USFS Landscape Change Monitoring System v2024-10 (CONUS and OCONUS) [deprecated]

Achtung:Dieses Dataset wurde durch projects/gtac-data-publish/assets/LCMS/Product_Version/2025-11 ersetzt.

Dataset-Verfügbarkeit

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

Ersteller des Datasets

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

Earth Engine-Snippet

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

Tags

change-detection

Wald

gtac

Bodenbedeckung

landuse

landuse-landcover

lcms

redcastle-resources

usda

usfs

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 gesamten USA. Ziel ist es, einen einheitlichen Ansatz zu entwickeln, der die neuesten Technologien und Fortschritte bei der Änderungserkennung nutzt, um eine „bestmögliche“ Karte von 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 Veränderungen 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 Regelwerk auf der Grundlage von Zusatzdatensätzen 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 Genauigkeit der Karten in einer Reihe von Ökosystemen und Veränderungsprozessen verbessert (Healey et al., 2018). Die resultierende Suite von LCMS-Karten zu Veränderungen, Landbedeckung und Landnutzung bietet 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 jährlicher Composites für LandTrendr, USGS Collection 2 Landsat Tier 1 und Sentinel 2A, 2B wurden Level-1C-Daten zur Reflexion am oberen Rand der Atmosphäre verwendet. Der cFmask-Algorithmus zur Maskierung von Wolken (Foga et al., 2017), der 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) wird verwendet, um Wolken zu maskieren, während TDOM (Chastain et al., 2019) verwendet wird, um Wolkenschatten zu maskieren (Landsat und Sentinel 2). Für LandTrendr wird dann der jährliche Medoid berechnet, um wolken- und wolkenfreie Werte aus jedem Jahr in einem einzigen Composite zusammenzufassen. Für CCDC wurden für die CONUS Daten zur Reflexion an der Erdoberfläche von USGS Collection 2 Landsat Tier 1 und für AK, PRUSVI und HAWAII Daten zur Reflexion am oberen Rand der Atmosphäre von Landsat Tier 1 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, Änderungsgröße 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

• Ein detaillierteres Codebeispiel für die Verwendung von LCMS-Daten

• Der LCMS Data Explorer ist eine webbasierte Anwendung, mit der Nutzer LCMS-Daten ansehen, analysieren, zusammenfassen und herunterladen können.

• Weitere Informationen zu Methoden und Genauigkeitsbewertung finden Sie im LCMS Methods Brief. Daten-Downloads, Metadaten und Supportdokumente finden Sie im LCMS Geodata Clearinghouse.

• Der String HAWAII wird in der kommenden Datenversion 2025.11 in HI geändert.

Bei Fragen oder spezifischen Datenanfragen wenden Sie sich bitte an [e-mail].

