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

USFS/GTAC/LCMS/v2024-10
در دسترس بودن مجموعه داده
1985-01-01T00:00:00Z–2024-12-31T00:00:00Z
ارائه دهنده مجموعه داده
قطعه موتور زمین
ee.ImageCollection("USFS/GTAC/LCMS/v2024-10")
برچسب ها
تشخیص تغییر جنگل gtac landcover landcover landuse -landcover redcastle-resources usda usfs lcms

توضیحات

این محصول بخشی از مجموعه داده های سیستم مانیتورینگ تغییر چشم انداز (LCMS) است. این تغییرات، پوشش زمین، و/یا کلاس‌های کاربری زمین با مدل LCMS را برای هر سال نشان می‌دهد و ایالات متحده محدود (CONUS) و همچنین مناطق خارج از CONUS (OCONUS) از جمله آلاسکا (AK)، جزایر ویرجین پورتوریکو-ایالات متحده (PRUSVI) و هاوایی (HI) را پوشش می‌دهد. داده‌های PRUSVI و HI v2024.10 اواخر تابستان 2025 منتشر خواهند شد. در حال حاضر می‌توان از داده‌های PRUSVI و HI LCMS v2023.9 ​​(USFS/GTAC/LCMS/v2023-9) استفاده کرد.

LCMS یک سیستم مبتنی بر سنجش از دور برای نقشه برداری و نظارت بر تغییرات چشم انداز در سراسر ایالات متحده است. هدف آن توسعه یک رویکرد منسجم با استفاده از آخرین فناوری و پیشرفت‌ها در تشخیص تغییر برای تولید «بهترین نقشه موجود» از تغییرات چشم‌انداز است.

خروجی ها شامل سه محصول سالانه است: تغییر، پوشش زمین و کاربری. خروجی مدل تغییر به طور خاص به پوشش گیاهی مربوط می شود و شامل از دست دادن آهسته، از دست دادن سریع (که همچنین شامل تغییرات هیدرولوژیکی مانند طغیان یا خشک شدن) و افزایش است. این مقادیر برای هر سال سری زمانی Landsat پیش‌بینی می‌شوند و به عنوان محصولات پایه برای LCMS عمل می‌کنند. ما یک مجموعه قوانین مبتنی بر مجموعه داده‌های جانبی را برای ایجاد محصول تغییر نهایی اعمال می‌کنیم، که اصلاح/طبقه‌بندی مجدد تغییر مدل‌سازی شده به 15 کلاس است که به صراحت اطلاعاتی در مورد علت تغییر چشم‌انداز ارائه می‌دهد (به عنوان مثال، حذف درخت، آتش‌سوزی، آسیب باد). نقشه های پوشش زمین و کاربری اراضی سطح پوشش زمین و کاربری سطح وسیع زمین را برای هر سال نشان می دهد.

از آنجایی که هیچ الگوریتمی در همه موقعیت ها بهترین عملکرد را ندارد، LCMS از مجموعه ای از مدل ها به عنوان پیش بینی کننده استفاده می کند که دقت نقشه را در طیف وسیعی از اکوسیستم ها و فرآیندهای تغییر بهبود می بخشد (هیلی و همکاران، 2018). مجموعه حاصل از تغییرات LCMS، پوشش زمین و نقشه‌های کاربری زمین، تصویری جامع از تغییرات چشم‌انداز در سراسر ایالات متحده از سال 1985 ارائه می‌کند.

لایه‌های پیش‌بینی‌کننده برای مدل LCMS شامل خروجی‌های الگوریتم‌های تشخیص تغییر LandTrendr و CCDC و اطلاعات زمین است. همه این مؤلفه ها با استفاده از موتور Google Earth قابل دسترسی و پردازش هستند (Gorelick et al., 2017).

برای تولید کامپوزیت‌های سالانه برای LandTrendr، از داده‌های بازتاب بالای اتمسفر، USGS Collection 2 Landsat Tier 1 و Sentinel 2A, 2B Level-1C استفاده شد. الگوریتم پوشاندن ابری cFmask (Foga et al., 2017) که پیاده سازی Fmask 2.0 (Zhu and Woodcock, 2012) (فقط Landsat)، cloudScore (Chastain و همکاران، 2019) (Landsat-only)، Score, S2Cloudless (S2Core and Woodcock, 2019) است. plus (Pasquarella et al., 2023) (Sentinel 2- only) برای پوشاندن ابرها استفاده می شود، در حالی که TDOM (Chastain و همکاران، 2019) برای پوشاندن سایه های ابر (Landsat و Sentinel 2) استفاده می شود. برای LandTrendr، medoid سالانه محاسبه می‌شود تا مقادیر ابر و ابری بدون سایه از هر سال را در یک ترکیب واحد خلاصه کند. برای CCDC، مجموعه سازمان زمین‌شناسی ایالات متحده (USGS) داده‌های بازتاب سطح 2 Landsat Tier 1 برای CONUS، و Landsat Tier 1 بالای داده‌های بازتاب جو برای AK، PRUSVI، و HI استفاده شد.

