Google uses AI technology to translate content into your preferred language. AI translations can contain errors.

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

זמינות קבוצת הנתונים: 1985-01-01T00:00:00Z–2024-12-31T00:00:00Z
מפיק מערך הנתונים: USDA Forest Service (USFS) Field Services and Innovation Center Geospatial Office (FSIC-GO)

תגים: change-detection

יער

gtac

כיסוי השטח

שימוש בקרקע

landuse-landcover

lcm

redcastle-resources

usda

usfs

תיאור

המוצר הזה הוא חלק מחבילת הנתונים של מערכת למעקב אחרי שינויים בנוף (LCMS). הוא מציג שינויים במודל LCMS, כיסוי קרקע ו/או סיווגים של שימוש בקרקע לכל שנה, ומכסה את ארצות הברית הרציפה (CONUS) וגם אזורים מחוץ ל-CONUS‏ (OCONUS), כולל אלסקה (AK), פוארטו ריקו ואיי הבתולה של ארה"ב (PRUSVI) והוואי (HAWAII).

‫LCMS היא מערכת שמבוססת על חישה מרחוק למיפוי ולמעקב אחרי שינויים בנוף ברחבי ארצות הברית. המטרה שלה היא לפתח גישה עקבית באמצעות הטכנולוגיה העדכנית ביותר והתפתחויות בזיהוי שינויים, כדי ליצור מפה של שינויים בנוף ברמת הדיוק הכי גבוהה שאפשר.

הפלט כולל שלושה מוצרים שנתיים: שינוי, כיסוי קרקע ושימוש בקרקע. הפלט של מודל השינוי מתייחס באופן ספציפי לכיסוי צמחייה וכולל אובדן איטי, אובדן מהיר (שכולל גם שינויים הידרולוגיים כמו הצפה או התייבשות) ועלייה. הערכים האלה מחושבים לכל שנה בסדרת הזמן של Landsat ומשמשים כבסיס למוצרי LCMS. אנחנו מחילים קבוצת כללים שמבוססת על מערכי נתונים משניים כדי ליצור את מוצר השינוי הסופי, שהוא שיפור או סיווג מחדש של השינוי הממוּדל ל-15 סוגים שמספקים מידע מפורש על הגורם לשינוי בנוף (למשל, כריתת עצים, שריפת יער, נזק שנגרם מרוח). במפות כיסוי השטח והשימוש בקרקע מוצגים כיסוי השטח ברמת צורת החיים והשימוש בקרקע ברמה רחבה בכל שנה.

מכיוון שאין אלגוריתם שמשיג את התוצאות הכי טובות בכל המצבים, מערכת LCMS משתמשת באנסמבל של מודלים ככלי לחיזוי, מה שמשפר את דיוק המפה במגוון רחב של מערכות אקולוגיות ותהליכי שינוי (Healey et al., 2018). חבילת המפות שמתקבלת כוללת שינויים ב-LCMS, כיסוי קרקע ושימוש בקרקע, ומציגה תמונה הוליסטית של שינויים בנוף בארצות הברית מאז 1985.

שכבות החיזוי של מודל ה-LCMS כוללות פלט מאלגוריתמים לזיהוי שינויים ב-LandTrendr וב-CCDC, ומידע על השטח. כל הרכיבים האלה נגישים ומעובדים באמצעות Google Earth Engine (Gorelick et al., 2017).

כדי ליצור תמונות מורכבות שנתיות עבור LandTrendr, נעשה שימוש בנתוני החזרת אור בחלק העליון של האטמוספירה (TOA) ברמה 1C של Sentinel 2A ו-2B וברמה 1 של USGS Collection 2 Landsat. האלגוריתם cFmask לזיהוי עננים (Foga et al., ‫2017), שהוא הטמעה של Fmask 2.0 (Zhu and Woodcock, ‏ 2012) (Landsat-only), cloudScore (Chastain et al., ‫2019) (Landsat-only), s2cloudless (Sentinel-Hub, 2021) ו-Cloud Score+ (Pasquarella et al., ‫2023) (Sentinel 2 בלבד) משמשות להסתרת עננים, ואילו TDOM (Chastain et al., ‫2019) משמשת להסתרת צללי עננים (Landsat ו-Sentinel 2). ב-LandTrendr, המערכת מחשבת את המדואיד השנתי כדי לסכם את הערכים ללא עננים וצללי עננים מכל שנה לקומפוזיציה אחת. ב-CCDC, נעשה שימוש בנתוני החזרת אור מפני השטח ברמה 1 של Landsat Collection 2 של הסקר הגאולוגי של ארצות הברית (USGS) עבור CONUS, ובנתוני החזרת אור בחלק העליון של האטמוספירה ברמה 1 של Landsat עבור AK,‏ PRUSVI ו-HAWAII.

