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

USFS/GTAC/LCMS/v2024-10
در دسترس بودن مجموعه داده‌ها
1985-01-01T00:00:00Z–2024-12-31T00:00:00Z
ارائه دهنده مجموعه داده
قطعه کد موتور زمین
ee.ImageCollection("USFS/GTAC/LCMS/v2024-10")
برچسب‌ها
تشخیص تغییر، جنگل GTAC، پوشش زمین ، کاربری زمین، پوشش زمین، ردکسل، منابع ، وزارت کشاورزی ایالات متحده ، USFS ، LCM

توضیحات

این محصول بخشی از مجموعه داده‌های سامانه پایش تغییرات چشم‌انداز (LCMS) است. این سامانه تغییرات مدل‌سازی‌شده توسط LCMS، پوشش زمین و/یا کلاس‌های کاربری زمین را برای هر سال نشان می‌دهد و مناطق مرزی ایالات متحده (CONUS) و همچنین مناطق خارج از CONUS (OCONUS) از جمله آلاسکا (AK)، پورتوریکو-جزایر ویرجین ایالات متحده (PRUSVI) و هاوایی (HAWAII) را پوشش می‌دهد.

LCMS یک سیستم مبتنی بر سنجش از دور برای نقشه‌برداری و نظارت بر تغییرات چشم‌انداز در سراسر ایالات متحده است. هدف آن توسعه یک رویکرد سازگار با استفاده از آخرین فناوری و پیشرفت‌ها در تشخیص تغییرات برای تولید یک نقشه "بهترین نقشه موجود" از تغییرات چشم‌انداز است.

خروجی‌ها شامل سه محصول سالانه هستند: تغییر، پوشش زمین و کاربری زمین. خروجی مدل تغییر به طور خاص به پوشش گیاهی مربوط می‌شود و شامل کاهش آهسته، کاهش سریع (که شامل تغییرات هیدرولوژیکی مانند سیل یا خشک‌سالی نیز می‌شود) و افزایش پوشش گیاهی است. این مقادیر برای هر سال از سری زمانی لندست پیش‌بینی می‌شوند و به عنوان محصولات پایه برای LCMS عمل می‌کنند. ما یک مجموعه قوانین مبتنی بر مجموعه داده‌های کمکی را برای ایجاد محصول نهایی تغییر اعمال می‌کنیم که اصلاح/طبقه‌بندی مجدد تغییر مدل‌سازی شده به ۱۵ کلاس است که به صراحت اطلاعاتی در مورد علت تغییر چشم‌انداز (مثلاً حذف درختان، آتش‌سوزی، آسیب باد) ارائه می‌دهند. نقشه‌های پوشش زمین و کاربری زمین، پوشش زمین در سطح اشکال زیستی و کاربری زمین در سطح وسیع را برای هر سال نشان می‌دهند.

از آنجا که هیچ الگوریتمی در همه شرایط بهترین عملکرد را ندارد، LCMS از مجموعه‌ای از مدل‌ها به عنوان پیش‌بینی‌کننده استفاده می‌کند که دقت نقشه را در طیف وسیعی از اکوسیستم‌ها و فرآیندهای تغییر بهبود می‌بخشد (Healey و همکاران، ۲۰۱۸). مجموعه حاصل از نقشه‌های تغییر، پوشش زمین و کاربری زمین LCMS، تصویری جامع از تغییرات چشم‌انداز در سراسر ایالات متحده از سال ۱۹۸۵ ارائه می‌دهد.

لایه‌های پیش‌بینی‌کننده برای مدل LCMS شامل خروجی‌های الگوریتم‌های تشخیص تغییرات LandTrendr و CCDC و اطلاعات زمین هستند. همه این اجزا با استفاده از موتور Google Earth قابل دسترسی و پردازش هستند (Gorelick و همکاران، ۲۰۱۷).

برای تولید کامپوزیت‌های سالانه برای LandTrendr، از داده‌های بازتاب بالای جو Landsat Tier 1 از مجموعه USGS 2 و Sentinel 2A و Sentinel 2B Level-1C استفاده شد. الگوریتم پوشش ابر cFmask (Foga و همکاران، ۲۰۱۷)، که پیاده‌سازی Fmask 2.0 (Zhu و Woodcock، ۲۰۱۲) (فقط Landsat)، cloudScore (Chastain و همکاران، ۲۰۱۹) (فقط Landsat)، s2cloudless (Sentinel-Hub، ۲۰۲۱) و Cloud Score+ (Pasquarella و همکاران، ۲۰۲۳) (فقط Sentinel 2) است، برای پوشش ابرها استفاده می‌شوند، در حالی که TDOM (Chastain و همکاران، ۲۰۱۹) برای پوشش سایه‌های ابر (Landsat و Sentinel 2) استفاده می‌شود. برای LandTrendr، میانگین سالانه (medoid) سپس محاسبه می‌شود تا مقادیر ابر و بدون سایه ابر از هر سال را در یک ترکیب واحد خلاصه کند. برای CCDC، از داده‌های بازتاب سطحی لندست Tier 1 مجموعه 2 سازمان زمین‌شناسی ایالات متحده (USGS) برای CONUS و از داده‌های بازتاب جوی بالای لندست Tier 1 برای AK، PRUSVI و HAWAII استفاده شد.

