geospatial Office (FSIC-GO) Google Earth Engine

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

תיאור

המוצר הזה הוא חלק מחבילת הנתונים של Landscape Change Monitoring System (מערכת למעקב אחר שינויים בנוף, LCMS). הוא מציג שינויים, כיסוי קרקע ו/או סיווגים של שימוש בקרקע לפי מודל LCMS לכל שנה, ומכסה את ארצות הברית הרציפה (CONUS) וגם אזורים מחוץ ל-CONUS ‏ (OCONUS), כולל אלסקה (AK), פוארטו ריקו – איי הבתולה של ארה"ב (PRUSVI) והוואי (HAWAII).

מערכת LCMS היא מערכת שמבוססת על חישה מרחוק למיפוי ולמעקב אחר שינויים בנוף בארצות הברית. המטרה שלה היא לפתח גישה עקבית באמצעות הטכנולוגיה העדכנית ביותר וההתפתחויות בזיהוי שינויים, כדי ליצור מפה של שינויים בנוף ברמת הדיוק הכי גבוהה שאפשר.

הפלט כולל שלושה מוצרים שנתיים: שינוי, כיסוי קרקע ושימוש בקרקע. הפלט של מודל השינוי מתייחס באופן ספציפי לכיסוי צמחייה וכולל אובדן איטי, אובדן מהיר (שכולל גם שינויים הידרולוגיים כמו הצפה או ייבוש) ועלייה. הערכים האלה מחושבים לכל שנה בסדרת הזמן של Landsat ומשמשים כבסיס למוצרי LCMS. אנחנו מיישמים קבוצת כללים שמבוססת על מערכי נתונים משניים כדי ליצור את מוצר השינוי הסופי, שהוא שיפור או סיווג מחדש של השינוי המודל ל-15 סוגים שמספקים מידע מפורש על הגורם לשינוי הנוף (למשל, כריתת עצים, שריפות יער, נזקי רוח). במפות של כיסוי הקרקע ושימוש הקרקע מוצגים כיסוי הקרקע ברמת צורת החיים ושימוש הקרקע ברמה רחבה בכל שנה.

מכיוון שאין אלגוריתם שמשיג את התוצאות הכי טובות בכל המצבים, מערכת LCMS משתמשת באוסף של מודלים ככלי חיזוי, מה שמשפר את דיוק המפה במגוון של מערכות אקולוגיות ותהליכי שינוי (Healey et al., 2018). חבילת המפות שמתקבלת כוללת שינויים ב-LCMS, כיסוי קרקע ושימוש בקרקע, ומציעה תיאור הוליסטי של שינויים בנוף בארצות הברית מאז 1985.

שכבות החיזוי של מודל LCMS כוללות פלט מאלגוריתמים לזיהוי שינויים ב-LandTrendr וב-CCDC, ומידע על השטח. הגישה לכל הרכיבים האלה והעיבוד שלהם מתבצעים באמצעות Google Earth Engine (Gorelick et al., 2017).

כדי ליצור תמונות מורכבות שנתיות עבור LandTrendr, נעשה שימוש בנתוני החזרת אור בחלק העליון של האטמוספרה (TOA) ברמה 1C של USGS Collection 2 Landsat Tier 1 ו-Sentinel 2A,‏ 2B. האלגוריתם cFmask לזיהוי עננים (Foga et al., ‫2017), שהוא הטמעה של Fmask 2.0 (Zhu and Woodcock, ‏ 2012) (Landsat בלבד), cloudScore (Chastain et al.,‏ ‫2019) (Landsat-only), s2cloudless (Sentinel-Hub, 2021) ו-Cloud Score+ (Pasquarella et al., ‫2023) (Sentinel 2 בלבד) משמשות להסתרת עננים, בעוד ש-TDOM (Chastain et al., ‫2019) משמשת להסתרת צללים בענן (Landsat ו-Sentinel 2). ב-LandTrendr, המערכת מחשבת את המדויד השנתי כדי לסכם את הערכים ללא עננים וצללי עננים מכל שנה לקומפוזיציה אחת. ב-CCDC, נתוני החזרת אור מפני השטח ברמה 1 של Landsat Collection 2 של הסקר הגאולוגי של ארצות הברית (USGS) שימשו ל-CONUS, ונתוני החזרת אור בחלק העליון של האטמוספירה ברמה 1 של Landsat שימשו ל-AK,‏ PRUSVI ו-HAWAII.

סדרת הזמן המורכבת מפולחת באופן זמני באמצעות LandTrendr (Kennedy et al., ‫2010; קנדי ואחרים, ‫2018; Cohen et al., 2018).

כל הערכים שבהם אין עננים וצללי עננים מפולחים גם הם באופן זמני באמצעות אלגוריתם CCDC (Zhu and Woodcock, ‏ 2014).