סדרת הזמן המורכבת מפולחת באופן זמני באמצעות LandTrendr (קנדי ואחרים, 2010; קנדי ואחרים, 2018; כהן ואחרים, 2018).

כל הערכים שלא כוללים עננים וצללים של עננים מפולחים גם הם באופן זמני באמצעות אלגוריתם CCDC (Zhu and Woodcock, 2014).

נתוני החיזוי כוללים ערכים מורכבים גולמיים, ערכים מותאמים של LandTrendr, הבדלים בין זוגות, משך הפלח, גודל השינוי והשיפוע, ומקדמי סינוס וקוסינוס של CCDC (3 ההרמוניות הראשונות), ערכים מותאמים והבדלים בין זוגות, יחד עם גובה, שיפוע, סינוס של היבט, קוסינוס של היבט ומדדי מיקום טופוגרפיים (Weiss,‏ 2001) מנתוני תוכנית הגובה התלת-ממדית (3DEP) של USGS (המכון הגיאולוגי של ארה"ב) ברזולוציה של 10 מ' (U.S. Geological Survey,‏ 2019).

נתוני הייחוס נאספים באמצעות TimeSync, כלי מבוסס-אינטרנט שעוזר לאנליסטים להציג נתונים חזותיים ולפרש את רשומת הנתונים של Landsat משנת 1984 ועד היום (Cohen et al., 2010).

מודלים של יערות אקראיים (Breiman,‏ 2001) אומנו באמצעות נתוני ייחוס מ-TimeSync ונתוני חיזוי מ-LandTrendr,‏ CCDC ומדדי שטח כדי לחזות שינויים שנתיים, כיסוי קרקע וסיווגים של שימוש בקרקע. לאחר יצירת המודל, אנחנו קובעים סדרה של ספי הסתברות וערכות כללים באמצעות מערכי נתונים משניים כדי לשפר את התוצאות האיכותיות של המפה ולצמצם את השגיאות וההשמטות. מידע נוסף זמין בתיאור של LCMS Methods Brief.

מקורות מידע נוספים

דוגמה מפורטת יותר לקוד לשימוש בנתוני LCMS.
הכלי לבדיקת נתונים של LCMS הוא אפליקציה מבוססת-אינטרנט שמאפשרת למשתמשים להציג, לנתח, לסכם ולהוריד נתונים של LCMS.
מידע מפורט יותר על השיטות והערכת הדיוק זמין בתקציר השיטות של LCMS. אפשר גם להוריד נתונים, מטא-נתונים ומסמכי תמיכה ממרכז המידע הגיאוגרפי של LCMS.
המחרוזת HAWAII תעודכן ל-HI בפרסום הנתונים הקרוב, v2025.11.

אפשר לפנות אל sm.fs.lcms@usda.gov בכל שאלה או בקשה ספציפית בנוגע לנתונים.

תחום תדרים

תחום תדרים

גודל הפיקסל: 30 מטרים (כל הפסים)

