Google uses AI technology to translate content into your preferred language. AI translations can contain errors.

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

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

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

תיאור

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

‫LCMS היא מערכת מבוססת-חישה מרחוק למיפוי ולמעקב אחרי שינויים בנוף בארצות הברית. המטרה שלה היא לפתח גישה עקבית באמצעות הטכנולוגיה העדכנית ביותר וההתקדמות 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 מחילים 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 בנוף (למשל, כריתת עצים, שריפת יער, נזק שנגרם מרוח). מפות כיסוי השטח ומפות השימוש בקרקע מתארות את כיסוי השטח ברמת צורת החיים ואת השימוש בקרקע ברמה רחבה בכל שנה.

מכיוון שאין אלגוריתם שמשיג את התוצאות הכי טובות בכל המצבים, מערכת LCMS משתמשת באנסמבל של מודלים ככלי לחיזוי, 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, ומציגה תמונה הוליסטית של שינויים בנוף בארצות הברית מאז 1985.

שכבות החיזוי של מודל LCMS כוללות פלט מאלגוריתמים לזיהוי שינויים של LandTrendr ו-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 Sentinel 2A ו-2B וברמה 1 של USGS Collection 2 Landsat. 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-only) are used to mask clouds, while TDOM (Chastain et al., ‫2019) משמשת להסתרת צללי עננים (Landsat ו-Sentinel 2). ב-LandTrendr, המערכת מחשבת את המדואיד השנתי כדי לסכם את הערכים ללא עננים וצללי עננים מכל שנה לקומפוזיט יחיד. במקרה של CCDC, נעשה שימוש בנתוני החזרת אור מפני השטח ברמה 1 של Landsat Collection 2 של הסקר הגאולוגי של ארצות הברית (USGS) עבור CONUS, ובנתוני החזרת אור בחלק העליון של האטמוספירה ברמה 1 של Landsat עבור AK,‏ PRUSVI ו-HAWAII.

סדרת הזמנים המורכבת מפולחת זמנית באמצעות LandTrendr (Kennedy et al., ‫2010; Kennedy et al., ‫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 היסטוריית הנתונים של Landsat משנת 1984 ועד היום ולפרש אותם (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 התוצאות 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.
כלי הנתונים של LCMS הוא אפליקציה מבוססת-אינטרנט שמאפשרת למשתמשים להציג, לנתח, לסכם ולהוריד נתונים של 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 בגרסת הנתונים הקרובה v2025.11.

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

תחום תדרים

תחום תדרים

גודל הפיקסל: 30 מטרים (כל הפסים)