سری زمانی ترکیبی با استفاده از LandTrendr به صورت زمانی بخش‌بندی می‌شود (Kennedy و همکاران، ۲۰۱۰؛ Kennedy و همکاران، ۲۰۱۸؛ Cohen و همکاران، ۲۰۱۸).

تمام مقادیر ابر و بدون سایه ابر نیز با استفاده از الگوریتم CCDC به صورت زمانی قطعه‌بندی می‌شوند (Zhu and Woodcock, 2014).

داده‌های پیش‌بینی‌کننده شامل مقادیر ترکیبی خام، مقادیر برازش‌شده LandTrendr، تفاوت‌های جفتی، مدت زمان قطعه، بزرگی تغییر و شیب، و ضرایب سینوس و کسینوس CCDC (3 هارمونیک اول)، مقادیر برازش‌شده و تفاوت‌های جفتی، همراه با ارتفاع، شیب، سینوس جهت، کسینوس جهت و شاخص‌های موقعیت توپوگرافی (وایس، 2001) از داده‌های 10 متری برنامه ارتفاع سه‌بعدی USGS (3DEP) (سازمان زمین‌شناسی ایالات متحده، 2019) هستند.

داده‌های مرجع با استفاده از TimeSync، ابزاری مبتنی بر وب که به تحلیلگران کمک می‌کند تا داده‌های لندست را از سال ۱۹۸۴ تاکنون تجسم و تفسیر کنند، جمع‌آوری می‌شوند (Cohen و همکاران، ۲۰۱۰).

مدل‌های جنگل تصادفی (Breiman، ۲۰۰۱) با استفاده از داده‌های مرجع TimeSync و داده‌های پیش‌بینی‌کننده از LandTrendr، CCDC و شاخص‌های زمین آموزش داده شدند تا تغییرات سالانه، پوشش زمین و طبقات کاربری زمین را پیش‌بینی کنند. پس از مدل‌سازی، ما مجموعه‌ای از آستانه‌های احتمال و مجموعه قوانین را با استفاده از مجموعه داده‌های کمکی برای بهبود خروجی‌های کیفی نقشه و کاهش خطا و حذف ایجاد می‌کنیم. اطلاعات بیشتر را می‌توانید در خلاصه روش‌های LCMS که در توضیحات آمده است، بیابید.

منابع اضافی

در صورت داشتن هرگونه سوال یا درخواست اطلاعات خاص، با sm.fs.lcms@usda.gov تماس بگیرید.

باندها

اندازه پیکسل
۳۰ متر

باندها

نام اندازه پیکسل توضیحات
Change متر

محصول نهایی تغییر موضوعی LCMS. در مجموع پانزده کلاس تغییر برای هر سال نقشه‌برداری می‌شود. اساساً، تغییر با سه مدل جنگل تصادفی دودویی جداگانه برای هر منطقه مورد مطالعه مدل‌سازی می‌شود: کاهش آهسته، کاهش سریع و افزایش. هر پیکسل به کلاس تغییر مدل‌سازی شده با بالاترین احتمال که بالاتر از یک آستانه مشخص نیز باشد، اختصاص داده می‌شود. هر پیکسلی که هیچ مقداری بالاتر از آستانه مربوط به هر کلاس نداشته باشد، به کلاس پایدار اختصاص داده می‌شود. با پیروی از یک مجموعه قوانین با استفاده از کلاس تغییر مدل‌سازی شده، مجموعه داده‌های کمکی (مانند TCC، MTBS و IDS) و داده‌های پوشش زمین LCMS، یکی از 15 کلاس اصلاح‌شده علت تغییر به هر پیکسل اختصاص داده می‌شود. برای جزئیات کامل در مورد مجموعه قوانین و مجموعه داده‌های کمکی مورد استفاده، به خلاصه روش‌های LCMS که در توضیحات به آن پیوند داده شده است، مراجعه کنید.

Land_Cover متر

محصول نهایی پوشش زمین LCMS موضوعی. در مجموع ۱۴ کلاس پوشش زمین به صورت سالانه با استفاده از داده‌های مرجع TimeSync و اطلاعات طیفی مشتق شده از تصاویر لندست نقشه‌برداری می‌شوند. پوشش زمین با استفاده از یک مدل جنگل تصادفی چند کلاسه پیش‌بینی می‌شود که آرایه‌ای از احتمالات هر کلاس (نسبت درختان درون مدل جنگل تصادفی که هر کلاس را «انتخاب» کرده‌اند) را خروجی می‌دهد. کلاس‌های نهایی به کاربری زمین با بالاترین احتمال اختصاص داده می‌شوند. قبل از اختصاص کلاس پوشش زمین با بالاترین احتمال، بسته به منطقه مورد مطالعه، یک تا چند آستانه احتمال و مجموعه قوانین با استفاده از مجموعه داده‌های کمکی اعمال شد. اطلاعات بیشتر در مورد آستانه‌های احتمال و مجموعه قوانین را می‌توانید در خلاصه روش‌های LCMS که در توضیحات به آن لینک داده شده است، بیابید. هفت کلاس پوشش زمین نشان‌دهنده یک پوشش زمین واحد است، که در آن نوع پوشش زمین بیشتر مساحت پیکسل را پوشش می‌دهد و هیچ کلاس دیگری بیش از ۱۰٪ پیکسل را پوشش نمی‌دهد. همچنین هفت کلاس مختلط وجود دارد. این کلاس‌ها نشان‌دهنده پیکسل‌هایی هستند که در آنها یک کلاس پوشش زمین اضافی حداقل ۱۰٪ پیکسل را پوشش می‌دهد.

