- डेटासेट की उपलब्धता
- 1985-01-01T00:00:00Z–2024-12-31T00:00:00Z
- डेटासेट प्रोड्यूसर
- यूएसडीए फ़ॉरेस्ट सर्विस (यूएसएफ़एस) फ़ील्ड सर्विसेज़ ऐंड इनोवेशन सेंटर जियोस्पेशल ऑफ़िस (एफ़एसआईसी-जीओ)
- टैग
ब्यौरा
यह प्रॉडक्ट, लैंडस्केप चेंज मॉनिटरिंग सिस्टम (एलसीएमएस) के डेटा सुइट का हिस्सा है. इसमें हर साल के लिए, एलसीएमएस-मॉडल किए गए बदलाव, ज़मीन का इस्तेमाल, और/या ज़मीन के इस्तेमाल की क्लास दिखाई जाती हैं. इसमें अमेरिका की मुख्य भूमि (CONUS) के साथ-साथ, CONUS से बाहर के इलाके (OCONUS) भी शामिल हैं. जैसे, अलास्का (AK), प्योर्तो रिको-यूएस वर्जिन आइलैंड्स (PRUSVI), और हवाई (HAWAII).
एलसीएमएस, रिमोट सेंसिंग पर आधारित एक सिस्टम है. इसका इस्तेमाल, अमेरिका में लैंडस्केप में हुए बदलावों को मैप करने और उन पर नज़र रखने के लिए किया जाता है. इसका मकसद, बदलाव का पता लगाने के लिए नई टेक्नोलॉजी और बेहतर तरीकों का इस्तेमाल करके, एक जैसा तरीका डेवलप करना है. इससे लैंडस्केप में हुए बदलाव का "सबसे अच्छा उपलब्ध" मैप तैयार किया जा सकेगा.
इनमें तीन सालाना प्रॉडक्ट शामिल हैं: बदलाव, ज़मीन का इस्तेमाल, और पेड़-पौधों, आबादी वगैरह से ढकी जगह. बदलाव मॉडल का आउटपुट, खास तौर पर वनस्पति कवर से जुड़ा होता है. इसमें वनस्पति कवर में धीरे-धीरे कमी आना, तेज़ी से कमी आना (इसमें हाइड्रोलॉजिक बदलाव भी शामिल हैं, जैसे कि पानी का भराव या सूखापन) और बढ़ोतरी शामिल है. इन वैल्यू का अनुमान, Landsat टाइम सीरीज़ के हर साल के लिए लगाया जाता है. साथ ही, ये LCMS के लिए बुनियादी प्रॉडक्ट के तौर पर काम करती हैं. हम सहायक डेटासेट के आधार पर नियमों का एक सेट लागू करते हैं, ताकि बदलाव वाले प्रॉडक्ट को बनाया जा सके. यह मॉडल किए गए बदलाव को 15 क्लास में बांटता है. इससे लैंडस्केप में हुए बदलाव की वजह के बारे में साफ़ तौर पर जानकारी मिलती है. जैसे, पेड़ हटाना, जंगल में आग लगना, हवा से होने वाला नुकसान. लैंड कवर और लैंड यूज़ मैप में, हर साल के लिए लैंड कवर और लैंड यूज़ की जानकारी दी जाती है.
कोई भी एल्गोरिदम हर स्थिति में सबसे अच्छा परफ़ॉर्म नहीं करता है. इसलिए, एलसीएमएस अनुमान लगाने के लिए मॉडल के एक ग्रुप का इस्तेमाल करता है. इससे अलग-अलग इकोसिस्टम और बदलाव की प्रोसेस में मैप की सटीकता बेहतर होती है (हीली वगैरह, 2018). एलसीएमएस में बदलाव, लैंड कवर, और ज़मीन के इस्तेमाल से जुड़े मैप के इस सुइट से, 1985 से लेकर अब तक अमेरिका के लैंडस्केप में हुए बदलावों की पूरी जानकारी मिलती है.
एलसीएमएस मॉडल के लिए अनुमान लगाने वाली लेयर में, LandTrendr और CCDC के बदलाव का पता लगाने वाले एल्गोरिदम से मिले आउटपुट और इलाके की जानकारी शामिल होती है. इन सभी कॉम्पोनेंट को Google Earth Engine (Gorelick et al., 2017).
LandTrendr के लिए सालाना कंपोज़िट बनाने के लिए, USGS Collection 2 Landsat Tier 1 और Sentinel 2A, 2B Level-1C टॉप ऑफ़ ऐटमस्फ़ियर रिफ़्लेक्टेंस डेटा का इस्तेमाल किया गया. cFmask क्लाउड मास्किंग एल्गोरिदम (Foga et al., 2017), जो Fmask 2.0 (Zhu and Woodcock, 2012) का एक वर्शन है (सिर्फ़ Landsat के लिए), cloudScore (Chastain et al., 2019) (सिर्फ़ Landsat), s2cloudless (Sentinel-Hub, 2021), और Cloud Score+ (Pasquarella et al., 2023) (सिर्फ़ Sentinel 2) का इस्तेमाल बादलों को छिपाने के लिए किया जाता है. वहीं, TDOM (Chastain et al., 2019) का इस्तेमाल, बादलों की परछाइयों को छिपाने के लिए किया जाता है (Landsat और Sentinel 2). LandTrendr के लिए, सालाना मेडॉइड का हिसाब लगाया जाता है. इससे हर साल की बिना बादल और बादल की परछाई वाली वैल्यू को एक कंपोज़िट में शामिल किया जाता है. सीसीडीसी के लिए, अमेरिका के भूवैज्ञानिक सर्वेक्षण (यूएसजीएस) के कलेक्शन 2 के लैंडसैट टियर 1 के सर्फ़ेस रिफ़्लेक्टेंस डेटा का इस्तेमाल किया गया. यह डेटा, कॉन्टिनेंटल अमेरिका (सीओएनयूएस) के लिए इस्तेमाल किया गया. इसके अलावा, लैंडसैट टियर 1 के टॉप ऑफ़ ऐटमॉस्फ़ियर रिफ़्लेक्टेंस डेटा का इस्तेमाल किया गया. यह डेटा, अलास्का (एके), प्यूर्टो रिको और वर्जिन आइलैंड (पीआरयूएसवीआई), और हवाई के लिए इस्तेमाल किया गया.