سری زمانی مرکب با استفاده از LandTrendr به صورت موقت تقسیم بندی می شود (کندی و همکاران، 2010؛ کندی و همکاران، 2018؛ کوهن و همکاران، 2018).

تمام مقادیر بدون سایه ابر و ابر نیز به طور موقت با استفاده از الگوریتم CCDC تقسیم بندی می شوند (Zhu and Woodcock, 2014).

داده‌های پیش‌بینی‌کننده شامل مقادیر ترکیبی خام، مقادیر برازش LandTrendr، تفاوت‌های زوجی، مدت زمان قطعه، بزرگی تغییر و شیب، و ضرایب سینوسی و کسینوس CCDC (3 هارمونیک اول)، مقادیر برازش شده و تفاوت‌های زوجی، همراه با ارتفاع، شیب، زاویه دید، هم‌وضعیت موقعیت، هم زاویه‌ای از یک 2001) از داده های 10 متری USGS 3D Elevation Program (3DEP) (سازمان زمین شناسی ایالات متحده، 2019).

داده های مرجع با استفاده از TimeSync، یک ابزار مبتنی بر وب که به تحلیلگران کمک می کند تا رکورد داده های Landsat از سال 1984 تا کنون را تجسم و تفسیر کنند، جمع آوری می شوند (کوهن و همکاران، 2010).

مدل‌های جنگل تصادفی (Breiman، 2001) با استفاده از داده‌های مرجع از TimeSync و داده‌های پیش‌بینی‌کننده از LandTrendr، CCDC، و شاخص‌های زمین برای پیش‌بینی تغییرات سالانه، پوشش زمین و کلاس‌های کاربری زمین آموزش دیدند. پس از مدل‌سازی، مجموعه‌ای از آستانه‌های احتمال و مجموعه قوانین را با استفاده از مجموعه داده‌های جانبی برای بهبود خروجی‌های نقشه کیفی و کاهش کمیسیون و حذف ایجاد می‌کنیم. اطلاعات بیشتر را می‌توانید در خلاصه روش‌های LCMS موجود در توضیحات پیدا کنید.

منابع اضافی

برای هرگونه سوال یا درخواست داده خاص با [sm.fs.lcms@usda.gov] تماس بگیرید.

باندها

اندازه پیکسل
30 متر

باندها

نام اندازه پیکسل توضیحات
Change متر

محصول نهایی تغییر LCMS موضوعی. در مجموع پانزده کلاس تغییر برای هر سال ترسیم می شود. اساساً، تغییر با سه مدل جنگل تصادفی باینری جداگانه برای هر منطقه مورد مطالعه مدل‌سازی می‌شود: از دست دادن آهسته، از دست دادن سریع و افزایش. هر پیکسل به کلاس تغییر مدل شده با بالاترین احتمال اختصاص داده می شود که همچنین بالاتر از یک آستانه مشخص است. هر پیکسلی که هیچ مقداری بالاتر از آستانه مربوط به هر کلاس نداشته باشد به کلاس Stable اختصاص داده می شود. به دنبال یک مجموعه قوانین با استفاده از کلاس تغییر مدل‌سازی شده، مجموعه داده‌های جانبی (مانند TCC، MTBS، و IDS)، و داده‌های پوشش زمین LCMS، یکی از 15 کلاس اصلاح شده علت تغییر به هر پیکسل اختصاص داده می‌شود. برای جزئیات کامل در مورد مجموعه قوانین و مجموعه داده‌های جانبی مورد استفاده، به خلاصه روش‌های LCMS مرتبط با توضیحات مراجعه کنید.

Land_Cover متر

محصول نهایی پوشش زمین LCMS موضوعی. در مجموع 14 طبقه پوشش زمین به صورت سالانه با استفاده از داده های مرجع TimeSync و اطلاعات طیفی به دست آمده از تصاویر Landsat نقشه برداری می شود. پوشش زمین با استفاده از یک مدل جنگل تصادفی چند کلاسه پیش‌بینی می‌شود، که آرایه‌ای از احتمالات هر کلاس را خروجی می‌دهد (نسبت درختان در مدل جنگل تصادفی که هر کلاس را «انتخاب می‌کنند». طبقات نهایی به کاربری اراضی با بیشترین احتمال اختصاص داده می شود. قبل از تخصیص کلاس پوشش زمین با بیشترین احتمال، بسته به منطقه مورد مطالعه، از یک تا چند آستانه احتمال و مجموعه قوانین با استفاده از مجموعه داده های جانبی استفاده شد. اطلاعات بیشتر در مورد آستانه‌های احتمال و مجموعه قوانین را می‌توانید در خلاصه روش‌های LCMS که در توضیح پیوند داده شده است، بیابید. هفت طبقه پوشش زمین یک پوشش زمین را نشان می دهد، که در آن نوع پوشش زمین بیشتر مساحت پیکسل را پوشش می دهد و هیچ طبقه دیگری بیش از 10٪ از پیکسل را پوشش نمی دهد. همچنین هفت کلاس مختلط وجود دارد. اینها پیکسل هایی را نشان می دهند که در آنها یک کلاس پوشش زمین اضافی حداقل 10٪ از پیکسل را پوشش می دهد.

