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

USFS/GTAC/LCMS/v2024-10
Dataset-Verfügbarkeit
1985-01-01T00:00:00Z–2024-12-31T00:00:00Z
Ersteller des Datasets
Earth Engine-Snippet
ee.ImageCollection("USFS/GTAC/LCMS/v2024-10")
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, mit den neuesten Technologien und Fortschritten bei der Änderungserkennung einen einheitlichen Ansatz zu entwickeln, um eine „bestmögliche“ Karte der Landschaftsveränderungen zu erstellen.

Die Ausgaben umfassen drei jährliche Produkte: Änderung, Bodenbedeckung und Landnutzung. Die Modellausgabe des Änderungsmodells bezieht sich speziell auf die Vegetationsdecke und umfasst langsamen Verlust, schnellen Verlust (einschließlich hydrologischer Änderungen wie Überschwemmung oder Austrocknung) und Zunahme. Diese Werte werden für jedes Jahr der Landsat-Zeitreihe vorhergesagt und dienen als Grundlage für LCMS. Wir wenden ein auf zusätzlichen Datensätzen basierendes Regelwerk an, um das endgültige Änderungsprodukt zu erstellen. Dabei handelt es sich um eine Verfeinerung/Reklassifizierung der modellierten Änderung in 15 Klassen, die explizit Informationen zur Ursache der Landschaftsveränderung liefern (z. B. Baumfällung, 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 Kartenpräzision in einer Reihe von Ökosystemen und Änderungsprozessen verbessert (Healey et al., 2018). Die resultierenden Karten zu LCMS-Änderungen, Landbedeckung 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. Der Zugriff auf diese Komponenten und ihre Verarbeitung erfolgt über Google Earth Engine (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), eine 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 zum Maskieren von Wolken verwendet, 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) Landsat-Daten der Tier 1-Oberflächenreflexion aus der Collection 2 des United States Geological Survey (USGS) und für AK, PRUSVI und HAWAII Landsat-Daten der Tier 1-Reflexion an der Oberseite der Atmosphäre 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, Änderungsausmaß 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 legen wir eine Reihe von Wahrscheinlichkeitsschwellen und Regelsätzen fest, die auf zusätzlichen Datasets basieren, 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

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

Bänder

Bänder

Pixelgröße: 30 Meter (alle Bänder)

Name Pixelgröße Beschreibung
Change 30 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 Zusatz-Datasets finden Sie im LCMS Methods Brief, auf den in der Beschreibung verlinkt wird.

Land_Cover 30 Meter

Endgültiges thematisches LCMS-Produkt zur Bodenbedeckung. Insgesamt 14 Landbedeckungsklassen 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 stellen Pixel dar, in denen eine zusätzliche Landbedeckungsklasse mindestens 10% des Pixels abdeckt.
Land_Use 30 Meter

Endgültiges thematisches LCMS-Produkt zur Landnutzung. Insgesamt werden jährlich fünf Landnutzungsklassen mithilfe von TimeSync-Referenzdaten und Spektralinformationen 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 30 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.) erzeugen, 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, wie z. B. bei Befall durch Schwammspinner und Fichtenknospenwickler, 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. NDVI sinkt, Feuchtigkeit sinkt, SWIR steigt usw.), oder b) in denen holzige Vegetation einen Rückgangstrend aufweist, der nicht mit dem Verlust von holziger Vegetation zusammenhängt, z. B. wenn sich die Kronen ausgewachsener Bäume schließen, was zu einer erhöhten 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 30 Meter

Rohdaten für die modellierte Wahrscheinlichkeit für schnellen Verlust aus LCMS. „Fast Loss“ umfasst die folgenden Klassen aus der Interpretation des TimeSync-Änderungsprozesses:

  • Brand: Durch Feuer veränderte Fläche, unabhängig von der Ursache der Entzündung (natürlich oder anthropogen), dem Schweregrad oder der Landnutzung.

  • Ernte – Waldflächen, auf denen Bäume, Sträucher oder andere Vegetation durch anthropogene Mittel gefällt oder entfernt wurden. Beispiele sind Kahlschlag, Bergungsholz nach Feuer oder Insektenbefall, Ausdünnung und andere Forstwirtschaftsmaßnahmen (z.B. Schutzwald-/Saatbaumernte).

  • Mechanisch: Nicht bewaldetes Land, auf dem 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 wird.

  • 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 genaue Ursache jedoch nicht ermittelt werden kann oder die Art der Änderung keiner der oben definierten Kategorien für Änderungsprozesse entspricht.
Change_Raw_Probability_Gain 30 Meter

Die Rohwahrscheinlichkeit für einen Anstieg, die mit LCMS modelliert wurde. Definiert als: Land mit einer Zunahme der Vegetationsdecke aufgrund von Wachstum und Sukzession über ein oder mehrere Jahre hinweg. Gilt für alle Gebiete, 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 Holznutzung im Wald 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. eine positive 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 30 Meter

Die Wahrscheinlichkeit für Bäume, die mit dem LCMS-Modell berechnet wurde. Definiert als: Der Großteil des Pixels besteht aus lebenden oder stehenden toten Bäumen.
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix 30 Meter

Rohmodellierte 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 30 Meter

Rohdaten für die Wahrscheinlichkeit von Sträuchern und Bäumen (LCMS-Modell). Definiert als: Der Großteil der Pixel besteht aus Sträuchern und mindestens 10% der Pixel bestehen aus lebenden oder stehenden toten Bäumen.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix 30 Meter