נתוני החיזוי כוללים ערכים מורכבים גולמיים, ערכים מותאמים של LandTrendr, הבדלים בין זוגות, משך הפלח, גודל השינוי ושיפוע, ומקדמי סינוס וקוסינוס של CCDC (3 ההרמוניות הראשונות), ערכים מותאמים והבדלים בין זוגות, יחד עם גובה, שיפוע, סינוס של היבט, קוסינוס של היבט ומדדי מיקום טופוגרפיים (Weiss,‏ 2001) מנתוני תוכנית הגובה התלת-ממדית (3DEP) של USGS (המכון הגיאולוגי של ארה"ב) ברזולוציה של 10 מ' (U.S. Geological Survey,‏ 2019).

נתוני ההשוואה נאספים באמצעות TimeSync, כלי מבוסס-אינטרנט שעוזר לאנליסטים להציג את רשומת הנתונים של Landsat משנת 1984 ועד היום, ולפרש אותה (Cohen et al., 2010).

מודלים של יערות אקראיים (Breiman, 2001) אומנו באמצעות נתוני ייחוס מ-TimeSync ונתוני חיזוי מ-LandTrendr,‏ CCDC ומדדי שטח כדי לחזות שינויים שנתיים, כיסוי קרקע וסיווגים של שימוש בקרקע. לאחר יצירת המודל, אנחנו קובעים סדרה של ספי הסתברות וערכות כללים באמצעות מערכי נתונים משניים כדי לשפר את התפוקות האיכותיות של המפה ולצמצם את השגיאות של השמטה והוספה. מידע נוסף זמין בתיאור של LCMS Methods Brief.

מקורות מידע נוספים

דוגמה מפורטת יותר לקוד לשימוש בנתוני LCMS.
הכלי LCMS Data Explorer הוא אפליקציה מבוססת-אינטרנט שמאפשרת למשתמשים להציג, לנתח, לסכם ולהוריד נתוני LCMS.
מידע מפורט יותר על שיטות והערכת דיוק זמין בתקציר השיטות של LCMS. אפשר גם להוריד נתונים, מטא-נתונים ומסמכי תמיכה ממרכז המידע הגיאוגרפי של LCMS.
המחרוזת HAWAII תעודכן ל-HI בפרסום הנתונים הקרוב, v2025.11.

אפשר לפנות אל sm.fs.lcms@usda.gov בכל שאלה או בקשה ספציפית בנוגע לנתונים.