Land_Use متر

محصول نهایی موضوعی کاربری اراضی LCMS. در مجموع ۵ کلاس کاربری اراضی به صورت سالانه با استفاده از داده‌های مرجع TimeSync و اطلاعات طیفی مشتق شده از تصاویر لندست نقشه‌برداری می‌شوند. کاربری اراضی با استفاده از یک مدل جنگل تصادفی چندکلاسه پیش‌بینی می‌شود که آرایه‌ای از احتمالات هر کلاس (نسبت درختان درون مدل جنگل تصادفی که هر کلاس را «انتخاب» کرده‌اند) را خروجی می‌دهد. کلاس‌های نهایی به کاربری اراضی با بالاترین احتمال اختصاص داده می‌شوند. قبل از اختصاص کلاس کاربری اراضی با بالاترین احتمال، مجموعه‌ای از آستانه‌های احتمال و مجموعه قوانین با استفاده از مجموعه داده‌های کمکی اعمال شد. اطلاعات بیشتر در مورد آستانه‌های احتمال و مجموعه قوانین را می‌توانید در خلاصه روش‌های LCMS که در توضیحات به آن لینک داده شده است، بیابید.

Change_Raw_Probability_Slow_Loss متر

احتمال مدل‌سازی شده خام LCMS برای Slow Loss. Slow Loss شامل کلاس‌های زیر از تفسیر فرآیند تغییر TimeSync است:

  • زوال ساختاری - زمینی که در آن درختان یا سایر پوشش‌های گیاهی چوبی به دلیل شرایط نامطلوب رشد ناشی از عوامل غیر انسانی یا غیر مکانیکی، از نظر فیزیکی تغییر می‌کنند. این نوع از زوال معمولاً باید روندی را در سیگنال(های) طیفی ایجاد کند (مثلاً کاهش NDVI، کاهش رطوبت؛ افزایش SWIR؛ و غیره) با این حال، این روند می‌تواند نامحسوس باشد. زوال ساختاری در محیط‌های گیاهی چوبی رخ می‌دهد، به احتمال زیاد ناشی از حشرات، بیماری، خشکسالی، باران اسیدی و غیره. زوال ساختاری می‌تواند شامل رویدادهای برگ‌ریزی باشد که منجر به مرگ و میر نمی‌شوند، مانند هجوم پروانه کولی و کرم جوانه‌خوار صنوبر که ممکن است ظرف ۱ یا ۲ سال بهبود یابند.

  • زوال طیفی - نموداری که در آن سیگنال طیفی روندی را در یک یا چند باند یا شاخص طیفی نشان می‌دهد (مثلاً کاهش NDVI، کاهش رطوبت؛ افزایش SWIR؛ و غیره). مثال‌ها شامل مواردی هستند که: الف) پوشش گیاهی غیر جنگلی/غیر چوبی روندی را نشان می‌دهد که حاکی از زوال است (مثلاً کاهش NDVI، کاهش رطوبت؛ افزایش SWIR؛ و غیره)، یا ب) جایی که پوشش گیاهی چوبی روند زوالی را نشان می‌دهد که مربوط به از بین رفتن پوشش گیاهی چوبی نیست، مانند زمانی که سایبان درختان بالغ بسته می‌شود و در نتیجه سایه‌اندازی افزایش می‌یابد، زمانی که ترکیب گونه‌ها از مخروطی به سخت‌برگ تغییر می‌کند، یا زمانی که یک دوره خشک (برخلاف خشکسالی شدیدتر و حادتر) باعث کاهش آشکار قدرت می‌شود، اما هیچ از بین رفتنی در مواد چوبی یا سطح برگ ایجاد نمی‌شود.

Change_Raw_Probability_Fast_Loss متر

احتمال Fast Loss مدل‌سازی شده توسط LCMS خام. Fast Loss شامل کلاس‌های زیر از تفسیر فرآیند تغییر TimeSync است:

  • آتش‌سوزی - زمینی که در اثر آتش‌سوزی تغییر شکل داده شده است، صرف نظر از علت احتراق (طبیعی یا انسانی)، شدت یا کاربری زمین.

  • برداشت - زمین جنگلی که در آن درختان، درختچه‌ها یا سایر پوشش گیاهی به وسیله عوامل انسانی قطع یا حذف شده‌اند. نمونه‌هایی از آن شامل قطع کامل درختان، قطع درختان برای نجات آنها پس از آتش‌سوزی یا شیوع حشرات، تنک کردن و سایر دستورالعمل‌های مدیریت جنگل (مانند برداشت چوب‌های پناهی/برداشت درختان بذری) است.