कंपोज़िट टाइम सीरीज़ को LandTrendr का इस्तेमाल करके समय के हिसाब से सेगमेंट किया जाता है (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).
बादल और बादलों की छाया से जुड़ी सभी वैल्यू को भी, CCDC एल्गोरिदम (Zhu and Woodcock, 2014) का इस्तेमाल करके समय के हिसाब से सेगमेंट किया जाता है.
पूर्वानुमान लगाने वाले डेटा में, रॉ कंपोज़िट वैल्यू, LandTrendr फ़िट की गई वैल्यू, पेयर-वाइज़ अंतर, सेगमेंट की अवधि, बदलाव की मात्रा, और स्लोप शामिल हैं. साथ ही, इसमें CCDC के साइन और कोसाइन कोएफ़िशिएंट (पहले तीन हार्मोनिक), फ़िट की गई वैल्यू, और पेयरवाइज़ अंतर शामिल हैं. इसके अलावा, इसमें 10 मीटर के USGS 3D एलिवेशन प्रोग्राम (3DEP) डेटा (U.S. Geological Survey, 2019) से ऊंचाई, स्लोप, ऐस्पेक्ट का साइन, ऐस्पेक्ट का कोसाइन, और टोपोग्राफ़िक पोज़िशन इंडेक्स (Weiss, 2001) शामिल हैं.
रेफ़रंस डेटा, TimeSync का इस्तेमाल करके इकट्ठा किया जाता है. यह वेब पर आधारित एक टूल है. इससे विश्लेषकों को 1984 से अब तक के Landsat डेटा रिकॉर्ड को विज़ुअलाइज़ और समझने में मदद मिलती है (Cohen et al., 2010).
रैंडम फ़ॉरेस्ट मॉडल (ब्रायमन, 2001) को टाइमसिंक के रेफ़रंस डेटा और LandTrendr, CCDC, और टेरेन इंडेक्स के अनुमान लगाने वाले डेटा का इस्तेमाल करके ट्रेन किया गया था. इससे सालाना बदलाव, ज़मीन के इस्तेमाल और पेड़-पौधों, आबादी वगैरह से ढकी जगह की क्लास का अनुमान लगाया जा सकता है. मॉडलिंग के बाद, हम सहायक डेटासेट का इस्तेमाल करके, संभावना के थ्रेशोल्ड और नियमों का एक सेट बनाते हैं. इससे मैप के आउटपुट की क्वालिटी बेहतर होती है. साथ ही, कमीशन और ओमिशन कम होता है. ज़्यादा जानकारी के लिए, ब्यौरे में शामिल LCMS के तरीकों के बारे में जानकारी देने वाला दस्तावेज़ पढ़ें.
अन्य संसाधन
एलसीएमएस डेटा का इस्तेमाल करने से जुड़ा ज़्यादा जानकारी वाला कोड का उदाहरण.
एलसीएमएस डेटा एक्सप्लोरर, वेब पर आधारित एक ऐप्लिकेशन है. यह उपयोगकर्ताओं को एलसीएमएस डेटा देखने, उसका विश्लेषण करने, उसकी खास जानकारी देखने, और उसे डाउनलोड करने की सुविधा देता है.
तरीकों और सटीकता के आकलन के बारे में ज़्यादा जानकारी के लिए, कृपया एलसीएमएस के तरीकों के बारे में खास जानकारी देखें. इसके अलावा, डेटा डाउनलोड, मेटाडेटा, और सहायता से जुड़े दस्तावेज़ों के लिए, एलसीएमएस जियोडेटा क्लियरिंगहाउस देखें.
आने वाले समय में रिलीज़ होने वाले v2025.11 वर्शन में, HAWAII स्ट्रिंग को HI में अपडेट कर दिया जाएगा.
किसी भी सवाल या डेटा के बारे में खास अनुरोध करने के लिए, sm.fs.lcms@usda.gov पर संपर्क करें.