שם	גודל הפיקסל	תיאור
`Change`	‫30 מטרים	שינוי סופי במוצר LCMS לפי נושא. בכל שנה ממופים חמישה עשר שיעורי שינוי. באופן בסיסי, השינוי מודל באמצעות שלושה מודלים נפרדים של יערות אקראיים בינאריים לכל אזור מחקר: אובדן איטי, אובדן מהיר ועלייה. כל פיקסל משויך לסיווג השינוי הממוּדל עם ההסתברות הכי גבוהה שגם גבוהה מסף מסוים. כל פיקסל שלא מופיע בו ערך מעל הסף המתאים של כל מחלקה, מוקצה למחלקה Stable. בעקבות קבוצת כללים באמצעות סיווג השינוי הממוזער, מערכי נתונים משניים (כמו TCC,‏ MTBS ו-IDS) ונתוני כיסוי פני השטח של LCMS, אחד מ-15 סיווגי השינוי הממוזערים משויך לכל פיקסל. פרטים מלאים על ערכת הכללים ועל מערכי הנתונים המשניים שבהם נעשה שימוש מופיעים בסיכום השיטות של LCMS שמקושר בתיאור.
`Land_Cover`	‫30 מטרים	מוצר סופי של כיסוי קרקע (LCMS) לפי נושא. בכל שנה ממופים 14 סוגים של כיסוי קרקע באמצעות נתוני ייחוס של TimeSync ומידע ספקטרלי שנגזר מתמונות Landsat. חיזוי כיסוי הקרקע מתבצע באמצעות מודל יער אקראי יחיד עם כמה מחלקות, שמפיק מערך של ההסתברויות של כל מחלקה (החלק היחסי של העצים במודל היער האקראי ש 'בחרו' כל מחלקה). הסיווגים הסופיים מוקצים לשימוש בקרקע עם ההסתברות הכי גבוהה. לפני הקצאת סיווג כיסוי הקרקע עם ההסתברות הגבוהה ביותר, בהתאם לאזור המחקר, הוחלו סף הסתברות אחד או יותר וערכות כללים באמצעות מערכי נתונים משניים. מידע נוסף על ספי הסתברות ועל ערכות כללים זמין בסיכום השיטות של LCMS שמקושר בתיאור. שבעה סיווגים של כיסוי קרקע מציינים כיסוי קרקע יחיד, שבו סוג כיסוי הקרקע מכסה את רוב השטח של הפיקסל ואף סיווג אחר לא מכסה יותר מ-10% מהפיקסל. יש גם שבעה שיעורים מעורבים. הפיקסלים האלה מייצגים אזורים שבהם סוג נוסף של כיסוי קרקע מכסה לפחות 10% מהפיקסל.
`Land_Use`	‫30 מטרים	מוצר סופי של שימוש בקרקע (LCMS) לפי נושא. סך של 5 סיווגים של שימוש בקרקע ממופים על בסיס שנתי באמצעות נתוני הפניה של TimeSync ומידע ספקטרלי שנגזר מתמונות Landsat. שימוש בקרקע נחזה באמצעות מודל יחיד של יער אקראי רב-סיווגי, שמפיק מערך של ההסתברויות של כל סיווג (החלק היחסי של העצים במודל היער האקראי ש 'נבחרו' בכל סיווג). סיווגים סופיים מוקצים לשימוש בקרקע עם ההסתברות הגבוהה ביותר. לפני הקצאת סיווג השימוש בקרקע עם ההסתברות הגבוהה ביותר, הוחלו סדרה של ספי הסתברות וערכות כללים באמצעות מערכי נתונים משניים. מידע נוסף על ספי ההסתברות וערכות הכללים זמין בסיכום השיטות של LCMS שמקושר לתיאור.
`Change_Raw_Probability_Slow_Loss`	‫30 מטרים	ההסתברות המחושבת של אובדן איטי על סמך מודל LCMS. אובדן איטי כולל את הסיווגים הבאים מתוך תהליך השינוי של TimeSync: ירידה מבנית – קרקע שבה עצים או צמחייה עשירה בעץ עוברים שינוי פיזי עקב תנאי גידול לא נוחים שנגרמים על ידי גורמים לא אנתרופוגניים או לא מכניים. בדרך כלל, סוג האובדן הזה יוצר מגמה באותות הספקטרליים (למשל, ירידה ב-NDVI, ירידה ברטיבות, עלייה ב-SWIR וכו'), אבל המגמה יכולה להיות עדינה. ירידה מבנית מתרחשת בסביבות צמחייה עשירה בעץ, לרוב כתוצאה מחרקים, מחלות, בצורת, גשם חומצי וכו'. ירידה מבנית יכולה לכלול אירועים של נשירת עלים שלא מובילים לתמותה, כמו במקרים של נגיעות בעש צועני וב-spruce budworm, שעשויים להתאושש תוך שנה או שנתיים. ירידה ספקטרלית – תרשים שבו האות הספקטרלי מראה מגמה באחד או יותר מהפסי ספקטרום או מהאינדקסים (למשל, ירידה ב-NDVI, ירידה בלחות, עלייה ב-SWIR וכו'). דוגמאות כוללות מקרים שבהם: א) צמחייה לא יערנית או לא עץית מראה מגמה שמצביעה על ירידה (למשל, ירידה ב-NDVI, ירידה בלחות, עלייה ב-SWIR וכו'), או ב) צמחייה עץית מראה מגמת ירידה שלא קשורה לאובדן של צמחייה עץית, למשל כשחופות של עצים בוגרים נסגרות וגורמות להצללה מוגברת, כששינוי בהרכב המינים הוא מעצים מחטניים לעצים רחבי עלים, או כשפרק זמן יבש (בניגוד לבצורת חזקה יותר וחדה יותר) גורם לירידה נראית לעין בחוזק הצמחייה, אבל לא לאובדן של חומר עץי או שטח עלים.