Rohdaten für die modellierte Wahrscheinlichkeit von LCMS für eine Mischung aus Gras/Kraut/Pflanze und Bäumen. 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 30 Meter

Rohdaten für die modellierte Wahrscheinlichkeit von „Barren and Trees Mix“ (Mischung aus Ödland und Bäumen) aus LCMS. 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 Straßen aus Erde und Schotter gelten als karg und bestehen zu mindestens 10% aus lebenden oder stehenden toten Bäumen.
Land_Cover_Raw_Probability_Tall-Shrubs 30 Meter

Rohdaten für die modellierte Wahrscheinlichkeit von LCMS für hohe Sträucher (nur Alaska). Definiert als: Der Großteil des Pixels besteht aus Sträuchern mit einer Höhe von mehr als 1 Meter.
Land_Cover_Raw_Probability_Shrubs 30 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 30 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 enthält außerdem mindestens 10% Sträucher.
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix 30 Meter

Die Rohwahrscheinlichkeit für „Barren and Shrubs Mix“ (Mischung aus Ödland und Sträuchern) gemäß 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 unfruchtbaren 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 30 Meter

Rohwahrscheinlichkeit für Gras/Kraut/Pflanze, die mit dem LCMS-Modell berechnet wurde. 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 30 Meter

Rohdaten für die LCMS-Modellwahrscheinlichkeit 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 Holzerntemaßnahmen 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 30 Meter

Die Wahrscheinlichkeit für „Kahl“ oder „Undurchlässig“ wird auf Grundlage von Rohdaten des LCMS modelliert. Definiert als: Der Großteil des Pixels besteht aus 1.) durch Störungen freigelegtem unbedecktem Boden (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 Straßen aus Erde und Schotter gelten als karg oder 2.) künstliche Materialien, in die Wasser nicht eindringen kann, z. B. gepflasterte Straßen, Dächer und Parkplätze.
Land_Cover_Raw_Probability_Snow-or-Ice 30 Meter

Die Wahrscheinlichkeit für Schnee oder Eis, die mit dem LCMS-Modell berechnet wurde. Definiert als: Der Großteil des Pixels besteht aus Schnee oder Eis.
Land_Cover_Raw_Probability_Water 30 Meter

Rohdaten für die LCMS-Modellwahrscheinlichkeit für Wasser. Definiert als: Der Großteil des Pixels besteht aus Wasser.
Land_Use_Raw_Probability_Agriculture 30 Meter

Die rohe, auf LCMS basierende Wahrscheinlichkeit für Landwirtschaft. 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, Heu, Obst, Nüssen oder Beeren genutzt werden, sowie Weinberge und Betriebe mit Nutztierhaltung. 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 30 Meter

Die Rohwahrscheinlichkeit für „Developed“ (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 30 Meter

Die rohe, auf LCMS basierende Wahrscheinlichkeit für Wald. Definiert als: Land, das bepflanzt oder natürlich bewachsen ist und das zu einem bestimmten Zeitpunkt während einer kurzfristigen Sukzessionsfolge einen Baumbestand von mindestens 10% aufweist oder wahrscheinlich aufweisen wird. Dazu können Laub-, immergrüne und/oder gemischte Kategorien von Naturwäldern, Forstplantagen und bewaldeten Feuchtgebieten gehören.
Land_Use_Raw_Probability_Other 30 Meter

Die Rohwahrscheinlichkeit für „Sonstiges“ aus dem LCMS-Modell. Definiert als: Land (unabhängig von der Nutzung), bei 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 30 Meter

Die Rohwahrscheinlichkeit für Weideland oder Grünland, die mit LCMS modelliert wurde. 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 ein begrenztes Management das vorgeschriebene Abbrennen sowie das Weiden von 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 so bewirtschaftet wurden, dass sie fast eine Monokultur bilden.
QA_Bits 30 Meter

Zusätzliche Informationen zum Ursprung der jährlichen LCMS-Produktausgabewerte.

Klassentabelle ändern

Wert Farbe Beschreibung
1 #ff09f3

Wind
2 #541aff

Hurrikan
3 #e4f5fd

Übergang mit Schnee oder Eis
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 Bereiche, die nicht verarbeitet werden

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

Mischung aus Gräsern, Kräutern und Bäumen
5 #8b8560

Barren- und Baum-Mix
6 #cafd4b

Hohe Sträucher (nur AK)
7 #f89a1c

Sträucher
8 #8fa55f

Mischung aus Gräsern, Kräutern und Sträuchern
9 #bebb8e

Mischung aus kargen Böden und Sträuchern
10 #e5e98a

Gras/Kraut/Reinhold
11 #ddb925

Mischung aus kargen Böden und Gras/Kräutern/Blütenpflanzen
12 #893f54

Kahl oder undurchlässig
13 #e4f5fd

Schnee oder Eis
14 #00b6f0

Wasser
15 #1b1716

Maske für Bereiche, die nicht verarbeitet werden

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 Bereiche, die nicht verarbeitet werden

Bildattribute

Bildeigenschaften

Name Typ Beschreibung
study_area STRING

Diese LCMS-Version umfasst die kontinentalen 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 bestimmen, 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

Quellenangaben:

  • USDA Forest Service. 2025) USFS Landscape Change Monitoring System v2024.10 (Conterminous United States and Outer Conterminous United States). 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. und Zhu, Z., 2018. Mapping 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);
Im Code-Editor öffnen
Dieses Produkt ist Teil der LCMS-Datensuite (Landscape Change Monitoring System). Sie zeigt die von 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-US-Jungferninseln (PRUSVI) und …
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