  • مکانیکی - زمین غیر جنگلی که در آن درختان، درختچه‌ها یا سایر پوشش گیاهی به صورت مکانیکی قطع شده یا با زنجیر کردن، خراش دادن، اره کردن با اره، بولدوزر کردن یا هر روش دیگر حذف پوشش گیاهی غیر جنگلی از بین رفته‌اند.

  • باد/یخ - زمینی (صرف نظر از کاربری) که پوشش گیاهی آن توسط باد ناشی از طوفان، گردباد، طوفان و سایر رویدادهای شدید آب و هوایی از جمله باران یخی ناشی از طوفان‌های یخ تغییر می‌کند.

  • هیدرولوژی - زمینی که در آن سیل، پوشش چوبی یا سایر عناصر پوشش زمین را صرف نظر از کاربری زمین، به طور قابل توجهی تغییر داده است (به عنوان مثال، مخلوط‌های جدید شن و ماسه و پوشش گیاهی در داخل و اطراف بستر رودخانه‌ها پس از سیل).

  • آوار - زمینی (صرف نظر از کاربری) که در اثر حرکت طبیعی مواد مرتبط با رانش زمین، بهمن، آتشفشان، جریان‌های واریزه‌ای و غیره تغییر شکل یافته است.

  • سایر - زمینی (صرف نظر از کاربری) که روند طیفی یا سایر شواهد پشتیبان نشان می‌دهد که یک اختلال یا رویداد تغییر رخ داده است، اما علت قطعی آن قابل تعیین نیست یا نوع تغییر با هیچ یک از دسته‌های فرآیند تغییر تعریف شده در بالا مطابقت ندارد.

Change_Raw_Probability_Gain متر

احتمال افزایش پوشش گیاهی مدل‌سازی شده با LCMS خام. تعریف شده به صورت: زمینی که به دلیل رشد و توالی در طول یک یا چند سال، افزایش پوشش گیاهی را نشان می‌دهد. قابل اجرا برای هر منطقه‌ای که ممکن است تغییر طیفی مرتبط با رشد مجدد پوشش گیاهی را نشان دهد. در مناطق توسعه‌یافته، رشد می‌تواند ناشی از بلوغ پوشش گیاهی و/یا چمن‌ها و محوطه‌سازی‌های تازه نصب شده باشد. در جنگل‌ها، رشد شامل رشد پوشش گیاهی از زمین لخت و همچنین سربرداری درختان میانی و غالب و/یا علف‌ها و درختچه‌های پایین‌تر است. بخش‌های رشد/بازیابی ثبت شده پس از برداشت جنگل احتمالاً با بازسازی جنگل از طبقات مختلف پوشش زمین عبور می‌کنند. برای اینکه این تغییرات به عنوان رشد/بازیابی در نظر گرفته شوند، مقادیر طیفی باید به شدت به یک خط روند افزایشی (مثلاً شیب مثبت که اگر تا حدود 20 سال ادامه یابد، در حدود 0.10 واحد NDVI خواهد بود) که برای چندین سال ادامه دارد، پایبند باشند.

Land_Cover_Raw_Probability_Trees متر

احتمال خام مدل‌سازی شده درختان توسط LCMS. تعریف: اکثر پیکسل‌ها از درختان زنده یا مرده تشکیل شده‌اند.

Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix متر

احتمال مدل‌سازی شده خام LCMS برای ترکیب درختچه‌ها و درختان بلند (فقط AK). تعریف شده به صورت: اکثر پیکسل از درختچه‌هایی با ارتفاع بیش از 1 متر تشکیل شده است و همچنین از حداقل 10٪ درختان زنده یا مرده ایستاده تشکیل شده است.

Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix متر

احتمال مدل‌سازی شده خام LCMS برای ترکیب درختچه‌ها و درختان. تعریف شده به صورت: اکثر پیکسل از درختچه‌ها تشکیل شده است و همچنین از حداقل 10٪ درختان زنده یا مرده ایستاده تشکیل شده است.

Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix متر

احتمال مدل‌سازی شده خام LCMS از ترکیب علف/فورب/گیاهان علفی و درختان. تعریف شده به صورت: اکثر پیکسل از علف‌های چندساله، فورب‌ها یا سایر اشکال پوشش گیاهی علفی تشکیل شده است و همچنین از حداقل 10٪ درختان زنده یا مرده ایستاده تشکیل شده است.

Land_Cover_Raw_Probability_Barren-and-Trees-Mix متر

احتمال مخلوط درختان و زمین‌های بایر که توسط LCMS خام مدل‌سازی شده است. تعریف: بخش عمده پیکسل از خاک لختی تشکیل شده است که در اثر آشفتگی (مثلاً خاکی که در اثر پاکسازی مکانیکی یا برداشت جنگل نمایان شده است) و همچنین مناطق همیشه بایر مانند بیابان‌ها، پلایاها، رخنمون‌های سنگی (شامل مواد معدنی و سایر مواد زمین‌شناسی که در اثر فعالیت‌های معدن‌کاری سطحی نمایان شده‌اند)، تپه‌های شنی، نمکزارها و سواحل تشکیل شده است. جاده‌های ساخته شده از خاک و شن نیز بایر در نظر گرفته می‌شوند و همچنین از حداقل 10٪ درختان زنده یا مرده ایستاده تشکیل شده‌اند.

