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

Ketersediaan Set Data

1985-01-01T00:00:00Z–2024-12-31T00:00:00Z

Produsen Set Data

USDA Forest Service (USFS) Field Services and Innovation Center Geospatial Office (FSIC-GO) Google Earth Engine

Cuplikan Earth Engine

ee.ImageCollection("USFS/GTAC/LCMS/v2024-10")

Tag

change-detection forest gtac landcover landuse landuse-landcover redcastle-resources usda usfs

lcms

Deskripsi

Produk ini adalah bagian dari rangkaian data Sistem Pemantauan Perubahan Lanskap (LCMS). Data ini menampilkan perubahan yang dimodelkan LCMS, kelas tutupan lahan, dan/atau kelas penggunaan lahan untuk setiap tahun dan mencakup Amerika Serikat Daratan (CONUS) serta area di luar CONUS (OCONUS), termasuk Alaska (AK), Puerto Riko-Kepulauan Virgin AS (PRUSVI), dan Hawaii (HAWAII).

LCMS adalah sistem berbasis penginderaan jauh untuk memetakan dan memantau perubahan lanskap di seluruh Amerika Serikat. Tujuannya adalah mengembangkan pendekatan yang konsisten menggunakan teknologi dan kemajuan terbaru dalam deteksi perubahan untuk menghasilkan peta perubahan lanskap "terbaik yang tersedia".

Output mencakup tiga produk tahunan: perubahan, tutupan lahan, dan penggunaan lahan. Output model perubahan secara khusus terkait dengan tutupan vegetasi dan mencakup kehilangan lambat, kehilangan cepat (yang juga mencakup perubahan hidrologi seperti banjir atau pengeringan), dan perolehan. Nilai ini diprediksi untuk setiap tahun deret waktu Landsat dan berfungsi sebagai produk dasar untuk LCMS. Kami menerapkan serangkaian aturan berdasarkan set data tambahan untuk membuat produk perubahan akhir, yang merupakan penyempurnaan/reklasifikasi perubahan yang dimodelkan menjadi 15 kelas yang secara eksplisit memberikan informasi tentang penyebab perubahan lanskap (misalnya, Penebangan Pohon, Kebakaran Hutan, Kerusakan akibat Angin). Peta tutupan lahan dan penggunaan lahan menggambarkan tutupan lahan tingkat bentuk kehidupan dan penggunaan lahan tingkat luas untuk setiap tahun.

Karena tidak ada algoritma yang berperforma terbaik dalam semua situasi, LCMS menggunakan ansambel model sebagai prediktor, yang meningkatkan akurasi peta di berbagai ekosistem dan proses perubahan (Healey et al., 2018). Rangkaian peta perubahan LCMS, tutupan lahan, dan penggunaan lahan yang dihasilkan menawarkan gambaran holistik perubahan lanskap di seluruh Amerika Serikat sejak tahun 1985.

Lapisan prediktor untuk model LCMS mencakup output dari algoritma deteksi perubahan LandTrendr dan CCDC, serta informasi medan. Semua komponen ini diakses dan diproses menggunakan Google Earth Engine (Gorelick et al., 2017).

Untuk menghasilkan komposit tahunan untuk LandTrendr, data reflektansi atas atmosfer Level-1C Sentinel 2A dan 2B, serta data USGS Collection 2 Landsat Tier 1 digunakan. Algoritma masking awan cFmask (Foga et al., 2017), yang merupakan implementasi Fmask 2.0 (Zhu dan Woodcock, 2012) (khusus Landsat), cloudScore (Chastain et al., 2019) (khusus Landsat), s2cloudless (Sentinel-Hub, 2021), dan Cloud Score+ (Pasquarella et al., 2023) (khusus Sentinel 2) digunakan untuk menutupi awan, sedangkan TDOM (Chastain et al., 2019) digunakan untuk menutupi bayangan awan (Landsat dan Sentinel 2). Untuk LandTrendr, medoid tahunan kemudian dihitung untuk meringkas nilai bebas awan dan bayangan awan dari setiap tahun menjadi satu komposit. Untuk CCDC, data reflektansi permukaan Landsat Tingkat 1 Collection 2 United States Geological Survey (USGS) digunakan untuk CONUS, dan data reflektansi atas atmosfer Landsat Tingkat 1 untuk AK, PRUSVI, dan HAWAII.

