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

USFS/GTAC/LCMS/v2024-10
Disponibilité de l'ensemble de données
1985-01-01T00:00:00Z–2024-12-31T00:00:00Z
Producteur de l'ensemble de données
Aperçu de Google Earth Engine
ee.ImageCollection("USFS/GTAC/LCMS/v2024-10")
Tags
change-detection
forêt
gtac
couverture terrestre
landuse
landuse-landcover
lcms
redcastle-resources
usda
usfs

Description

Ce produit fait partie de la suite de données du système de surveillance des changements de paysage (LCMS, Landscape Change Monitoring System). Il indique les classes de changement, de couverture terrestre et/ou d'utilisation des terres modélisées par LCMS pour chaque année et couvre les États-Unis continentaux (CONUS), ainsi que les zones en dehors des États-Unis continentaux (OCONUS), y compris l'Alaska (AK), Porto Rico et les Îles Vierges américaines (PRUSVI), et Hawaï (HAWAII).

Le LCMS est un système de télédétection permettant de cartographier et de surveiller les changements de paysage aux États-Unis. Son objectif est de développer une approche cohérente utilisant les dernières technologies et avancées en matière de détection des changements pour produire une carte "la plus précise possible" des changements de paysage.

Les sorties incluent trois produits annuels : les changements, la couverture du sol et l'occupation du sol. La sortie du modèle de changement concerne spécifiquement la couverture végétale et inclut la perte lente, la perte rapide (qui inclut également les changements hydrologiques tels que l'inondation ou la dessiccation) et le gain. Ces valeurs sont prédites pour chaque année de la série temporelle Landsat et servent de produits de base pour LCMS. Nous appliquons un ensemble de règles basées sur des ensembles de données auxiliaires pour créer le produit de changement final, qui est un affinement/une reclassification du changement modélisé en 15 classes qui fournissent explicitement des informations sur la cause du changement de paysage (par exemple, l'abattage d'arbres, les incendies de forêt ou les dégâts causés par le vent). Les cartes de couverture et d'utilisation des sols représentent la couverture des sols au niveau des formes de vie et l'utilisation des sols au niveau général pour chaque année.

Étant donné qu'aucun algorithme n'est le plus performant dans toutes les situations, LCMS utilise un ensemble de modèles comme prédicteurs, ce qui améliore la précision des cartes pour un large éventail d'écosystèmes et de processus de changement (Healey et al., 2018). La suite de cartes sur les changements de LCMS, la couverture des sols et l'utilisation des terres qui en résulte offre une représentation globale des changements de paysage aux États-Unis depuis 1985.

Les couches de prédiction du modèle LCMS incluent les sorties des algorithmes de détection des changements LandTrendr et CCDC, ainsi que des informations sur le terrain. Tous ces composants sont accessibles et traités à l'aide de Google Earth Engine (Gorelick et al., 2017).

Pour produire des composites annuels pour LandTrendr, les données de réflectance au sommet de l'atmosphère de niveau 1 des collections 2 de Landsat de l'USGS et de Sentinel 2A et 2B ont été utilisées. L'algorithme de masquage des nuages cFmask (Foga et al., 2017), qui est une implémentation de Fmask 2.0 (Zhu et Woodcock, 2012) (Landsat uniquement), cloudScore (Chastain et al., 2019) (Landsat uniquement), s2cloudless (Sentinel-Hub, 2021) et Cloud Score+ (Pasquarella et al., 2023) (Sentinel-2 uniquement) sont utilisées pour masquer les nuages, tandis que TDOM (Chastain et al., 2019) est utilisé pour masquer les ombres de nuages (Landsat et Sentinel-2). Pour LandTrendr, le médoïde annuel est ensuite calculé pour résumer les valeurs sans nuages ni ombres de nuages de chaque année en un seul composite. Pour CCDC, les données de réflectance de surface Landsat de niveau 1 de la collection 2 de l'Institut d'études géologiques des États-Unis (USGS) ont été utilisées pour le CONUS, et les données de réflectance au sommet de l'atmosphère Landsat de niveau 1 pour l'Alaska, Porto Rico et les îles Vierges américaines, et Hawaï.

La série temporelle composite est segmentée temporellement à l'aide de LandTrendr (Kennedy et al., 2010 ; Kennedy et al., 2018 ; Cohen et al., 2018).