बैंड
बैंड
पिक्सल का साइज़: 30 मीटर (सभी बैंड)
| नाम | पिक्सल का साइज़ | ब्यौरा | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Change |
30 मीटर | एलसीएमएस में थीम के हिसाब से प्रॉडक्ट में बदलाव करने की सुविधा. हर साल के लिए, बदलाव की कुल 15 क्लास मैप की जाती हैं. बदलाव को मॉडल करने के लिए, हर स्टडी एरिया के लिए तीन अलग-अलग बाइनरी रैंडम फ़ॉरेस्ट मॉडल का इस्तेमाल किया जाता है: धीरे-धीरे कम होना, तेज़ी से कम होना, और बढ़ना. हर पिक्सल को, मॉडल किए गए बदलाव की उस क्लास को असाइन किया जाता है जिसकी संभावना सबसे ज़्यादा होती है. साथ ही, यह संभावना तय की गई थ्रेशोल्ड से ज़्यादा होती है. जिस पिक्सल की वैल्यू, हर क्लास के थ्रेशोल्ड से ज़्यादा नहीं होती उसे स्टेबल क्लास में असाइन किया जाता है. मॉडल किए गए बदलाव की क्लास, सहायक डेटासेट (जैसे कि टीसीसी, एमटीबीएस, और आईडीएस) और एलसीएमएस लैंड कवर डेटा का इस्तेमाल करके, नियमों के सेट के हिसाब से हर पिक्सल को बदलाव की वजह बताने वाली 15 बेहतर क्लास में से कोई एक क्लास असाइन की जाती है. नियमों के सेट और इस्तेमाल किए गए सहायक डेटासेट के बारे में पूरी जानकारी के लिए, ब्यौरे में लिंक किए गए एलसीएमएस के तरीकों के बारे में खास जानकारी देखें. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover |
30 मीटर | एलसीएमएस लैंड कवर का फ़ाइनल प्रॉडक्ट. हर साल, लैंडसैट की इमेज से मिली स्पेक्ट्रल जानकारी और TimeSync के रेफ़रंस डेटा का इस्तेमाल करके, लैंड कवर की कुल 14 क्लास को मैप किया जाता है. ज़मीन के टाइप का अनुमान लगाने के लिए, मल्टीक्लास रैंडम फ़ॉरेस्ट मॉडल का इस्तेमाल किया जाता है. यह मॉडल, हर क्लास की संभावनाओं का एक ऐरे आउटपुट करता है. इसमें रैंडम फ़ॉरेस्ट मॉडल में मौजूद ट्री का वह हिस्सा शामिल होता है जिसने हर क्लास को 'चुना' है. ज़मीन के इस्तेमाल की सबसे ज़्यादा संभावना के आधार पर, फ़ाइनल क्लास असाइन की जाती हैं. स्टडी एरिया के आधार पर, लैंड कवर क्लास असाइन करने से पहले, एक से ज़्यादा प्रायिकता थ्रेशोल्ड और नियमों के सेट लागू किए गए. इसके लिए, सहायक डेटासेट का इस्तेमाल किया गया. संभावित थ्रेशोल्ड और नियमों के सेट के बारे में ज़्यादा जानकारी, ब्यौरे में लिंक किए गए एलसीएमएस के तरीकों के बारे में जानकारी देने वाले दस्तावेज़ में मिल सकती है. ज़मीन को ढकने वाली सात क्लास, ज़मीन को ढकने वाली एक ही चीज़ के बारे में बताती हैं. इनमें से, ज़मीन को ढकने वाली चीज़, पिक्सल के ज़्यादातर हिस्से को कवर करती है. साथ ही, कोई दूसरी क्लास, पिक्सल के 10% से ज़्यादा हिस्से को कवर नहीं करती है. यहां सात मिक्स्ड क्लास भी होती हैं. ये ऐसे पिक्सल होते हैं जिनमें ज़मीन को ढकने वाली कोई अन्य क्लास, पिक्सल के कम से कम 10% हिस्से को कवर करती है. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use |
30 मीटर | एलसीएमएस के आधार पर तैयार किया गया, ज़मीन के इस्तेमाल से जुड़ा फ़ाइनल प्रॉडक्ट. ज़मीन के इस्तेमाल की कुल पांच क्लास को हर साल मैप किया जाता है. इसके लिए, TimeSync के रेफ़रंस डेटा और Landsat की इमेज से मिली स्पेक्ट्रल जानकारी का इस्तेमाल किया जाता है. ज़मीन के इस्तेमाल का अनुमान लगाने के लिए, एक मल्टीक्लास रैंडम फ़ॉरेस्ट मॉडल का इस्तेमाल किया जाता है. यह मॉडल, हर क्लास की संभावनाओं की एक ऐरे आउटपुट करता है. इसमें रैंडम फ़ॉरेस्ट मॉडल में मौजूद ट्री का वह हिस्सा शामिल होता है जिसने हर क्लास को 'चुना' है. ज़मीन के इस्तेमाल की सबसे ज़्यादा संभावना के आधार पर, फ़ाइनल क्लास असाइन की जाती हैं. ज़मीन के इस्तेमाल की सबसे ज़्यादा संभावना वाली क्लास असाइन करने से पहले, सहायक डेटासेट का इस्तेमाल करके संभावना थ्रेशोल्ड और नियमों के सेट की एक सीरीज़ लागू की गई थी. संभावित थ्रेशोल्ड और नियमों के सेट के बारे में ज़्यादा जानकारी, ब्यौरे में लिंक किए गए एलसीएमएस के तरीकों के बारे में जानकारी देने वाले दस्तावेज़ में मिल सकती है. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Change_Raw_Probability_Slow_Loss |