תחום תדרים

גודל הפיקסל
‫30 מטרים

תחום תדרים

שם	גודל הפיקסל	תיאור
`Change`	מטרים	שינוי סופי במוצר LCMS לפי נושא. בכל שנה ממופים חמישה עשר שינויים. באופן בסיסי, השינוי מודל באמצעות שלושה מודלים בינאריים נפרדים של יערות אקראיים לכל אזור מחקר: אובדן איטי, אובדן מהיר ועלייה. כל פיקסל משויך לסיווג השינוי הממוּדל עם ההסתברות הכי גבוהה שגם גבוהה מסף מסוים. כל פיקסל שלא מופיע בו ערך מעל הסף המתאים של כל מחלקה מוקצה למחלקה Stable. אחרי שמפעילים קבוצת כללים באמצעות סיווג השינויים המבוסס על מודלים, מערכי נתונים משניים (כמו TCC,‏ MTBS ו-IDS) ונתוני כיסוי פני השטח של LCMS, אחד מ-15 סיווגי השינויים המדויקים מוקצה לכל פיקסל. במאמר התמציתי על שיטות LCMS שמקושר לתיאור מופיעים פרטים מלאים על קבוצת הכללים ועל מערכי הנתונים המשניים שנעשה בהם שימוש.
`Land_Cover`	מטרים	מוצר סופי של כיסוי קרקע נושאי של LCMS. בכל שנה ממופים 14 סוגים של כיסוי קרקע באמצעות נתוני ייחוס של TimeSync ומידע ספקטרלי שנגזר מתמונות Landsat. חיזוי כיסוי הקרקע מתבצע באמצעות מודל יער אקראי יחיד עם כמה סיווגים, שמפיק מערך של ההסתברויות של כל סיווג (החלק היחסי של העצים במודל היער האקראי ש 'בחרו' כל סיווג). הסיווגים הסופיים משויכים לשימוש בקרקע עם ההסתברות הכי גבוהה. לפני שהוקצה סיווג כיסוי הקרקע עם ההסתברות הכי גבוהה, בהתאם לאזור המחקר, הוחלו סף הסתברות אחד או יותר וקבוצות כללים באמצעות מערכי נתונים משניים. מידע נוסף על ספי הסתברות ועל ערכות כללים זמין בסיכום השיטות של LCMS שמקושר בתיאור. שבעה סיווגים של כיסוי קרקע מציינים כיסוי קרקע יחיד, שבו סוג כיסוי הקרקע מכסה את רוב שטח הפיקסל ואף סיווג אחר לא מכסה יותר מ-10% מהפיקסל. יש גם שבעה שיעורים מעורבים. הפיקסלים האלה מייצגים אזורים שבהם סוג קרקע נוסף מכסה לפחות 10% מהפיקסל.
`Land_Use`	מטרים	מוצר סופי של שימוש קרקע נושאי ב-LCMS. בכל שנה ממופים 5 סוגים של שימוש בקרקע באמצעות נתוני ייחוס של TimeSync ומידע ספקטרלי שמופק מתמונות Landsat. החיזוי של השימוש בקרקע מתבצע באמצעות מודל יער אקראי יחיד עם כמה סיווגים, שמפיק מערך של ההסתברויות של כל סיווג (החלק של העצים במודל היער האקראי ש 'בחרו' כל סיווג). הסיווגים הסופיים משויכים לשימוש בקרקע עם ההסתברות הכי גבוהה. לפני שהוקצה סיווג השימוש בקרקע עם ההסתברות הכי גבוהה, הוחלו סדרה של ספי הסתברות וקבוצות כללים באמצעות מערכי נתונים משניים. מידע נוסף על ספי הסתברות ועל ערכות כללים זמין בסיכום השיטות של LCMS שמקושר בתיאור.
`Change_Raw_Probability_Slow_Loss`	מטרים	ההסתברות המחושבת של אובדן איטי, כפי שהיא מופיעה במודל LCMS. הקטגוריה 'אובדן איטי' כוללת את המחלקות הבאות מתוך תהליך השינוי של TimeSync: ירידה מבנית – קרקע שבה עצים או צמחייה עשירה אחרת משתנים פיזית בגלל תנאי גידול לא נוחים שנובעים מגורמים לא אנתרופוגניים או לא מכניים. בדרך כלל, סוג כזה של אובדן יוצר מגמה באותות הספקטרליים (למשל, ירידה ב-NDVI, ירידה ברטיבות, עלייה ב-SWIR וכו'), אבל המגמה יכולה להיות קלה. ירידה מבנית מתרחשת בסביבות עם צמחייה מעוצה, לרוב כתוצאה מחרקים, מחלות, בצורת, גשם חומצי וכו'. ירידה מבנית יכולה לכלול אירועים של נשירת עלים שלא מובילים לתמותה, כמו במקרים של נגיעות בעש צועני ובזחל של עש האשוח, שמהם הצמחייה עשויה להשתקם תוך שנה או שנתיים. ירידה ספקטרלית – תרשים שבו האות הספקטרלי מראה מגמה באחד או יותר מהפסי הספקטרליים או מהאינדקסים (למשל, ירידה ב-NDVI, ירידה ב-Wetness, עלייה ב-SWIR וכו'). דוגמאות למקרים כאלה: א) צמחייה לא יערנית ולא מעוצה שמראה מגמת ירידה (למשל, ירידה ב-NDVI, ירידה ברטיבות, עלייה ב-SWIR וכו'), או ב) צמחייה מעוצה שמראה מגמת ירידה שלא קשורה לאובדן של צמחייה מעוצה, למשל כשחופות של עצים בוגרים נסגרות וגורמות להצללה מוגברת, כששינוי בהרכב המינים עובר מעצים מחטניים לעצים רחבי עלים, או כשמזג אוויר יבש (בניגוד לבצורת חזקה יותר וחדה יותר) גורם לירידה ניכרת בחוזק הצמחייה, אבל לא לאובדן של חומר מעוצה או שטח עלים.