Land_Cover_Raw_Probability_Tall-Shrubs متر

احتمال مدل‌سازی شده‌ی خام LCMS از بوته‌های بلند (فقط AK). تعریف: اکثر پیکسل از بوته‌هایی با ارتفاع بیش از ۱ متر تشکیل شده است.

Land_Cover_Raw_Probability_Shrubs متر

احتمال بوته‌ها که توسط LCMS خام مدل‌سازی شده است. تعریف: اکثر پیکسل از بوته‌ها تشکیل شده است.

Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix متر

احتمال مدل‌سازی شده خام LCMS از ترکیب علف/فورب/گیاهان علفی و درختچه‌ها. تعریف شده به صورت: اکثر پیکسل از علف‌های چندساله، فورب‌ها یا سایر اشکال پوشش گیاهی علفی تشکیل شده است و همچنین از حداقل 10٪ درختچه تشکیل شده است.

Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix متر

احتمال مخلوط گیاهان بایر و درختچه‌ها که توسط LCMS خام مدل‌سازی شده است. تعریف: بخش عمده پیکسل از خاک لختی تشکیل شده است که در اثر آشفتگی (مثلاً خاکی که در اثر پاکسازی مکانیکی یا برداشت جنگل نمایان شده است) و همچنین مناطق همیشه بایر مانند بیابان‌ها، پلایاها، رخنمون‌های سنگی (شامل مواد معدنی و سایر مواد زمین‌شناسی که در اثر فعالیت‌های معدن‌کاری سطحی نمایان شده‌اند)، تپه‌های شنی، نمکزارها و سواحل تشکیل شده است. جاده‌های ساخته شده از خاک و شن نیز بایر در نظر گرفته می‌شوند و همچنین حداقل از 10٪ درختچه تشکیل شده‌اند.

Land_Cover_Raw_Probability_Grass-Forb-Herb متر

احتمال خام مدل‌سازی شده‌ی Grass/Forb/Herb توسط LCMS. تعریف: بخش عمده‌ی پیکسل از علف‌های چندساله، فورب‌ها یا سایر اشکال پوشش گیاهی علفی تشکیل شده است.

Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix متر

احتمال مدل‌سازی شده خام LCMS از مخلوط علف/فورب/گیاهان هرز. تعریف شده به صورت: بخش عمده پیکسل از خاک لخت که در اثر آشفتگی (مثلاً خاکی که در اثر پاکسازی مکانیکی یا برداشت جنگل نمایان شده است) و همچنین مناطق همیشه بایر مانند بیابان‌ها، پلایاها، رخنمون‌های سنگی (شامل مواد معدنی و سایر مواد زمین‌شناسی که در اثر فعالیت‌های معدن‌کاری سطحی نمایان شده‌اند)، تپه‌های شنی، نمکزارها و سواحل تشکیل شده است. جاده‌های ساخته شده از خاک و شن نیز بایر در نظر گرفته می‌شوند و همچنین از حداقل 10٪ علف‌های چند ساله، فورب‌ها یا سایر اشکال پوشش گیاهی علفی تشکیل شده‌اند.

Land_Cover_Raw_Probability_Barren-or-Impervious متر

احتمال بایر یا نفوذناپذیر بودن مدل خام LCMS به صورت زیر تعریف می‌شود: اکثر پیکسل‌ها شامل ۱) خاک لختِ در معرض آشفتگی (مثلاً خاکی که توسط پاکسازی مکانیکی یا برداشت جنگل کشف شده است) و همچنین مناطق همیشه بایر مانند بیابان‌ها، پلایاها، رخنمون‌های سنگی (شامل مواد معدنی و سایر مواد زمین‌شناسی که توسط فعالیت‌های معدن‌کاری سطحی در معرض قرار گرفته‌اند)، تپه‌های شنی، نمکزارها و سواحل است. جاده‌های ساخته شده از خاک و شن نیز بایر در نظر گرفته می‌شوند یا ۲) مواد ساخته دست بشر که آب نمی‌تواند در آنها نفوذ کند، مانند جاده‌های آسفالت شده، پشت بام‌ها و پارکینگ‌ها.

Land_Cover_Raw_Probability_Snow-or-Ice متر

احتمال برف یا یخ مدل‌سازی شده توسط LCMS خام. تعریف: اکثر پیکسل از برف یا یخ تشکیل شده است.

Land_Cover_Raw_Probability_Water متر

احتمال آب مدل‌سازی شده توسط LCMS خام. تعریف: اکثر پیکسل از آب تشکیل شده است.

Land_Use_Raw_Probability_Agriculture متر

احتمال خام مدل‌سازی شده کشاورزی توسط LCMS. تعریف شده به صورت: زمین مورد استفاده برای تولید مواد غذایی، فیبر و سوخت که در حالت پوشش گیاهی یا غیر گیاهی است. این شامل اما نه محدود به زمین‌های زراعی کشت شده و کشت نشده، زمین‌های یونجه، باغ‌ها، تاکستان‌ها، دامداری‌های محدود و مناطقی که برای تولید میوه، آجیل یا انواع توت کاشته شده‌اند، می‌شود. جاده‌هایی که در درجه اول برای مصارف کشاورزی استفاده می‌شوند (یعنی برای حمل و نقل عمومی از شهری به شهر دیگر استفاده نمی‌شوند) به عنوان کاربری زمین کشاورزی در نظر گرفته می‌شوند.