Deret waktu komposit disegmentasikan secara temporal menggunakan LandTrendr (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).

Semua nilai bebas awan dan bayangan awan juga tersegmentasi secara temporal menggunakan algoritma CCDC (Zhu dan Woodcock, 2014).

Data prediktor mencakup nilai komposit mentah, nilai yang sesuai dengan LandTrendr, perbedaan berpasangan, durasi segmen, besarnya perubahan, dan kemiringan, serta koefisien sinus dan kosinus CCDC (3 harmonik pertama), nilai yang sesuai, dan perbedaan berpasangan, beserta elevasi, kemiringan, sinus aspek, kosinus aspek, dan indeks posisi topografi (Weiss, 2001) dari data Program Elevasi 3D (3DEP) USGS 10 m (U.S. Geological Survey, 2019).

Data referensi dikumpulkan menggunakan TimeSync, alat berbasis web yang membantu analis memvisualisasikan dan menafsirkan catatan data Landsat dari tahun 1984 hingga saat ini (Cohen et al., 2010).

Model Random Forest (Breiman, 2001) dilatih menggunakan data referensi dari TimeSync dan data prediktor dari LandTrendr, CCDC, dan indeks medan untuk memprediksi perubahan tahunan, kelas tutupan lahan, dan penggunaan lahan. Setelah pemodelan, kami menetapkan serangkaian nilai minimum probabilitas dan set aturan menggunakan set data tambahan untuk meningkatkan kualitas output peta dan mengurangi komisi dan kelalaian. Informasi selengkapnya dapat ditemukan dalam LCMS Methods Brief yang disertakan dalam Deskripsi.

Referensi Tambahan

• Contoh kode yang lebih mendetail tentang penggunaan data LCMS.

• LCMS Data Explorer adalah aplikasi berbasis web yang memberi pengguna kemampuan untuk melihat, menganalisis, meringkas, dan mendownload data LCMS.

• Lihat LCMS Methods Brief untuk mengetahui informasi lebih mendetail mengenai metode dan penilaian akurasi, atau LCMS Geodata Clearinghouse untuk mendownload data, metadata, dan dokumen pendukung.

• String HAWAII akan diperbarui menjadi HI dalam rilis data v2025.11 mendatang.

Hubungi [e-mail] jika ada pertanyaan atau permintaan data tertentu.