`Change_Raw_Probability_Fast_Loss`	מטרים	ההסתברות המחושבת של אובדן מהיר על סמך נתוני LCMS גולמיים. הסיווגים הבאים כלולים ב-Fast Loss מתוך תהליך השינוי של TimeSync: שריפה – קרקע שעברה שינוי כתוצאה משריפה, ללא קשר לגורם ההצתה (טבעי או אנתרופוגני), לחומרה או לשימוש בקרקע. קציר – קרקע יערנית שבה עצים, שיחים או צמחייה אחרת נחתכו או הוסרו באמצעים אנתרופוגניים. דוגמאות לכך הן כריתת עצים, כריתת עצים שנפגעו משריפה או מהתפשטות של חרקים, דילול עצים והנחיות אחרות לניהול יערות (למשל, כריתת עצים להגנה על עצים צעירים או כריתת עצים להפצת זרעים). מכני – קרקע לא מיוערת שבה עצים, שיחים או צמחייה אחרת נחתכו או הוסרו באופן מכני באמצעות שרשור, גירוד, ניסור שיחים, דחפור או כל שיטה אחרת להסרת צמחייה שלא נמצאת ביער. רוח/קרח – קרקע (ללא קשר לשימוש) שבה הצמחייה משתנה בגלל רוח מהוריקנים, טורנדו, סופות ואירועי מזג אוויר קשים אחרים, כולל גשם מקפיא מסופות קרח. הידרולוגיה – קרקע שבה שיטפון שינה באופן משמעותי את כיסוי העצים או רכיבים אחרים של כיסוי הקרקע, ללא קשר לשימוש בקרקע (למשל, תערובות חדשות של חצץ וצמחייה בתוך אפיקי נחלים ובסביבתם אחרי שיטפון). פסולת – קרקע (ללא קשר לשימוש) שעברה שינוי כתוצאה מתנועת חומרים טבעיים שקשורה למפולות, לשלגים, להרי געש, לזרמי פסולת וכו'. אחר – קרקע (ללא קשר לשימוש) שבה המגמה הספקטרלית או ראיות תומכות אחרות מצביעות על כך שהתרחשו הפרעה או אירוע שינוי, אבל לא ניתן לקבוע את הסיבה הסופית או שהסוג של השינוי לא עומד באף אחת מהקטגוריות של תהליך השינוי שמוגדרות למעלה.
`Change_Raw_Probability_Gain`	מטרים	ההסתברות הגולמית של עלייה שחושבה על ידי מודל LCMS. מוגדר כ: קרקע שבה חל גידול בכיסוי הצמחייה עקב צמיחה והתפתחות במשך שנה אחת או יותר. רלוונטי לכל האזורים שבהם יכול להיות שינוי ספקטרלי שקשור לצמיחה מחדש של צמחייה. באזורים מפותחים, הצמיחה יכולה להיות תוצאה של התבגרות הצמחייה או של מדשאות וגינון חדשים. ביערות, הגידול כולל צמיחת צמחייה מאדמה חשופה, וגם צמיחה של עצים בינוניים ועצים דומיננטיים מעל עצים אחרים ו/או צמיחה של דשא ושיחים נמוכים יותר. סביר להניח שפלחים של צמיחה או התאוששות שתועדו אחרי כריתת יערות יעברו בין סיווגים שונים של כיסוי קרקע כשהיער יתחדש. כדי שהשינויים האלה ייחשבו כצמיחה או כהתאוששות, הערכים הספקטרליים צריכים להיות קרובים לקו מגמה עולה (למשל, שיפוע חיובי שאם יורחב ל-20 שנה בערך, יהיה בסדר גודל של 0.10 יחידות של NDVI) שנמשך כמה שנים.
`Land_Cover_Raw_Probability_Trees`	מטרים	ההסתברות המחושבת של עצים לפי מודל LCMS. ההגדרה: רוב הפיקסלים מורכבים מעצים חיים או מעצים מתים.
`Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix`	מטרים	ההסתברות המחושבת של LCMS לגבי תערובת של שיחים ועצים גבוהים (אלסקה בלבד). הגדרה: רוב הפיקסל מורכב משיחים בגובה של יותר ממטר, וגם מורכב לפחות מ-10% עצים חיים או עצים מתים שעומדים.
`Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix`	מטרים	ההסתברות הגולמית של תערובת שיחים ועצים לפי מודל LCMS. הגדרה: רוב הפיקסל מורכב משיחים, וגם מ-10% לפחות של עצים חיים או עצים מתים עומדים.
`Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix`	מטרים	ההסתברות המחושבת הגולמית של תערובת של דשא, עשבים ועצים לפי מודל LCMS. הגדרה: רוב הפיקסלים מורכב מדשאים רב-שנתיים, מצמחי מרפא או מצורות אחרות של צמחייה עשבונית, וגם מורכב מ-10% לפחות של עצים חיים או עצים מתים שעומדים.
`Land_Cover_Raw_Probability_Barren-and-Trees-Mix`	מטרים	ההסתברות הגולמית שחושבה על סמך מודל LCMS לכיסוי מלא של שטח חשוף ושל שילוב של עצים. הגדרה: רוב הפיקסל מורכב מקרקע חשופה שנחשפה כתוצאה מהפרעה (למשל, קרקע שנחשפה כתוצאה מפינוי מכני או כריתת יערות), וגם מאזורים שוממים באופן קבוע כמו מדבריות, מישורי מלח, סלעים חשופים (כולל מינרלים וחומרים גיאולוגיים אחרים שנחשפו כתוצאה מפעולות כרייה על פני השטח), דיונות חול, אגמי מלח וחופים. גם דרכים שעשויות מעפר ומחצץ נחשבות לקרקע לא פורייה, והן כוללות לפחות 10% עצים חיים או עצים מתים שעומדים.
`Land_Cover_Raw_Probability_Tall-Shrubs`	מטרים	ההסתברות המחושבת הגולמית של LCMS לשיחים גבוהים (אלסקה בלבד). הגדרה: רוב הפיקסל מורכב משיחים בגובה של יותר ממטר.
`Land_Cover_Raw_Probability_Shrubs`	מטרים	ההסתברות הגולמית של שיחים שחושבה על ידי מודל LCMS. הגדרה: רוב הפיקסל מורכב משיחים.
`Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix`	מטרים	ההסתברות הגולמית לפי מודל LCMS לתערובת של עשבים, צמחים ושיחים. הגדרה: רוב הפיקסל מורכב מדשאים רב-שנתיים, מצמחי מרפא או מצורות אחרות של צמחייה עשבונית, וגם מורכב משיחים בשיעור של 10% לפחות.
`Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix`	מטרים	ההסתברות הגולמית של תערובת של שטחים חשופים ושיחים, שחושבה על ידי מודל LCMS. הגדרה: רוב הפיקסל מורכב מקרקע חשופה שנחשפה כתוצאה מהפרעה (למשל, קרקע שנחשפה כתוצאה מפינוי מכני או כריתת יערות), וגם מאזורים שוממים באופן קבוע כמו מדבריות, מישורי מלח, סלעים חשופים (כולל מינרלים וחומרים גיאולוגיים אחרים שנחשפו כתוצאה מפעולות כרייה על פני השטח), דיונות חול, אגמי מלח וחופים. כבישים שמורכבים מאדמה ומחצץ נחשבים גם הם לשטח חשוף, וכוללים לפחות 10% שיחים.
`Land_Cover_Raw_Probability_Grass-Forb-Herb`	מטרים	ההסתברות הגולמית שחושבה על סמך מודל LCMS של דשא/עשב/צמח. ההגדרה: רוב הפיקסלים מורכבים מדשאים רב-שנתיים, מעשבים רחבי עלים או מצורות אחרות של צמחייה עשבונית.
`Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix`	מטרים	ההסתברות הגולמית שחושבה על ידי מודל LCMS לקרקע חשופה ולתערובת של עשבים, צמחים רחבי עלים ועשבי תיבול. הגדרה: רוב הפיקסל מורכב מאדמה חשופה שנחשפה כתוצאה מהפרעה (למשל, אדמה שנחשפה כתוצאה מפינוי מכני או כריתת יערות), וגם מאזורים שוממים באופן קבוע כמו מדבריות, מישורי מלח, סלעים חשופים (כולל מינרלים וחומרים גיאולוגיים אחרים שנחשפו כתוצאה מפעולות כרייה על פני השטח), דיונות, אגמי מלח וחופים. גם דרכים שמורכבות מאדמה ומחצץ נחשבות לשטח חשוף, והן כוללות לפחות 10% עשבים רב-שנתיים, צמחי מרפא או צורות אחרות של צמחייה עשבונית.
