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

USFS/GTAC/LCMS/v2024-10
Disponibilidad del conjunto de datos
1985-01-01T00:00:00Z–2024-12-31T00:00:00Z
Proveedor del conjunto de datos
Fragmento de Earth Engine
ee.ImageCollection("USFS/GTAC/LCMS/v2024-10")
Etiquetas
change-detection forest gtac landcover landuse landuse-landcover redcastle-resources usda usfs
lcms

Descripción

Este producto forma parte del paquete de datos del Sistema de supervisión de cambios del paisaje (LCMS). Muestra el cambio modelado por el LCMS, la cobertura del suelo o las clases de uso del suelo para cada año y abarca los Estados Unidos contiguos (CONUS), así como las áreas fuera de los CONUS (OCONUS), incluidos Alaska (AK), Puerto Rico-Islas Vírgenes Estadounidenses (PRUSVI) y Hawái (HI). Los datos de PRUSVI y HI v2024.10 se publicarán a fines del verano de 2025. Por el momento, se pueden usar los datos de PRUSVI y LCMS de HI de la versión 2023.9 (USFS/GTAC/LCMS/v2023-9).

El LCMS es un sistema basado en la detección remota para mapear y supervisar los cambios en el paisaje de todo Estados Unidos. Su objetivo es desarrollar un enfoque coherente con la tecnología más reciente y los avances en la detección de cambios para producir un mapa de los cambios en el paisaje con la "mejor disponibilidad".

Los resultados incluyen tres productos anuales: cambio, cobertura del suelo y uso del suelo. El resultado del modelo de cambio se relaciona específicamente con la cobertura vegetal y abarca la pérdida lenta, la pérdida rápida (que también incluye cambios hidrológicos, como inundaciones o desecación) y la ganancia. Estos valores se predicen para cada año de la serie temporal de Landsat y sirven como productos fundamentales para el LCMS. Aplicamos un conjunto de reglas basado en conjuntos de datos auxiliares para crear el producto de cambio final, que es un perfeccionamiento o una reclasificación del cambio modelado en 15 clases que proporcionan información explícita sobre la causa del cambio en el paisaje (p.ej., retiro de árboles, incendios forestales y daños por viento). Los mapas de cobertura y uso del suelo representan la cobertura del suelo a nivel de formas de vida y el uso del suelo a nivel general para cada año.

Dado que ningún algoritmo funciona mejor en todas las situaciones, el LCMS utiliza un conjunto de modelos como predictores, lo que mejora la precisión del mapa en una variedad de ecosistemas y procesos de cambio (Healey et al., 2018). El conjunto resultante de mapas de cambio de LCMS, cobertura terrestre y uso de la tierra ofrece una representación integral del cambio del paisaje en todo Estados Unidos desde 1985.

Las capas de predictores del modelo LCMS incluyen resultados de los algoritmos de detección de cambios LandTrendr y CCDC, y la información del terreno. Se accede a todos estos componentes y se procesan con Google Earth Engine (Gorelick et al., 2017).

Para producir compuestos anuales para LandTrendr, se utilizaron datos de reflectancia en la parte superior de la atmósfera de nivel 1C de las colecciones 2 de Landsat de nivel 1 del USGS y de Sentinel 2A y 2B. El algoritmo de enmascaramiento de nubes cFmask (Foga et al., 2017), que es una implementación de Fmask 2.0 (Zhu y Woodcock, 2012) (solo para Landsat), cloudScore (Chastain et al., 2019) (solo Landsat), s2cloudless (Sentinel Hub, 2021) y Cloud Score plus (Pasquarella et al., 2023) (solo Sentinel 2) se usan para enmascarar las nubes, mientras que TDOM (Chastain et al., 2019) se usa para enmascarar las sombras de las nubes (Landsat y Sentinel 2). En el caso de LandTrendr, luego se calcula el medoide anual para resumir los valores sin nubes ni sombras de nubes de cada año en un solo compuesto. En el caso del CCDC, se usaron datos de reflectancia de la superficie de nivel 1 de Landsat Collection 2 del Servicio Geológico de Estados Unidos (USGS) para el CONUS y datos de reflectancia en la parte superior de la atmósfera de nivel 1 de Landsat para AK, PRUSVI y HI.

La serie temporal compuesta se segmenta temporalmente con LandTrendr (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).