30 मीटर | स्लो लॉस की रॉ एलसीएमएस मॉडल की संभावना. टाइमसिंक में बदलाव की प्रोसेस के इंटरप्रिटेशन से जुड़ी इन क्लास को स्लो लॉस में शामिल किया जाता है:
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Change_Raw_Probability_Fast_Loss |
30 मीटर | तेज़ी से कम होने की संभावना के लिए, एलसीएमएस से मिले डेटा के आधार पर तैयार किया गया मॉडल. टाइमसिंक में बदलाव की प्रोसेस के इंटरप्रेटेशन से जुड़ी इन क्लास को फ़ास्ट लॉस में शामिल किया जाता है:
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Change_Raw_Probability_Gain |
30 मीटर | एलसीएमएस के रॉ डेटा के आधार पर, अनुमानित कन्वर्ज़न रेट में बढ़ोतरी की संभावना. इसे इस तरह से परिभाषित किया गया है: ऐसी ज़मीन जहां एक या उससे ज़्यादा सालों में, वनस्पति के विकास और उत्तराधिकार की वजह से वनस्पति का घनत्व बढ़ा हो. यह उन सभी इलाकों पर लागू होता है जहां वनस्पति के फिर से उगने से स्पेक्ट्रल बदलाव हो सकता है. विकसित इलाकों में, वनस्पति के बढ़ने और/या नए लॉन और लैंडस्केपिंग की वजह से, वनस्पति का घनत्व बढ़ सकता है. जंगलों में, विकास में नंगी ज़मीन से वनस्पति का विकास शामिल है. साथ ही, इंटरमीडिएट और को-डोमिनेट पेड़ों और/या नीचे की ओर झुकी हुई घासों और झाड़ियों का विकास शामिल है. जंगल की कटाई के बाद, ग्रोथ/रिकवरी सेगमेंट में शामिल इलाकों में, जंगल के फिर से उगने के दौरान अलग-अलग तरह की ज़मीन का इस्तेमाल किया जा सकता है. इन बदलावों को ग्रोथ/रिकवरी के तौर पर मानने के लिए, स्पेक्ट्रल वैल्यू को बढ़ती हुई ट्रेंड लाइन (जैसे कि पॉज़िटिव स्लोप, जिसे ~20 साल तक बढ़ाने पर एनडीवीआई की 0.10 यूनिट के क्रम में होगा) के हिसाब से होना चाहिए. यह ट्रेंड लाइन कई सालों तक बनी रहनी चाहिए. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Trees |
30 मीटर | पेड़ों की रॉ एलसीएमएस मॉडल वाली संभावना. इसकी परिभाषा यह है: पिक्सल का ज़्यादातर हिस्सा, ज़िंदा या सूखे पेड़ों से बना है. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix |
30 मीटर | लंबी झाड़ियों और पेड़ों के मिक्स (सिर्फ़ अलास्का के लिए) की एलसीएमएस मॉडल वाली संभावना. इसकी परिभाषा यह है: ज़्यादातर पिक्सल में 1 मीटर से ज़्यादा ऊंचाई वाली झाड़ियां शामिल हैं. साथ ही, इसमें कम से कम 10% ऐसे पेड़ भी शामिल हैं जो जीवित हैं या सूख चुके हैं. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix |
30 मीटर | झाड़ियों और पेड़ों के मिक्स होने की संभावना का एलसीएमएस मॉडल. इसकी परिभाषा यह है: पिक्सल के ज़्यादातर हिस्से में झाड़ियां हों. साथ ही, इसमें कम से कम 10% ऐसे पेड़ हों जो जीवित हों या सूख चुके हों. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix |
30 मीटर | घास/फ़ॉर्ब/जड़ी-बूटी और पेड़ों के मिक्स होने की संभावना का अनुमान लगाने के लिए, एलसीएमएस मॉडल का इस्तेमाल किया गया है. इसकी परिभाषा यह है: पिक्सल के ज़्यादातर हिस्से में बारहमासी घास, फ़ॉर्ब्स या अन्य तरह की जड़ी-बूटी वाली वनस्पति शामिल होती है. साथ ही, इसमें कम से कम 10% जीवित या खड़े सूखे पेड़ भी शामिल होते हैं. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Barren-and-Trees-Mix |
30 मीटर | बंजर और पेड़ों के मिक्स की रॉ एलसीएमएस मॉडल की संभावना. इसे इस तरह से परिभाषित किया गया है: पिक्सल के ज़्यादातर हिस्से में, ऐसी मिट्टी दिखती है जो किसी वजह से खुली हो (जैसे, मशीन से साफ़ की गई मिट्टी या जंगल की कटाई से निकली मिट्टी). इसके अलावा, इसमें ऐसे इलाके भी शामिल हैं जहां हमेशा बंजर ज़मीन रहती है. जैसे, रेगिस्तान, प्लाया, चट्टानें (इसमें सतह पर खनन की गतिविधियों से निकले खनिज और अन्य भूवैज्ञानिक पदार्थ शामिल हैं), रेत के टीले, नमक के मैदान, और बीच. मिट्टी और बजरी से बनी सड़कों को भी बंजर माना जाता है. इनमें कम से कम 10% ऐसे पेड़ भी शामिल होते हैं जो ज़िंदा हैं या सूख चुके हैं. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Tall-Shrubs |