Band

Ukuran Piksel
30 meter

Band

Nama	Ukuran Piksel	Deskripsi
Change	meter	Produk perubahan LCMS tematik akhir. Sebanyak lima belas kelas perubahan dipetakan untuk setiap tahun. Secara mendasar, perubahan dimodelkan dengan tiga model Hutan Acak biner terpisah untuk setiap area studi: kehilangan lambat, kehilangan cepat, dan perolehan. Setiap piksel ditetapkan ke kelas perubahan yang dimodelkan dengan probabilitas tertinggi yang juga berada di atas nilai minimum yang ditentukan. Piksel yang tidak memiliki nilai di atas masing-masing nilai minimum setiap kelas akan ditetapkan ke kelas Stabil. Setelah mengikuti kumpulan aturan menggunakan kelas perubahan yang dimodelkan, set data tambahan (seperti TCC, MTBS, dan IDS), serta data LCMS Land Cover, salah satu dari 15 kelas penyebab perubahan yang telah disempurnakan ditetapkan ke setiap piksel. Lihat LCMS Methods Brief yang ditautkan di Deskripsi untuk mengetahui detail lengkap tentang kumpulan aturan dan set data tambahan yang digunakan.
Land_Cover	meter	Produk cakupan lahan LCMS tematik akhir. Sebanyak 14 kelas penutup lahan dipetakan setiap tahun menggunakan data referensi TimeSync dan informasi spektral yang berasal dari gambar Landsat. Penutupan lahan diprediksi menggunakan satu model Random Forest multikelas, yang menghasilkan array probabilitas setiap kelas (proporsi pohon dalam model Random Forest yang 'memilih' setiap kelas). Kelas akhir ditetapkan ke penggunaan lahan dengan probabilitas tertinggi. Sebelum menetapkan kelas tutupan lahan dengan probabilitas tertinggi, bergantung pada area studi, satu hingga beberapa nilai minimum probabilitas dan aturan menggunakan set data tambahan diterapkan. Informasi selengkapnya tentang nilai minimum probabilitas dan kumpulan aturan dapat ditemukan dalam Ringkasan Metode LCMS yang ditautkan dalam Deskripsi. Tujuh kelas penutup lahan menunjukkan satu penutup lahan, dengan jenis penutup lahan tersebut menutupi sebagian besar area piksel dan tidak ada kelas lain yang menutupi lebih dari 10% piksel. Terdapat juga tujuh kelas campuran. Ini mewakili piksel yang memiliki kelas penutup lahan tambahan yang mencakup setidaknya 10% piksel.
Land_Use	meter	Produk akhir penggunaan lahan LCMS tematik. Sebanyak 5 kelas penggunaan lahan dipetakan setiap tahun menggunakan data referensi TimeSync dan informasi spektral yang berasal dari gambar Landsat. Penggunaan lahan diprediksi menggunakan satu model Random Forest multikelas, yang menghasilkan array probabilitas setiap kelas (proporsi pohon dalam model Random Forest yang 'memilih' setiap kelas). Kelas akhir ditetapkan ke penggunaan lahan dengan probabilitas tertinggi. Sebelum menetapkan kelas penggunaan lahan dengan probabilitas tertinggi, serangkaian nilai minimum probabilitas dan kumpulan aturan menggunakan set data tambahan diterapkan. Informasi selengkapnya tentang nilai minimum probabilitas dan kumpulan aturan dapat ditemukan dalam Ringkasan Metode LCMS yang ditautkan dalam Deskripsi.
Change_Raw_Probability_Slow_Loss	meter	Probabilitas yang dimodelkan LCMS mentah untuk Slow Loss. Kehilangan Lambat mencakup class berikut dari interpretasi proses perubahan TimeSync: Penurunan Struktural - Lahan tempat pohon atau vegetasi berkayu lainnya diubah secara fisik oleh kondisi pertumbuhan yang tidak menguntungkan yang disebabkan oleh faktor non-antropogenik atau non-mekanis. Jenis kehilangan ini umumnya akan menciptakan tren dalam sinyal spektral (misalnya, NDVI menurun, Kelembapan menurun, SWIR meningkat, dll.), tetapi trennya bisa jadi tidak terlihat jelas. Penurunan struktural terjadi di lingkungan vegetasi berkayu, kemungkinan besar akibat serangga, penyakit, kekeringan, hujan asam, dll. Penurunan struktural dapat mencakup peristiwa defoliasi yang tidak menyebabkan kematian seperti pada infestasi ngengat gipsi dan kutu tunas cemara yang dapat pulih dalam 1 atau 2 tahun. Penurunan Spektral - Plot yang menunjukkan tren sinyal spektral dalam satu atau beberapa indeks