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

USFS/GTAC/LCMS/v2024-10
Disponibilità del set di dati
1985-01-01T00:00:00Z–2024-12-31T00:00:00Z
Fornitore di set di dati
Snippet di Earth Engine
ee.ImageCollection("USFS/GTAC/LCMS/v2024-10")
Tag
change-detection forest gtac landcover landuse landuse-landcover redcastle-resources usda usfs
lcms

Descrizione

Questo prodotto fa parte della suite di dati del sistema di monitoraggio dei cambiamenti del paesaggio (LCMS). Mostra le classi di cambiamento, copertura del suolo e/o uso del suolo modellate con LCMS per ogni anno e copre gli Stati Uniti contigui (CONUS) e le aree al di fuori dei CONUS (OCONUS), inclusi Alaska (AK), Portorico-Isole Vergini Americane (PRUSVI) e Hawaii (HI). I dati PRUSVI e HI v2024.10 verranno pubblicati alla fine dell'estate 2025. Per ora è possibile utilizzare i dati PRUSVI e HI LCMS v2023.9 (USFS/GTAC/LCMS/v2023-9).

LCMS è un sistema basato sul telerilevamento per mappare e monitorare i cambiamenti del paesaggio negli Stati Uniti. Il suo obiettivo è sviluppare un approccio coerente utilizzando le tecnologie più recenti e i progressi nel rilevamento dei cambiamenti per produrre una mappa "migliore disponibile" dei cambiamenti del paesaggio.

Gli output includono tre prodotti annuali: cambiamento, copertura del suolo e uso del suolo. L'output del modello di cambiamento si riferisce specificamente alla copertura vegetale e include perdita lenta, perdita rapida (che include anche cambiamenti idrologici come inondazioni o essiccazione) e aumento. Questi valori vengono previsti per ogni anno della serie temporale Landsat e fungono da prodotti di base per LCMS. Applichiamo un insieme di regole basate su set di dati ausiliari per creare il prodotto di cambiamento finale, che è un affinamento/riclassificazione del cambiamento modellato in 15 classi che forniscono esplicitamente informazioni sulla causa del cambiamento del paesaggio (ad es. Rimozione di alberi, incendi boschivi, danni causati dal vento). Le mappe della copertura e dell'utilizzo del suolo mostrano la copertura del suolo a livello di forma di vita e l'utilizzo del suolo a livello generale per ogni anno.

Poiché nessun algoritmo funziona meglio in tutte le situazioni, LCMS utilizza un insieme di modelli come predittori, il che migliora l'accuratezza della mappa in una serie di ecosistemi e processi di cambiamento (Healey et al., 2018). La suite risultante di mappe di cambiamento di LCMS, copertura del suolo e uso del suolo offre una rappresentazione olistica del cambiamento del paesaggio negli Stati Uniti dal 1985.

I livelli predittori per il modello LCMS includono gli output degli algoritmi di rilevamento delle variazioni LandTrendr e CCDC e informazioni sul terreno. L'accesso e l'elaborazione di tutti questi componenti vengono eseguiti utilizzando Google Earth Engine (Gorelick et al., 2017).

Per produrre compositi annuali per LandTrendr, sono stati utilizzati i dati di riflettanza al top dell'atmosfera di USGS Collection 2 Landsat Tier 1 e Sentinel 2A, 2B Level-1C. L'algoritmo di mascheramento delle nuvole cFmask (Foga et al., 2017), che è un'implementazione di Fmask 2.0 (Zhu e Woodcock, 2012) (solo Landsat), cloudScore (Chastain et al., 2019) (solo Landsat), s2cloudless (Sentinel-Hub, 2021) e Cloud Score plus (Pasquarella et al., 2023) (solo Sentinel 2) vengono utilizzati per mascherare le nuvole, mentre TDOM (Chastain et al., 2019) viene utilizzato per mascherare le ombre delle nuvole (Landsat e Sentinel 2). Per LandTrendr, viene quindi calcolato il medoide annuale per riassumere i valori senza nuvole e ombre di nuvole di ogni anno in un unico composito. Per il CCDC, sono stati utilizzati i dati di riflettanza di superficie Landsat Tier 1 della raccolta 2 dell'USGS per gli Stati Uniti continentali e i dati di riflettanza della parte superiore dell'atmosfera Landsat Tier 1 per AK, PRUSVI e HI.