שם	גודל הפיקסל	תיאור
`Change`	‫30 מטרים	שינוי סופי במוצר LCMS לפי נושא. בכל שנה ממופים חמישה עשר שיעורי שינוי. באופן בסיסי, השינוי מודל באמצעות שלושה מודלים נפרדים של יער אקראי בינארי לכל אזור מחקר: אובדן איטי, אובדן מהיר ועלייה. כל פיקסל מוקצה לסיווג השינוי הממוּדל עם ההסתברות הכי גבוהה שגם גבוהה מסף מסוים. כל פיקסל שלא כולל ערך מעל הסף המתאים של כל מחלקה מוקצה למחלקה Stable. אחד מ-15 סיווגי השינויים המדויקים, סיבת השינוי, מוקצה לכל פיקסל בעקבות קבוצת כללים שמשתמשת בסיווג השינויים המדוגם, במערכי נתונים משניים (כמו TCC,‏ MTBS ו-IDS) ובנתוני כיסוי פני השטח של LCMS. במסמך LCMS Methods Brief שמקושר בתיאור מופיעים פרטים מלאים על קבוצת הכללים ועל מערכי הנתונים המשניים שנעשה בהם שימוש.
`Land_Cover`	‫30 מטרים	מוצר סופי של כיסוי השטח ב-LCMS לפי נושא. 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 מחלקות, שמפיק מערך של ההסתברויות של כל מחלקה (החלק היחסי של העצים במודל היער האקראי ש 'בחרו' כל מחלקה). 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 הסבירות ועל ערכות הכללים 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`	‫30 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. חיזוי השימוש בקרקע מתבצע באמצעות מודל יער אקראי יחיד עם כמה מחלקות, שמפיק מערך של ההסתברויות של כל מחלקה (החלק היחסי של העצים במודל היער האקראי ש 'בחרו' כל מחלקה). הסיווגים הסופיים משויכים לשימוש בקרקע עם ההסתברות הכי גבוהה. לפני שהוקצתה סיווג השימוש בקרקע עם ההסתברות הכי גבוהה, הוחלו סדרה של ספי הסתברות וקבוצות כללים באמצעות קבוצות נתונים משניות. מידע נוסף על ספי הסבירות ועל ערכות הכללים זמין בסיכום השיטות של LCMS שמקושר בתיאור.
`Change_Raw_Probability_Slow_Loss`	‫30 מטרים	ההסתברות הגולמית של LCMS שחושבה לאובדן איטי. ההגדרה 'אובדן איטי' כוללת את המחלקות הבאות מפרשנות תהליך השינוי של TimeSync: ירידה מבנית – קרקע שבה עצים או צמחייה מעוצה 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. הידרדרות מבנית מתרחשת בסביבות עם צמחייה מעוצה, לרוב כתוצאה מחרקים, מחלות, בצורת, גשם חומצי וכו'. הידרדרות 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 מציג 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 שמציגה מגמת ירידה (למשל, ירידה ב-NDVI, ירידה ברטיבות, עלייה ב-SWIR וכו'), או ב) צמחייה מעוצה שמציגה 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 של שטח עלים.
`Change_Raw_Probability_Fast_Loss`	‫30 מטרים	ההסתברות המחושבת של אובדן מהיר, על סמך נתוני LCMS גולמיים. האובדן המהיר כולל את המחלקות הבאות מפרשנות תהליך השינוי של TimeSync: שריפה – קרקע שעברה שינוי כתוצאה משריפה, ללא קשר לגורם ההצתה (טבעי או אנתרופוגני), לחומרה או לשימוש בקרקע. קציר – שטח יער שבו עצים, שיחים או צמחייה אחרת נחתכו או הוסרו באמצעים אנתרופוגניים. דוגמאות לכך הן כריתת עצים, כריתת עצים שנפגעו משריפה או מהתפרצות של מזיקים, 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 לא מיוערת. רוח/קרח – קרקע (ללא קשר לשימוש) שבה הצמחייה השתנתה 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 שסוג השינוי לא עומד באף אחת מהקטגוריות של תהליך השינוי שמוגדרות למעלה.
`Change_Raw_Probability_Gain`	‫30 מטרים	ההסתברות הגולמית של LCMS לרווח, כפי שהיא מחושבת על ידי המודל. הגדרה: 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 צמחייה בוגרת ו/או של מדשאות וגינון חדשים. ביערות, גידול כולל צמיחת צמחייה מאדמה חשופה, וגם צמיחה של עצים בינוניים ועצים דומיננטיים ו/או של דשא ושיחים נמוכים יותר. סביר להניח שפלחים של צמיחה או התאוששות שתועדו אחרי כריתת יערות יעברו בין סוגים 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 יוארך ל-20 שנה בערך, יהיה בסדר גודל של 0.10 יחידות של NDVI) שנמשך כמה שנים.
`Land_Cover_Raw_Probability_Trees`	‫30 מטרים	ההסתברות הגולמית של עצים שחושבה על ידי מודל LCMS. ההגדרה: רוב הפיקסלים מורכבים מעצים חיים או מעצים מתים.
`Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix`	‫30 מטרים	ההסתברות הגולמית שחושבה על ידי מודל LCMS לכיסוי של שיחים גבוהים ועצים (אלסקה בלבד). הגדרה: רוב הפיקסל מורכב משיחים בגובה של יותר ממטר אחד, וגם מורכב לפחות מ-10% עצים חיים או עצים מתים שעומדים.
`Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix`	‫30 מטרים	ההסתברות הגולמית שחושבה על סמך מודל LCMS לכיסוי של שיחים ועצים. ההגדרה היא: 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`	‫30 מטרים	ההסתברות הגולמית שחושבה על סמך מודל LCMS לכיסוי של תערובת של דשא, עשבים ועצים. הגדרה: רוב הפיקסל 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`	‫30 מטרים	ההסתברות הגולמית שחושבה על סמך מודל LCMS לכיסוי של קרקע חשופה ועצים. מוגדר כ: רוב הפיקסל מורכב מקרקע חשופה שנחשפה כתוצאה מהפרעה (למשל, קרקע שנחשפה כתוצאה מפינוי מכני או כריתת יערות), וגם אזורים שאינם פוריים באופן קבוע, כמו מדבריות, אגמי מלח, סלעים חשופים (כולל מינרלים וחומרים גיאולוגיים אחרים שנחשפו כתוצאה מפעולות כרייה על פני השטח), דיונות חול, מישורי מלח וחופים. כבישים שעשויים מעפר ומחצץ נחשבים גם הם לשטח חשוף, והם כוללים לפחות 10% עצים חיים או עצים מתים.
`Land_Cover_Raw_Probability_Tall-Shrubs`	‫30 מטרים	ההסתברות הגולמית שחושבה על ידי LCMS לשיחים גבוהים (אלסקה בלבד). מוגדר כ: רוב הפיקסל מורכב משיחים בגובה של יותר ממטר.
`Land_Cover_Raw_Probability_Shrubs`	‫30 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`	‫30 מטרים	ההסתברות הגולמית שחושבה על ידי מודל LCMS לכיסוי מלא של דשא, צמחים עשבוניים 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`	‫30 מטרים	ההסתברות הגולמית של תערובת של צמחים חשופים ושיחים, שחושבה על ידי מודל LCMS. מוגדר כ: רוב הפיקסל מורכב מקרקע חשופה שנחשפה כתוצאה מהפרעה (למשל, קרקע שנחשפה כתוצאה מפינוי מכני או כריתת יערות), וגם אזורים שאינם פוריים באופן קבוע, כמו מדבריות, אגמי מלח, סלעים חשופים (כולל מינרלים וחומרים גיאולוגיים אחרים שנחשפו כתוצאה מפעולות כרייה על פני השטח), דיונות חול, מישורי מלח וחופים. כבישים שמורכבים מאדמה ומחצץ נחשבים גם הם לשטח חשוף, וכוללים לפחות 10% שיחים.
`Land_Cover_Raw_Probability_Grass-Forb-Herb`	‫30 מטרים	ההסתברות הגולמית שחושבה על סמך נתוני LCMS לכיסוי של דשא/עשב/צמח. הגדרה: רוב הפיקסלים מורכבים מדשאים רב-שנתיים, מעשבים או מצורות אחרות של צמחייה עשבונית.
`Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix`	‫30 מטרים	ההסתברות הגולמית שחושבה על ידי מודל LCMS לכיסוי של קרקע חשופה ותערובת של דשא, עשבים 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 חול, אגמי מלח וחופים. גם דרכים שמורכבות מאדמה ומחצץ נחשבות לקרקע לא פורייה, והן כוללות לפחות 10% עשבים רב-שנתיים, צמחי מרפא או צורות אחרות של צמחייה עשבונית.
`Land_Cover_Raw_Probability_Barren-or-Impervious`	‫30 מטרים	ההסתברות הגולמית שחושבה על ידי מודל LCMS לכיסוי של שטח חשוף או בלתי חדיר. מוגדר כ: 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 לא חדירים או כחומרים מלאכותיים שהמים לא יכולים לחדור דרכם, כמו כבישים סלולים, גגות ומגרשי חנייה.
`Land_Cover_Raw_Probability_Snow-or-Ice`	‫30 מטרים	הסבירות הגולמית שחושבה על ידי מודל LCMS לשלג או לקרח. ההגדרה היא: רוב הפיקסלים מורכבים משלג או מקרח.
`Land_Cover_Raw_Probability_Water`	‫30 מטרים	הסבירות הגולמית למים שחושבה על ידי מודל LCMS. ההגדרה: רוב הפיקסל מורכב ממים.
`Land_Use_Raw_Probability_Agriculture`	‫30 מטרים	ההסתברות הגולמית שחושבה על ידי מודל LCMS לכיסוי של שטחים חקלאיים. מוגדר כ: קרקע שמשמשת לייצור מזון, סיבים ודלקים, שנמצאת במצב צמחייה או במצב ללא צמחייה. ההגדרה הזו כוללת, בין היתר, שטחי גידול מעובדים ולא מעובדים, שטחי חציר, מטעים, כרמים, מתקני גידול סגורים של בעלי חיים ושטחים שבהם נשתלו עצים או שיחים לייצור 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`	‫30 מטרים	ההסתברות המחושבת הגולמית 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`	‫30 מטרים	ההסתברות הגולמית המבוססת על מודל של LCMS ליער. מוגדר כ: שטח שבו יש צמחייה טבעית או צמחייה שנשתלה, ושכולל (או סביר להניח שיכלול) צל עצים של 10% או יותר בשלב כלשהו במהלך רצף סוקצסיוני בטווח הקצר. יכול להיות שהסיווגים האלה יכללו יערות טבעיים נשירים, יערות טבעיים ירוקי עד או יערות טבעיים מעורבים, מטעי יער וביצות עם צמחייה עשירה.