atau band spektral (misalnya, NDVI menurun, Kelembapan menurun, SWIR meningkat, dll.). Contohnya mencakup kasus ketika: a) vegetasi non-hutan/non-berkayu menunjukkan tren yang mengindikasikan penurunan (misalnya, NDVI menurun, Kelembapan menurun; SWIR meningkat; dll.), atau b) ketika vegetasi berkayu menunjukkan tren penurunan yang tidak terkait dengan hilangnya vegetasi berkayu, seperti ketika kanopi pohon dewasa menutup sehingga meningkatkan bayangan, ketika komposisi spesies berubah dari konifer ke kayu keras, atau ketika periode kering (berbeda dengan kekeringan yang lebih kuat dan akut) menyebabkan penurunan yang jelas dalam kekuatan, tetapi tidak ada kehilangan bahan berkayu atau area daun.
Change_Raw_Probability_Fast_Loss	meter	Probabilitas yang dimodelkan LCMS mentah untuk Kehilangan Cepat. Kehilangan Cepat mencakup class berikut dari interpretasi proses perubahan TimeSync: Kebakaran - Lahan yang berubah akibat kebakaran, terlepas dari penyebab kebakaran (alami atau antropogenik), tingkat keparahan, atau penggunaan lahan. Panen - Lahan hutan tempat pohon, semak, atau vegetasi lainnya telah dipotong atau dihilangkan dengan cara antropogenik. Contohnya mencakup penebangan hutan, penebangan kayu setelah terjadi kebakaran atau wabah serangga, penjarangan, dan resep pengelolaan hutan lainnya (misalnya, penebangan hutan dengan metode pohon pelindung/pohon benih). Mekanis - Lahan non-hutan tempat pohon, semak, atau vegetasi lain telah dipotong atau dibersihkan secara mekanis dengan metode penarikan, pengerukan, pemotongan semak, pembuldozeran, atau metode lain untuk pembersihan vegetasi non-hutan. Angin/es - Daratan (terlepas dari penggunaannya) yang vegetasinya berubah akibat angin dari hurikan, tornado, badai, dan peristiwa cuaca buruk lainnya termasuk hujan beku dari badai es. Hidrologi - Lahan yang banjirnya telah mengubah secara signifikan tutupan berkayu atau elemen Tutupan lahan lainnya, terlepas dari penggunaan lahan (misalnya, campuran baru kerikil dan vegetasi di dalam dan di sekitar dasar sungai setelah banjir). Puing - Lahan (terlepas dari penggunaannya) yang berubah akibat pergerakan material alami yang terkait dengan tanah longsor, salju longsor, gunung berapi, aliran puing, dll. Lainnya - Lahan (terlepas dari penggunaannya) yang tren spektralnya atau bukti pendukung lainnya menunjukkan bahwa telah terjadi peristiwa gangguan atau perubahan, tetapi penyebab pastinya tidak dapat ditentukan atau jenis perubahan tidak memenuhi salah satu kategori proses perubahan yang ditentukan di atas.
Change_Raw_Probability_Gain	meter	Probabilitas Gain yang dimodelkan LCMS mentah. Didefinisikan sebagai: Lahan yang menunjukkan peningkatan tutupan vegetasi karena pertumbuhan dan suksesi selama satu tahun atau lebih. Berlaku untuk area mana pun yang mungkin menunjukkan perubahan spektral yang terkait dengan pertumbuhan kembali vegetasi. Di area yang sudah dibangun, pertumbuhan dapat berasal dari vegetasi yang matang dan/atau halaman dan lanskap yang baru dipasang. Di hutan, pertumbuhan mencakup pertumbuhan vegetasi dari tanah kosong, serta pertumbuhan pohon yang lebih tinggi dari pohon-pohon di sekitarnya dan/atau rumput dan semak yang lebih rendah. Segmen Pertumbuhan/Pemulihan yang dicatat setelah panen hutan kemungkinan akan bertransisi melalui berbagai kelas tutupan lahan saat hutan beregenerasi. Agar perubahan ini dianggap sebagai pertumbuhan/pemulihan, nilai spektral harus mengikuti garis tren yang meningkat (misalnya, kemiringan positif yang jika diperpanjang hingga ~20 tahun, akan berada pada urutan 0,10 unit NDVI) yang berlanjut selama beberapa tahun.
Land_Cover_Raw_Probability_Trees	meter	Probabilitas model LCMS mentah untuk Pohon. Didefinisikan sebagai: Sebagian besar piksel terdiri dari pohon yang masih hidup atau pohon yang mati.