Toutes les valeurs sans nuage ni ombre de nuage sont également segmentées temporellement à l'aide de l'algorithme CCDC (Zhu et Woodcock, 2014).

Les données du prédicteur incluent les valeurs composites brutes, les valeurs ajustées de LandTrendr, les différences par paires, la durée du segment, l'amplitude et la pente du changement, ainsi que les coefficients de sinus et de cosinus CCDC (3 premières harmoniques), les valeurs ajustées et les différences par paires, ainsi que l'altitude, la pente, le sinus de l'aspect, le cosinus de l'aspect et les indices de position topographique (Weiss, 2001) issus des données du programme 3DEP (3D Elevation Program) de l'USGS (U.S. Geological Survey, 2019) à 10 mètres.

Les données de référence sont collectées à l'aide de TimeSync, un outil Web qui aide les analystes à visualiser et à interpréter l'enregistrement des données Landsat de 1984 à aujourd'hui (Cohen et al., 2010).

Des modèles de forêt aléatoire (Breiman, 2001) ont été entraînés à l'aide de données de référence provenant de TimeSync et de données de prédiction provenant de LandTrendr, de CCDC et d'indices de terrain pour prédire les classes de changement annuel, de couverture terrestre et d'utilisation des terres. Après la modélisation, nous avons mis en place une série de seuils de probabilité et d'ensembles de règles à l'aide d'ensembles de données auxiliaires pour améliorer la qualité des cartes et réduire les erreurs de commission et d'omission. Pour en savoir plus, consultez le document "LCMS Methods Brief" inclus dans la description.

Autres ressources

Pour toute question ou demande de données spécifiques, contactez sm.fs.lcms@usda.gov.

Bandes

Bandes de fréquences

Taille des pixels : 30 mètres (toutes les bandes)

Nom Taille des pixels Description
Change 30 mètres

Produit final de modification thématique du LCMS. Un total de quinze classes de changement sont mappées pour chaque année. Fondamentalement, le changement est modélisé avec trois modèles de forêt aléatoire binaires distincts pour chaque zone d'étude : perte lente, perte rapide et gain. Chaque pixel est attribué à la classe de changement modélisée ayant la probabilité la plus élevée et qui est également supérieure à un seuil spécifié. Tout pixel dont la valeur est inférieure au seuil de chaque classe est attribué à la classe "Stable". En suivant un ensemble de règles utilisant la classe de changement modélisée, les ensembles de données auxiliaires (tels que TCC, MTBS et IDS) et les données de couverture terrestre LCMS, l'une des 15 classes de cause de changement affinées est attribuée à chaque pixel. Pour en savoir plus sur l'ensemble de règles et les ensembles de données auxiliaires utilisés, consultez le document "LCMS Methods Brief" dont le lien figure dans la description.

Land_Cover 30 mètres

Produit final thématique de couverture des sols LCMS. Au total, 14 classes de couverture des sols sont cartographiées sur une base annuelle à l'aide de données de référence TimeSync et d'informations spectrales issues des images Landsat. La couverture des sols est prédite à l'aide d'un modèle Random Forest multiclasse unique, qui génère un tableau des probabilités de chaque classe (proportion des arbres au sein du modèle Random Forest qui ont "choisi" chaque classe). Les classes finales sont attribuées à l'utilisation des sols ayant la probabilité la plus élevée. Avant d'attribuer la classe de couverture des sols ayant la probabilité la plus élevée, selon la zone d'étude, un à plusieurs seuils de probabilité et ensembles de règles utilisant des ensembles de données auxiliaires ont été appliqués. Vous trouverez plus d'informations sur les seuils de probabilité et les ensembles de règles dans le document "LCMS Methods Brief" (Présentation des méthodes LCMS) dont le lien figure dans la description. Sept classes de couverture des sols indiquent une seule couverture des sols, où ce type de couverture des sols couvre la majeure partie de la superficie du pixel et aucune autre classe ne couvre plus de 10% du pixel. Il existe également sept classes mixtes. Elles représentent les pixels dans lesquels une classe de couverture des sols supplémentaire couvre au moins 10% du pixel.
Land_Use 30 mètres