Todos los valores sin nubes ni sombras de nubes también se segmentan temporalmente con el algoritmo CCDC (Zhu y Woodcock, 2014).

Los datos de los predictores incluyen valores compuestos sin procesar, valores ajustados de LandTrendr, diferencias por pares, duración del segmento, magnitud y pendiente del cambio, y coeficientes de seno y coseno del CCDC (primeros 3 armónicos), valores ajustados y diferencias por pares, junto con índices de elevación, pendiente, seno del aspecto, coseno del aspecto y posición topográfica (Weiss, 2001) de los datos del Programa de elevación 3D (3DEP) del USGS de 10 m (U.S. Geological Survey, 2019).

Los datos de referencia se recopilan con TimeSync, una herramienta basada en la Web que ayuda a los analistas a visualizar e interpretar el registro de datos de Landsat desde 1984 hasta la actualidad (Cohen et al., 2010).

Los modelos de bosque aleatorio (Breiman, 2001) se entrenaron con datos de referencia de TimeSync y datos de predictores de LandTrendr, CCDC y los índices de terreno para predecir el cambio anual, la cobertura del suelo y las clases de uso del suelo. Después del modelado, establecemos una serie de umbrales de probabilidad y conjuntos de reglas con conjuntos de datos auxiliares para mejorar los resultados cualitativos del mapa y reducir las comisiones y omisiones. Encontrarás más información en el LCMS Methods Brief incluido en la descripción.

Additional Resources

Si tienes preguntas o solicitudes de datos específicos, comunícate con [sm.fs.lcms@usda.gov].

Bandas

Tamaño de los píxeles
30 metros

Bandas

Nombre Tamaño de los píxeles Descripción
Change metros

Es el producto final del cambio temático en el LCMS. Se asigna un total de quince clases de cambio para cada año. Fundamentalmente, el cambio se modela con tres modelos de bosque aleatorio binarios separados para cada área de estudio: pérdida lenta, pérdida rápida y ganancia. A cada píxel se le asigna la clase de cambio modelada con la probabilidad más alta que también supera un umbral especificado. Cualquier píxel que no tenga ningún valor por encima del umbral respectivo de cada clase se asigna a la clase Estable. Después de seguir un conjunto de reglas con la clase de cambio modelada, los conjuntos de datos auxiliares (como TCC, MTBS y IDS) y los datos de cobertura del suelo de LCMS, se asigna una de las 15 clases de causa de cambio refinadas a cada píxel. Consulta el LCMS Methods Brief vinculado en la descripción para obtener todos los detalles sobre el conjunto de reglas y los conjuntos de datos auxiliares que se usan.

Land_Cover metros

Producto final de cobertura del suelo temático de LCMS. Se asigna un total de 14 clases de cobertura terrestre anualmente con datos de referencia de TimeSync y la información espectral derivada de las imágenes de Landsat. La cobertura del suelo se predice con un solo modelo de bosque aleatorio de varias clases, que genera un array de las probabilidades de cada clase (proporción de los árboles dentro del modelo de bosque aleatorio que "eligieron" cada clase). Las clases finales se asignan al uso del suelo con la probabilidad más alta. Antes de asignar la clase de cobertura terrestre con la probabilidad más alta, según el área de estudio, se aplicaron uno o varios umbrales de probabilidad y conjuntos de reglas con conjuntos de datos auxiliares. En el LCMS Methods Brief vinculado en la descripción, encontrarás más información sobre los umbrales de probabilidad y los conjuntos de reglas. Siete clases de cobertura terrestre indican una sola cobertura terrestre, en la que ese tipo de cobertura terrestre abarca la mayor parte del área del píxel y ninguna otra clase abarca más del 10% del píxel. También hay siete clases mixtas. Estos representan píxeles en los que una clase de cobertura terrestre adicional cubre al menos el 10% del píxel.
Land_Use metros

Producto final temático de LCMS sobre el uso de la tierra. Se asigna un total de 5 clases de uso del suelo anualmente con datos de referencia de TimeSync y la información espectral derivada de las imágenes de Landsat. El uso del suelo se predice con un solo modelo de bosque aleatorio de varias clases, que genera un array de las probabilidades de cada clase (proporción de los árboles dentro del modelo de bosque aleatorio que "eligieron" cada clase). Las clases finales se asignan al uso del suelo con la probabilidad más alta. Antes de asignar la clase de uso del suelo con la probabilidad más alta, se aplicaron una serie de umbrales de probabilidad y conjuntos de reglas con conjuntos de datos auxiliares. En el LCMS Methods Brief vinculado en la descripción, encontrarás más información sobre los umbrales de probabilidad y los conjuntos de reglas.
Change_Raw_Probability_Slow_Loss metros