Land_Use متر

محصول نهایی LCMS موضوعی کاربری زمین. در مجموع 5 کلاس کاربری زمین به صورت سالانه با استفاده از داده های مرجع TimeSync و اطلاعات طیفی به دست آمده از تصاویر Landsat نقشه برداری می شود. استفاده از زمین با استفاده از یک مدل جنگل تصادفی چند کلاسه پیش‌بینی می‌شود، که آرایه‌ای از احتمالات هر طبقه را خروجی می‌دهد (نسبت درختان در مدل جنگل تصادفی که هر کلاس را «انتخاب می‌کنند». طبقات نهایی به کاربری اراضی با بیشترین احتمال اختصاص داده می شود. قبل از تخصیص کلاس کاربری زمین با بالاترین احتمال، یک سری از آستانه های احتمال و مجموعه قوانین با استفاده از مجموعه داده های جانبی استفاده شد. اطلاعات بیشتر در مورد آستانه‌های احتمال و مجموعه قوانین را می‌توانید در خلاصه روش‌های LCMS که در توضیح پیوند داده شده است، بیابید.

Change_Raw_Probability_Slow_Loss متر

LCMS خام احتمال از دست دادن آهسته مدل شده است. Slow Loss شامل کلاس های زیر از تفسیر فرآیند تغییر TimeSync است:

  • زوال ساختاری - زمینی که در آن درختان یا سایر پوشش های گیاهی چوبی به دلیل شرایط رشد نامطلوب ناشی از عوامل غیر انسانی یا غیر مکانیکی تغییر فیزیکی می دهند. این نوع از دست دادن به طور کلی باید یک روند در سیگنال(های) طیفی ایجاد کند (به عنوان مثال کاهش NDVI، کاهش رطوبت، افزایش SWIR و غیره) با این حال روند می تواند ظریف باشد. کاهش ساختاری در محیط‌های پوشش گیاهی چوبی اتفاق می‌افتد، به احتمال زیاد ناشی از حشرات، بیماری، خشکسالی، باران اسیدی و غیره. زوال ساختاری می‌تواند شامل رخدادهای برگ‌زدایی باشد که منجر به مرگ و میر نمی‌شود، مانند هجوم کرم جوانه‌های صنوبر و شب پره کولی که ممکن است طی 1 یا 2 سال بهبود یابد.

  • انحطاط طیفی - نموداری که در آن سیگنال طیفی روندی را در یک یا چند باند یا شاخص طیفی نشان می دهد (مثلاً کاهش NDVI، کاهش رطوبت، افزایش SWIR و غیره). مثال‌ها شامل مواردی است که: الف) پوشش گیاهی غیرجنگلی/غیر چوبی روندی حاکی از کاهش را نشان می‌دهد (مثلاً کاهش NDVI، کاهش رطوبت، افزایش SWIR، و غیره)، یا ب) جایی که پوشش گیاهی چوبی روند کاهشی را نشان می‌دهد که به از بین رفتن پوشش گیاهی چوبی مربوط نمی‌شود، مانند زمانی که زمانی که سایه‌های درختان بالغ تغییر می‌کند، زمانی که سایه‌های درختان بالغ تغییر می‌کند، زمانی که سایه‌های درختان بالغ تغییر می‌کند، یا زمانی که تاج‌پوش‌های درختان بالغ تغییر می‌کند، در نتیجه تغییر می‌کند. دوره خشکی (برخلاف خشکسالی شدیدتر و حادتر) باعث کاهش ظاهری بنیه، اما بدون از دست دادن مواد چوبی یا سطح برگ می شود.

Change_Raw_Probability_Fast_Loss متر

LCMS خام احتمال از دست دادن سریع مدل شده است. Fast Loss شامل کلاس‌های زیر از تفسیر فرآیند تغییر TimeSync است:

  • آتش - زمین تغییر یافته توسط آتش، صرف نظر از علت اشتعال (طبیعی یا انسانی)، شدت، یا کاربری زمین.

  • برداشت - زمین های جنگلی که در آن درختان، درختچه ها یا سایر پوشش های گیاهی با روش های انسانی قطع یا حذف شده اند. به عنوان مثال می توان به قطع درختان، قطع درختان نجات پس از آتش سوزی یا شیوع حشرات، نازک شدن و سایر تجویزهای مدیریت جنگل (مثلاً برداشت چوب / درخت بذر) اشاره کرد.