Produit final thématique LCMS sur l'utilisation des terres. Un total de cinq classes d'utilisation des terres sont cartographiées chaque année à l'aide de données de référence TimeSync et d'informations spectrales issues des images Landsat. L'utilisation des terres est prédite à l'aide d'un seul modèle de forêt aléatoire multiclasse, qui génère un tableau des probabilités de chaque classe (proportion des arbres dans le modèle de forêt aléatoire qui ont "choisi" chaque classe). Les classes finales sont attribuées à l'utilisation des terres présentant la probabilité la plus élevée. Avant d'attribuer la classe d'utilisation des terres ayant la probabilité la plus élevée, une série de seuils de probabilité et d'ensembles de règles utilisant des ensembles de données auxiliaires ont été appliqués. Pour en savoir plus sur les seuils de probabilité et les ensembles de règles, consultez le document "LCMS Methods Brief" (Méthodes LCMS) dont le lien figure dans la description.
Change_Raw_Probability_Slow_Loss 30 mètres

Probabilité modélisée brute de perte lente dans LCMS. La perte lente inclut les classes suivantes de l'interprétation du processus de modification TimeSync :

  • Déclin structurel : zone où les arbres ou autre végétation ligneuse sont physiquement altérés par des conditions de croissance défavorables dues à des facteurs non anthropiques ou non mécaniques. Ce type de perte devrait généralement créer une tendance dans les signaux spectraux (par exemple, une diminution du NDVI ou de l'humidité, une augmentation du SWIR, etc.). Toutefois, la tendance peut être subtile. Le déclin structurel se produit dans les environnements de végétation ligneuse, très probablement à cause des insectes, des maladies, de la sécheresse, des pluies acides, etc. Il peut inclure des événements de défoliation qui n'entraînent pas la mortalité, comme les infestations de la spongieuse et de la tordeuse des bourgeons de l'épinette, qui peuvent se rétablir en un ou deux ans.

  • Déclin spectral : graphique où le signal spectral montre une tendance dans une ou plusieurs bandes ou indices spectraux (par exemple, diminution du NDVI, diminution de l'humidité, augmentation du SWIR, etc.). Par exemple : a) la végétation non forestière/non ligneuse présente une tendance suggérant un déclin (par exemple, diminution du NDVI, diminution de l'humidité, augmentation du SWIR, etc.) ; b) la végétation ligneuse présente une tendance au déclin qui n'est pas liée à la perte de végétation ligneuse, par exemple lorsque les cimes des arbres matures se referment, ce qui entraîne une augmentation de l'ombrage, lorsque la composition des espèces passe de conifères à feuillus, ou lorsqu'une période sèche (par opposition à une sécheresse plus forte et plus aiguë) entraîne un déclin apparent de la vigueur, mais aucune perte de matière ligneuse ou de surface foliaire.
Change_Raw_Probability_Fast_Loss 30 mètres

Probabilité modélisée brute de perte rapide (LCMS). La perte rapide inclut les classes suivantes de l'interprétation du processus de modification TimeSync :

  • Incendie : terre modifiée par le feu, quelle que soit la cause de l'allumage (naturelle ou anthropique), la gravité ou l'utilisation des terres.

  • Récolte : terres forestières où des arbres, des arbustes ou d'autres végétaux ont été coupés ou enlevés par des moyens anthropiques. Il s'agit par exemple de coupes à blanc, de récupération de bois après un incendie ou une infestation d'insectes, d'éclaircies et d'autres prescriptions de gestion forestière (par exemple, coupes de régénération ou de préparation).

  • Mécanique : terres non forestières où des arbres, des arbustes ou d'autres végétaux ont été coupés ou enlevés mécaniquement par chaînage, raclage, coupe-broussailles, bulldozer ou toute autre méthode d'élimination de la végétation non forestière.

  • Vent/glace : terres (quelle que soit leur utilisation) où la végétation est altérée par le vent lors d'ouragans, de tornades, de tempêtes et d'autres phénomènes météorologiques extrêmes, y compris la pluie verglaçante lors de tempêtes de verglas.

  • Hydrologie : terres où les inondations ont considérablement modifié le couvert forestier ou d'autres éléments de couverture des sols, quel que soit l'usage des terres (par exemple, nouveaux mélanges de gravier et de végétation dans et autour des lits de cours d'eau après une inondation).

  • Débris : terrain (quelle que soit son utilisation) modifié par le mouvement de matériaux naturels associés aux glissements de terrain, aux avalanches, aux volcans, aux coulées de débris, etc.