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix	meter	Probabilitas yang dimodelkan LCMS mentah dari Campuran Semak dan Pohon Tinggi (Khusus AK). Didefinisikan sebagai: Sebagian besar piksel terdiri dari semak-semak yang tingginya lebih dari 1 m dan juga terdiri dari setidaknya 10% pohon hidup atau pohon mati yang masih berdiri.
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix	meter	Probabilitas yang dimodelkan LCMS mentah dari Campuran Semak dan Pohon. Didefinisikan sebagai: Sebagian besar piksel terdiri dari semak dan juga terdiri dari setidaknya 10% pohon hidup atau pohon mati yang berdiri.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix	meter	Probabilitas yang dimodelkan LCMS mentah dari Campuran Rumput/Forb/Herba dan Pohon. Didefinisikan sebagai: Sebagian besar piksel terdiri dari rumput abadi, forba, atau bentuk vegetasi herba lainnya, dan juga terdiri dari setidaknya 10% pohon hidup atau pohon mati yang berdiri.
Land_Cover_Raw_Probability_Barren-and-Trees-Mix	meter	Probabilitas yang dimodelkan LCMS mentah dari Barren dan Trees Mix. Didefinisikan sebagai: Sebagian besar piksel terdiri dari tanah kosong yang terpapar akibat gangguan (misalnya, tanah yang tidak tertutup akibat pembukaan lahan mekanis atau panen hutan), serta area tandus abadi seperti gurun, playa, singkapan batuan (termasuk mineral dan bahan geologi lainnya yang terpapar akibat aktivitas penambangan permukaan), bukit pasir, dataran garam, dan pantai. Jalan yang terbuat dari tanah dan kerikil juga dianggap tandus dan juga terdiri dari setidaknya 10% pohon hidup atau pohon mati yang masih berdiri.
Land_Cover_Raw_Probability_Tall-Shrubs	meter	Probabilitas yang dimodelkan LCMS mentah dari Semak Tinggi (Khusus AK). Didefinisikan sebagai: Sebagian besar piksel terdiri dari semak-semak yang tingginya lebih dari 1 m.
Land_Cover_Raw_Probability_Shrubs	meter	Probabilitas model LCMS mentah untuk Semak. Didefinisikan sebagai: Sebagian besar piksel terdiri dari semak.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix	meter	Probabilitas yang dimodelkan LCMS mentah dari Campuran Rumput/Forb/Herba dan Semak. Didefinisikan sebagai: Sebagian besar piksel terdiri dari rumput abadi, forba, atau bentuk vegetasi herba lainnya dan juga terdiri dari setidaknya 10% semak.
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix	meter	Probabilitas yang dimodelkan LCMS mentah dari Campuran Barren dan Shrubs. Didefinisikan sebagai: Sebagian besar piksel terdiri dari tanah kosong yang terpapar akibat gangguan (misalnya, tanah yang tidak tertutup akibat pembukaan lahan mekanis atau panen hutan), serta area tandus abadi seperti gurun, playa, singkapan batuan (termasuk mineral dan bahan geologi lainnya yang terpapar akibat aktivitas penambangan permukaan), bukit pasir, dataran garam, dan pantai. Jalan yang terbuat dari tanah dan kerikil juga dianggap tandus dan juga terdiri dari setidaknya 10% semak.
Land_Cover_Raw_Probability_Grass-Forb-Herb	meter	Probabilitas yang dimodelkan LCMS mentah untuk Grass/Forb/Herb. Didefinisikan sebagai: Sebagian besar piksel terdiri dari rumput abadi, forba, atau bentuk vegetasi herba lainnya.
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix	meter	Probabilitas yang dimodelkan LCMS mentah dari Barren dan Grass/Forb/Herb Mix. Didefinisikan sebagai: Sebagian besar piksel terdiri dari tanah gundul yang terpapar akibat gangguan (misalnya, tanah yang tidak tertutup akibat pembukaan lahan mekanis atau panen hutan), serta area tandus abadi seperti gurun, playa, singkapan batuan (termasuk mineral dan bahan geologi lainnya yang terpapar akibat aktivitas penambangan permukaan), bukit pasir, dataran garam, dan pantai. Jalan yang terbuat dari tanah dan kerikil juga dianggap tandus dan juga terdiri dari setidaknya 10% rumput abadi, forba, atau bentuk vegetasi herba lainnya.