`Change_Raw_Probability_Fast_Loss`	‫30 מטרים	ההסתברות המחושבת של אובדן מהיר על סמך נתוני LCMS גולמיים. האובדן המהיר כולל את המחלקות הבאות מפרשנות תהליך השינוי של TimeSync: שריפה – קרקע שעברה שינוי כתוצאה משריפה, ללא קשר לגורם ההצתה (טבעי או אנתרופוגני), לחומרה או לשימוש בקרקע. קציר – קרקע יערנית שבה עצים, שיחים או צמחייה אחרת נכרתו או הוסרו באמצעים אנתרופוגניים. דוגמאות כוללות כריתת עצים, כריתת עצים לאחר שריפה או התפרצות חרקים, דילול והנחיות אחרות לניהול יערות (למשל, כריתת עצים להגנה על עצים אחרים או כריתת עצים להפצת זרעים). מכני – קרקע לא מיוערת שבה עצים, שיחים או צמחייה אחרת נחתכו או הוסרו באופן מכני באמצעות שרשור, גירוד, ניסור שיחים, דחפור או כל שיטה אחרת להסרת צמחייה שלא נמצאת ביער. רוח/קרח – קרקע (ללא קשר לשימוש) שבה הצמחייה משתנה בגלל רוח שמגיעה מהוריקנים, טורנדו, סופות ואירועי מזג אוויר קשים אחרים, כולל גשם מקפיא מסופות קרח. הידרולוגיה – קרקע שבה הצפות שינו באופן משמעותי את כיסוי העצים או רכיבים אחרים של כיסוי הקרקע, ללא קשר לשימוש בקרקע (למשל, תערובות חדשות של חצץ וצמחייה בתוך אפיקי נחלים ובסביבתם אחרי הצפה). פסולת – קרקע (ללא קשר לשימוש) שעברה שינוי כתוצאה מתנועת חומרים טבעיים שקשורה למפולות, לשלגים, להרי געש, לזרמי פסולת וכו'. אחר – קרקע (ללא קשר לשימוש) שבה המגמה הספקטרלית או ראיות תומכות אחרות מצביעות על כך שהתרחשו הפרעה או אירוע שינוי, אבל לא ניתן לקבוע את הסיבה הסופית או שסוג השינוי לא עומד באף אחת מקטגוריות תהליך השינוי שמוגדרות למעלה.
`Change_Raw_Probability_Gain`	‫30 מטרים	הסתברות משוערת לשיפור במדד LCMS. מוגדרת כ: שטח שבו חל גידול בכיסוי הצמחייה כתוצאה מצמיחה ומסוקצסיה במשך שנה אחת או יותר. רלוונטי לכל האזורים שבהם עשוי להתרחש שינוי ספקטרלי שקשור לצמיחה מחדש של צמחייה. באזורים מפותחים, צמיחה יכולה לנבוע מהתבגרות של צמחייה או מדשאות וגינון חדשים. ביערות, צמיחה כוללת צמיחה של צמחייה מאדמה חשופה, וגם צמיחה של עצים בינוניים ועצים שולטים או של דשא ושיחים נמוכים יותר. סביר להניח שפלחים של צמיחה או התאוששות שנרשמו אחרי כריתת יערות יעברו בין סיווגים שונים של כיסוי קרקע כשהיער יתחדש. כדי שהשינויים האלה ייחשבו כצמיחה או התאוששות, הערכים הספקטרליים צריכים להיות קרובים לקו מגמה עולה (למשל, שיפוע חיובי שאם יורחב ל-20 שנה בערך, יהיה בסדר גודל של 0.10 יחידות של NDVI) שנמשך כמה שנים.
`Land_Cover_Raw_Probability_Trees`	‫30 מטרים	ההסתברות המחושבת של עצים לפי מודל LCMS. מוגדרת כך: רוב הפיקסל מורכב מעצים חיים או מעצים מתים שעומדים.
`Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix`	‫30 מטרים	ההסתברות הגולמית של LCMS שנוצרה על ידי מודל לכיסוי של שיחים גבוהים ועצים (אלסקה בלבד). מוגדר כ: רוב הפיקסל מורכב משיחים בגובה של יותר ממטר אחד, וגם מורכב מ-10% לפחות של עצים חיים או עצים מתים עומדים.
`Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix`	‫30 מטרים	ההסתברות המחושבת של תערובת שיחים ועצים במודל LCMS Raw. מוגדרת כ: רוב הפיקסלים מורכבים משיחים, וגם מורכבים מ-10% לפחות של עצים חיים או עצים מתים.
`Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix`	‫30 מטרים	ההסתברות המחושבת הגולמית של תערובת דשא/עשב/צמחים ועצים במודל LCMS. הגדרה: רוב הפיקסל מורכב מדשאים רב-שנתיים, מצמחי מרפא או מצורות אחרות של צמחייה עשבונית, וגם מורכב מ-10% לפחות של עצים חיים או עצים מתים שעומדים.
`Land_Cover_Raw_Probability_Barren-and-Trees-Mix`	‫30 מטרים	ההסתברות המחושבת של תערובת של קרקע חשופה ועצים, על סמך נתוני LCMS. מוגדרת כך: רוב הפיקסל מורכב מקרקע חשופה שנחשפה כתוצאה מהפרעה (למשל, קרקע שנחשפה כתוצאה מפינוי מכני או כריתת יערות), וגם מאזורים חשופים באופן קבוע כמו מדבריות, מישורי מלח, סלעים חשופים (כולל מינרלים וחומרים גיאולוגיים אחרים שנחשפו כתוצאה מפעולות כרייה על פני השטח), דיונות חול, אגמי מלח וחופים. גם דרכים שעשויות מעפר ומחצץ נחשבות לקרקע חשופה, והן מורכבות גם מ-10% לפחות של עצים חיים או עצים מתים.
`Land_Cover_Raw_Probability_Tall-Shrubs`	‫30 מטרים	ההסתברות המחושבת של LCMS לגבי שיחים גבוהים (אלסקה בלבד). מוגדרת כך: רוב הפיקסלים מורכבים משיחים בגובה של יותר ממטר.
`Land_Cover_Raw_Probability_Shrubs`	‫30 מטרים	ההסתברות הגולמית של שיחים שחושבה על ידי מודל LCMS. הגדרה: רוב הפיקסל מורכב משיחים.
`Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix`	‫30 מטרים	ההסתברות המחושבת של תערובת של עשבים, צמחים עשבוניים ושיחים. מוגדרת כך: רוב הפיקסל מורכב מעשבים רב-שנתיים, צמחים עשבוניים או צורות אחרות של צמחייה עשבונית, וגם מורכב משיחים בשיעור של 10% לפחות.
`Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix`	‫30 מטרים	ההסתברות המחושבת של תערובת של שיחים ושטחים חשופים. מוגדרת כך: רוב הפיקסל מורכב מאדמה חשופה שנחשפה כתוצאה מהפרעה (למשל, אדמה שנחשפה כתוצאה מפינוי מכני או כריתת יערות), וגם מאזורים חשופים באופן קבוע כמו מדבריות, מישורי מלח, סלעים חשופים (כולל מינרלים וחומרים גיאולוגיים אחרים שנחשפו כתוצאה מפעולות כרייה על פני השטח), דיונות, מישורי מלח וחופים. גם דרכים שעשויות מאדמה ומחצץ נחשבות לשטחים חשופים, והן מורכבות גם משיחים בשיעור של לפחות 10%.
`Land_Cover_Raw_Probability_Grass-Forb-Herb`	‫30 מטרים	ההסתברות המחושבת של LCMS לכיסוי מלא של דשא, עשבים רחבי עלים או צמחי תבלין. ההגדרה: רוב הפיקסלים מורכבים מדשא רב-שנתי, עשבים רחבי עלים או צורות אחרות של צמחייה עשבונית.
`Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix`	‫30 מטרים	ההסתברות הגולמית של LCMS שמוצגת במודל היא של קרקע חשופה ושל תערובת של עשבים, צמחים רחבי עלים ועשבי תיבול. ההגדרה היא: רוב הפיקסל מורכב מקרקע חשופה שנחשפה כתוצאה מהפרעה (למשל, קרקע שנחשפה כתוצאה מפינוי מכני או כריתת יערות), וגם מאזורים חשופים רב-שנתיים כמו מדבריות, אגמי מלח, סלעים חשופים (כולל מינרלים וחומרים גיאולוגיים אחרים שנחשפו כתוצאה מפעולות כרייה על פני השטח), דיונות חול, מישורי מלח וחופים. גם דרכים שעשויות מעפר ומחצץ נחשבות לקרקע חשופה, והן מורכבות גם מ-10% לפחות של עשבים רב-שנתיים, צמחים רחבי עלים או צורות אחרות של צמחייה עשבונית.