30 मीटर | लंबी झाड़ियों की रॉ एलसीएमएस मॉडल वाली संभावना (सिर्फ़ अलास्का के लिए). इसे इस तरह से तय किया जाता है: पिक्सल के ज़्यादातर हिस्से में, एक मीटर से ज़्यादा ऊंचाई वाली झाड़ियां शामिल होती हैं. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Shrubs |
30 मीटर | झाड़ियों के लिए, एलसीएमएस से अनुमानित संभावना का रॉ डेटा. इसे इस तरह से तय किया जाता है: पिक्सल के ज़्यादातर हिस्से में झाड़ियां मौजूद हैं. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix |
30 मीटर | घास/फ़ॉर्ब/जड़ी-बूटी और झाड़ियों के मिक्स होने की संभावना का अनुमान लगाने के लिए, एलसीएमएस मॉडल से मिला रॉ डेटा. इसकी परिभाषा यह है: पिक्सल का ज़्यादातर हिस्सा, बारहमासी घास, फ़ॉर्ब्स या अन्य तरह की जड़ी-बूटी वाली वनस्पति से बना होता है. साथ ही, इसमें कम से कम 10% झाड़ियां भी शामिल होती हैं. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix |
30 मीटर | बंजर और झाड़ियों के मिक्स की रॉ एलसीएमएस मॉडल की संभावना. इसे इस तरह से परिभाषित किया गया है: पिक्सल के ज़्यादातर हिस्से में, ऐसी मिट्टी दिखती है जो किसी वजह से खुली हो (जैसे, मशीन से साफ़ की गई मिट्टी या जंगल की कटाई से निकली मिट्टी). इसके अलावा, इसमें ऐसे इलाके भी शामिल हैं जहां हमेशा बंजर ज़मीन रहती है. जैसे, रेगिस्तान, प्लाया, चट्टानें (इसमें सतह पर खनन की गतिविधियों से निकले खनिज और अन्य भूवैज्ञानिक पदार्थ शामिल हैं), रेत के टीले, नमक के मैदान, और बीच. मिट्टी और बजरी से बनी सड़कों को भी बंजर माना जाता है. इनमें कम से कम 10% झाड़ियां भी शामिल होती हैं. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Grass-Forb-Herb |
30 मीटर | घास/फ़ॉर्ब/जड़ी-बूटी की संभावना का अनुमान लगाने के लिए, एलसीएमएस से मिले रॉ डेटा का इस्तेमाल किया जाता है. इसे इस तरह से तय किया जाता है: पिक्सल का ज़्यादातर हिस्सा, बारहमासी घास, फ़ॉर्ब्स या अन्य तरह की जड़ी-बूटी वाली वनस्पति से बना होता है. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix |
30 मीटर | बंजर और घास/चौड़ी पत्ती वाली जड़ी-बूटी/सामान्य जड़ी-बूटी के मिश्रण की रॉ एलसीएमएस मॉडल की संभावना. इसे इस तरह से तय किया जाता है: पिक्सल के ज़्यादातर हिस्से में, ऐसी मिट्टी होती है जो किसी वजह से खुली हुई है. जैसे, मिट्टी को मशीनों से साफ़ किया गया हो या जंगल की कटाई की गई हो. इसके अलावा, इसमें ऐसे इलाके भी शामिल होते हैं जहां हमेशा बंजर ज़मीन होती है. जैसे, रेगिस्तान, प्लाया, चट्टानें (इसमें सतह पर खनन की गतिविधियों से निकले खनिज और अन्य भूवैज्ञानिक सामग्री शामिल है), रेत के टीले, नमक के मैदान, और समुद्र तट. मिट्टी और बजरी से बनी सड़कों को भी बंजर माना जाता है. इनमें कम से कम 10% बारहमासी घास, फ़ॉर्ब्स या अन्य तरह की जड़ी-बूटी वाली वनस्पति भी शामिल होती है. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Barren-or-Impervious |
30 मीटर | यह बैरन या इंपरवियस की रॉ एलसीएमएस मॉडल वाली प्रॉबबिलिटी है. इसे इस तरह से परिभाषित किया गया है: पिक्सल के ज़्यादातर हिस्से में 1.) ऐसी मिट्टी हो जो किसी वजह से खुली हो (जैसे, मशीन से साफ़ की गई मिट्टी या जंगल से काटी गई लकड़ी से निकली मिट्टी). साथ ही, ऐसे इलाके हों जहां हमेशा बंजर मिट्टी रहती है. जैसे, रेगिस्तान, प्लाया, चट्टानें (इसमें सतह पर खनन की गतिविधियों से निकले खनिज और अन्य भूवैज्ञानिक पदार्थ शामिल हैं), रेत के टीले, नमक के मैदान, और समुद्री किनारे. मिट्टी और बजरी से बनी सड़कों को भी बंजर माना जाता है. इसके अलावा, 2.) मानव-निर्मित ऐसे मटीरियल जिनसे पानी अंदर नहीं जा सकता, जैसे कि पक्की सड़कें, छतें, और पार्किंग. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Snow-or-Ice |
30 मीटर | बर्फ़ या ओले पड़ने की संभावना का अनुमान लगाने के लिए, एलसीएमएस मॉडल से मिला रॉ डेटा. इसे इस तरह से तय किया जाता है: पिक्सल के ज़्यादातर हिस्से में बर्फ़ या आइस शामिल हो. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Water |
30 मीटर | पानी की रॉ एलसीएमएस मॉडल वाली संभावना. इसे इस तरह से तय किया जाता है: पिक्सल का ज़्यादातर हिस्सा पानी से बना होता है. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Agriculture |