`Land_Cover_Raw_Probability_Barren-or-Impervious`	מטרים	ההסתברות המחושבת של LCMS לקרקע חשופה או אטומה. הגדרה: רוב הפיקסל מורכב מ-1) קרקע חשופה שנחשפה כתוצאה מהפרעה (למשל, קרקע שנחשפה כתוצאה מפינוי מכני או כריתת יערות), וגם מאזורים שוממים באופן קבוע כמו מדבריות, מישורי מלח, סלעים חשופים (כולל מינרלים וחומרים גיאולוגיים אחרים שנחשפו כתוצאה מפעולות כרייה על פני השטח), דיונות חול, אגמי מלח וחופים. כבישים שעשויים מעפר ומחצץ נחשבים גם הם כשטחים חשופים או כ-2) חומרים מעשה ידי אדם שמים לא יכולים לחדור דרכם, כמו כבישים סלולים, גגות וחניונים.
`Land_Cover_Raw_Probability_Snow-or-Ice`	מטרים	ההסתברות הגולמית שחושבה על ידי מודל LCMS לשלג או לקרח. ההגדרה היא: רוב הפיקסלים מורכב משלג או מקרח.
`Land_Cover_Raw_Probability_Water`	מטרים	ההסתברות המחושבת של מים לפי מודל LCMS. ההגדרה היא: רוב הפיקסלים מורכבים ממים.
`Land_Use_Raw_Probability_Agriculture`	מטרים	ההסתברות הגולמית של חקלאות שחושבה על ידי מודל LCMS. הגדרה: קרקע שמשמשת לייצור מזון, סיבים ודלקים, שנמצאת במצב של צמחייה או ללא צמחייה. ההגדרה הזו כוללת, בין היתר, שטחי גידול מעובדים ולא מעובדים, שטחי חציר, מטעים, כרמים, שטחים לגידול בעלי חיים ושטחים שבהם נשתלו עצים או שיחים להפקת פירות, אגוזים או פירות יער. כבישים שמשמשים בעיקר לשימוש חקלאי (כלומר, לא משמשים לתחבורה ציבורית מעיר לעיר) נחשבים לשימוש בקרקע חקלאית.
`Land_Use_Raw_Probability_Developed`	מטרים	ההסתברות המחושבת של LCMS לסטטוס 'פותח'. הגדרה: קרקע שמכוסה במבנים מעשה ידי אדם (למשל: מגורים בצפיפות גבוהה, מסחר, תעשייה, כרייה או תחבורה), או תערובת של צמחייה (כולל עצים) ומבנים (למשל: מגורים בצפיפות נמוכה, מדשאות, מתקני פנאי, בתי קברות, מסדרונות תחבורה ושירותים וכו'), כולל כל קרקע שעברה שינוי פונקציונלי כתוצאה מפעילות אנושית.
`Land_Use_Raw_Probability_Forest`	מטרים	ההסתברות המחושבת של יער לפי מודל LCMS. הגדרה: קרקע ששתולים בה צמחים או שיש בה צמחייה טבעית, ושכוללת (או סביר להניח שתכלול) כיסוי עצים של 10% או יותר בשלב כלשהו במהלך רצף סוקצסיוני בטווח הקצר. יכול להיות שהסיווגים האלה יכללו יערות טבעיים נשירים, ירוקי עד או מעורבים, מטעי יער וביצות עם צמחייה מעוצה.
`Land_Use_Raw_Probability_Other`	מטרים	ההסתברות הגולמית של LCMS שמוצגת כ'אחר'. מוגדר כ: קרקע (ללא קשר לשימוש) שבה המגמה הספקטרלית או ראיות תומכות אחרות מצביעות על כך שהתרחשו הפרעה או אירוע שינוי, אבל לא ניתן לקבוע את הסיבה הסופית או שסוג השינוי לא עומד באף אחת מקטגוריות תהליך השינוי שהוגדרו למעלה.
`Land_Use_Raw_Probability_Rangeland-or-Pasture`	מטרים	ההסתברות הגולמית שחושבה על ידי מודל LCMS לגבי שטחי מרעה או אדמות מרעה. הגדרה: הקטגוריה הזו כוללת כל אזור שמתקיים בו אחד מהתנאים הבאים: א) שטחי מרעה, שבהם הצמחייה היא תערובת של עשבים מקומיים, שיחים, עשבים רחבי עלים וצמחים דמויי עשב, שצומחים בעיקר כתוצאה מגורמים ותהליכים טבעיים כמו גשם, טמפרטורה, גובה ושריפה, למרות שניהול מוגבל עשוי לכלול גם שריפה מבוקרת וגם רעייה של בעלי חיים מקומיים ופראיים או ב.) שטח מרעה, שבו הצמחייה יכולה להיות מגוונת, בעיקר עשבים טבעיים, צמחי מרפא וצמחים רחבי עלים, או צמחייה מנוהלת יותר שבה יש בעיקר מיני עשבים שנזרעו וטופלו כדי לשמור על מצב של מונוקולטורה.
`QA_Bits`	מטרים	מידע נוסף על המקור של ערכי הפלט השנתיים של מוצר LCMS.
מסכת ביטים של QA_Bits ביט 0: מציין אם הפיקסל עבר אינטרפולציה. ‫0: אינטרפולציה ‫1: לא בוצעה אינטרפולציה ביטים 1-5: החיישן שממנו הגיע הפיקסל. ‫4: Landsat 4 ‫5: Landsat 5 ‫7: Landsat 7 ‫8: Landsat 8 ‫9: Landsat 9 ‫21: Sentinel 2A ‫22: Sentinel 2B ביטים 6-14: היום היוליאני שממנו הגיע הפיקסל (1-365).