  • مکانیکی - زمین های غیر جنگلی که در آن درختان، درختچه ها یا سایر پوشش های گیاهی به طور مکانیکی با زنجیر، خراش دادن، اره کردن با قلم مو، بولدوزر کردن، یا هر روش دیگری برای حذف پوشش گیاهی غیر جنگلی قطع یا حذف شده است.

  • باد/یخ - زمین (صرف نظر از استفاده) که در آن پوشش گیاهی توسط باد ناشی از طوفان، گردباد، طوفان و سایر رویدادهای شدید آب و هوایی از جمله باران یخ زده ناشی از طوفان های یخ تغییر می کند.

  • هیدرولوژی - زمینی که سیل به طور قابل توجهی پوشش چوبی یا سایر عناصر پوشش زمین را بدون توجه به کاربری زمین تغییر داده است (مثلاً مخلوط های جدید شن و پوشش گیاهی در داخل و اطراف بستر رودخانه ها پس از سیل).

  • زباله - زمین (صرف نظر از استفاده) تغییر یافته توسط حرکت مواد طبیعی مرتبط با رانش زمین، بهمن، آتشفشان، جریان زباله و غیره.

  • سایر - زمین (بدون در نظر گرفتن کاربری) که در آن روند طیفی یا سایر شواهد پشتیبان حاکی از وقوع یک اختلال یا رویداد تغییر است اما علت قطعی آن قابل تعیین نیست یا نوع تغییر با هیچ یک از دسته بندی های فرآیند تغییر تعریف شده در بالا مطابقت ندارد.

Change_Raw_Probability_Gain متر

LCMS خام احتمال سود را مدل‌سازی کرده است. به این صورت تعریف می شود: زمینی که به دلیل رشد و جانشینی در طی یک یا چند سال، افزایش پوشش گیاهی را نشان می دهد. قابل استفاده برای هر منطقه ای که ممکن است تغییرات طیفی مرتبط با رشد مجدد پوشش گیاهی را بیان کند. در مناطق توسعه‌یافته، رشد می‌تواند ناشی از رشد گیاهی و/یا چمن‌زارها و محوطه‌سازی‌های تازه نصب شده باشد. در جنگل‌ها، رشد شامل رشد پوشش گیاهی از زمین برهنه، و همچنین رویش بیش از حد درختان میانی و مشترک و/یا علف‌ها و درختچه‌های پایین‌تر است. بخش‌های رشد/بازیابی ثبت‌شده پس از برداشت جنگل، احتمالاً با بازسازی جنگل از میان طبقات مختلف پوشش زمین عبور می‌کنند. برای اینکه این تغییرات رشد/بازیابی در نظر گرفته شوند، مقادیر طیفی باید دقیقاً به یک خط روند فزاینده (مثلاً یک شیب مثبت که اگر تا 20 سال افزایش یابد، در حد 0.10 واحد NDVI باشد) که برای چندین سال ادامه می‌یابد، پایبند باشد.

Land_Cover_Raw_Probability_Trees متر

LCMS خام مدل‌سازی احتمال درختان. به این صورت تعریف می شود: اکثر پیکسل ها از درختان مرده زنده یا ایستاده تشکیل شده است.

Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix متر

احتمال مدل‌سازی خام LCMS ترکیب درختچه‌های بلند و درختان (فقط AK). به این صورت تعریف می شود: اکثر پیکسل ها از بوته هایی با ارتفاع بیشتر از 1 متر تشکیل شده است و همچنین از حداقل 10٪ درختان مرده زنده یا ایستاده تشکیل شده است.

Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix متر

LCMS خام مدل‌سازی احتمال مخلوط درختچه‌ها و درختان. به این صورت تعریف می شود: اکثر پیکسل ها از بوته ها و همچنین از حداقل 10٪ درختان مرده زنده یا ایستاده تشکیل شده است.

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

LCMS خام مدل‌سازی شده احتمال مخلوط علف/فورب/علف و درخت. به این صورت تعریف می‌شود: اکثر پیکسل‌ها از چمن‌های چندساله، علف‌ها، یا سایر اشکال گیاهی علفی تشکیل شده است و همچنین از حداقل 10 درصد درختان مرده زنده یا ایستاده تشکیل شده است.