30 मीटर | कृषि की संभावना का अनुमान लगाने के लिए, एलसीएमएस से मिले रॉ डेटा का इस्तेमाल किया गया है. इसे इस तरह से परिभाषित किया गया है: ऐसी ज़मीन जिसका इस्तेमाल भोजन, फ़ाइबर, और ईंधन के उत्पादन के लिए किया जाता है. यह ज़मीन वनस्पति वाली या वनस्पति रहित हो सकती है. इसमें खेती की गई और बिना खेती की गई फ़सल वाली ज़मीन, घास के मैदान, बाग़, अंगूर के बाग़, सीमित पशुधन संचालन, और फल, नट्स या बेरी के उत्पादन के लिए लगाए गए क्षेत्र शामिल हैं. हालांकि, इसमें और भी क्षेत्र शामिल हो सकते हैं. जिन सड़कों का इस्तेमाल मुख्य रूप से खेती के लिए किया जाता है उन्हें कृषि भूमि के तौर पर इस्तेमाल की जाने वाली सड़क माना जाता है. जैसे, एक शहर से दूसरे शहर तक सार्वजनिक परिवहन के लिए इस्तेमाल न की जाने वाली सड़कें. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Developed |
30 मीटर | एलसीएमएस की रॉ मेट्रिक, जिसमें डेवलप्ड होने की अनुमानित संभावना दिखाई जाती है. इसे इस तरह से परिभाषित किया गया है: ऐसी ज़मीन जिस पर इंसानों ने स्ट्रक्चर बनाए हैं. जैसे, ज़्यादा घनत्व वाले रिहायशी इलाके, व्यावसायिक, औद्योगिक, खनन या परिवहन क्षेत्र. इसके अलावा, ऐसी ज़मीन जिस पर वनस्पति (इसमें पेड़ भी शामिल हैं) और स्ट्रक्चर, दोनों मौजूद हैं. जैसे, कम घनत्व वाले रिहायशी इलाके, लॉन, मनोरंजन की सुविधाएं, कब्रिस्तान, परिवहन और यूटिलिटी कॉरिडोर वगैरह. इसमें ऐसी ज़मीन भी शामिल है जिस पर इंसानों की गतिविधि की वजह से बदलाव हुआ है. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Forest |
30 मीटर | जंगल की रॉ एलसीएमएस मॉडल वाली संभावना. इसे इस तरह से परिभाषित किया गया है: ऐसी ज़मीन जहां पेड़ लगाए गए हों या प्राकृतिक रूप से पेड़ उगते हों. साथ ही, जिसमें (या जिसमें) कुछ समय के लिए 10% या उससे ज़्यादा पेड़ कवर हो. इसमें पतझड़ वाले, सदाबहार, और/या मिश्रित कैटगरी के प्राकृतिक वन, वन प्लांटेशन, और वुडी वेटलैंड शामिल हो सकते हैं. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Other |
30 मीटर | 'अन्य' के लिए, एलसीएमएस मॉडल की रॉ प्रॉबबिलिटी. इसे इस तरह से परिभाषित किया गया है: ऐसी ज़मीन (इस्तेमाल किए जाने से कोई फ़र्क़ नहीं पड़ता) जहां स्पेक्ट्रल ट्रेंड या अन्य सहायक सबूत से पता चलता है कि कोई गड़बड़ी या बदलाव हुआ है. हालांकि, इसकी वजह का पता नहीं लगाया जा सकता या बदलाव का टाइप, ऊपर बताई गई बदलाव की प्रोसेस की किसी भी कैटगरी से मेल नहीं खाता. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Rangeland-or-Pasture |
30 मीटर | रेंजलैंड या चारागाह की रॉ एलसीएमएस मॉडल वाली संभावना. इसकी परिभाषा यह है: इस क्लास में ऐसा कोई भी क्षेत्र शामिल है जो a.) रेंजलैंड, जहां की वनस्पति में स्थानीय घास, झाड़ियां, फ़ॉर्ब्स, और घास जैसे पौधे शामिल हैं. ये पौधे, बारिश, तापमान, ऊंचाई, और आग जैसे प्राकृतिक कारकों और प्रक्रियाओं की वजह से उगते हैं. हालांकि, सीमित मैनेजमेंट में प्रिस्क्राइब की गई बर्निंग के साथ-साथ पालतू और जंगली शाकाहारी जानवरों के चरने की अनुमति भी शामिल हो सकती है; या b.) चारागाह, जहां वनस्पति अलग-अलग तरह की हो सकती है. जैसे, ज़्यादातर प्राकृतिक घास, चौड़ी पत्ती वाली जड़ी-बूटियां, और सामान्य जड़ी-बूटियां. इसके अलावा, यहां ऐसी वनस्पति भी हो सकती है जिसे मैनेज किया गया हो. इसमें घास की ऐसी प्रजातियां शामिल हैं जिन्हें एक ही तरह की फसल बनाए रखने के लिए बोया और मैनेज किया गया है. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
QA_Bits |
30 मीटर | एलसीएमएस प्रॉडक्ट के सालाना आउटपुट की वैल्यू के ऑरिजिन के बारे में अन्य जानकारी. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
क्लास टेबल बदलें
| मान | रंग | ब्यौरा |
|---|---|---|
| 1 | #ff09f3 | हवा |
| 2 | #541aff | तूफ़ान |
| 3 | #e4f5fd | बर्फ़ या बर्फ़बारी का ट्रांज़िशन |
| 4 | #cc982e | पानी की कमी |
| 5 | #0adaff | बाढ़ |
| 6 | #a10018 | Prescribed Fire |
| 7 | #d54309 | Wildfire |