טבלת שינוי סיווג

ערך	צבע	תיאור
1	#ff09f3	רוח
2	#541aff	הוריקן
3	#e4f5fd	מעבר של שלג או קרח
4	#cc982e	ייבוש
5	#0adaff	הצפה
6	#a10018	שריפה מבוקרת
7	‎#d54309	Wildfire
8	#fafa4b	שינוי מכני של הקרקע
9	‫#afde1c	כריתת עצים
10	#ffc80d	הפלה
11	#a64c28	Southern Pine Beetle
12	#f39268	עקה כתוצאה מחרקים, מחלות או בצורת
13	#c291d5	הפסד אחר
14	#00a398	צמיחה של צמחייה
15	#3d4551	אורווה
16	#1b1716	מסכה של אזור שלא עובר עיבוד

טבלת סיווג Land_Cover

ערך	צבע	תיאור
1	#004e2b	עצים
2	#009344	Tall Shrubs & Trees Mix (אלסקה בלבד)
3	#61bb46	מיקס של שיחים ועצים
4	#acbb67	תערובת של דשא, צמחים ועצים
5	#8b8560	מיקס של שטח חשוף ועצים
6	#cafd4b	Tall Shrubs (AK Only)
7	#f89a1c	שיחים
8	#8fa55f	תערובת של דשא, עשבים ושיחים
9	#bebb8e	Barren & Shrubs Mix
10	#e5e98a	עשב/צמח עשבוני/תבלין
11	#ddb925	תערובת של עשבים, צמחים ועשבי תיבול
12	#893f54	שומם או אטום
13	#e4f5fd	שלג או קרח
14	#00b6f0	מים
15	#1b1716	מסכה של אזור שלא עובר עיבוד

טבלת סיווג Land_Use

ערך	צבע	תיאור
1	#fbff97	חקלאות
2	#e6558b	פותח
3	#004e2b	יער
4	#9dbac5	אחר
5	#a6976a	שטחי מרעה
6	#1b1716	מסכה של אזור שלא עובר עיבוד

מאפייני תמונה

מאפייני תמונה

שם	סוג	תיאור
study_area	מחרוזת	הגרסה הזו של LCMS מכסה את 48 המדינות של ארה"ב היבשתית, אלסקה, פוארטו ריקו, איי הבתולה של ארה"ב והוואי. ערכים אפשריים: CONUS, AK, PRUSVI, HAWAII
גרסה	מחרוזת	גרסת המוצר
startYear	INT	שנת ההתחלה של המוצר
endYear	INT	שנת הסיום של המוצר
שנה	INT	שנת הייצור של המוצר

תנאים והגבלות

תנאים והגבלות

שירות היערות של USDA לא נותן אחריות, מפורשת או משתמעת, כולל אחריות לסחירות ולהתאמה למטרה מסוימת, ולא נושא באחריות משפטית או באחריות לדיוק, למהימנות, לשלמות או לשימושיות של הנתונים הגיאוספציאליים האלה, או לשימוש לא תקין או שגוי בנתונים הגיאוספציאליים האלה. הנתונים הגיאוספציאליים והמפות או הגרפיקות הקשורות לא מהווים מסמכים משפטיים, והם לא מיועדים לשימוש ככאלה. אסור להשתמש בנתונים ובמפות כדי לקבוע בעלות, תיאורים משפטיים או גבולות, סמכות שיפוט או הגבלות שעשויות לחול על קרקע ציבורית או פרטית. יכול להיות שסכנות טבעיות יופיעו בנתונים ובמפות, ויכול להיות שלא. לכן, משתמשים בקרקע צריכים לנקוט משנה זהירות. הנתונים הם דינמיים ועשויים להשתנות עם הזמן. המשתמש אחראי לאמת את המגבלות של הנתונים הגיאו-מרחביים ולהשתמש בנתונים בהתאם.

הנתונים האלה נאספו באמצעות מימון מממשלת ארה"ב, ואפשר להשתמש בהם ללא הרשאות או עמלות נוספות. אם אתם משתמשים בנתונים האלה בפרסום, במצגת או במוצר מחקר אחר, עליכם לציין את הציטוט הבא:

שירות היערות של משרד החקלאות האמריקאי (USDA). 2025. USFS Landscape Change Monitoring System v2024.10 (Conterminous United States and Outer Conterminous United States). סולט לייק סיטי, יוטה.