  • Autre : terre (quelle que soit son utilisation) où la tendance spectrale ou d'autres preuves suggèrent qu'un événement de perturbation ou de changement s'est produit, mais dont la cause définitive ne peut pas être déterminée ou dont le type de changement ne correspond à aucune des catégories de processus de changement définies ci-dessus.
Change_Raw_Probability_Gain 30 mètres

Probabilité de gain modélisée brute du LCMS. Définition : terres présentant une augmentation du couvert végétal en raison de la croissance et de la succession sur une ou plusieurs années. Applicable à toutes les zones susceptibles d'exprimer un changement spectral associé à la repousse de la végétation. Dans les zones développées, la croissance peut résulter de la maturation de la végétation et/ou de l'installation de nouvelles pelouses et de nouveaux aménagements paysagers. Dans les forêts, la croissance comprend la croissance de la végétation à partir de sols nus, ainsi que le dépassement des arbres intermédiaires et codominants et/ou des herbes et arbustes situés plus bas. Les segments de croissance/récupération enregistrés après la récolte forestière passeront probablement par différentes classes de couverture terrestre à mesure que la forêt se régénérera. Pour que ces changements soient considérés comme une croissance/récupération, les valeurs spectrales doivent suivre de près une courbe de tendance à la hausse (par exemple, une pente positive qui, si elle était prolongée sur environ 20 ans, serait de l'ordre de 0,10 unité de NDVI) et persister pendant plusieurs années.
Land_Cover_Raw_Probability_Trees 30 mètres

Probabilité modélisée brute de la couverture terrestre et de la masse ligneuse (LCMS) pour les arbres. Définition : la majorité du pixel est constituée d'arbres vivants ou morts sur pied.
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix 30 mètres

Probabilité modélisée brute de LCMS pour le mélange d'arbustes et d'arbres de grande taille (Alaska uniquement). Définition : la majorité du pixel est constituée d'arbustes de plus d'un mètre de haut et d'au moins 10% d'arbres vivants ou morts sur pied.
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix 30 mètres

Probabilité modélisée brute de la couverture terrestre LCMS pour le mélange d'arbustes et d'arbres. Définition : la majorité du pixel est composée d'arbustes et d'au moins 10% d'arbres vivants ou morts sur pied.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix 30 mètres

Probabilité modélisée brute de la couverture terrestre LCMS (Land Cover and Management Scenarios) pour le mélange d'herbes/plantes herbacées/arbres. Définition : la majorité du pixel est composée d'herbes vivaces, de plantes herbacées ou d'autres formes de végétation herbacée, et comprend également au moins 10% d'arbres vivants ou morts sur pied.
Land_Cover_Raw_Probability_Barren-and-Trees-Mix 30 mètres

Probabilité brute modélisée par LCMS pour les catégories "Terres arides" et "Forêt mixte". Définition : la majorité des pixels est constituée de sol nu exposé par des perturbations (par exemple, sol découvert par défrichage mécanique ou exploitation forestière), ainsi que de zones arides pérennes telles que les déserts, les playas, les affleurements rocheux (y compris les minéraux et autres matériaux géologiques exposés par les activités minières de surface), les dunes de sable, les salines et les plages. Les routes en terre et en gravier sont également considérées comme arides et sont également constituées d'au moins 10% d'arbres vivants ou morts sur pied.
Land_Cover_Raw_Probability_Tall-Shrubs 30 mètres

Probabilité modélisée brute de LCMS pour les arbustes de grande taille (Alaska uniquement). Définition : la majorité du pixel est constituée d'arbustes de plus d'un mètre de haut.
Land_Cover_Raw_Probability_Shrubs 30 mètres

Probabilité modélisée brute de la couverture terrestre et de l'utilisation des sols pour les arbustes. Définition : la majorité du pixel est composée d'arbustes.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix 30 mètres

Probabilité modélisée brute de la couverture terrestre LCMS pour le mélange d'herbes/plantes herbacées et d'arbustes. Définition : la majorité du pixel est composée d'herbes vivaces, de plantes herbacées ou d'autres formes de végétation herbacée, et d'au moins 10% d'arbustes.
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix 30 mètres

Probabilité modélisée brute de la couverture terrestre LCMS pour le mélange de zones dénudées et d'arbustes. Définition : la majorité du pixel est constituée de sol nu exposé par des perturbations (par exemple, sol découvert par un défrichage mécanique ou une exploitation forestière), ainsi que de zones stériles pérennes telles que les déserts, les playas, les affleurements rocheux (y compris les minéraux et autres matériaux géologiques exposés par les activités minières de surface), les dunes de sable, les salines et les plages. Les routes en terre et en gravier sont également considérées comme arides et comprennent au moins 10% d'arbustes.
Land_Cover_Raw_Probability_Grass-Forb-Herb 30 mètres