Land_Cover_Raw_Probability_Barren-and-Trees-Mix متر

LCMS خام مدل‌سازی احتمال مخلوط بی‌ثمر و درختان. به این صورت تعریف می‌شود: اکثر پیکسل‌ها از خاک برهنه در معرض اختلال (مثلاً خاکی که توسط پاکسازی مکانیکی یا برداشت جنگل پوشانده شده است) و همچنین مناطق دائمی بایر مانند بیابان‌ها، پلایاها، رخنمون‌های صخره‌ای (شامل مواد معدنی و سایر مواد زمین‌شناسی در معرض فعالیت‌های معدنی سطحی)، تپه‌های شنی، تپه‌های شنی، تپه‌های نمکی سطحی، تپه‌های شنی، سواحل و غیره است. جاده های ساخته شده از خاک و شن نیز بایر در نظر گرفته می شوند و همچنین از حداقل 10٪ درختان مرده زنده یا ایستاده تشکیل شده است.

Land_Cover_Raw_Probability_Tall-Shrubs متر

احتمال مدل‌سازی شده با LCMS خام درختچه‌های بلند (فقط AK). به این صورت تعریف می شود: اکثر پیکسل ها از بوته هایی با ارتفاع بیشتر از 1 متر تشکیل شده است.

Land_Cover_Raw_Probability_Shrubs متر

LCMS خام مدل‌سازی احتمال درختچه‌ها. به این صورت تعریف می شود: اکثر پیکسل ها از بوته ها تشکیل شده است.

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

احتمال مدل‌سازی خام LCMS مخلوط علف/فورب/علف و بوته. به این صورت تعریف می شود: اکثر پیکسل ها از چمن های چند ساله، علفزارها یا سایر اشکال گیاهی علفی تشکیل شده است و همچنین از حداقل 10٪ بوته ها تشکیل شده است.

Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix متر

احتمال مدل‌سازی خام LCMS مخلوط بی‌ثمر و درختچه‌ها. به این صورت تعریف می‌شود: اکثر پیکسل‌ها از خاک برهنه در معرض اختلال (مثلاً خاکی که توسط پاکسازی مکانیکی یا برداشت جنگل پوشانده شده است) و همچنین مناطق دائمی بایر مانند بیابان‌ها، پلایاها، رخنمون‌های صخره‌ای (شامل مواد معدنی و سایر مواد زمین‌شناسی در معرض فعالیت‌های معدنی سطحی)، تپه‌های شنی، تپه‌های شنی، تپه‌های نمکی سطحی، تپه‌های شنی، سواحل و غیره است. جاده های ساخته شده از خاک و سنگریزه نیز بایر محسوب می شوند و همچنین حداقل 10 درصد از درختچه ها تشکیل شده است.

Land_Cover_Raw_Probability_Grass-Forb-Herb متر

احتمال مدل‌سازی خام LCMS از Grass/Forb/Herb. به این صورت تعریف می شود: اکثر پیکسل ها از علف های چند ساله، فورب ها یا سایر اشکال گیاهی علفی تشکیل شده است.

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

احتمال مدل‌سازی خام LCMS مخلوط بی‌ثمر و علف/فورب/علف. به این صورت تعریف می‌شود: اکثر پیکسل‌ها از خاک برهنه در معرض اختلال (مثلاً خاکی که توسط پاکسازی مکانیکی یا برداشت جنگل پوشانده شده است) و همچنین مناطق دائمی بایر مانند بیابان‌ها، پلایاها، رخنمون‌های صخره‌ای (شامل مواد معدنی و سایر مواد زمین‌شناسی در معرض فعالیت‌های معدنی سطحی)، تپه‌های شنی، تپه‌های شنی، تپه‌های نمکی سطحی، تپه‌های شنی، سواحل و غیره است. جاده های ساخته شده از خاک و شن نیز بایر در نظر گرفته می شوند و همچنین حداقل 10٪ از چمن های چند ساله، فورب ها یا سایر اشکال گیاهی علفی تشکیل شده است.

Land_Cover_Raw_Probability_Barren-or-Impervious متر

LCMS خام مدل‌سازی احتمال عقیم یا غیرقابل نفوذ. به این صورت تعریف می شود: اکثر پیکسل ها از 1 تشکیل شده است.) خاک برهنه در معرض اختلال (مثلاً خاک کشف شده توسط پاکسازی مکانیکی یا برداشت جنگل) و همچنین مناطق دائمی بی حاصل مانند بیابان ها، پلایاها، رخنمون های صخره ای (شامل مواد معدنی و سایر مواد زمین شناسی که در معرض فعالیت های معدنی سطحی و ماسه های ساحلی قرار دارند). جاده های ساخته شده از خاک و شن نیز بایر یا 2.) مواد ساخته شده توسط انسان که آب نمی تواند به آنها نفوذ کند، مانند جاده های سنگفرش، پشت بام ها و پارکینگ ها در نظر گرفته می شود.

Land_Cover_Raw_Probability_Snow-or-Ice متر

LCMS خام مدل‌سازی احتمال برف یا یخ. به این صورت تعریف می شود: اکثر پیکسل ها از برف یا یخ تشکیل شده است.