`Land_Cover_Raw_Probability_Barren-or-Impervious`	‫30 מטרים	ההסתברות הגולמית של LCMS שמוצגת במודל לקרקע חשופה או בלתי חדירה. מוגדר כ: רוב הפיקסל מורכב מ-1) קרקע חשופה שנחשפה כתוצאה מהפרעה (למשל, קרקע שנחשפה כתוצאה מפינוי מכני או כריתת יערות), וגם אזורים שוממים באופן קבוע כמו מדבריות, מישורי מלח, סלעים חשופים (כולל מינרלים וחומרים גיאולוגיים אחרים שנחשפו כתוצאה מפעולות כרייה על פני השטח), דיונות חול, מישורי מלח וחופים. כבישים שעשויים מעפר ומחצץ נחשבים גם הם כשטחים שאינם חדירים למים, או כחומרים מלאכותיים שהמים לא יכולים לחדור דרכם, כמו כבישים סלולים, גגות וחניונים.
`Land_Cover_Raw_Probability_Snow-or-Ice`	‫30 מטרים	הסבירות המחושבת של שלג או קרח. מוגדרת כך: רוב הפיקסל מורכב משלג או מקרח.
`Land_Cover_Raw_Probability_Water`	‫30 מטרים	הסבירות המחושבת של מים במודל LCMS. מוגדרת כך: רוב הפיקסל מורכב ממים.
`Land_Use_Raw_Probability_Agriculture`	‫30 מטרים	ההסתברות המחושבת של חקלאות לפי מודל LCMS. מוגדרת כ: קרקע שמשמשת לייצור מזון, סיבים ודלקים, שנמצאת במצב צמחייה או במצב ללא צמחייה. כולל, בין היתר, שטחי גידול מעובדים ולא מעובדים, שטחי חציר, מטעים, כרמים, פעולות גידול בעלי חיים בשטח מוגבל ואזורים שנשתלו לצורך ייצור פירות, אגוזים או פירות יער. דרכים שמשמשות בעיקר לשימוש חקלאי (כלומר, לא משמשות לתחבורה ציבורית מעיר לעיר) נחשבות לשימוש חקלאי בקרקע.
`Land_Use_Raw_Probability_Developed`	‫30 מטרים	ההסתברות המחושבת של LCMS לסטטוס 'פותח'. הגדרה: קרקע שמכוסה במבנים מעשה ידי אדם (למשל: מגורים בצפיפות גבוהה, מסחר, תעשייה, כרייה או תחבורה), או תערובת של צמחייה (כולל עצים) ומבנים (למשל: מגורים בצפיפות נמוכה, מדשאות, מתקני פנאי, בתי קברות, מסדרונות תחבורה ושירותים וכו'), כולל כל קרקע שעברה שינוי פונקציונלי כתוצאה מפעילות אנושית.
`Land_Use_Raw_Probability_Forest`	‫30 מטרים	הסבירות המחושבת של יער על פי מודל LCMS. מוגדר כיער: שטח שבו נשתלו עצים או שצומחים בו עצים באופן טבעי, ושכולל (או סביר שיכלול) כיסוי עצים של 10% או יותר בשלב כלשהו במהלך רצף סוקצסיוני בטווח הקרוב. יכול להיות שהשטח כולל יערות טבעיים נשירים, יערות טבעיים ירוקי עד או יערות טבעיים מעורבים, מטעי יער וביצות עם צמחייה מעוצה.
`Land_Use_Raw_Probability_Other`	‫30 מטרים	ההסתברות המחושבת של 'אחר' במודל LCMS. מוגדרת כ: קרקע (ללא קשר לשימוש) שבה המגמה הספקטרלית או ראיות תומכות אחרות מצביעות על כך שהתרחשו הפרעה או אירוע שינוי, אבל לא ניתן לקבוע את הסיבה הסופית או שסוג השינוי לא עומד באף אחת מקטגוריות תהליך השינוי שהוגדרו למעלה.
`Land_Use_Raw_Probability_Rangeland-or-Pasture`	‫30 מטרים	הסבירות המחושבת של אזור להיות שטח מרעה או אדמה חקלאית, על סמך מודל LCMS. ההגדרה: הקטגוריה הזו כוללת כל אזור שהוא א.) שטח מרעה, שבו הצמחייה היא תערובת של עשבים מקומיים, שיחים, עשבים רחבי עלים וצמחים דמויי עשב, שצומחים בעיקר כתוצאה מגורמים ותהליכים טבעיים כמו גשם, טמפרטורה, גובה ושריפות, למרות שניהול מוגבל עשוי לכלול גם שריפות מבוקרות וגם רעייה של אוכלי עשב ביתיים ופראיים; או ב.) אדמה חקלאית, שבה הצמחייה יכולה להיות מגוונת, בעיקר עשבים טבעיים, עשבים רחבי עלים ועשבי תיבול, או צמחייה מנוהלת יותר שבה יש בעיקר מיני עשבים שנזרעו וטופלו כדי לשמור על מצב של כמעט חד-תרבות.
`QA_Bits`	‫30 מטרים	מידע נוסף על המקור של ערכי הפלט השנתיים של מוצר LCMS.
מסכת ביטים של QA_Bits ביט 0: האם הפיקסל הוא תוצאה של אינטרפולציה. ‫0: אינטרפולציה ‫1: לא בוצעה אינטרפולציה ביטים 1-5: החיישן שממנו הגיע הפיקסל. ‫4: Landsat 4 ‫5: Landsat 5 ‫7: Landsat 7 ‫8: Landsat 8 ‫9: Landsat 9 ‫21: Sentinel 2A ‫22: Sentinel 2B ביטים 6-14: היום בשנה שממנו הגיע הפיקסל (1-365).