La serie temporale composita viene segmentata temporalmente utilizzando LandTrendr (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).

Tutti i valori senza nuvole e ombre delle nuvole vengono segmentati anche temporalmente utilizzando l'algoritmo CCDC (Zhu e Woodcock, 2014).

I dati del predittore includono valori compositi grezzi, valori adattati di LandTrendr, differenze a coppie, durata del segmento, entità e pendenza della variazione, nonché coefficienti seno e coseno CCDC (prime tre armoniche), valori adattati e differenze a coppie, insieme a elevazione, pendenza, seno dell'aspetto, coseno dell'aspetto e indici di posizione topografica (Weiss, 2001) dai dati del programma 3D Elevation Program (3DEP) USGS da 10 m (U.S. Geological Survey, 2019).

I dati di riferimento vengono raccolti utilizzando TimeSync, uno strumento basato sul web che aiuta gli analisti a visualizzare e interpretare il record di dati Landsat dal 1984 a oggi (Cohen et al., 2010).

I modelli Random Forest (Breiman, 2001) sono stati addestrati utilizzando dati di riferimento di TimeSync e dati predittori di LandTrendr, CCDC e indici del terreno per prevedere le classi di cambiamento annuale, copertura del suolo e uso del suolo. Dopo la modellazione, istituiamo una serie di soglie di probabilità e insiemi di regole utilizzando set di dati ausiliari per migliorare gli output qualitativi delle mappe e ridurre commissioni e omissioni. Per saperne di più, consulta il documento LCMS Methods Brief incluso nella descrizione.

Risorse aggiuntive

Contatta [sm.fs.lcms@usda.gov] per eventuali domande o richieste di dati specifiche.

Bande

Dimensioni pixel
30 metri

Bande

Nome Dimensioni dei pixel Descrizione
Change metri

Final thematic LCMS change product. Per ogni anno vengono mappate un totale di quindici classi di variazione. A livello fondamentale, il cambiamento viene modellato con tre modelli Random Forest binari separati per ogni area di studio: perdita lenta, perdita rapida e guadagno. A ogni pixel viene assegnata la classe di variazione modellata con la probabilità più alta che superi anche una soglia specificata. Qualsiasi pixel che non abbia alcun valore superiore alla soglia rispettiva di ciascuna classe viene assegnato alla classe Stabile. Seguendo un insieme di regole che utilizza la classe di cambiamento modellata, i set di dati ausiliari (come TCC, MTBS e IDS) e i dati di copertura del suolo LCMS, a ogni pixel viene assegnata una delle 15 classi di causa del cambiamento perfezionate. Per informazioni dettagliate sul set di regole e sui set di dati ausiliari utilizzati, consulta il documento LCMS Methods Brief collegato nella Descrizione.

Land_Cover metri

Prodotto finale di copertura del suolo LCMS tematico. Un totale di 14 classi di copertura del suolo vengono mappate su base annua utilizzando dati di riferimento TimeSync e informazioni spettrali derivate dalle immagini Landsat. La copertura del suolo viene prevista utilizzando un singolo modello Random Forest multiclasse, che restituisce un array delle probabilità di ogni classe (proporzione degli alberi all'interno del modello Random Forest che "hanno scelto" ogni classe). Le classi finali vengono assegnate all'utilizzo del suolo con la probabilità più elevata. Prima di assegnare la classe di copertura del suolo con la probabilità più alta, a seconda dell'area di studio, sono state applicate una o più soglie di probabilità e regole utilizzando set di dati ausiliari. Per saperne di più sulle soglie di probabilità e sui set di regole, consulta il documento LCMS Methods Brief collegato nella descrizione. Sette classi di copertura del suolo indicano una singola copertura del suolo, in cui il tipo di copertura del suolo copre la maggior parte dell'area del pixel e nessun'altra classe copre più del 10% del pixel. Sono disponibili anche sette corsi misti. Questi rappresentano i pixel in cui un'ulteriore classe di copertura del suolo copre almeno il 10% del pixel.
Land_Use metri