Land_Cover_Raw_Probability_Water متر

LCMS خام مدل‌سازی احتمال آب. تعریف شده به این صورت: اکثر پیکسل از آب تشکیل شده است.

Land_Use_Raw_Probability_Agriculture متر

LCMS خام مدل‌سازی احتمال کشاورزی. به این صورت تعریف می شود: زمینی که برای تولید مواد غذایی، الیاف و سوخت استفاده می شود که در حالت پوشش گیاهی یا غیر گیاهی باشد. این شامل اما نه محدود به زمین‌های زراعی، زمین‌های یونجه، باغ‌های میوه، تاکستان‌ها، عملیات دامداری محدود، و مناطقی که برای تولید میوه، آجیل یا انواع توت‌ها کاشته شده‌اند، می‌شود. جاده هایی که عمدتاً برای مصارف کشاورزی استفاده می شوند (یعنی برای حمل و نقل عمومی از شهر به شهر استفاده نمی شوند) کاربری زمین کشاورزی در نظر گرفته می شوند.

Land_Use_Raw_Probability_Developed متر

LCMS خام مدل شده احتمال توسعه یافته است. به این صورت تعریف می‌شود: زمین تحت پوشش سازه‌های دست‌ساز (مانند مسکونی، تجاری، صنعتی، معدنی یا حمل‌ونقلی با تراکم بالا)، یا مخلوطی از پوشش گیاهی (شامل درختان) و سازه‌ها (مثلاً مسکونی با تراکم کم، چمن‌زارها، تأسیسات تفریحی، گورستان‌ها، راهروهای حمل‌ونقل و تاسیسات، و غیره)، از جمله هر گونه فعالیت‌های زمینی که از نظر کارکردی زمینی به آن اختصاص دارد.

Land_Use_Raw_Probability_Forest متر

LCMS خام مدل‌سازی احتمال جنگل. به این صورت تعریف می شود: زمینی که کاشته شده یا به طور طبیعی دارای پوشش گیاهی است و حاوی (یا احتمالاً حاوی) 10٪ یا بیشتر از پوشش درختی در یک دوره کوتاه مدت متوالی است. این ممکن است شامل دسته های برگریز، همیشه سبز و/یا ترکیبی از جنگل های طبیعی، مزارع جنگلی و تالاب های چوبی باشد.

Land_Use_Raw_Probability_Other متر

LCMS خام مدل‌سازی احتمال سایر. به این صورت تعریف می شود: زمین (بدون در نظر گرفتن کاربری) که در آن روند طیفی یا سایر شواهد پشتیبان حاکی از وقوع اختلال یا تغییر رویداد است اما علت قطعی آن قابل تعیین نیست یا نوع تغییر با هیچ یک از دسته های فرآیند تغییر تعریف شده در بالا مطابقت ندارد.

Land_Use_Raw_Probability_Rangeland-or-Pasture متر

LCMS خام مدل‌سازی احتمال مرتع یا مرتع. تعریف شده به این صورت: این طبقه شامل هر منطقه ای است که الف است.) مرتع، که در آن پوشش گیاهی ترکیبی از علف های بومی، بوته ها، چمنزارها و گیاهان علف مانند است که عمدتاً از عوامل و فرآیندهای طبیعی مانند بارندگی، دما، ارتفاع و آتش ناشی می شوند، اگرچه مدیریت محدود ممکن است شامل سوزاندن تجویز شده و همچنین چرای گیاهخواران اهلی و وحشی باشد. یا ب) مرتع، که در آن پوشش گیاهی ممکن است از علف‌های مخلوط، عمدتاً طبیعی، علف‌ها و گیاهان دارویی گرفته تا پوشش گیاهی مدیریت‌شده‌تر تحت سلطه گونه‌های علفی که بذردهی شده‌اند و موفق به نگهداری در نزدیکی تک‌کشت شده‌اند، باشد.

QA_Bits متر

اطلاعات جانبی در مورد مبدأ مقادیر خروجی محصول سالانه LCMS.

جدول کلاس را تغییر دهید

ارزش رنگ توضیحات
1 #ff09f3

باد

2 #541aff

طوفان

3 #e4f5fd

انتقال برف یا یخ

4 #cc982e

خشک شدن

5 #0adaff

آبگرفتگی

6 #a10018

آتش تجویز شده

7 #d54309

آتش سوزی

8 #fafa4b

تبدیل مکانیکی زمین

9 #afde1c

حذف درخت

10 #ffc80d

برگ ریزان

11 #a64c28

سوسک کاج جنوبی

12 #f39268

استرس حشرات، بیماری یا خشکسالی

13 #c291d5

ضرر دیگر

14 #00a398

رشد متوالی پوشش گیاهی

15 #3d4551

پایدار

16 #1b1716

ماسک منطقه غیر پردازش

میز کلاس زمین_پوشش

ارزش رنگ توضیحات
1 #004e2b

درختان

2 #009344

ترکیب درختچه‌ها و درختان بلند (فقط AK)