Land_Use_Raw_Probability_Developed متر

احتمال توسعه‌یافته مدل‌سازی‌شده خام LCMS. تعریف‌شده به صورت: زمینی پوشیده از سازه‌های ساخته دست بشر (مثلاً مسکونی، تجاری، صنعتی، معدنی یا حمل‌ونقل با تراکم بالا)، یا ترکیبی از پوشش گیاهی (شامل درختان) و سازه‌ها (مثلاً مسکونی کم‌تراکم، چمنزارها، امکانات تفریحی، گورستان‌ها، راهروهای حمل‌ونقل و تأسیسات و غیره)، شامل هر زمینی که از نظر عملکردی توسط فعالیت انسانی تغییر یافته باشد.

Land_Use_Raw_Probability_Forest متر

احتمال خام مدل‌سازی شده جنگل توسط LCMS. تعریف: زمینی که کاشته شده یا به طور طبیعی دارای پوشش گیاهی است و در مقطعی از یک توالی توالی کوتاه‌مدت، 10٪ یا بیشتر پوشش درختی دارد (یا احتمالاً خواهد داشت). این ممکن است شامل دسته‌های جنگل طبیعی، درختان برگ‌ریز، همیشه‌سبز و/یا مختلط، مزارع جنگلی و تالاب‌های چوبی باشد.

Land_Use_Raw_Probability_Other متر

احتمال خام مدل‌سازی شده LCMS برای موارد دیگر. تعریف شده به عنوان: زمینی (صرف نظر از کاربری) که روند طیفی یا سایر شواهد پشتیبان نشان می‌دهد که یک اختلال یا رویداد تغییر رخ داده است، اما علت قطعی آن قابل تعیین نیست یا نوع تغییر با هیچ یک از دسته‌های فرآیند تغییر تعریف شده در بالا مطابقت ندارد.

Land_Use_Raw_Probability_Rangeland-or-Pasture متر

احتمال مدل‌سازی شده‌ی خام LCMS برای مرتع یا چراگاه. تعریف: این طبقه شامل هر منطقه‌ای است که یا الف) مرتع باشد، جایی که پوشش گیاهی ترکیبی از علف‌های بومی، درختچه‌ها، فورب‌ها و گیاهان علفی است که عمدتاً از عوامل و فرآیندهای طبیعی مانند بارندگی، دما، ارتفاع و آتش‌سوزی ناشی می‌شود، اگرچه مدیریت محدود ممکن است شامل سوزاندن تجویز شده و همچنین چرای دام توسط گیاهخواران اهلی و وحشی باشد؛ یا ب) مرتع، جایی که پوشش گیاهی ممکن است از علف‌ها، فورب‌ها و گیاهان علفی مخلوط و عمدتاً طبیعی تا پوشش گیاهی مدیریت‌شده‌تر که غالب آنها گونه‌های علفی هستند که بذرپاشی شده و تقریباً به صورت تک‌کشتی نگهداری می‌شوند، متغیر باشد.

QA_Bits متر

اطلاعات تکمیلی در مورد مبدا مقادیر خروجی سالانه محصول LCMS.

تغییر جدول کلاس

ارزش رنگ توضیحات
۱ #ff09f3

باد

۲ #541aff

طوفان

۳ #e4f5fd

گذار برف یا یخ

۴ #cc982e

خشک شدن

۵ #0آداف

سیل

۶ #a10018

آتش تجویز شده

۷ #d54309

وایلد فایر

۸ #fafa4b

تبدیل مکانیکی زمین

۹ #afde1c

حذف درخت

۱۰ #ffc80d

برگ‌ریزی

۱۱ #a64c28

سوسک کاج جنوبی

۱۲ #f39268

استرس حشرات، بیماری‌ها یا خشکسالی

۱۳ #c291d5

سایر ضررها

۱۴ #00a398

رشد متوالی پوشش گیاهی

۱۵ #3d4551

پایدار

۱۶ #1b1716

ماسک ناحیه غیر پردازشی

جدول کلاس پوشش زمین

ارزش رنگ توضیحات
۱ #004e2b

درختان

۲ #۰۰۹۳۴۴

مخلوط درختچه‌ها و درختان بلند (فقط AK)

۳ #۶۱bb46

مخلوط درختچه‌ها و درختان

۴ #acbb67

مخلوط علف/چمن/گیاه و درختان

۵ #8b8560

مخلوط درختان و درختان بایر

۶ #cafd4b

درختچه‌های بلند (فقط AK)