`Land_Use_Raw_Probability_Other`	‫30 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`	‫30 מטרים	ההסתברות הגולמית שחושבה על ידי מודל LCMS של שטחי מרעה. הגדרה: הקטגוריה הזו כוללת כל אזור שמתקיים בו אחד מהתנאים הבאים: א) שטחי מרעה, שבהם הצמחייה היא תערובת של עשבים מקומיים, שיחים, עשבוניים וצמחים דמויי עשב, שצומחים בעיקר כתוצאה מגורמים ותהליכים טבעיים כמו גשם, טמפרטורה, גובה ושריפות, למרות שניהול מוגבל עשוי לכלול גם שריפות מבוקרות וגם רעייה של אוכלי עשב מבויתים 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 כמעט חד-תרבות.
`QA_Bits`	‫30 מטרים	מידע נוסף על המקור של ערכי הפלט השנתיים של מוצר LCMS.
מסכת ביטים של QA_Bits ביט 0: האם הפיקסל הוא תוצאה של 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 עד 14: היום היוליאני שממנו הגיע הפיקסל (1 עד 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	חיפושית האורן הדרומי
12	#f39268	עקה כתוצאה מחרקים, ממחלות או מבצורת
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, עשבים ועצים
5	#8b8560	מיקס של נוף מדברי ועצים
6	#cafd4b	Tall Shrubs (AK Only)
7	#f89a1c	שיחים
8	#8fa55f	תערובת של עשבים, צמחים ועשבי תיבול ושיחים
9	#bebb8e	מיקס של צמחייה דלילה ושיחים
10	#e5e98a	עשב/צמח עשבוני/תבלין
11	#ddb925	Barren & Grass/Forb/Herb Mix
12	#893f54	חשוף 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	גרסת ה-LCMS הזו מכסה את 48 המדינות של ארה"ב היבשתית, אלסקה, פוארטו ריקו ואיי 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 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 הגיאו-מרחביים האלה, או לשימוש לא תקין או שגוי בנתונים הגיאו-מרחביים האלה. הנתונים הגיאו-מרחביים והמפות או הגרפיקות שקשורות אליהם אינם מסמכים משפטיים ואין להשתמש בהם כמסמכים משפטיים. 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. באחריות המשתמש לוודא מהן 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 המקור הבא:

שירות היערות של משרד החקלאות של ארה"ב. 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 של ארה"ב. 2025. מערכת USFS למעקב אחר שינויים בנוף גרסה 2024.10 (ארצות הברית הרציפה והחלקים החיצוניים של ארצות הברית הרציפה). סולט לייק סיטי, יוטה.
Breiman, L., ‫2001. Random Forests. 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. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 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., Kennedy, R. 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, accessed August 2022 at 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', 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. 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
Kennedy, R. E., Yang, Z., and Cohen, W. B., ‫2010. זיהוי מגמות בהפרעה ליערות 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 עננים וצללים של עננים בתמונות Landsat על בסיס אובייקטים. ‫118: 83-94.
Zhu, Z., and Woodcock, C. E., ‫2012. זיהוי של עננים וצללי עננים על סמך 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

עורך קוד (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 מערכת למעקב אחר שינויים בנוף (LCMS). התמונה מציגה שינוי שנוצר על ידי מודל LCMS, כיסוי קרקע ו/או סיווגים של שימוש בקרקע לכל שנה, והיא כוללת 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

עורך קוד (JavaScript)

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