Probabilité brute modélisée par LCMS pour les herbes, les plantes herbacées et les graminées. Définition : la majorité du pixel est composée de graminées vivaces, de plantes herbacées ou d'autres formes de végétation herbacée.
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix 30 mètres

Probabilité modélisée brute de la LCMS pour les catégories "Stérile" et "Mélange d'herbes/plantes herbacées/graminées". Définition : la majorité du pixel est constituée de sol nu exposé à des perturbations (par exemple, sol découvert par défrichage mécanique ou exploitation forestière), ainsi que de zones pérennes stériles telles que les déserts, les playas, les affleurements rocheux (y compris les minéraux et autres matériaux géologiques exposés par les activités minières de surface), les dunes de sable, les salines et les plages. Les routes en terre et en gravier sont également considérées comme arides et sont également composées d'au moins 10% de graminées vivaces, de plantes herbacées ou d'autres formes de végétation herbacée.
Land_Cover_Raw_Probability_Barren-or-Impervious 30 mètres

Probabilité brute modélisée par LCMS de la catégorie "Stérile ou imperméable". Définition : la majorité du pixel est constituée de 1) sol nu exposé par une perturbation (par exemple, sol découvert par un défrichage mécanique ou une exploitation forestière), ainsi que de zones stériles pérennes telles que les déserts, les playas, les affleurements rocheux (y compris les minéraux et autres matériaux géologiques exposés par les activités minières de surface), les dunes de sable, les salines et les plages. Les routes en terre et en gravier sont également considérées comme stériles, tout comme les matériaux artificiels que l'eau ne peut pas pénétrer, tels que les routes asphaltées, les toits et les parkings.
Land_Cover_Raw_Probability_Snow-or-Ice 30 mètres

Probabilité modélisée brute de neige ou de glace LCMS. Définition : la majorité du pixel est composée de neige ou de glace.
Land_Cover_Raw_Probability_Water 30 mètres

Probabilité modélisée brute de présence d'eau dans le LCMS. Définie comme suit : la majorité du pixel est composée d'eau.
Land_Use_Raw_Probability_Agriculture 30 mètres

Probabilité brute de la modélisation LCMS pour l'agriculture. Définie comme suit : terres utilisées pour la production d'aliments, de fibres et de combustibles, qu'elles soient végétalisées ou non. Cela inclut, sans s'y limiter, les terres cultivées et non cultivées, les prairies, les vergers, les vignobles, les exploitations d'élevage intensif et les zones plantées pour la production de fruits, de noix ou de baies. Les routes principalement utilisées pour l'agriculture (c'est-à-dire non utilisées pour les transports en commun d'une ville à l'autre) sont considérées comme des terres agricoles.
Land_Use_Raw_Probability_Developed 30 mètres

Probabilité modélisée brute de la classification LCMS "Développé". Définition : terres recouvertes de structures artificielles (par exemple, zones résidentielles à forte densité, zones commerciales, industrielles, minières ou de transport), ou d'un mélange de végétation (y compris des arbres) et de structures (par exemple, zones résidentielles à faible densité, pelouses, installations récréatives, cimetières, corridors de transport et de services publics, etc.), y compris toute terre fonctionnellement modifiée par l'activité humaine.
Land_Use_Raw_Probability_Forest 30 mètres

Probabilité de forêt modélisée brute du LCMS. Définition : terre plantée ou naturellement végétalisée et qui contient (ou est susceptible de contenir) un couvert forestier de 10% ou plus à un moment donné au cours d'une séquence de succession à court terme. Cela peut inclure des catégories de forêts naturelles, de plantations forestières et de zones humides boisées à feuilles caduques, à feuilles persistantes et/ou mixtes.
Land_Use_Raw_Probability_Other 30 mètres

Probabilité modélisée brute de la catégorie "Autre" dans LCMS. Défini comme suit : terre (quelle que soit son utilisation) où la tendance spectrale ou d'autres preuves suggèrent qu'un événement de perturbation ou de changement s'est produit, mais dont la cause définitive ne peut pas être déterminée ou dont le type de changement ne correspond à aucune des catégories de processus de changement définies ci-dessus.
Land_Use_Raw_Probability_Rangeland-or-Pasture 30 mètres