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 Hilfs-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 Klassen der Landbedeckung 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 „Slow Loss“ (langsame Abwanderung) aus dem LCMS-Modell. „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.) verursachen, 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 bis 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 forstwirtschaftliche/nicht holzige Vegetation einen Trend zeigt, der auf einen Rückgang hindeutet (z. B. NDVI sinkt, Feuchtigkeit sinkt, SWIR steigt usw.), oder b) in denen holzige Vegetation einen Rückgangstrend zeigt, 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. „Schneller Verlust“ umfasst die folgenden Klassen aus der Interpretation des TimeSync-Änderungsprozesses: Feuer: 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 Forstwirtschaftsvorschriften (z.B. Schutzwald-/Saatbaumernte). Mechanisch: Nicht bewaldetes Land, auf dem Bäume, Sträucher oder andere Vegetation mechanisch durch Ketten, Schaben, Sägen, Bulldozer oder andere Methoden zur Entfernung von Nichtwaldvegetation 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 wurde. 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 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.
Change_Raw_Probability_Gain	30 Meter	Die modellierte Wahrscheinlichkeit für „Zunahme“ auf Grundlage von Roh-LCMS-Daten. Definiert als: Land, auf dem die Vegetationsbedeckung aufgrund von Wachstum und Sukzession über ein oder mehrere Jahre zugenommen hat. Gilt für alle Gebiete, in denen spektrale Veränderungen im Zusammenhang mit dem Nachwachsen der Vegetation auftreten können. In bebauten Gebieten kann Wachstum durch reifende Vegetation und/oder neu angelegte Rasenflächen und Landschaftsgestaltung entstehen. In Wäldern umfasst Wachstum das Wachstum der Vegetation auf unbewachsenem Boden sowie das Überwachsen von Bäumen mittlerer und gleichrangiger Höhe und/oder tiefer liegenden Gräsern und Sträuchern. Segmente mit Wachstum/Erholung, die nach der Ernte von Wäldern aufgezeichnet werden, durchlaufen wahrscheinlich verschiedene Landbedeckungsklassen, wenn sich der Wald regeneriert. Damit diese Änderungen als Wachstum/Erholung gelten, sollten die Spektralwerte eng an einer steigenden Trendlinie liegen (z. B. eine positive Steigung, die, wenn sie auf etwa 20 Jahre verlängert würde, in der Größenordnung von 0,10 NDVI-Einheiten liegen würde), die mehrere Jahre lang anhält.
Land_Cover_Raw_Probability_Trees	30 Meter	Die rohe, auf dem LCMS-Modell basierende Wahrscheinlichkeit für „Bäume“. 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	Rohmodellierte Wahrscheinlichkeit für die LCMS-Klasse „Mix aus Sträuchern und Bäumen“. Definiert als: Der Großteil des Pixels besteht aus Sträuchern und mindestens 10% aus lebenden oder stehenden toten Bäumen.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix	30 Meter	Rohmodellierte Wahrscheinlichkeit für eine Mischung aus Gräsern/Kräutern/Blütenpflanzen und Bäumen. Definiert als: Der Großteil des Pixels besteht aus mehrjährigen Gräsern, Kräutern oder anderen Formen von krautiger Vegetation und enthält außerdem mindestens 10% lebende oder stehende tote Bäume.
Land_Cover_Raw_Probability_Barren-and-Trees-Mix	30 Meter	Die modellierte Rohwahrscheinlichkeit für „Barren and Trees Mix“ (Mischung aus kargem Land und Bäumen) gemäß LCMS. Definiert als: Der Großteil des Pixels besteht aus kargem Boden, der durch Störungen freigelegt wurde (z.B. Boden, der durch mechanische Rodung oder Holzerntemaßnahmen freigelegt wurde), sowie aus dauerhaft kargen 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 Kies gelten ebenfalls als karg und bestehen zu mindestens 10% aus lebenden oder stehenden toten Bäumen.
Land_Cover_Raw_Probability_Tall-Shrubs	30 Meter	Rohmodellierte Wahrscheinlichkeit für hohe Sträucher (nur Alaska) gemäß LCMS. Definiert als: Der Großteil des Pixels besteht aus Sträuchern mit einer Höhe von mehr als 1 Meter.
Land_Cover_Raw_Probability_Shrubs	30 Meter	Rohdaten für die modellierte Wahrscheinlichkeit von Sträuchern aus LCMS. 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 zu mindestens 10% aus Sträuchern.
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix	30 Meter	Die modellierte Wahrscheinlichkeit für „Barren and Shrubs Mix“ (Mischung aus kargen Flächen und Sträuchern) gemäß LCMS. Definiert als: Der Großteil des Pixels besteht aus kargem Boden, der durch Störungen freigelegt wurde (z.B. Boden, der durch mechanische Rodung oder Holzeinschlag freigelegt wurde), sowie aus dauerhaft kargen Gebieten wie Wüsten, Salzseen, Felsaufschlüssen (einschließlich Mineralien und anderen geologischen Materialien, die durch den Tagebau freigelegt wurden), Sanddünen, Salzebenen und Stränden. Schotter- und Schmutzstraßen gelten ebenfalls als karg und bestehen zu mindestens 10% aus Sträuchern.