Es la probabilidad modelada sin procesar del LCMS de pérdida lenta. La pérdida lenta incluye las siguientes clases de la interpretación del proceso de cambio de TimeSync:

  • Disminución estructural: Terreno en el que los árboles o la vegetación leñosa se alteran físicamente debido a condiciones de crecimiento desfavorables provocadas por factores no antropogénicos o no mecánicos. Por lo general, este tipo de pérdida debería generar una tendencia en los indicadores espectrales (p. ej., disminución del NDVI y la humedad, aumento del SWIR, etcétera), pero la tendencia puede ser sutil. El deterioro estructural se produce en entornos de vegetación leñosa, probablemente debido a insectos, enfermedades, sequías, lluvia ácida, etcétera. El deterioro estructural puede incluir eventos de defoliación que no provocan mortalidad, como las infestaciones de polilla gitana y gusano de las yemas de abeto, que pueden recuperarse en 1 o 2 años.

  • Disminución espectral: Es un gráfico en el que el indicador espectral muestra una tendencia en una o más bandas o índices espectrales (p. ej., disminución del NDVI, disminución de la humedad, aumento del SWIR, etcétera). Entre los ejemplos, se incluyen los casos en los que a) la vegetación no forestal o no leñosa muestra una tendencia que sugiere una disminución (p.ej., disminución del NDVI, disminución de la humedad, aumento del SWIR, etc.) o b) la vegetación leñosa muestra una tendencia a la disminución que no se relaciona con la pérdida de vegetación leñosa, como cuando se cierran las copas de los árboles maduros, lo que genera un aumento de las sombras, cuando la composición de las especies cambia de coníferas a maderas duras o cuando un período seco (a diferencia de una sequía más fuerte y aguda) provoca una disminución aparente del vigor, pero no una pérdida de material leñoso ni de área foliar.
Change_Raw_Probability_Fast_Loss metros

Es la probabilidad modelada sin procesar del LCMS de pérdida rápida. Fast Loss incluye las siguientes clases de la interpretación del proceso de cambio de TimeSync:

  • Incendios: Terrenos alterados por incendios, independientemente de la causa de la ignición (natural o antropogénica), la gravedad o el uso del suelo.

  • Cosecha: Tierras forestales en las que se cortaron o quitaron árboles, arbustos o cualquier otro tipo de vegetación por medios antropogénicos. Algunos ejemplos son la tala rasa, la tala de recuperación después de incendios o brotes de insectos, el aclareo y otras prescripciones de gestión forestal (p.ej., la cosecha de árboles protectores o de semillas).

  • Mecánico: Son las tierras no forestales en las que los árboles, los arbustos o la vegetación se cortaron o quitaron mecánicamente con cadenas, raspado, motosierras para arbustos, excavadoras o cualquier otro método de eliminación de vegetación no forestal.

  • Viento o hielo: Terreno (independientemente de su uso) en el que la vegetación se ve alterada por el viento de huracanes, tornados, tormentas y otros eventos meteorológicos severos, incluida la lluvia helada de las tormentas de hielo.

  • Hidrología: Terreno en el que las inundaciones alteraron significativamente la cobertura boscosa o cualquier otro elemento de la cobertura del suelo, independientemente del uso del suelo (p.ej., nuevas mezclas de grava y vegetación en los lechos de los arroyos y sus alrededores después de una inundación).

  • Escombros: Terreno (independientemente de su uso) alterado por el movimiento de material natural asociado con deslizamientos de tierra, avalanchas, volcanes, flujos de escombros, etcétera.