ציטוטים ביבליוגרפיים

שירות היערות של משרד החקלאות האמריקאי (USDA). 2025. מערכת למעקב אחר שינויים בנוף של USFS גרסה 2024.10 (ארצות הברית הרציפה ואזורים מרוחקים בארצות הברית הרציפה). סולט לייק סיטי, יוטה.
Breiman, L., ‫2001. יערות אקראיים. ב-Machine Learning. Springer, 45: 5-32. doi:10.1023/A:1010933404324
Chastain, R., Housman, I., Goldstein, J., Finco, M., and Tenneson, K., ‫2019. השוואה אמפירית בין חיישנים של Sentinel-2A ו-2B MSI,‏ Landsat-8 OLI ו-Landsat-7 ETM של מאפיינים ספקטרליים בחלק העליון של האטמוספירה מעל ארצות הברית הרציפה. ב-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. זיהוי מגמות בהפרעות ביערות ובהתאוששות שלהם באמצעות סדרות זמן שנתיות של Landsat: 2. TimeSync – כלים לכיול ולאימות. ב-Remote Sensing of Environment. ‪Science Direct, 114(12): 2911-2924. doi:10.1016/j.rse.2010.07.010
Cohen, W. B., יאנג, ז. (Yang, Z.‎), Healey, S. P., קנדי, ר. E., and Gorelick, N., 2018. ‫LandTrendr multispectral ensemble לזיהוי הפרעות ביערות. ב-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., יוז, מ.ג'יי (Hughes, M.J.‎), Laue, B., 2017. השוואה ואימות של אלגוריתם לזיהוי עננים במוצרי נתונים תפעוליים של Landsat. ב-Remote Sensing of Environment. Science Direct, 194: 379-390. doi:10.1016/j.rse.2017.03.026
U.S. Geological Survey, ‏ 2019. ‫USGS 3D Elevation Program Digital Elevation Model, גישה באוגוסט 2022 בכתובת https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m
Healey, S. P., Cohen, W. B., יאנג, ז. (Yang, Z.‎), Kenneth Brewer, C., Brooks, E. B., Gorelick, N., Hernandez, A. J., Huang, C., ג'וזף יוז, מ. (Joseph Hughes, M.‎), קנדי, ר. E., Loveland, T. R., Moisen, G. G., Schroeder, T. A., Stehman, S. V., Vogelmann, J. E., Woodcock, C. E., יאנג, ל. (Yang, L.) וג'ו, ז. (Zhu, Z.) 2018. מיפוי שינויים ביערות באמצעות הכללה מוערמת: גישה משולבת. ב-Remote Sensing of Environment. ‪Science Direct, 204: 717-728. doi:10.1016/j.rse.2017.09.029
קנדי, ר. E., Yang, Z., and Cohen, W. B., ‫2010. זיהוי מגמות בהפרעות ביערות ובהתאוששות שלהם באמצעות סדרות זמן שנתיות של Landsat: 1. LandTrendr – אלגוריתמים לפילוח זמני. ב-Remote Sensing of Environment. ‪Science Direct, 114(12): 2897-2910. doi:10.1016/j.rse.2010.07.008
Kennedy, R., יאנג, ז. (Yang, Z.‎), Gorelick, N., Braaten, J., Cavalcante, L., Cohen, W., and Healey, S. 2018. הטמעה של אלגוריתם LandTrendr ב-Google Earth Engine. בחישה מרחוק. MDPI, 10(5): 691. doi:10.3390/rs10050691
Pasquarella, V. J., Brown, C. F., Czerwinski, W., and 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. [אונליין]. זמין בכתובת: https://github.com/sentinel-hub/sentinel2-cloud-detector
Weiss, A.D., ‫2001. ניתוח של מיקום טופוגרפי וצורות נוף Poster Presentation, ESRI Users Conference, San Diego, CAZhu, Z., and Woodcock, C. ה. ‫2012. זיהוי של עננים וצללי עננים על בסיס אובייקטים בתמונות Landsat. ‫118: 83-94.
Zhu, Z., and Woodcock, C. E., ‫2012. זיהוי של עננים וצללי עננים על בסיס אובייקטים בתמונות Landsat. ב-Remote Sensing of Environment. Science Direct, 118: 83-94. doi:10.1016/j.rse.2011.10.028
Zhu, Z., and Woodcock, C. E., ‫2014. זיהוי שינויים רציף וסיווג של כיסוי הקרקע באמצעות כל הנתונים הזמינים של Landsat. ב-Remote Sensing of Environment. Science Direct, 144: 152-171. doi:10.1016/j.rse.2014.01.011

מזהי DOI

סיור עם פלטפורמת Earth Engine

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);

פתיחה ב-Code Editor

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

המוצר הזה הוא חלק מחבילת הנתונים של Landscape Change Monitoring System (מערכת למעקב אחר שינויים בנוף, LCMS). התמונות מציגות שינוי שעבר מידול באמצעות LCMS, כיסוי קרקע ו/או סיווגים של שימוש בקרקע לכל שנה, והן מכסות את ארצות הברית הרציפה (CONUS) וגם אזורים מחוץ ל-CONUS ‏ (OCONUS), כולל אלסקה (AK), פוארטו ריקו ואיי הבתולה של ארה"ב (PRUSVI) ו…

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

USFS Landscape Change Monitoring System v2024.10 (CONUS and OCONUS) קל לארגן דפים בעזרת אוספים אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.

תיאור

תחום תדרים

מאפייני תמונה

תנאים והגבלות

ציטוטים ביבליוגרפיים

מזהי DOI

סיור עם פלטפורמת Earth Engine

Code Editor (JavaScript)

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