| 8 | #fafa4b | मकैनिकल लैंड ट्रांसफ़ॉर्मेशन |
| 9 | #afde1c | पेड़ हटाना |
| 10 | #ffc80d | पत्तियां झड़ना |
| 11 | #a64c28 | सदर्न पाइन बीटल |
| 12 | #f39268 | कीड़े, बीमारी या सूखे की वजह से होने वाला तनाव |
| 13 | #c291d5 | अन्य नुकसान |
| 14 | #00a398 | वनस्पति की क्रमिक वृद्धि |
| 15 | #3d4551 | स्थिर रुझान |
| 16 | #1b1716 | नॉन-प्रोसेसिंग एरिया मास्क |
Land_Cover Class Table
| मान | रंग | ब्यौरा |
|---|---|---|
| 1 | #004e2b | पेड़ |
| 2 | #009344 | लंबी झाड़ियों और पेड़ों का मिक्स (सिर्फ़ अलास्का के लिए) |
| 3 | #61bb46 | झाड़ियों और पेड़ों का मिक्स |
| 4 | #acbb67 | घास/चौड़ी पत्ती वाले पौधे/जड़ी-बूटी और पेड़ों का मिक्स |
| 5 | #8b8560 | बंजर और पेड़ों वाली ज़मीन का मिक्स |
| 6 | #cafd4b | लंबी झाड़ियां (सिर्फ़ अलास्का के लिए) |
| 7 | #f89a1c | झाड़ियां |
| 8 | #8fa55f | घास/फ़ॉर्ब/जड़ी-बूटी और झाड़ियों का मिक्स |
| 9 | #bebb8e | बंजर और झाड़ियों वाली ज़मीन का मिक्स |
| 10 | #e5e98a | घास/चौड़ी पत्ती वाली घास/जड़ी-बूटी |
| 11 | #ddb925 | बंजर और घास/चौड़ी पत्ती वाली घास/जड़ी-बूटी का मिक्स |
| 12 | #893f54 | बंजर या अभेद्य |
| 13 | #e4f5fd | बर्फ़ या बर्फ़बारी |
| 14 | #00b6f0 | पानी |
| 15 | #1b1716 | नॉन-प्रोसेसिंग एरिया मास्क |
Land_Use Class Table
| मान | रंग | ब्यौरा |
|---|---|---|
| 1 | #fbff97 | कृषि |
| 2 | #e6558b | डेवलप किया गया |
| 3 | #004e2b | जंगल |
| 4 | #9dbac5 | अन्य |
| 5 | #a6976a | घास का मैदान या चारागाह |
| 6 | #1b1716 | नॉन-प्रोसेसिंग एरिया मास्क |
इमेज प्रॉपर्टी
इमेज प्रॉपर्टी
| नाम | टाइप | ब्यौरा |
|---|---|---|
| study_area | स्ट्रिंग | एलसीएमएस का यह वर्शन, कॉन्टिनेंटल अमेरिका, अलास्का, प्योर्तो रिको-यूएस वर्जिन आइलैंड्स, और हवाई के लिए उपलब्ध है. संभावित वैल्यू: 'CONUS, AK, PRUSVI, HAWAII' |
| वर्शन | स्ट्रिंग | प्रॉडक्ट का वर्शन |
| startYear | INT | प्रॉडक्ट के लॉन्च होने का साल |
| endYear | INT | प्रॉडक्ट के बंद होने का साल |
| वर्ष | INT | प्रॉडक्ट का साल |
इस्तेमाल की शर्तें
इस्तेमाल की शर्तें
यूएसडीए फ़ॉरेस्ट सर्विस, किसी भी तरह की वारंटी नहीं देता है. इसमें, कारोबार के लिए उपलब्ध होने और किसी खास मकसद के लिए फ़िट होने की वारंटी भी शामिल है. साथ ही, वह इन जियोस्पेशल डेटा के सटीक, भरोसेमंद, पूरे या उपयोगी होने के लिए, किसी भी तरह की कानूनी जवाबदेही या ज़िम्मेदारी नहीं लेता है. इसके अलावा, वह इन जियोस्पेशल डेटा के गलत या अमान्य इस्तेमाल के लिए भी ज़िम्मेदार नहीं है. ये भू-स्थानिक डेटा और इससे जुड़े मैप या ग्राफ़, कानूनी दस्तावेज़ नहीं हैं. इनका इस्तेमाल कानूनी दस्तावेज़ के तौर पर नहीं किया जाना चाहिए. डेटा और मैप का इस्तेमाल, टाइटल, मालिकाना हक, कानूनी ब्यौरे या सीमाएं, कानूनी अधिकार क्षेत्र या सार्वजनिक या निजी ज़मीन पर लागू होने वाली पाबंदियां तय करने के लिए नहीं किया जा सकता. ऐसा हो सकता है कि डेटा और मैप में प्राकृतिक आपदाओं को न दिखाया गया हो. इसलिए, ज़मीन का इस्तेमाल करने वाले लोगों को सावधानी बरतनी चाहिए. यह डेटा डाइनैमिक होता है और समय के साथ बदल सकता है. उपयोगकर्ता की यह ज़िम्मेदारी है कि वह भू-स्थानिक डेटा की सीमाओं की पुष्टि करे और डेटा का इस्तेमाल उसी के मुताबिक करे.
इस डेटा को अमेरिका की सरकार से मिले फ़ंड का इस्तेमाल करके इकट्ठा किया गया था. इसका इस्तेमाल, बिना किसी अतिरिक्त अनुमति या शुल्क के किया जा सकता है. अगर आपको इस डेटा का इस्तेमाल किसी पब्लिकेशन, प्रज़ेंटेशन या अन्य रिसर्च प्रॉडक्ट में करना है, तो कृपया यहां दिया गया उद्धरण इस्तेमाल करें:
यूएसडीए फ़ॉरेस्ट सर्विस. 2025. USFS Landscape Change Monitoring System v2024.10 (Conterminous United States and Outer Conterminous United States). सॉल्ट लेक सिटी, यूटाह.
उद्धरण
यूएसडीए फ़ॉरेस्ट सर्विस. 2025. USFS Landscape Change Monitoring System v2024.10 (Conterminous United States and Outer Conterminous United States). सॉल्ट लेक सिटी, यूटाह.