  • Otro: Terreno (independientemente del uso) en el que la tendencia espectral o cualquier otra evidencia de respaldo sugieren que se produjo un evento de perturbación o cambio, pero no se puede determinar la causa definitiva o el tipo de cambio no cumple con ninguna de las categorías de procesos de cambio definidas anteriormente.
Change_Raw_Probability_Gain metros

Es la probabilidad modelada sin procesar del aumento del LCMS. Se define como: Terreno que muestra un aumento en la cobertura vegetal debido al crecimiento y la sucesión durante uno o más años. Se aplica a todas las áreas que puedan expresar cambios espectrales asociados con el crecimiento de la vegetación. En las áreas desarrolladas, el crecimiento puede deberse a la maduración de la vegetación o a la instalación reciente de céspedes y paisajismo. En los bosques, el crecimiento incluye el crecimiento de la vegetación desde el suelo desnudo, así como el crecimiento de los árboles intermedios y codominantes y/o de los pastos y arbustos más bajos. Es probable que los segmentos de crecimiento o recuperación registrados después de la cosecha forestal pasen por diferentes clases de cobertura del suelo a medida que se regenera el bosque. Para que estos cambios se consideren crecimiento o recuperación, los valores espectrales deben seguir de cerca una tendencia creciente (p.ej., una pendiente positiva que, si se extendiera a unos 20 años, sería del orden de 0 .10 unidades de NDVI) que persista durante varios años.
Land_Cover_Raw_Probability_Trees metros

Es la probabilidad modelada sin procesar del LCMS de los árboles. Se define como: La mayoría de los píxeles se componen de árboles vivos o muertos en pie.
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix metros

Probabilidad modelada sin procesar del LCMS de la combinación de arbustos altos y árboles (solo en AK). Se define de la siguiente manera: La mayor parte del píxel está compuesta por arbustos de más de 1 m de altura y también por al menos un 10% de árboles vivos o muertos en pie.
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix metros

Es la probabilidad modelada sin procesar del LCMS de la combinación de arbustos y árboles. Se define como: La mayor parte del píxel está compuesta por arbustos y también por al menos un 10% de árboles vivos o muertos en pie.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix metros

Probabilidad modelada sin procesar del LCMS de la mezcla de hierbas, hierbas y árboles. Se define como: La mayor parte del píxel está compuesta por pastos perennes, hierbas o cualquier otra forma de vegetación herbácea, y también está compuesta por al menos un 10% de árboles vivos o muertos en pie.
Land_Cover_Raw_Probability_Barren-and-Trees-Mix metros

Probabilidad modelada sin procesar del LCMS de Barren and Trees Mix. Se define como: La mayor parte del píxel está compuesta por suelo desnudo expuesto por perturbaciones (p.ej., suelo descubierto por desmonte mecánico o cosecha forestal), así como áreas perennemente áridas, como desiertos, playas, afloramientos rocosos (incluidos minerales y otros materiales geológicos expuestos por actividades de minería superficial), dunas de arena, salinas y playas. Los caminos de tierra y grava también se consideran áridos y deben tener al menos un 10% de árboles vivos o muertos en pie.
Land_Cover_Raw_Probability_Tall-Shrubs metros

Probabilidad modelada sin procesar del LCMS de arbustos altos (solo en AK). Se define como: La mayoría de los píxeles se compone de arbustos de más de 1 m de altura.
Land_Cover_Raw_Probability_Shrubs metros

Es la probabilidad modelada sin procesar del LCMS de Shrubs. Se define como: La mayor parte del píxel está compuesta por arbustos.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix metros

Probabilidad modelada sin procesar del LCMS de la mezcla de hierbas, arbustos y plantas herbáceas. Se define como: La mayor parte del píxel está compuesta por pastos perennes, hierbas o otras formas de vegetación herbácea, y también está compuesta por al menos un 10% de arbustos.
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix metros

Probabilidad modelada sin procesar del LCMS de Barren and Shrubs Mix. Se define como: La mayor parte del píxel está compuesta por suelo desnudo expuesto por perturbaciones (p.ej., suelo descubierto por desmonte mecánico o cosecha forestal), así como áreas perennemente áridas, como desiertos, playas, afloramientos rocosos (incluidos minerales y otros materiales geológicos expuestos por actividades de minería superficial), dunas de arena, salinas y playas. Los caminos de tierra y grava también se consideran áridos y deben estar compuestos por al menos un 10% de arbustos.
Land_Cover_Raw_Probability_Grass-Forb-Herb metros

Es la probabilidad modelada sin procesar del LCMS de pasto, hierba o hierbácea. Se define como: La mayor parte del píxel está compuesta por pastos perennes, hierbas o alguna otra forma de vegetación herbácea.
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix metros