Land_Cover_Raw_Probability_Grass-Forb-Herb	30 Meter	Rohdaten für die modellierte Wahrscheinlichkeit von Gras/Kraut/Pflanze aus LCMS. Definiert als: Der Großteil des Pixels 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 modellierte Wahrscheinlichkeit von „Barren“ und „Grass/Forb/Herb Mix“ (Gras/Kraut/Kräutermischung) 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 Kies 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 modellierte Rohwahrscheinlichkeit von „Barren“ (Kahl) oder „Impervious“ (Undurchlässig) gemäß LCMS. Definiert als: Der Großteil des Pixels besteht aus 1.) durch Störungen freigelegtem kahlen Boden (z. B. durch mechanische Rodung oder Holzeinschlag freigelegter Boden) sowie aus dauerhaft kahlen Gebieten wie Wüsten, Playas, Felsaufschlüssen (einschließlich Mineralien und anderen geologischen Materialien, die durch den Tagebau freigelegt wurden), Sanddünen, Salzseen und Stränden. Schotter- und Feldwege gelten ebenfalls als kahl oder 2.) von Menschen geschaffenen Materialien, die für Wasser undurchlässig sind, wie z. B. asphaltierte Straßen, Dächer und Parkplätze.
Land_Cover_Raw_Probability_Snow-or-Ice	30 Meter	Die Rohwahrscheinlichkeit für Schnee oder Eis, die mit LCMS modelliert wurde. Definiert als: Der Großteil des Pixels besteht aus Schnee oder Eis.
Land_Cover_Raw_Probability_Water	30 Meter	Die Wahrscheinlichkeit für Wasser, die mit dem LCMS-Modell berechnet wird. 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 modellierte Rohwahrscheinlichkeit für „Developed“ (Erschlossen) gemäß LCMS. Definiert als: Land, das von künstlichen Strukturen bedeckt ist (z.B. Wohngebiete mit hoher Dichte, Gewerbe-, Industrie-, Bergbau- oder Transportgebiete) 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 Wahrscheinlichkeit für „Sonstiges“ wird auf Grundlage des LCMS-Modells berechnet. Sie wird so definiert: Land (unabhängig von der Nutzung), auf dem der spektrale Trend oder andere unterstützende Beweise auf ein Störungs- oder Änderungsereignis hindeuten, die endgültige Ursache jedoch nicht ermittelt werden kann oder die Art der Änderung keiner der oben definierten Kategorien für Änderungsprozesse entspricht.
Land_Use_Raw_Probability_Rangeland-or-Pasture	30 Meter	Rohdaten für die modellierte Wahrscheinlichkeit von Weideland oder Grünland aus LCMS. 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 kontrollierte Abbrennen sowie die Beweidung durch 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 bewirtschaftet wurden, um eine nahezu monokulturelle Umgebung zu schaffen.
QA_Bits	30 Meter	Zusätzliche Informationen zum Ursprung der jährlichen LCMS-Produktausgabewerte.
Bitmaske für QA_Bits Bit 0: Gibt an, ob das Pixel interpoliert wurde. 0: Interpoliert 1: Nicht interpoliert Bits 1–5: Von welchem Sensor das Pixel stammt. 4. Landsat 4 5: Landsat 5 7: Landsat 7 8: Landsat 8 9: Landsat 9 21: Sentinel 2A 22: Sentinel 2B Bits 6–14: Der Julianische Tag, an dem das Pixel aufgenommen wurde (1–365).

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, Krankheiten oder Dürre
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	Mischung aus kargem Land und Bäumen
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 Gräsern, Kräutern und anderen Pflanzen für karge Böden
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 zusammenhängenden 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., and 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 Cloud-Erkennungsalgorithmen für operative 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 USGS 3D Elevation Program Digital Elevation Model, 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. Kartierung von Waldveränderungen mit gestapelter Verallgemeinerung: 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 der Fernerkundung. 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

• 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

Die Earth Engine nutzen

Wichtig: Die Earth Engine ist eine Plattform für die wissenschaftliche Analyse und Visualisierung von Geo-Datasets im Petabyte-Bereich, sowohl für die Öffentlichkeit als auch für Unternehmen und Behörden. Die Earth Engine kann kostenlos für Forschungs-, Bildungs- und gemeinnützige Zwecke verwendet werden. Registrieren Sie sich für den Zugriff auf die Earth Engine, um loszulegen.

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

USFS Landscape Change Monitoring System v2024-10 (CONUS and OCONUS) [deprecated]

Dieses Produkt ist Teil der LCMS-Datensuite (Landscape Change Monitoring System). Sie zeigt die von LCMS modellierten Änderungen, 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,lcms,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