۷ #f89a1c

درختچه‌ها

۸ #8fa55f

مخلوط علف/چمن/گیاه و درختچه

۹ #bebb8e

مخلوط بوته‌ها و گیاهان خشک

۱۰ #e5e98a

علف/چمن/گیاه

۱۱ #ddb925

مخلوط علف‌های هرز و علف/چمن/گیاهان علفی

۱۲ #۸۹۳f۵۴

عقیم یا نفوذناپذیر

۱۳ #e4f5fd

برف یا یخ

۱۴ #00b6f0

آب

۱۵ #1b1716

ماسک ناحیه غیر پردازشی

جدول کلاس کاربری زمین

ارزش رنگ توضیحات
۱ #fbff97

کشاورزی

۲ #e6558b

توسعه‌یافته

۳ #004e2b

جنگل

۴ #9dbac5

دیگر

۵ #a6976a

مرتع یا چراگاه

۶ #1b1716

ماسک ناحیه غیر پردازشی

ویژگی‌های تصویر

ویژگی‌های تصویر

نام نوع توضیحات
منطقه_مطالعه رشته

این نسخه از LCMS، ایالات متحده، آلاسکا، پورتوریکو-جزایر ویرجین ایالات متحده و هاوایی را پوشش می‌دهد. مقادیر ممکن: 'CONUS، AK، PRUSVI، HAWAII'

نسخه رشته

نسخه محصول

سال شروع داخلی

سال شروع تولید محصول

پایانسال داخلی

سال پایان تولید محصول

سال داخلی

سال تولید محصول

شرایط استفاده

شرایط استفاده

خدمات جنگلداری USDA هیچ ضمانتی، اعم از صریح یا ضمنی، از جمله ضمانت‌های مربوط به قابلیت فروش و مناسب بودن برای یک هدف خاص، ارائه نمی‌دهد و هیچ گونه مسئولیت یا تعهد قانونی در قبال دقت، قابلیت اطمینان، کامل بودن یا مفید بودن این داده‌های مکانی یا استفاده نادرست یا غیرصحیح از این داده‌های مکانی را بر عهده نمی‌گیرد. این داده‌های مکانی و نقشه‌ها یا گرافیک‌های مرتبط، اسناد قانونی نیستند و برای استفاده به این صورت در نظر گرفته نشده‌اند. داده‌ها و نقشه‌ها را نمی‌توان برای تعیین عنوان، مالکیت، توضیحات یا مرزهای قانونی، صلاحیت قانونی یا محدودیت‌هایی که ممکن است در زمین‌های عمومی یا خصوصی وجود داشته باشد، استفاده کرد. خطرات طبیعی ممکن است در داده‌ها و نقشه‌ها نشان داده شوند یا نشوند و کاربران زمین باید احتیاط لازم را به عمل آورند. داده‌ها پویا هستند و ممکن است با گذشت زمان تغییر کنند. کاربر مسئول تأیید محدودیت‌های داده‌های مکانی و استفاده از داده‌ها بر اساس آن است.

این داده‌ها با استفاده از بودجه دولت ایالات متحده جمع‌آوری شده‌اند و می‌توانند بدون مجوز یا هزینه اضافی مورد استفاده قرار گیرند. در صورت استفاده از این داده‌ها در یک نشریه، ارائه یا سایر محصولات تحقیقاتی، لطفاً از منبع زیر استفاده کنید:

خدمات جنگلداری USDA. 2025. سیستم پایش تغییرات چشم‌انداز USFS نسخه 2024.10 (ایالات متحده آمریکا و ایالات متحده آمریکا). سالت لیک سیتی، یوتا.

نقل قول‌ها

نقل قول ها:

  • خدمات جنگلداری USDA. 2025. سیستم پایش تغییرات چشم‌انداز USFS نسخه 2024.10 (ایالات متحده آمریکا و ایالات متحده آمریکا). سالت لیک سیتی، یوتا.

  • بریمن، ل.، ۲۰۰۱. جنگل‌های تصادفی. در یادگیری ماشین. اشپرینگر، ۴۵: ۵-۳۲. doi:10.1023/A:1010933404324

  • چستین، ر.، هاوسمن، آی.، گلدشتاین، جی.، فینکو، م.، و تنسون، ک.، ۲۰۱۹. مقایسه تجربی حسگرهای متقاطع Sentinel-2A و 2B MSI، Landsat-8 OLI و Landsat-7 ETM با ویژگی‌های طیفی بالای جو بر فراز ایالات متحده. در سنجش از دور محیط زیست. Science Direct، ۲۲۱: ۲۷۴-۲۸۵. doi:10.1016/j.rse.2018.11.012

  • کوهن، دبلیو بی، یانگ، ز.، و کندی، ر.، 2010. تشخیص روند اختلال و بازیابی جنگل با استفاده از سری زمانی سالانه لندست: 2. TimeSync - ابزارهایی برای کالیبراسیون و اعتبارسنجی. در سنجش از دور محیط زیست. Science Direct، 114(12): 2911-2924. doi:10.1016/j.rse.2010.07.010

  • کوهن، دبلیو بی، یانگ، ز.، هیلی، اس پی، کندی، آر ای، و گورلیک، ان.، ۲۰۱۸. یک مجموعه چند طیفی LandTrendr برای تشخیص اختلالات جنگلی. در سنجش از دور محیط زیست. Science Direct، ۲۰۵: ۱۳۱-۱۴۰. doi:10.1016/j.rse.2017.11.015