Probabilidad modelada sin procesar del LCMS de Barren y Grass/Forb/Herb Mix. Se define como: La mayor parte del píxel está compuesta por suelo desnudo expuesto por perturbaciones (p.ej., suelo descubierto por desmonte mecánico o cosecha forestal), así como áreas perennemente áridas, como desiertos, playas, afloramientos rocosos (incluidos minerales y otros materiales geológicos expuestos por actividades de minería superficial), dunas de arena, salinas y playas. Los caminos de tierra y grava también se consideran áridos y deben estar compuestos por al menos un 10% de hierbas perennes, hierbas no gramíneas o cualquier otra forma de vegetación herbácea.
Land_Cover_Raw_Probability_Barren-or-Impervious metros

Es la probabilidad modelada sin procesar del LCMS de ser estéril o impermeable. Se define como: La mayor parte del píxel se compone de 1) suelo desnudo expuesto por perturbaciones (p. ej., suelo descubierto por desmonte mecánico o cosecha forestal), así como áreas perennemente áridas, como desiertos, playas, afloramientos rocosos (incluidos minerales y otros materiales geológicos expuestos por actividades de minería superficial), dunas de arena, salinas y playas. También se consideran estériles las rutas hechas de tierra y grava, o 2) los materiales artificiales que el agua no puede penetrar, como las rutas pavimentadas, los techos y los estacionamientos.
Land_Cover_Raw_Probability_Snow-or-Ice metros

Es la probabilidad modelada sin procesar del LCMS de nieve o hielo. Se define como: La mayoría del píxel está compuesta por nieve o hielo.
Land_Cover_Raw_Probability_Water metros

Es la probabilidad modelada sin procesar de Water según LCMS. Se define como: La mayor parte del píxel está compuesta de agua.
Land_Use_Raw_Probability_Agriculture metros

Es la probabilidad modelada sin procesar del LCMS de Agricultura. Se define como la tierra utilizada para la producción de alimentos, fibras y combustibles, que se encuentra en estado vegetativo o no vegetativo. Esto incluye, sin limitaciones, las tierras de cultivo cultivadas y no cultivadas, las tierras de heno, los huertos, los viñedos, las operaciones de ganado confinado y las áreas plantadas para la producción de frutas, nueces o bayas. Las rutas que se usan principalmente para la agricultura (es decir, que no se usan para el transporte público de una ciudad a otra) se consideran uso de la tierra agrícola.
Land_Use_Raw_Probability_Developed metros

Es la probabilidad modelada sin procesar de Developed del LCMS. Se define como la tierra cubierta por estructuras artificiales (p.ej., zonas residenciales, comerciales, industriales, mineras o de transporte de alta densidad) o una combinación de vegetación (incluidos los árboles) y estructuras (p.ej., zonas residenciales de baja densidad, céspedes, instalaciones recreativas, cementerios, corredores de transporte y servicios públicos, etc.), incluida cualquier tierra alterada funcionalmente por la actividad humana.
Land_Use_Raw_Probability_Forest metros

Es la probabilidad modelada sin procesar del LCMS de Forest. Se define como la tierra que está plantada o que tiene vegetación natural y que contiene (o es probable que contenga) una cobertura arbórea del 10% o más en algún momento durante una secuencia sucesional a corto plazo. Esto puede incluir categorías mixtas, perennes o caducifolias de bosques naturales, plantaciones forestales y humedales boscosos.
Land_Use_Raw_Probability_Other metros

Es la probabilidad modelada sin procesar de la categoría Other según el LCMS. Se define como: Terreno (independientemente de su uso) en el que la tendencia espectral o cualquier otra evidencia de respaldo sugieren que se produjo un evento de perturbación o cambio, pero no se puede determinar la causa definitiva o el tipo de cambio no cumple con ninguna de las categorías de proceso de cambio definidas anteriormente.
Land_Use_Raw_Probability_Rangeland-or-Pasture metros

Es la probabilidad modelada sin procesar del LCMS de pastizales o pastos. Se define de la siguiente manera: Esta clase incluye cualquier área que cumpla con una de las siguientes condiciones: a) Tierras de pastoreo, donde la vegetación es una combinación de pastos, arbustos, hierbas y plantas similares a pastos nativos que surgen en gran medida de factores y procesos naturales, como la lluvia, la temperatura, la altitud y el fuego, aunque la gestión limitada puede incluir la quema controlada y el pastoreo de herbívoros domésticos y silvestres; o b) Pastos, donde la vegetación puede variar desde pastos, hierbas y plantas herbáceas mixtos y en gran medida naturales hasta una vegetación más controlada dominada por especies de pastos que se han sembrado y controlado para mantener una casi monocultura.
QA_Bits metros

Es información complementaria sobre el origen de los valores anuales de producción de productos de LCMS.