Land_Cover_Raw_Probability_Barren-or-Impervious	meter	Probabilitas yang dimodelkan LCMS mentah untuk Barren atau Impervious. Didefinisikan sebagai: Sebagian besar piksel terdiri dari 1.) tanah kosong yang terpapar akibat gangguan (misalnya, tanah yang tidak tertutup akibat pembukaan lahan mekanis atau panen hutan), serta area tandus abadi seperti gurun, playa, singkapan batuan (termasuk mineral dan bahan geologis lainnya yang terpapar akibat aktivitas penambangan permukaan), bukit pasir, dataran garam, dan pantai. Jalan yang terbuat dari tanah dan kerikil juga dianggap tandus atau 2.) bahan buatan manusia yang tidak dapat ditembus air, seperti jalan beraspal, atap, dan tempat parkir.
Land_Cover_Raw_Probability_Snow-or-Ice	meter	Probabilitas yang dimodelkan LCMS mentah untuk Salju atau Es. Ditentukan sebagai: Sebagian besar piksel terdiri dari salju atau es.
Land_Cover_Raw_Probability_Water	meter	Probabilitas yang dimodelkan LCMS mentah untuk Air. Didefinisikan sebagai: Sebagian besar piksel terdiri dari air.
Land_Use_Raw_Probability_Agriculture	meter	Probabilitas yang dimodelkan LCMS mentah untuk Pertanian. Didefinisikan sebagai: Lahan yang digunakan untuk produksi makanan, serat, dan bahan bakar yang berada dalam kondisi bervegetasi atau tidak bervegetasi. Hal ini mencakup, tetapi tidak terbatas pada, lahan pertanian yang diolah dan tidak diolah, lahan jerami, kebun buah, kebun anggur, operasi peternakan tertutup, dan area yang ditanami untuk produksi buah, kacang, atau beri. Jalan yang digunakan terutama untuk penggunaan pertanian (yaitu tidak digunakan untuk transportasi umum dari kota ke kota) dianggap sebagai penggunaan lahan pertanian.
Land_Use_Raw_Probability_Developed	meter	Probabilitas yang dimodelkan LCMS mentah dari Developed. Didefinisikan sebagai: Lahan yang tertutup oleh struktur buatan manusia (misalnya, perumahan dengan kepadatan tinggi, komersial, industri, pertambangan, atau transportasi), atau campuran antara vegetasi (termasuk pepohonan) dan struktur (misalnya, perumahan dengan kepadatan rendah, halaman, fasilitas rekreasi, pemakaman, koridor transportasi dan utilitas, dll.), termasuk lahan apa pun yang secara fungsional diubah oleh aktivitas manusia.
Land_Use_Raw_Probability_Forest	meter	Probabilitas yang dimodelkan LCMS mentah untuk Hutan. Didefinisikan sebagai: Lahan yang ditanami atau secara alami ditumbuhi vegetasi dan yang berisi (atau kemungkinan berisi) tutupan pohon sebesar 10% atau lebih pada suatu waktu selama urutan suksesi jangka pendek. Hal ini dapat mencakup kategori hutan alam, hutan tanaman, dan lahan basah berkayu yang gugur daun, hijau abadi, dan/atau campuran.
Land_Use_Raw_Probability_Other	meter	Probabilitas yang dimodelkan LCMS mentah untuk Lainnya. Didefinisikan sebagai: Lahan (terlepas dari penggunaannya) yang tren spektralnya atau bukti pendukung lainnya menunjukkan bahwa telah terjadi peristiwa gangguan atau perubahan, tetapi penyebab pastinya tidak dapat ditentukan atau jenis perubahan tidak memenuhi salah satu kategori proses perubahan yang ditentukan di atas.
Land_Use_Raw_Probability_Rangeland-or-Pasture	meter	Probabilitas yang dimodelkan LCMS mentah dari Padang Rumput atau Padang Gembala. Didefinisikan sebagai: Class ini mencakup area mana pun yang merupakan a.) Padang rumput, tempat vegetasi merupakan campuran rumput asli, semak, herba, dan tanaman seperti rumput yang sebagian besar muncul dari faktor dan proses alami seperti curah hujan, suhu, ketinggian, dan kebakaran, meskipun pengelolaan terbatas dapat mencakup pembakaran yang terkontrol serta penggembalaan oleh herbivora domestik dan liar; atau b.) Padang rumput, tempat vegetasi dapat berkisar dari campuran, sebagian besar rumput alami, forba, dan herba hingga vegetasi yang lebih dikelola yang didominasi oleh spesies rumput yang telah disemai dan dikelola untuk mempertahankan hampir monokultur.
QA_Bits	meter	Informasi tambahan tentang asal nilai output produk LCMS tahunan.
Bitmask untuk QA_Bits Bit 0: Apakah piksel diinterpolasi atau tidak. 0: Diinterpolasi 1: Tidak diinterpolasi Bit 1-5: Sensor tempat piksel berasal. 4: Landsat 4 5: Landsat 5 7: Landsat 7 8: Landsat 8 9: Landsat 9 21: Sentinel 2A 22: Sentinel 2B Bit 6-14: Hari Julian saat piksel berasal (1-365).