Prodotto finale di uso del suolo LCMS tematico. Un totale di 5 classi di utilizzo del suolo vengono mappate annualmente utilizzando i dati di riferimento TimeSync e le informazioni spettrali derivate dalle immagini Landsat. L'uso del suolo viene previsto utilizzando un singolo modello Random Forest multiclasse, che restituisce un array delle probabilità di ogni classe (proporzione degli alberi all'interno del modello Random Forest che "hanno scelto" ogni classe). Le classi finali vengono assegnate all'utilizzo del suolo con la probabilità più elevata. Prima di assegnare la classe di utilizzo del suolo con la probabilità più elevata, sono stati applicati una serie di soglie di probabilità e set di regole utilizzando set di dati ausiliari. Per saperne di più sulle soglie di probabilità e sui set di regole, consulta il documento LCMS Methods Brief collegato nella descrizione.
Change_Raw_Probability_Slow_Loss metri

Probabilità modellata di perdita lenta LCMS grezza. La perdita lenta include le seguenti classi dall'interpretazione della procedura di modifica di TimeSync:

  • Declino strutturale: terreno in cui alberi o altra vegetazione legnosa vengono alterati fisicamente da condizioni di crescita sfavorevoli causate da fattori non antropogenici o non meccanici. Questo tipo di perdita dovrebbe generalmente creare una tendenza nei segnali spettrali (ad es. NDVI in diminuzione, umidità in diminuzione, SWIR in aumento e così via), ma la tendenza può essere sottile. Il declino strutturale si verifica negli ambienti con vegetazione legnosa, molto probabilmente a causa di insetti, malattie, siccità, pioggia acida e così via. Il declino strutturale può includere eventi di defogliazione che non comportano mortalità, come nel caso di infestazioni di falena zingara e tortrice del pino, che possono recuperare entro 1 o 2 anni.

  • Declino spettrale: un grafico in cui il segnale spettrale mostra una tendenza in una o più bande o indici spettrali (ad es. NDVI in diminuzione, umidità in diminuzione, SWIR in aumento e così via). Esempi includono casi in cui: a) la vegetazione non forestale/non legnosa mostra una tendenza al declino (ad es. NDVI in diminuzione, umidità in diminuzione; SWIR in aumento; ecc.) oppure b) in cui la vegetazione legnosa mostra una tendenza al declino non correlata alla perdita di vegetazione legnosa, ad esempio quando le chiome degli alberi maturi si chiudono con conseguente aumento dell'ombreggiatura, quando la composizione delle specie cambia da conifere a latifoglie o quando un periodo di siccità (anziché una siccità più forte e acuta) causa un apparente declino della vigoria, ma nessuna perdita di materiale legnoso o superficie fogliare.
Change_Raw_Probability_Fast_Loss metri

Probabilità modellata di perdita rapida LCMS non elaborata. Fast Loss include le seguenti classi dall'interpretazione della procedura di modifica di TimeSync:

  • Incendio: terreno alterato dal fuoco, indipendentemente dalla causa dell'accensione (naturale o antropogenica), dalla gravità o dall'uso del terreno.

  • Raccolto: terreno forestale in cui alberi, arbusti o altra vegetazione sono stati tagliati o rimossi con mezzi antropogenici. Alcuni esempi includono il taglio raso, il taglio di recupero dopo incendi o infestazioni di insetti, il diradamento e altre prescrizioni di gestione forestale (ad es. taglio di protezione/taglio di sementi).

  • Meccanica: terreno non forestale in cui alberi, arbusti o altra vegetazione sono stati tagliati o rimossi meccanicamente mediante catene, raschiatura, sega per arbusti, bulldozer o altri metodi di rimozione della vegetazione non forestale.

  • Vento/ghiaccio - Terreno (indipendentemente dall'uso) in cui la vegetazione è alterata dal vento di uragani, tornado, tempeste e altri eventi meteorologici gravi, tra cui pioggia gelata causata da tempeste di ghiaccio.

  • Idrologia: terreno in cui le inondazioni hanno alterato in modo significativo la copertura boschiva o altri elementi della copertura del suolo indipendentemente dall'uso del suolo (ad es. nuove miscele di ghiaia e vegetazione all'interno e intorno ai letti dei corsi d'acqua dopo un'inondazione).

  • Detriti - Terreno (indipendentemente dall'uso) alterato dal movimento di materiale naturale associato a frane, valanghe, vulcani, colate detritiche e così via.