Cambiar tabla de clase

Valor Color Descripción
1 #ff09f3

Viento
2 #541aff

Huracán
3 #e4f5fd

Transición de nieve o hielo
4 #cc982e

Desecación
5 #0adaff

Inundación
6 #a10018

Incendio prescrito
7 #d54309

Wildfire
8 #fafa4b

Transformación mecánica del terreno
9 #afde1c

Extracción de árboles
10 #ffc80d

Defoliación
11 #a64c28

Escarabajo de pino sureño
12 #f39268

Estrés por insectos, enfermedades o sequía
13 #c291d5

Otras pérdidas
14 #00a398

Crecimiento sucesional de la vegetación
15 #3d4551

Estable
16 #1b1716

Máscara de área sin procesar

Tabla de la clase Land_Cover

Valor Color Descripción
1 #004e2b

Árboles
2 #009344

Tall Shrubs & Trees Mix (solo en AK)
3 #61bb46

Mezcla de arbustos y árboles
4 #acbb67

Mezcla de hierbas, pastos y árboles
5 #8b8560

Barren & Trees Mix
6 #cafd4b

Arbustos altos (solo en AK)
7 #f89a1c

Matorrales
8 #8fa55f

Mezcla de hierbas, arbustos y pastos
9 #bebb8e

Barren & Shrubs Mix
10 #e5e98a

Pasto/hierba/planta herbácea
11 #ddb925

Barren & Grass/Forb/Herb Mix
12 #893f54

Estéril o impermeable
13 #e4f5fd

Nieve o hielo
14 #00b6f0

Agua
15 #1b1716

Máscara de área sin procesar

Tabla de la clase Land_Use

Valor Color Descripción
1 #fbff97

Agricultura
2 #e6558b

Desarrollado
3 #004e2b

Bosque
4 #9dbac5

Otro
5 #a6976a

Pastizales
6 #1b1716

Máscara de área sin procesar

Propiedades de imágenes

Propiedades de imágenes

Nombre Tipo Descripción
study_area STRING

Actualmente, el LCMS abarca los Estados Unidos contiguos, Alaska, Puerto Rico, las Islas Vírgenes de EE.UU. y Hawái. Esta versión contiene CONUS. Los datos de AK, PRUSVI y HI se publicarán a fines del verano de 2025. Valores posibles: "CONUS, AK"
version STRING

Versión del producto
startYear INT

Año de inicio del producto
endYear INT

Año de finalización del producto
año INT

Año del producto

Condiciones de Uso

Condiciones de Uso

El Servicio Forestal del USDA no ofrece ninguna garantía, expresa o implícita, incluidas las garantías de comerciabilidad y adecuación para un fin determinado, ni asume ninguna responsabilidad legal por la exactitud, confiabilidad, integridad o utilidad de estos datos geoespaciales, ni por el uso inadecuado o incorrecto de estos datos geoespaciales. Estos datos geoespaciales y los mapas o gráficos relacionados no son documentos legales y no deben usarse como tales. Los datos y los mapas no se pueden usar para determinar el título, la propiedad, las descripciones o los límites legales, la jurisdicción legal ni las restricciones que puedan existir en terrenos públicos o privados. Es posible que los peligros naturales se representen o no en los datos y los mapas, y los usuarios de la tierra deben tener la debida precaución. Los datos son dinámicos y pueden cambiar con el tiempo. El usuario es responsable de verificar las limitaciones de los datos geoespaciales y de usarlos según corresponda.