3 #61bb46

مخلوط درختچه ها و درختان

4 #acbb67

مخلوط علف/فورب/علف و درخت

5 #8b8560

مخلوط بی ثمر و درختان

6 #cafd4b

درختچه های بلند (فقط AK)

7 #f89a1c

درختچه ها

8 #8fa55f

مخلوط علف/فورب/علف و بوته

9 #bebb8e

مخلوط بی ثمر و درختچه

10 #e5e98a

چمن/فورب/علف

11 #ddb925

مخلوط بی ثمر و علف/فورب/علف

12 #893f54

عقیم یا غیر قابل نفوذ

13 #e4f5fd

برف یا یخ

14 #00b6f0

آب

15 #1b1716

ماسک منطقه غیر پردازش

جدول کلاس کاربری زمین

ارزش رنگ توضیحات
1 #fbff97

کشاورزی

2 #e6558b

توسعه یافته است

3 #004e2b

جنگل

4 #9dbac5

دیگر

5 #a6976a

مرتع یا مرتع

6 #1b1716

ماسک منطقه غیر پردازش

ویژگی های تصویر

ویژگی های تصویر

نام تایپ کنید توضیحات
منطقه_مطالعه STRING

LCMS در حال حاضر ایالات متحده، آلاسکا، جزایر ویرجین پورتوریکو-ایالات متحده، و هاوایی را پوشش می دهد. این نسخه حاوی CONUS است. داده‌های AK، PRUSVI، و HI اواخر تابستان 2025 منتشر خواهند شد. مقادیر احتمالی: 'CONUS, AK'

نسخه STRING

نسخه محصول

شروع سال INT

سال شروع محصول

پایان سال INT

سال پایانی محصول

سال INT

سال تولید محصول

شرایط استفاده

شرایط استفاده

خدمات جنگلی USDA هیچ ضمانتی، صریح یا ضمنی، از جمله ضمانت‌های تجاری بودن و مناسب بودن برای یک هدف خاص، نمی‌دهد، و هیچ گونه مسئولیت قانونی یا مسئولیتی در قبال صحت، قابلیت اطمینان، کامل بودن یا مفید بودن این داده‌های مکانی، یا استفاده نادرست یا نادرست از این داده‌های مکانی نمی‌پذیرد. این داده‌های مکانی و نقشه‌ها یا گرافیک‌های مرتبط، اسناد قانونی نیستند و برای استفاده به این صورت در نظر گرفته نشده‌اند. داده‌ها و نقشه‌ها نمی‌توانند برای تعیین عنوان، مالکیت، توصیفات قانونی یا مرزها، صلاحیت قانونی یا محدودیت‌هایی که ممکن است در زمین‌های عمومی یا خصوصی وجود داشته باشد استفاده شوند. خطرات طبیعی ممکن است روی داده ها و نقشه ها به تصویر کشیده شود یا نباشد، و استفاده کنندگان از زمین باید احتیاط لازم را داشته باشند. داده ها پویا هستند و ممکن است در طول زمان تغییر کنند. کاربر مسئول بررسی محدودیت های داده های مکانی و استفاده از داده ها بر اساس آن است.

این داده ها با استفاده از بودجه دولت ایالات متحده جمع آوری شده اند و می توانند بدون مجوز یا هزینه اضافی مورد استفاده قرار گیرند. اگر از این داده ها در یک نشریه، ارائه یا سایر محصولات تحقیقاتی استفاده می کنید، لطفاً از نقل قول زیر استفاده کنید:

خدمات جنگلداری USDA. 2025. سیستم نظارت بر تغییر چشم‌انداز USFS v2024.10 (ایالات متحده محدود و ایالات متحده خارجی محدود). سالت لیک سیتی، یوتا

نقل قول ها

نقل قول ها:

  • خدمات جنگلداری USDA. 2025. سیستم نظارت بر تغییر چشم‌انداز USFS v2024.10 (ایالات متحده محدود و ایالات متحده خارجی محدود). سالت لیک سیتی، یوتا

  • بریمن، ال.، 2001. جنگل های تصادفی. در یادگیری ماشین. اسپرینگر، 45: 5-32. doi:10.1023/A:1010933404324

  • Chastain، R.، Housman، I.، Goldstein، J.، Finco، M.، و Tenneson، K.، 2019. مقایسه تجربی سنسور متقابل Sentinel-2A و 2B MSI، Landsat-8 OLI، و Landsat-7 ETM بالای ویژگی های طیفی جو بر روی ایالات متحده. در سنجش از دور محیط. Science Direct, 221: 274-285. doi:10.1016/j.rse.2018.11.012