ब्रेमैन, एल., 2001. रैंडम फ़ॉरेस्ट. मशीन लर्निंग में. Springer, 45: 5-32. doi:10.1023/A:1010933404324
चैस्टेन, आर., हाउसमन, आई., गोल्डस्टीन, जे., फ़िंचो, एम॰, और टेनेसन, के॰, 2019. यह स्टडी, अमेरिका के उन सभी राज्यों के लिए की गई है जिनकी सीमा कम से कम एक अन्य राज्य से जुड़ी हुई है. इसमें, Sentinel-2A और 2B MSI, Landsat-8 OLI, और Landsat-7 ETM के टॉप ऑफ़ ऐटमस्फ़ियर स्पेक्ट्रल की तुलना की गई है. In Remote Sensing of Environment. Science Direct, 221: 274-285. doi:10.1016/j.rse.2018.11.012
कोहेन, डब्ल्यू॰ B., Yang, Z., and Kennedy, R., 2010. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 2. TimeSync - कैलिब्रेशन और पुष्टि करने के लिए टूल. In Remote Sensing of Environment. Science Direct, 114(12): 2911-2924. doi:10.1016/j.rse.2010.07.010
कोहेन, डब्ल्यू॰ B., यांग ज़ेड., हीली, एस. P., केनेडी, आर॰ ई॰ और गोरेलिक, एन॰, 2018. जंगल में होने वाली गड़बड़ियों का पता लगाने के लिए, LandTrendr मल्टीस्पेक्ट्रल एनसेंबल. In Remote Sensing of Environment. Science Direct, 205: 131-140. doi:10.1016/j.rse.2017.11.015
फ़ोगा, एस॰, स्कारामूज़ा, पी॰एल॰, गुओ, एस., ज़ू, ज़ेड., डिले, आर॰डी॰, बेकमैन, टी., श्मिट, जी॰एल॰, ड्वायर, जे॰एल॰, एम॰जे॰ ह्यूज़, लाउ, बी., 2017. ऑपरेशनल Landsat डेटा प्रॉडक्ट के लिए, क्लाउड का पता लगाने वाले एल्गोरिदम की तुलना और पुष्टि करना. In Remote Sensing of Environment. Science Direct, 194: 379-390. doi:10.1016/j.rse.2017.03.026
यूएस जियोलॉजिकल सर्वे, 2019. USGS 3D एलिवेशन प्रोग्राम का डिजिटल एलिवेशन मॉडल. इसे अगस्त 2022 में https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m पर ऐक्सेस किया गया था
हीली, एस. P., कोहेन, डब्ल्यू॰ B., यांग ज़ेड., कैनथ ब्रूअर, सी॰, ब्रूक्स, ई. B., गोरेलिक, एन., हर्नांडेज़, ए. J., हुआंग, सी॰, जोसेफ़ ह्यूज़, एम॰, कैनेडी, आर॰ E., लवलैंड, टी॰ R., मोइसन, जी. जी॰, श्रोडर, टी. A., स्टीमन, एस. वी॰, वोगेलमैन, जे॰ E., वुडकॉक, सी॰ E., यांग, एल., और झू, ज़ेड., 2018. स्टैक किए गए सामान्यीकरण का इस्तेमाल करके, जंगल में हुए बदलाव की मैपिंग: एक साथ काम करने का तरीका. In Remote Sensing of Environment. Science Direct, 204: 717-728. doi:10.1016/j.rse.2017.09.029
केनेडी, आर॰ E., Yang, Z., and Cohen, W. B., 2010. हर साल के Landsat टाइम सीरीज़ का इस्तेमाल करके, जंगल में होने वाली गड़बड़ी और उसके ठीक होने के ट्रेंड का पता लगाना: 1. LandTrendr - Temporal segmentation algorithms. In Remote Sensing of Environment. Science Direct, 114(12): 2897-2910. doi:10.1016/j.rse.2010.07.008
केनेडी, आर., यांग ज़ेड., गोरेलिक, एन., ब्रेटन, जे., कैवलकैंट, एल., कोहेन, डब्ल्यू॰, और हीली, एस॰ 2018. Google Earth Engine पर LandTrendr एल्गोरिदम लागू करना. रिमोट सेंसिंग में. MDPI, 10(5): 691. doi:10.3390/rs10050691
पास्क्वेरेला, वी॰ जे॰, ब्राउन, सी॰ F., चेरविंस्की, डब्ल्यू॰, और रकलज, डब्ल्यू॰ J., 2023. वीकली सुपरवाइज़्ड वीडियो लर्निंग का इस्तेमाल करके, ऑप्टिकल सैटलाइट इमेज की क्वालिटी का पूरा आकलन. आईईईई/सीवीएफ़ कॉन्फ़्रेंस ऑन कंप्यूटर विज़न ऐंड पैटर्न रिकग्निशन की कार्रवाइयों में. 2124-2134.
Sentinel-Hub, 2021. Sentinel 2 Cloud Detector. [ऑनलाइन]. यहां उपलब्ध है: https://github.com/sentinel-hub/sentinel2-cloud-detector
ए॰ डी॰ वाइस, 2001. टॉपोग्राफ़िक पोज़िशन और लैंडफ़ॉर्म का विश्लेषण पोस्टर प्रज़ेंटेशन, ESRI Users Conference, सैन डिएगो, CAZhu, Z., and Woodcock, C. ई॰ 2012. Landsat की इमेज में, ऑब्जेक्ट के आधार पर बादल और बादल की परछाई का पता लगाना. 118: 83-94.
Zhu, Z., and Woodcock, C. E., 2012. Landsat की इमेज में, ऑब्जेक्ट के आधार पर बादल और बादल की परछाई का पता लगाना. In Remote Sensing of Environment. Science Direct, 118: 83-94. doi:10.1016/j.rse.2011.10.028
Zhu, Z., and Woodcock, C. E., 2014. उपलब्ध सभी Landsat डेटा का इस्तेमाल करके, ज़मीन के इस्तेमाल में लगातार हो रहे बदलावों का पता लगाना और पेड़-पौधों, आबादी वगैरह से ढकी जगह का वर्गीकरण करना. In Remote Sensing of Environment. Science Direct, 144: 152-171. doi:10.1016/j.rse.2014.01.011
डीओआई
- https://doi.org/10.1016/j.rse.2010.07.008
- https://doi.org/10.1016/j.rse.2010.07.010
- https://doi.org/10.1016/j.rse.2011.10.028
- https://doi.org/10.1016/j.rse.2014.01.011
- https://doi.org/10.1016/j.rse.2017.03.026
- https://doi.org/10.1016/j.rse.2017.09.029
- https://doi.org/10.1016/j.rse.2017.11.015
- https://doi.org/10.1016/j.rse.2018.11.012
- https://doi.org/10.1023/A:1010933404324
- https://doi.org/10.3390/rs10050691
Earth Engine की मदद से एक्सप्लोर करें
कोड एडिटर (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);