  • Altro: terreno (indipendentemente dall'uso) in cui la tendenza spettrale o altre prove a supporto suggeriscono che si è verificato un evento di disturbo o cambiamento, ma la causa definitiva non può essere determinata o il tipo di cambiamento non rientra in nessuna delle categorie di processo di cambiamento definite sopra.
Change_Raw_Probability_Gain metri

Probabilità di guadagno modellata LCMS non elaborata. Definizione: terreno che mostra un aumento della copertura vegetativa dovuto alla crescita e alla successione in uno o più anni. Applicabile a tutte le aree che potrebbero esprimere un cambiamento spettrale associato alla ricrescita della vegetazione. Nelle aree sviluppate, la crescita può derivare dalla vegetazione matura e/o da prati e paesaggi appena installati. Nelle foreste, la crescita include la crescita della vegetazione da terreno nudo, nonché la crescita eccessiva di alberi intermedi e codominanti e/o di erbe e arbusti più bassi. I segmenti di crescita/recupero registrati dopo il taglio della foresta probabilmente passeranno attraverso diverse classi di copertura del terreno man mano che la foresta si rigenera. Affinché queste modifiche vengano considerate crescita/recupero, i valori spettrali devono seguire da vicino una linea di tendenza crescente (ad es. una pendenza positiva che, se estesa a circa 20 anni, sarebbe dell'ordine di 0,10 unità di NDVI) che persiste per diversi anni.
Land_Cover_Raw_Probability_Trees metri

Probabilità modellata LCMS non elaborata degli alberi. Definizione: la maggior parte del pixel è costituita da alberi vivi o morti in piedi.
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix metri

Probabilità modellata LCMS grezza di mix di arbusti alti e alberi (solo Alaska). Definito come: la maggior parte del pixel è costituita da arbusti di altezza superiore a 1 metro ed è anche costituita da almeno il 10% di alberi vivi o morti in piedi.
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix metri

Probabilità modellata LCMS non elaborata di mix di arbusti e alberi. Definizione: la maggior parte del pixel è costituita da arbusti e da almeno il 10% di alberi vivi o morti in piedi.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix metri

Probabilità modellata LCMS non elaborata di mix di erba/erbe/piante erbacee e alberi. Definizione: la maggior parte del pixel è costituita da erbe perenni, erbe o altre forme di vegetazione erbacea ed è costituita anche da almeno il 10% di alberi vivi o morti in piedi.
Land_Cover_Raw_Probability_Barren-and-Trees-Mix metri

Probabilità modellata LCMS non elaborata di Barren and Trees Mix. Definito come: la maggior parte del pixel è costituita da terreno nudo esposto a disturbi (ad es. terreno scoperto da disboscamento meccanico o raccolta forestale), nonché da aree perennemente aride come deserti, playas, affioramenti rocciosi (inclusi minerali e altri materiali geologici esposti da attività di estrazione mineraria di superficie), dune di sabbia, saline e spiagge. Anche le strade sterrate e ghiaiose sono considerate aride e sono composte da almeno il 10% di alberi vivi o morti in piedi.
Land_Cover_Raw_Probability_Tall-Shrubs metri

Probabilità modellata LCMS grezza di arbusti alti (solo Alaska). Definizione: la maggior parte del pixel è costituita da arbusti di altezza superiore a 1 metro.
Land_Cover_Raw_Probability_Shrubs metri

Probabilità modellata LCMS non elaborata di Arbusti. Definito come: la maggior parte del pixel è costituita da arbusti.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix metri

Probabilità modellata LCMS non elaborata di mix di erba/erbe/arbusti. Definito come: la maggior parte del pixel è costituita da erbe perenni, erbe o altre forme di vegetazione erbacea ed è costituita anche da almeno il 10% di arbusti.
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix metri

Probabilità modellata LCMS non elaborata di Barren and Shrubs Mix. Definito come: la maggior parte del pixel è costituita da terreno nudo esposto a disturbi (ad es. terreno scoperto da disboscamento meccanico o raccolta forestale), nonché da aree perennemente aride come deserti, playas, affioramenti rocciosi (inclusi minerali e altri materiali geologici esposti da attività di estrazione mineraria di superficie), dune di sabbia, saline e spiagge. Le strade sterrate e ghiaiose sono considerate aride e sono composte da almeno il 10% di arbusti.
Land_Cover_Raw_Probability_Grass-Forb-Herb metri

Probabilità modellata LCMS non elaborata di erba/erba/erba. Definizione: la maggior parte del pixel è composta da erbe perenni, erbe o altre forme di vegetazione erbacea.
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix metri