Estos datos se recopilaron con fondos del Gobierno de EE.UU. y se pueden usar sin permisos ni tarifas adicionales. Si usas estos datos en una publicación, presentación o cualquier otro producto de investigación, usa la siguiente cita:

Servicio Forestal del USDA. 2025. Sistema de monitoreo de cambios en el paisaje del USFS, versión 2024.10 (Estados Unidos contiguos y Estados Unidos contiguos exteriores). Salt Lake City, Utah

Citas

Citas:

  • Servicio Forestal del USDA. 2025. Sistema de monitoreo de cambios en el paisaje del USFS, versión 2024.10 (Estados Unidos contiguos y Estados Unidos contiguos exteriores). Salt Lake City, Utah

  • Breiman, L., 2001 Bosques aleatorios En aprendizaje automático Springer, 45: 5-32. doi:10.1023/A:1010933404324

  • Chastain, R., Housman, I., Goldstein, J., Finco, M., y Tenneson, K., 2019. Comparación empírica entre sensores de las características espectrales de la parte superior de la atmósfera de los sensores MSI de Sentinel-2A y 2B, OLI de Landsat-8 y ETM de Landsat-7 en el territorio continental de Estados Unidos. En Remote Sensing of Environment. Science Direct, 221: 274-285. doi:10.1016/j.rse.2018.11.012

  • Cohen, W. B., Yang, Z., y Kennedy, R., 2010. Detectar tendencias en la perturbación y recuperación de los bosques con series temporales anuales de Landsat: 2. TimeSync: Herramientas para la calibración y la validación. En 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., y Gorelick, N., 2018. Es un conjunto multiespectral de LandTrendr para la detección de perturbaciones forestales. En 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., en 2017. Comparación y validación del algoritmo de detección de nubes para los productos de datos operativos de Landsat. En Remote Sensing of Environment. Science Direct, 194: 379-390. doi:10.1016/j.rse.2017.03.026

  • Servicio Geológico de Estados Unidos, 2019. Modelo digital de elevación del programa 3D Elevation de USGS, consultado en agosto de 2022 en 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., y Zhu, Z., 2018. Mapeo del cambio forestal con generalización apilada: un enfoque de ensamble. En Remote Sensing of Environment. Science Direct, 204: 717-728. doi:10.1016/j.rse.2017.09.029

  • Kennedy, R. E., Yang, Z., y Cohen, W. B., 2010. Detectar tendencias en la perturbación y la recuperación de los bosques con series temporales anuales de Landsat: 1. LandTrendr: Algoritmos de segmentación temporal. En 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. y Healey, S. 2018. Implementación del algoritmo LandTrendr en Google Earth Engine. En teledetección. 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. En Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2124-2134.

  • Sentinel-Hub, 2021. Detector de nubes de Sentinel 2. [En línea]. Disponible en: https://github.com/sentinel-hub/sentinel2-cloud-detector

  • Weiss, A.D., 2001 Análisis de la posición topográfica y las formas del terreno. Presentación de pósteres, Conferencia de usuarios de ESRI, San Diego, CAZhu, Z., y Woodcock, C. E. alrededor del 2012. Detección de nubes y sombras de nubes basadas en objetos en imágenes de Landsat. 118: 83-94.

  • Zhu, Z., and Woodcock, C. E., alrededor del 2012. Detección de nubes y sombras de nubes basada en objetos en imágenes de Landsat. En Remote Sensing of Environment. Science Direct, 118: 83-94. doi:10.1016/j.rse.2011.10.028

  • Zhu, Z., and Woodcock, C. E., 2014. Detección continua de cambios y clasificación de la cobertura del suelo con todos los datos de Landsat disponibles. En Remote Sensing of Environment. Science Direct, 144: 152-171. doi:10.1016/j.rse.2014.01.011

DOI

Explora con Earth Engine

Editor de código (JavaScript)

var dataset = ee.ImageCollection('USFS/GTAC/LCMS/v2024-10');

var lcms = dataset.filterDate('2022', '2023')  // range: [1985, 2024]
               .filter('study_area == "CONUS"')  // or "AK" 
               .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);
Abrir en el editor de código
Este producto forma parte del paquete de datos del Sistema de supervisión de cambios del paisaje (LCMS). Muestra el cambio modelado por el LCMS, la cobertura del suelo o las clases de uso del suelo para cada año y abarca los Estados Unidos contiguos (CONUS), así como las áreas fuera de los CONUS (OCONUS), incluidos Alaska (AK), Puerto Rico-Islas Vírgenes de EE.UU. (PRUSVI) y…
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