Probabilité brute modélisée par LCMS pour les zones de pâturages ou de prairies. Définition : cette classe inclut toute zone qui est a) une zone de pâturages, où la végétation est un mélange d'herbes, d'arbustes, de plantes herbacées et de plantes graminoïdes indigènes, qui proviennent en grande partie de facteurs et de processus naturels tels que les précipitations, la température, l'altitude et les incendies, bien qu'une gestion limitée puisse inclure des brûlages dirigés ainsi que le pâturage par des herbivores domestiques et sauvages ; ou b) une prairie, où la végétation peut aller d'un mélange d'herbes, de plantes herbacées et d'herbes largement naturelles à une végétation plus gérée dominée par des espèces d'herbes qui ont été semées et gérées pour maintenir une quasi-monoculture.
QA_Bits 30 mètres

Informations complémentaires sur l'origine des valeurs annuelles de production de produits LCMS.

Modifier le tableau des classes

Valeur Couleur Description
1 #ff09f3

Vent
2 #541aff

Ouragan
3 #e4f5fd

Transition neige ou verglas
4 #cc982e

Dessiccation
5 #0adaff

Inondation
6 #a10018

Feu prescrit
7 #d54309

Wildfire
8 #fafa4b

Transformation mécanique des terres
9 #afde1c

Enlèvement d'arbres
10 #ffc80d

Défoliation
11 #a64c28

Scarabée du pin du Sud
12 #f39268

Stress lié aux insectes, aux maladies ou à la sécheresse
13 #c291d5

Autre perte
14 #00a398

Croissance successionnelle de la végétation
15 #3d4551

Stable
16 #1b1716

Masque de zone non traitée

Tableau des classes de couverture terrestre

Valeur Couleur Description
1 #004e2b

Arbres
2 #009344

Mélange d'arbustes et d'arbres de grande taille (Alaska uniquement)
3 #61bb46

Mélange d'arbustes et d'arbres
4 #acbb67

Mélange d'herbes, de plantes herbacées et d'arbres
5 #8b8560

Barren & Trees Mix
6 #cafd4b

Arbustes hauts (AK uniquement)
7 #f89a1c

Arbustes
8 #8fa55f

Mélange d'herbes, de graminées, de plantes herbacées et d'arbustes
9 #bebb8e

Mélange de zones arides et d'arbustes
10 #e5e98a

Graminées/Plantes herbacées
11 #ddb925

Mélange de plantes herbacées/herbes/plantes à fleurs
12 #893f54

Stérile ou imperméable
13 #e4f5fd

Neige ou verglas
14 #00b6f0

Eau
15 #1b1716

Masque de zone non traitée

Tableau des classes d'utilisation des terres

Valeur Couleur Description
1 #fbff97

Agriculture
2 #e6558b

Développé
3 #004e2b

Forêt
4 #9dbac5

Autre
5 #a6976a

Pâturage
6 #1b1716

Masque de zone non traitée

Propriétés des images

Propriétés des images

Nom Type Description
study_area STRING

Cette version du LCMS couvre les États-Unis continentaux, l'Alaska, Porto Rico et les îles Vierges américaines, ainsi qu'Hawaï. Valeurs possibles : "CONUS, AK, PRUSVI, HAWAII"
version STRING

Version du produit
startYear INT

Année de début du produit
endYear INT

Année de fin du produit
an INT

Année du produit

Conditions d'utilisation

Conditions d'utilisation

Le service forestier de l'USDA ne fournit aucune garantie, explicite ou implicite, y compris les garanties de qualité marchande et d'adéquation à un usage particulier, et n'assume aucune responsabilité légale quant à l'exactitude, la fiabilité, l'exhaustivité ou l'utilité de ces données géospatiales, ni quant à leur utilisation inappropriée ou incorrecte. Ces données géospatiales et les cartes ou graphiques associés ne sont pas des documents juridiques et ne sont pas destinés à être utilisés comme tels. Les données et les cartes ne peuvent pas être utilisées pour déterminer le titre, la propriété, les descriptions ou les limites légales, la juridiction légale ni les restrictions qui peuvent être en place sur les terrains publics ou privés. Les risques naturels peuvent ou non être représentés sur les données et les cartes. Les utilisateurs des terres doivent faire preuve de prudence. Les données sont dynamiques et peuvent changer au fil du temps. Il incombe à l'utilisateur de vérifier les limites des données géospatiales et de les utiliser en conséquence.