Probabilità modellata LCMS non elaborata di Barren e Grass/Forb/Herb Mix. Definizione: la maggior parte del pixel è costituita da terreno nudo esposto a disturbi (ad es. terreno scoperto da disboscamento meccanico o raccolta forestale), nonché da aree perennemente aride come deserti, playa, affioramenti rocciosi (inclusi minerali e altri materiali geologici esposti da attività di estrazione mineraria di superficie), dune di sabbia, saline e spiagge. Le strade sterrate e ghiaiose sono considerate aride e sono composte da almeno il 10% di erbe perenni, erbe infestanti o altre forme di vegetazione erbacea.
Land_Cover_Raw_Probability_Barren-or-Impervious metri

Probabilità modellata LCMS grezza di Barren o Impervious. Definito come: la maggior parte del pixel è costituita da 1) terreno nudo esposto a disturbi (ad es. terreno scoperto da disboscamento meccanico o raccolta forestale), nonché aree perennemente aride come deserti, playas, affioramenti rocciosi (inclusi minerali e altri materiali geologici esposti da attività di estrazione mineraria di superficie), dune di sabbia, saline e spiagge. Le strade sterrate e ghiaiose sono considerate anche aride o 2) materiali artificiali che l'acqua non può penetrare, come strade asfaltate, tetti e parcheggi.
Land_Cover_Raw_Probability_Snow-or-Ice metri

Probabilità grezza modellata di neve o ghiaccio LCMS. Definito come: la maggior parte del pixel è composta da neve o ghiaccio.
Land_Cover_Raw_Probability_Water metri

Probabilità modellata LCMS grezza di Acqua. Definito come: la maggior parte del pixel è composta da acqua.
Land_Use_Raw_Probability_Agriculture metri

Probabilità grezza di agricoltura modellata da LCMS. Definizione: terreno utilizzato per la produzione di cibo, fibre e combustibili, in stato vegetato o non vegetato. Sono inclusi, a titolo esemplificativo, terreni coltivati e non coltivati, terreni per la produzione di fieno, frutteti, vigneti, allevamenti intensivi e aree coltivate per la produzione di frutta, noci o bacche. Le strade utilizzate principalmente per l'agricoltura (ovvero non utilizzate per il trasporto pubblico da una città all'altra) sono considerate terreni agricoli.
Land_Use_Raw_Probability_Developed metri

Probabilità modellata LCMS grezza di Sviluppato. Definita come: terreno coperto da strutture artificiali (ad es. residenziale ad alta densità, commerciale, industriale, minerario o di trasporto) o da un mix di vegetazione (inclusi alberi) e strutture (ad es. residenziale a bassa densità, prati, impianti ricreativi, cimiteri, corridoi di trasporto e di servizi pubblici, ecc.), incluso qualsiasi terreno alterato funzionalmente dall'attività umana.
Land_Use_Raw_Probability_Forest metri

Probabilità modellata LCMS grezza di Forest. Definita come: terreno piantato o con vegetazione naturale e che contiene (o è probabile che contenga) una copertura arborea pari o superiore al 10% in un determinato momento di una sequenza di successione a breve termine. Queste possono includere categorie miste, decidue, sempreverdi e/o di foreste naturali, piantagioni forestali e zone umide boscose.
Land_Use_Raw_Probability_Other metri

Probabilità modellata LCMS grezza di Altro. Definita come: terreno (indipendentemente dall'uso) in cui la tendenza spettrale o altre prove a supporto suggeriscono che si è verificato un evento di disturbo o cambiamento, ma la causa definitiva non può essere determinata o il tipo di cambiamento non rientra in nessuna delle categorie di processo di cambiamento definite sopra.
Land_Use_Raw_Probability_Rangeland-or-Pasture metri

Probabilità modellata LCMS grezza di Rangeland o Pasture. Definita come: questa classe include qualsiasi area che sia a.) Pascolo, dove la vegetazione è un mix di erbe, arbusti, piante erbacee e piante simili all'erba autoctone che derivano in gran parte da fattori e processi naturali come pioggia, temperatura, altitudine e incendi, anche se una gestione limitata può includere incendi controllati e pascolo di erbivori domestici e selvatici; oppure b.) Pascolo, dove la vegetazione può variare da erbe miste, in gran parte naturali, erbe e piante erbacee a una vegetazione più gestita dominata da specie di erba che sono state seminate e gestite per mantenere una quasi monocultura.
QA_Bits metri

Informazioni ausiliarie sull'origine dei valori di output del prodotto LCMS annuale.