טבלת שינוי סיווג

ערך	צבע	תיאור
1	#ff09f3	רוח
2	#541aff	הוריקן
3	#e4f5fd	מעבר של שלג או קרח
4	#cc982e	ייבוש
5	#0adaff	הצפה
6	#a10018	שריפה מבוקרת
7	#d54309	Wildfire
8	#fafa4b	שינוי מכני של הקרקע
9	‎#afde1c	כריתת עצים
10	#ffc80d	הפלה
11	#a64c28	חיפושית האורן הדרומי
12	#f39268	עקה כתוצאה מחרקים, מחלות או בצורת
13	#c291d5	הפסד אחר
14	#00a398	צמיחה של צמחייה
15	#3d4551	אורווה
16	#1b1716	מסכה של אזור שלא עובר עיבוד

טבלת סיווג Land_Cover

ערך	צבע	תיאור
1	#004e2b	עצים
2	#009344	Tall Shrubs & Trees Mix (אלסקה בלבד)
3	#61bb46	מיקס של שיחים ועצים
4	#acbb67	תערובת של דשא, עשבים ועצים
5	#8b8560	מיקס של שטח חשוף ועצים
6	#cafd4b	שיחים גבוהים (אלסקה בלבד)
7	#f89a1c	שיחים
8	#8fa55f	תערובת של דשא, עשבים ושיחים
9	#bebb8e	מיקס של צמחים עקרים ושיחים
10	#e5e98a	עשב/צמח עשבוני/תבלין
11	#ddb925	Barren & Grass/Forb/Herb Mix
12	#893f54	שומם או אטום
13	#e4f5fd	שלג או קרח
14	#00b6f0	מים
15	#1b1716	מסכה של אזור שלא עובר עיבוד

טבלת סיווג Land_Use

ערך	צבע	תיאור
1	#fbff97	חקלאות
2	#e6558b	פותח
3	#004e2b	יער
4	#9dbac5	אחר
5	#a6976a	שטחי מרעה
6	#1b1716	מסכה של אזור שלא עובר עיבוד

מאפייני תמונה

מאפייני תמונה

שם	סוג	תיאור
study_area	מחרוזת	הגרסה הזו של LCMS מכסה את 48 המדינות של ארה"ב היבשתית, אלסקה, פוארטו ריקו, איי הבתולה של ארה"ב והוואי. ערכים אפשריים: CONUS, AK, PRUSVI, HAWAII
גרסה	מחרוזת	גרסת המוצר
startYear	INT	שנת ההתחלה של המוצר
endYear	INT	שנת הסיום של המוצר
שנה	INT	שנת המוצר

תנאים והגבלות

תנאים והגבלות

שירות היערות של משרד החקלאות האמריקאי לא נותן אחריות, מפורשת או משתמעת, כולל אחריות לסחירות ולהתאמה למטרה מסוימת, ולא נושא באחריות משפטית או באחריות כלשהי לדיוק, למהימנות, לשלמות או לשימושיות של הנתונים הגיאו-מרחביים האלה, או לשימוש לא תקין או שגוי בנתונים הגיאו-מרחביים האלה. הנתונים הגיאו-מרחביים והמפות או הגרפיקות הקשורות לא מהווים מסמכים משפטיים, והם לא מיועדים לשימוש ככאלה. אסור להשתמש בנתונים ובמפות כדי לקבוע בעלות, תיאורים משפטיים או גבולות, סמכות שיפוט או הגבלות שעשויות לחול על קרקע ציבורית או פרטית. יכול להיות שסכנות טבעיות יופיעו בנתונים ובמפות, ויכול להיות שלא. לכן, משתמשים בקרקע צריכים לנקוט משנה זהירות. הנתונים דינמיים ועשויים להשתנות עם הזמן. באחריות המשתמש לוודא מהן המגבלות של הנתונים הגיאו-מרחביים ולהשתמש בנתונים בהתאם.

הנתונים האלה נאספו במימון ממשלת ארה"ב, ואפשר להשתמש בהם ללא הרשאות או עמלות נוספות. אם אתם משתמשים בנתונים האלה בפרסום, במצגת או במוצר מחקר אחר, עליכם לציין את המקור הבא:

שירות היערות של משרד החקלאות האמריקאי (USDA). 2025. USFS Landscape Change Monitoring System v2024.10 (Conterminous United States and Outer Conterminous United States). סולט לייק סיטי, יוטה.