  • کوهن، WB، یانگ، Z.، و کندی، R.، 2010. تشخیص روند در آشفتگی و بازیابی جنگل با استفاده از سری زمانی سالانه Landsat: 2. TimeSync - ابزارهایی برای کالیبراسیون و اعتبار سنجی. در سنجش از دور محیط. Science Direct, 114(12): 2911-2924. doi:10.1016/j.rse.2010.07.010

  • کوهن، WB، یانگ، زی، هیلی، SP، کندی، RE، و گورلیک، N.، 2018. یک مجموعه چند طیفی LandTrendr برای تشخیص اختلال جنگل. در سنجش از دور محیط. Science Direct, 205: 131-140. doi:10.1016/j.rse.2017.11.015

  • Foga, S., Scaramuzza, PL, Guo, S., Zhu, Z., Dilley, RD, Beckmann, T., Schmidt, GL, Dwyer, JL, Hughes, MJ, Laue, B., 2017. مقایسه و اعتبارسنجی الگوریتم تشخیص ابر برای محصولات داده عملیاتی Landsat. در سنجش از دور محیط. Science Direct, 194: 379-390. doi:10.1016/j.rse.2017.03.026

  • سازمان زمین‌شناسی ایالات متحده، 2019. مدل ارتفاعی دیجیتال برنامه ارتفاعی سه‌بعدی USGS، دسترسی به اوت 2022 در https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m

  • هیلی، اس پی، کوهن، دبلیو بی، یانگ، زی، کنت بروور، سی.، بروکس، ای بی، گورلیک، ن.، هرناندز، ای جی، هوانگ، سی، جوزف هیوز، ام.، کندی، RE، لاولند، TR، مویسن، جی.جی.، شرودر، TA، استهمن، ووگل، ووگل، ووگل، اس. Yang, L., and Zhu, Z., 2018. نقشه برداری تغییر جنگل با استفاده از تعمیم انباشته: یک رویکرد گروهی. در سنجش از دور محیط. Science Direct, 204: 717-728. doi:10.1016/j.rse.2017.09.029

  • کندی، RE، یانگ، Z.، و کوهن، WB، 2010. تشخیص روند در اختلال جنگل و بازیابی با استفاده از سری زمانی سالانه Landsat: 1. LandTrendr - الگوریتم های تقسیم بندی زمانی. در سنجش از دور محیط. 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., and Healey, S. 2018. پیاده سازی الگوریتم LandTrendr در موتور Google Earth. در سنجش از دور. MDPI، 10(5): 691. doi:10.3390/rs10050691

  • Pasquarella, VJ, Brown, CF, Czerwinski, W., and Rucklidge, WJ, 2023. ارزیابی کیفیت جامع تصاویر ماهواره ای نوری با استفاده از یادگیری ویدئویی با نظارت ضعیف. در مجموعه مقالات کنفرانس IEEE/CVF در مورد بینایی کامپیوتری و تشخیص الگو. 2124-2134.

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

  • Weiss، AD، 2001. موقعیت توپوگرافی و تجزیه و تحلیل لندفرم ها ارائه پوستر، کنفرانس کاربران ESRI، سن دیگو، CAZhu، Z.، و Woodcock، CE 2012. تشخیص سایه ابر و ابر مبتنی بر شی در تصاویر Landsat. 118: 83-94.

  • Zhu، Z.، و Woodcock، CE، 2012. تشخیص سایه ابر و ابر مبتنی بر شی در تصاویر Landsat. در سنجش از دور محیط. ساینس دایرکت، 118: 83-94. doi:10.1016/j.rse.2011.10.028

  • Zhu, Z., and Woodcock, CE, 2014. تشخیص تغییر مداوم و طبقه بندی پوشش زمین با استفاده از تمام داده های موجود Landsat. در سنجش از دور محیط. Science Direct, 144: 152-171. doi:10.1016/j.rse.2014.01.011

DOI

با Earth Engine کاوش کنید

ویرایشگر کد (جاوا اسکریپت) 

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);
در ویرایشگر کد باز کنید
این محصول بخشی از مجموعه داده های سیستم مانیتورینگ تغییر چشم انداز (LCMS) است. این تغییرات، پوشش زمین، و/یا کلاس‌های کاربری زمین را با مدل LCMS برای هر سال نشان می‌دهد و ایالات متحده محدود (CONUS) و همچنین مناطق خارج از CONUS (OCONUS) از جمله آلاسکا (AK)، جزایر ویرجین پورتوریکو-ایالات متحده (PRUSVI) و …
USFS/GTAC/LCMS/v2024-10،تشخیص-تغییر،جنگل،gtac،لندکور،استفاده از زمین،مورد استفاده،لندکور،redcastle-منابع،USDA،usfs
1985-01-01T00:00:00Z/2024-12-31T00:00:00Z
20.38379 -135.286387 52.459364 -56.446306
موتور Google Earth