Tabel Perubahan Class

Nilai	Warna	Deskripsi
1	#ff09f3	Wind
2	#541aff	Topan
3	#e4f5fd	Transisi Salju atau Es
4	#cc982e	Pengeringan
5	#0adaff	Banjir
6	#a10018	Pembakaran Terkendali
7	#d54309	Wildfire
8	#fafa4b	Transformasi Lahan Mekanis
9	#afde1c	Penebangan Pohon
10	#ffc80d	Pengguguran daun
11	#a64c28	Kumbang Pinus Selatan
12	#f39268	Stres Akibat Serangga, Penyakit, atau Kekeringan
13	#c291d5	Kerugian Lainnya
14	#00a398	Pertumbuhan Suksesi Vegetasi
15	#3d4551	Stabil
16	#1b1716	Masker Area Non-Pemrosesan

Tabel Class Land_Cover

Nilai	Warna	Deskripsi
1	#004e2b	Pohon
2	#009344	Campuran Semak & Pohon Tinggi (Khusus AK)
3	#61bb46	Campuran Semak & Pohon
4	#acbb67	Campuran Rumput/Herba/Terna & Pohon
5	#8b8560	Campuran Lahan Kosong & Pohon
6	#cafd4b	Semak Tinggi (Khusus AK)
7	#f89a1c	Perdu
8	#8fa55f	Campuran Rumput/Herba/Terna & Semak
9	#bebb8e	Campuran Semak & Tanah Tandus
10	#e5e98a	Rumput/Forb/Herba
11	#ddb925	Tanah Tandus & Campuran Rumput/Forb/Herba
12	#893f54	Gersang atau Tidak Permeabel
13	#e4f5fd	Salju atau Es
14	#00b6f0	Air
15	#1b1716	Masker Area Non-Pemrosesan

Tabel Class Penggunaan Lahan

Nilai	Warna	Deskripsi
1	#fbff97	Agrikultura
2	#e6558b	Dikembangkan
3	#004e2b	Hutan
4	#9dbac5	Lainnya
5	#a6976a	Padang Rumput atau Padang Gembalaan
6	#1b1716	Masker Area Non-Pemrosesan

Properti Gambar

Properti Gambar

Nama	Jenis	Deskripsi
study_area	STRING	Versi LCMS ini mencakup Amerika Serikat yang berbatasan, Alaska, Puerto Riko-Kepulauan Virgin Amerika Serikat, dan Hawaii. Nilai yang mungkin: 'CONUS, AK, PRUSVI, HAWAII'
versi	STRING	Versi produk
startYear	INT	Tahun mulai produk
endYear	INT	Tahun akhir produk
tahun	INT	Tahun produk

Persyaratan Penggunaan

Persyaratan Penggunaan

USDA Forest Service tidak memberikan jaminan, baik tersurat maupun tersirat, termasuk jaminan kelayakan untuk diperdagangkan dan kesesuaian untuk tujuan tertentu, serta tidak bertanggung jawab atas akurasi, keandalan, kelengkapan, atau kegunaan data geospasial ini, atau atas penggunaan data geospasial ini yang tidak tepat atau salah. Data geospasial dan peta atau grafik terkait ini bukan dokumen hukum dan tidak dimaksudkan untuk digunakan sebagai dokumen hukum. Data dan peta tidak boleh digunakan untuk menentukan hak kepemilikan, deskripsi atau batas hukum, yurisdiksi hukum, atau batasan yang mungkin berlaku di lahan publik atau pribadi. Bencana alam mungkin digambarkan atau tidak pada data dan peta, dan pengguna lahan harus berhati-hati. Data bersifat dinamis dan dapat berubah dari waktu ke waktu. Pengguna bertanggung jawab untuk memverifikasi batasan data geospasial dan menggunakan data tersebut dengan semestinya.

Data ini dikumpulkan menggunakan pendanaan dari Pemerintah AS dan dapat digunakan tanpa izin atau biaya tambahan. Jika Anda menggunakan data ini dalam publikasi, presentasi, atau produk riset lainnya, harap gunakan kutipan berikut:

USDA Forest Service. 2025. USFS Landscape Change Monitoring System v2024.10 (Conterminous United States and Outer Conterminous United States). Salt Lake City, Utah.

Kutipan

Kutipan:

• USDA Forest Service. 2025. USFS Landscape Change Monitoring System v2024.10 (Amerika Serikat Daratan dan Amerika Serikat Daratan Luar). Salt Lake City, Utah.