Ces données ont été collectées grâce à des fonds du gouvernement américain et peuvent être utilisées sans autorisation ni frais supplémentaires. Si vous utilisez ces données dans une publication, une présentation ou un autre produit de recherche, veuillez utiliser la citation suivante :

Services forestiers de l'USDA. 2025. USFS Landscape Change Monitoring System v2024.10 (États-Unis contigus et États-Unis contigus extérieurs). Salt Lake City, Utah.

Citations

Citations :

  • Services forestiers de l'USDA. 2025. Système de surveillance des changements de paysage de l'USFS v2024.10 (États-Unis contigus et États-Unis contigus extérieurs). Salt Lake City, Utah.

  • Breiman, L., 2001. Forêts aléatoires. Dans le machine learning. Springer, 45: 5-32. doi:10.1023/A:1010933404324

  • Chastain, R., Housman, I., Goldstein, J., Finco, M., and Tenneson, K., 2019. Comparaison empirique multispectrale des caractéristiques spectrales au sommet de l'atmosphère des capteurs MSI Sentinel-2A et 2B, OLI Landsat-8 et ETM Landsat-7 sur l'ensemble des États-Unis contigus. In Remote Sensing of Environment. Science Direct, 221: 274-285. doi:10.1016/j.rse.2018.11.012

  • Cohen, W. B. Yang, Z., et Kennedy, R., 2010. Détection des tendances de perturbation et de récupération des forêts à l'aide de séries temporelles Landsat annuelles : 2. TimeSync : outils de calibration et de validation. 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., et Gorelick, N., 2018. Ensemble multispectral LandTrendr pour la détection des perturbations forestières. 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. Comparaison et validation des algorithmes de détection des nuages pour les produits de données Landsat opérationnels. In Remote Sensing of Environment. Science Direct, 194 : 379-390. doi:10.1016/j.rse.2017.03.026

  • U.S. Geological Survey, 2019. Modèle numérique d'élévation du programme 3D Elevation de l'USGS, consulté en août 2022 sur 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., et Zhu, Z., 2018. Cartographie des changements forestiers à l'aide de la généralisation empilée : une approche d'ensemble. Dans Remote Sensing of Environment. Science Direct, 204 : 717-728. doi:10.1016/j.rse.2017.09.029

  • Kennedy, R. E., Yang, Z., et Cohen, W. B. 2010. Détecter les tendances de perturbation et de récupération des forêts à l'aide de séries temporelles Landsat annuelles : 1. LandTrendr : algorithmes de segmentation temporelle. 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. et Healey, S. 2018. Implémentation de l'algorithme LandTrendr sur Google Earth Engine. In Remote Sensing. MDPI, 10(5): 691. doi:10.3390/rs10050691

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

  • Sentinel-Hub, 2021. Détecteur de nuages Sentinel 2. [En ligne]. Disponible à l'adresse suivante : https://github.com/sentinel-hub/sentinel2-cloud-detector

  • Weiss, A.D., 2001. Analyse de la position topographique et des formes de relief Présentation par affiche, ESRI Users Conference, San Diego, CAZhu, Z., et Woodcock, C. E. vers 2012. Détection des nuages et des ombres de nuages basée sur les objets dans les images Landsat. 118 : 83-94.

  • Zhu, Z. et Woodcock, C. E., vers 2012. Détection des nuages et des ombres de nuages basée sur les objets dans les images Landsat. In Remote Sensing of Environment. Science Direct, 118 : 83-94. doi:10.1016/j.rse.2011.10.028

  • Zhu, Z. et Woodcock, C. E., 2014. Détection et classification continues des changements de couverture terrestre à l'aide de toutes les données Landsat disponibles. In Remote Sensing of Environment. Science Direct, 144: 152-171. doi:10.1016/j.rse.2014.01.011

DOI

Explorer avec Earth Engine

Éditeur de code (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);
Ouvrir dans l'éditeur de code
Ce produit fait partie de la suite de données du système de surveillance des changements de paysage (LCMS, Landscape Change Monitoring System). Il indique les classes de changement, de couverture terrestre et/ou d'utilisation des terres modélisées par le LCMS pour chaque année et couvre les États-Unis contigus (CONUS), ainsi que les zones en dehors des CONUS (OCONUS), y compris l'Alaska (AK), Porto Rico et les Îles Vierges américaines (PRUSVI), et…
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