Modifica tabella di classificazione

Valore Colore Descrizione
1 #ff09f3

Wind
2 #541aff

Uragano
3 #e4f5fd

Transizione neve o ghiaccio
4 #cc982e

Essiccazione
5 #0adaff

Inondazione
6 #a10018

Incendio controllato
7 #d54309

Wildfire
8 #fafa4b

Trasformazione meccanica del terreno
9 #afde1c

Rimozione di alberi
10 #ffc80d

Defogliazione
11 #a64c28

Southern Pine Beetle
12 #f39268

Stress da insetti, malattie o siccità
13 #c291d5

Altra perdita
14 #00a398

Vegetation Successional Growth
15 #3d4551

Stabile
16 #1b1716

Maschera area non di elaborazione

Tabella delle classi di copertura del suolo

Valore Colore Descrizione
1 #004e2b

Alberi
2 #009344

Mix di arbusti e alberi alti (solo Alaska)
3 #61bb46

Mix di arbusti e alberi
4 #acbb67

Mix di erba/forb/erbe e alberi
5 #8b8560

Mix di terreni aridi e alberi
6 #cafd4b

Arbusti alti (solo Alaska)
7 #f89a1c

Cespugli
8 #8fa55f

Mix di erba, erbe e arbusti
9 #bebb8e

Barren & Shrubs Mix
10 #e5e98a

Erba/Forb/Erba
11 #ddb925

Mix di erbe/forb/erbe sterili e
12 #893f54

Arido o impermeabile
13 #e4f5fd

Neve o ghiaccio
14 #00b6f0

Acqua
15 #1b1716

Maschera area non di elaborazione

Tabella di classificazione dell'uso del suolo

Valore Colore Descrizione
1 #fbff97

Agricoltura
2 #e6558b

Sviluppato
3 #004e2b

Foresta
4 #9dbac5

Altro
5 #a6976a

Pascolo
6 #1b1716

Maschera area non di elaborazione

Proprietà immagini

Proprietà immagini

Nome Tipo Descrizione
study_area STRING

LCMS copre attualmente gli Stati Uniti contigui, l'Alaska, Portorico-Isole Vergini Americane e le Hawaii. Questa versione contiene CONUS. I dati per AK, PRUSVI e HI verranno pubblicati alla fine dell'estate 2025. Valori possibili: "CONUS, AK"
versione STRING

Versione del prodotto
startYear INT

Anno di inizio del prodotto
endYear INT

Anno di fine del prodotto
anno INT

Anno del prodotto

Termini e condizioni d'uso

Termini e condizioni d'uso

L'USDA Forest Service non fornisce alcuna garanzia, esplicita o implicita, comprese le garanzie di commerciabilità e idoneità per uno scopo particolare, né si assume alcuna responsabilità legale o responsabilità per l'accuratezza, l'affidabilità, la completezza o l'utilità di questi dati geospaziali, o per l'uso improprio o errato di questi dati geospaziali. Questi dati geospaziali e le mappe o i grafici correlati non sono documenti legali e non sono destinati a essere utilizzati come tali. I dati e le mappe non possono essere utilizzati per determinare titoli, proprietà, descrizioni o confini legali, giurisdizione legale o limitazioni che potrebbero essere in vigore su terreni pubblici o privati. I pericoli naturali possono essere rappresentati o meno nei dati e nelle mappe e gli utenti del territorio devono prestare la dovuta attenzione. I dati sono dinamici e possono cambiare nel tempo. L'utente è responsabile della verifica delle limitazioni dei dati geospaziali e del loro utilizzo di conseguenza.

Questi dati sono stati raccolti utilizzando finanziamenti del governo degli Stati Uniti e possono essere utilizzati senza ulteriori autorizzazioni o costi. Se utilizzi questi dati in una pubblicazione, una presentazione o un altro prodotto di ricerca, utilizza la seguente citazione:

Servizio forestale dell'USDA. 2025. USFS Landscape Change Monitoring System v2024.10 (Stati Uniti contigui e Stati Uniti contigui esterni). Salt Lake City, Utah.

Citazioni

Citazioni:

  • Servizio forestale dell'USDA. 2025. USFS Landscape Change Monitoring System v2024.10 (Stati Uniti contigui e Stati Uniti contigui esterni). Salt Lake City, Utah.