• Breiman, L., 2001. Hutan Acak. Di Machine Learning. Springer, 45: 5-32. doi:10.1023/A:1010933404324

• Chastain, R., Housman, I., Goldstein, J., Finco, M., dan Tenneson, K., 2019. Perbandingan lintas sensor empiris karakteristik spektral atas atmosfer Sentinel-2A dan 2B MSI, Landsat-8 OLI, dan Landsat-7 ETM di seluruh Amerika Serikat yang berdekatan. Dalam Remote Sensing of Environment. Science Direct, 221: 274-285. doi:10.1016/j.rse.2018.11.012

• Cohen, W. B., Yang, Z., dan Kennedy, R., 2010. Mendeteksi tren gangguan dan pemulihan hutan menggunakan deret waktu Landsat tahunan: 2. TimeSync - Alat untuk kalibrasi dan validasi. Dalam 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., dan Gorelick, N., 2018. Ansambel multispektral LandTrendr untuk deteksi gangguan hutan. Dalam 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. Perbandingan dan validasi algoritma deteksi awan untuk produk data Landsat operasional. Dalam Remote Sensing of Environment. Science Direct, 194: 379-390. doi:10.1016/j.rse.2017.03.026

• U.S. Geological Survey, 2019. Model Ketinggian Digital Program Ketinggian 3D USGS, diakses Agustus 2022 di 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., dan Zhu, Z., 2018. Memetakan perubahan hutan menggunakan generalisasi bertumpuk: Pendekatan ensemble. Dalam Remote Sensing of Environment. Science Direct, 204: 717-728. doi:10.1016/j.rse.2017.09.029

• Kennedy, R. E., Yang, Z., dan Cohen, W. B., 2010. Mendeteksi tren gangguan dan pemulihan hutan menggunakan deret waktu Landsat tahunan: 1. LandTrendr - Algoritma segmentasi temporal. Dalam 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., dan Healey, S. 2018. Penerapan Algoritma LandTrendr di Google Earth Engine. Dalam Penginderaan Jauh. MDPI, 10(5): 691. doi:10.3390/rs10050691

• Pasquarella, V. J., Brown, C. F., Czerwinski, W., dan Rucklidge, W. J., 2023. Comprehensive Quality Assessment of Optical Satellite Imagery Using Weakly Supervised Video Learning. Dalam Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2124-2134.

• Sentinel-Hub, 2021. Detektor Awan Sentinel 2. [Online]. Tersedia di: https://github.com/sentinel-hub/sentinel2-cloud-detector

• Weiss, A.D., 2001. Analisis posisi topografi dan bentuk lahan Presentasi Poster, ESRI Users Conference, San Diego, CAZhu, Z., dan Woodcock, C. E. 2012. Deteksi awan dan bayangan awan berbasis objek dalam gambar Landsat. 118: 83-94.

• Zhu, Z., dan Woodcock, C. E., 2012. Deteksi awan dan bayangan awan berbasis objek dalam gambar Landsat. Dalam Remote Sensing of Environment. Science Direct, 118: 83-94. doi:10.1016/j.rse.2011.10.028

• Zhu, Z., dan Woodcock, C. E., 2014. Deteksi perubahan berkelanjutan dan klasifikasi tutupan lahan menggunakan semua data Landsat yang tersedia. Dalam Remote Sensing of Environment. Science Direct, 144: 152-171. doi:10.1016/j.rse.2014.01.011

DOI

• 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

Mengeksplorasi dengan Earth Engine

Penting: Earth Engine adalah platform untuk analisis ilmiah dan visualisasi set data geospasial berskala petabyte, baik untuk manfaat publik maupun untuk pengguna bisnis dan pemerintah. Earth Engine dapat digunakan secara gratis untuk penelitian, pendidikan, dan penggunaan nonprofit. Untuk memulai, daftar untuk mendapatkan akses Earth Engine.

Editor Kode (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);

Buka di Editor Kode

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

Produk ini adalah bagian dari rangkaian data Sistem Pemantauan Perubahan Lanskap (LCMS). Data ini menampilkan perubahan yang dimodelkan LCMS, kelas penggunaan lahan, dan/atau kelas tutupan lahan untuk setiap tahun dan mencakup Amerika Serikat Daratan (CONUS) serta area di luar CONUS (OCONUS) termasuk Alaska (AK), Puerto Riko-Kepulauan Virgin AS (PRUSVI), dan …

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

• https://doi.org/10.3390/rs10050691
• https://doi.org/10.3390/rs10050691