  • فوگا، س.، اسکاراموزا، پ.ل، گوئو، س.، ژو، ز.، دیلی، آر.دی، بکمن، ت.، اشمیت، جی.ال، دوایر، جی.ال، هیوز، ام.جی، لاو، ب.، ۲۰۱۷. مقایسه الگوریتم تشخیص ابر و اعتبارسنجی برای محصولات داده‌ای عملیاتی لندست. در سنجش از دور محیط زیست. ساینس دایرکت، ۱۹۴: ۳۷۹-۳۹۰. doi:10.1016/j.rse.2017.03.026

  • سازمان زمین‌شناسی ایالات متحده، ۲۰۱۹. مدل ارتفاعی دیجیتال برنامه ارتفاع سه‌بعدی USGS، دسترسی در آگوست ۲۰۲۲ در https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m

  • هیلی، اس پی، کوهن، دبلیو بی، یانگ، زد.، کنت بروئر، سی.، بروکس، ای بی، گورلیک، ان.، هرناندز، ای جی، هوانگ، سی.، جوزف هیوز، ام.، کندی، آر ای، لاولند، تی آر، مویزن، جی جی، شرودر، تی ای، استمن، اس وی، وگلمن، جی ای، وودکاک، سی ای، یانگ، ال.، و ژو، زد.، ۲۰۱۸. نقشه برداری تغییرات جنگل با استفاده از تعمیم انباشته شده: یک رویکرد گروهی. در سنجش از دور محیط زیست. ساینس دایرکت، ۲۰۴: ۷۱۷-۷۲۸. doi:10.1016/j.rse.2017.09.029

  • کندی، آر.ای، یانگ، زد.، و کوهن، دبلیو.بی، 2010. تشخیص روندها در اختلال و بازیابی جنگل با استفاده از سری‌های زمانی سالانه لندست: 1. LandTrendr - الگوریتم‌های قطعه‌بندی زمانی. در سنجش از دور محیط زیست. Science Direct، 114(12): 2897-2910. doi:10.1016/j.rse.2010.07.008

  • کندی، ر.، یانگ، ز.، گورلیک، ن.، براتن، ج.، کاوالکانت، ل.، کوهن، دبلیو.، و هیلی، س. 2018. پیاده‌سازی الگوریتم LandTrendr در موتور گوگل ارث. در سنجش از دور. MDPI، 10(5): 691. doi:10.3390/rs10050691

  • پاسکارلا، وی.جی.، براون، سی.اف.، چروینسکی، دبلیو.، و راکلیج، دبلیو.جی.، ۲۰۲۳. ارزیابی جامع کیفیت تصاویر ماهواره‌ای نوری با استفاده از یادگیری ویدیویی با نظارت ضعیف. در مجموعه مقالات کنفرانس IEEE/CVF در مورد بینایی کامپیوتر و تشخیص الگو. ۲۱۲۴-۲۱۳۴.

  • Sentinel-Hub، 2021. آشکارساز ابری Sentinel 2. [آنلاین]. موجود در: https://github.com/sentinel-hub/sentinel2-cloud-detector

  • وایس، AD، 2001. ارائه پوستر تحلیل موقعیت توپوگرافی و اشکال زمین، کنفرانس کاربران ESRI، سن دیگو، CAZhu، Z.، و Woodcock، CE 2012. تشخیص ابر و سایه ابر مبتنی بر شیء در تصاویر لندست. 118: 83-94.

  • ژو، ز.، و وودکاک، سی. ای، ۲۰۱۲. تشخیص ابر و سایه ابر مبتنی بر شیء در تصاویر لندست. در سنجش از دور محیط زیست. ساینس دایرکت، ۱۱۸: ۸۳-۹۴. doi:10.1016/j.rse.2011.10.028

  • ژو، ز.، و وودکاک، سی. ای، ۲۰۱۴. تشخیص تغییرات مداوم و طبقه‌بندی پوشش زمین با استفاده از تمام داده‌های موجود لندست. در سنجش از دور محیط زیست. ساینس دایرکت، ۱۴۴: ۱۵۲-۱۷۱. doi:10.1016/j.rse.2014.01.011

DOI ها

با موتور زمین کاوش کنید

ویرایشگر کد (جاوااسکریپت) 

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);
باز کردن در ویرایشگر کد
این محصول بخشی از مجموعه داده‌های سیستم پایش تغییرات چشم‌انداز (LCMS) است. این مجموعه، تغییرات مدل‌سازی‌شده توسط LCMS، پوشش زمین و/یا کلاس‌های کاربری زمین را برای هر سال نشان می‌دهد و مناطق مرزی ایالات متحده (CONUS) و همچنین مناطق خارج از CONUS (OCONUS) از جمله آلاسکا (AK)، پورتوریکو-جزایر ویرجین ایالات متحده (PRUSVI) و ... را پوشش می‌دهد.
USFS/GTAC/LCMS/v2024-10، تشخیص تغییر، جنگل، GTAC، پوشش زمین، کاربری زمین، پوشش زمین-کاربری زمین، منابع ردکسل، USDA، USFS
1985-01-01T00:00:00Z/2024-12-31T00:00:00Z
۲۰.۳۸۳۷۹ -۱۳۵.۲۸۶۳۸۷ ۵۲.۴۵۹۳۶۴ -۵۶.۴۴۶۳۰۶
موتور گوگل ارث