  • Breiman, L., 2001. Foreste casuali. In Machine Learning. Springer, 45: 5-32. doi:10.1023/A:1010933404324

  • Chastain, R., Housman, I., Goldstein, J., Finco, M. e Tenneson, K., 2019. Confronto empirico tra sensori di Sentinel-2A e 2B MSI, Landsat-8 OLI e Landsat-7 ETM delle caratteristiche spettrali della parte superiore dell'atmosfera negli Stati Uniti contigui. In 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. Rilevamento delle tendenze di disturbo e recupero delle foreste utilizzando serie temporali Landsat annuali: 2. TimeSync - Strumenti per la calibrazione e la convalida. 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. e Gorelick, N., 2018. Un insieme multispettrale LandTrendr per il rilevamento di disturbi forestali. 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. Confronto e convalida dell'algoritmo di rilevamento delle nuvole per i prodotti di dati Landsat operativi. In Remote Sensing of Environment. Science Direct, 194: 379-390. doi:10.1016/j.rse.2017.03.026

  • US Geological Survey, 2019. USGS 3D Elevation Program Digital Elevation Model, consultato ad agosto 2022 all'indirizzo 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., and Zhu, Z., 2018. Mapping forest change using stacked generalization: An ensemble approach. In Remote Sensing of Environment. Science Direct, 204: 717-728. doi:10.1016/j.rse.2017.09.029

  • Kennedy, R. E., Yang, Z. e Cohen, W. B., 2010. Rilevamento delle tendenze nel disturbo e nel recupero delle foreste utilizzando serie temporali Landsat annuali: 1. LandTrendr - Temporal segmentation algorithms. 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. e Healey, S. 2018. Implementazione dell'algoritmo LandTrendr su Google Earth Engine. Nel telerilevamento. MDPI, 10(5): 691. doi:10.3390/rs10050691

  • Pasquarella, V. J., Brown, C. F., Czerwinski, W., and Rucklidge, W. J., 2023. Valutazione completa della qualità delle immagini satellitari ottiche utilizzando l'apprendimento video debolmente supervisionato. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2124-2134.

  • Sentinel-Hub, 2021. Sentinel 2 Cloud Detector. [Online]. Disponibile all'indirizzo: https://github.com/sentinel-hub/sentinel2-cloud-detector

  • Weiss, A.D., 2001. Analisi della posizione topografica e delle forme del terreno Presentazione del poster, ESRI Users Conference, San Diego, CAZhu, Z., e Woodcock, C. E. 2012. Rilevamento di nuvole e ombre di nuvole basato su oggetti nelle immagini Landsat. 118: 83-94.

  • Zhu, Z. e Woodcock, C. E., 2012. Rilevamento di nuvole e ombre di nuvole basato su oggetti nelle immagini Landsat. In Remote Sensing of Environment. Science Direct, 118: 83-94. doi:10.1016/j.rse.2011.10.028

  • Zhu, Z. e Woodcock, C. E., 2014. Rilevamento continuo delle modifiche e classificazione della copertura del suolo utilizzando tutti i dati Landsat disponibili. In Remote Sensing of Environment. Science Direct, 144: 152-171. doi:10.1016/j.rse.2014.01.011

DOI

Esplorare con Earth Engine

Editor di codice (JavaScript)

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

var lcms = dataset.filterDate('2022', '2023')  // range: [1985, 2024]
               .filter('study_area == "CONUS"')  // or "AK" 
               .first();

Map.addLayer(lcms.select('Land_Cover'), {}, 'Land Cover');
Map.addLayer(lcms.select('Land_Use'), {}, 'Land Use');
Map.addLayer(lcms.select('Change'), {}, 'Vegetation Change', false);

Map.setCenter(-98.58, 38.14, 4);
Apri nell'editor di codice
Questo prodotto fa parte della suite di dati del sistema di monitoraggio dei cambiamenti del paesaggio (LCMS). Mostra le classi di cambiamento, copertura del suolo e/o uso del suolo modellate con LCMS per ogni anno e copre gli Stati Uniti contigui (CONUS) e le aree al di fuori del CONUS (OCONUS), tra cui Alaska (AK), Porto Rico-Isole Vergini Americane (PRUSVI) e…
USFS/GTAC/LCMS/v2024-10, change-detection,forest,gtac,landcover,landuse,landuse-landcover,redcastle-resources,usda,usfs
1985-01-01T00:00:00Z/2024-12-31T00:00:00Z
20.38379 -135.286387 52.459364 -56.446306
Google Earth Engine