ציטוטים ביבליוגרפיים

שירות היערות של משרד החקלאות האמריקאי (USDA). 2025. מערכת USFS למעקב אחר שינויים בנוף גרסה v2024.10 (ארצות הברית הרציפות ואזורים מרוחקים בארצות הברית הרציפות). סולט לייק סיטי, יוטה.
Breiman, L., ‫2001. Random Forests. ב-Machine Learning. Springer, 45: 5-32. doi:10.1023/A:1010933404324
Chastain, R., Housman, I., Goldstein, J., Finco, M., and Tenneson, K., ‫2019. השוואה אמפירית בין חיישנים של Sentinel-2A ו-2B MSI,‏ Landsat-8 OLI ו-Landsat-7 ETM של מאפיינים ספקטרליים בחלק העליון של האטמוספירה מעל ארצות הברית הרציפה. ב-Remote Sensing of Environment. Science Direct, 221: 274-285. doi:10.1016/j.rse.2018.11.012
‪Cohen, W. B., Yang, Z., and Kennedy, R., 2010. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 2. TimeSync - Tools for calibration and validation. In Remote Sensing of Environment. Science Direct, 114(12): 2911-2924. doi:10.1016/j.rse.2010.07.010
Cohen, W. B., יאנג, ז. (Yang, Z.‎), Healey, S. P., קנדי, ר. E., and Gorelick, N., 2018. ‫LandTrendr multispectral ensemble לזיהוי הפרעות ביערות. ב-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., יוז, מ.ג'יי (Hughes, M.J.‎), Laue, B., ‫2017. השוואה ואימות של אלגוריתם לזיהוי עננים במוצרי נתונים תפעוליים של Landsat. ב-Remote Sensing of Environment. Science Direct, 194: 379-390. doi:10.1016/j.rse.2017.03.026
‫U.S. Geological Survey, ‏ 2019. ‫USGS 3D Elevation Program Digital Elevation Model, accessed August 2022 at https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m
Healey, S. P., Cohen, W. B., יאנג, ז. (Yang, Z.‎), Kenneth Brewer, C., Brooks, E. B., Gorelick, N., Hernandez, A. J., Huang, C., ג'וזף יוז, מ', Kennedy, R. E., Loveland, T. R., Moisen, G. G., Schroeder, T. A., Stehman, S. V., Vogelmann, J. E., Woodcock, C. E., יאנג, ל. (Yang, L.‎) וג'ו, ז. (Zhu, Z.‎), 2018. מיפוי שינויים ביער באמצעות הכללה מוערמת: גישה של הרכבת מודלים. ב-Remote Sensing of Environment. ‪Science Direct, 204: 717-728. doi:10.1016/j.rse.2017.09.029
קנדי, ר. E., Yang, Z., and Cohen, W. B., ‫2010. זיהוי מגמות בהפרעות ביערות ובהתאוששות שלהם באמצעות סדרות זמן שנתיות של Landsat: 1. LandTrendr – אלגוריתמים לפילוח זמני. ב-Remote Sensing of Environment. ‪Science Direct, 114(12): 2897-2910. doi:10.1016/j.rse.2010.07.008
Kennedy, R., יאנג, ז. (Yang, Z.‎), Gorelick, N., Braaten, J., Cavalcante, L., Cohen, W., and Healey, S. 2018. הטמעה של אלגוריתם LandTrendr ב-Google Earth Engine. בחישה מרחוק. 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. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2124-2134.
‫Sentinel-Hub, ‏ 2021. Sentinel 2 Cloud Detector. [אונליין]. זמין בכתובת: https://github.com/sentinel-hub/sentinel2-cloud-detector
Weiss, A.D., ‫2001. ניתוח של מיקום טופוגרפי וצורות נוף Poster Presentation, ESRI Users Conference, San Diego, CAZhu, Z., and Woodcock, C. ה. ‫2012. זיהוי עננים וצללים של עננים בתמונות Landsat על בסיס אובייקטים. ‫118: 83-94.
Zhu, Z., and Woodcock, C. E., ‫2012. זיהוי של עננים וצללי עננים בתמונות Landsat על בסיס אובייקטים. ב-Remote Sensing of Environment. Science Direct, 118: 83-94. doi:10.1016/j.rse.2011.10.028
Zhu, Z., and Woodcock, C. E., ‫2014. זיהוי שינויים רציף וסיווג של כיסוי הקרקע באמצעות כל הנתונים הזמינים של Landsat. ב-Remote Sensing of Environment. Science Direct, 144: 152-171. doi:10.1016/j.rse.2014.01.011

מזהי DOI

סיור עם פלטפורמת Earth Engine

עורך קוד (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);

פתיחה ב-Code Editor

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

המוצר הזה הוא חלק מחבילת הנתונים של מערכת למעקב אחרי שינויים בנוף (LCMS). הוא מציג שינוי במודל LCMS, כיסוי קרקע ו/או סיווגים של שימוש בקרקע לכל שנה, ומכסה את ארצות הברית הרציפה (CONUS) וגם אזורים מחוץ ל-CONUS‏ (OCONUS), כולל אלסקה (AK), פוארטו ריקו ואיי הבתולה של ארה"ב (PRUSVI) ו…

USFS/GTAC/LCMS/v2024-10, change-detection,forest,gtac,landcover,landuse,landuse-landcover,lcms,redcastle-resources,usda,usfs

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

20.38379 -135.286387 52.459364 -56.446306

Google Earth Engine

https://developers.google.com/earth-engine/datasets

USFS Landscape Change Monitoring System v2024-10 (CONUS and OCONUS) [deprecated] קל לארגן דפים בעזרת אוספים אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.

תיאור

תחום תדרים

מאפייני תמונה

תנאים והגבלות

ציטוטים ביבליוגרפיים

מזהי DOI

סיור עם פלטפורמת Earth Engine

עורך קוד (JavaScript)

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