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

USFS/GTAC/LCMS/v2024-10
Disponibilidade de conjuntos de dados
1985-01-01T00:00:00Z–2024-12-31T00:00:00Z
Provedor de conjunto de dados
Snippet do Earth Engine
ee.ImageCollection("USFS/GTAC/LCMS/v2024-10")
Tags
change-detection forest gtac landcover landuse landuse-landcover redcastle-resources usda usfs
lcms

Descrição

Esse produto faz parte do pacote de dados do Sistema de monitoramento de mudanças na paisagem (LCMS, na sigla em inglês). Ele mostra a mudança modelada pelo LCMS, a cobertura da terra e/ou as classes de uso da terra para cada ano e abrange os Estados Unidos continentais (CONUS) e áreas fora dos CONUS (OCONUS), incluindo Alasca (AK), Porto Rico e Ilhas Virgens Americanas (PRUSVI) e Havaí (HI). Os dados do PRUSVI e do HI v2024.10 serão lançados no final do verão de 2025. Por enquanto, os dados PRUSVI e HI LCMS da v2023.9 podem ser usados (USFS/GTAC/LCMS/v2023-9).

O LCMS é um sistema de sensoriamento remoto para mapear e monitorar mudanças na paisagem em todo o território dos Estados Unidos. O objetivo é desenvolver uma abordagem consistente usando a tecnologia mais recente e avanços na detecção de mudanças para produzir um mapa "melhor disponível" de mudanças na paisagem.

As saídas incluem três produtos anuais: mudança, cobertura e uso da terra. A saída do modelo de mudança se relaciona especificamente à cobertura vegetal e inclui perda lenta, perda rápida (que também inclui mudanças hidrológicas, como inundação ou dessecação) e ganho. Esses valores são previstos para cada ano da série temporal do Landsat e servem como produtos básicos para o LCMS. Aplicamos um conjunto de regras com base em conjuntos de dados auxiliares para criar o produto de mudança final, que é um refinamento/reclassificação da mudança modelada em 15 classes que fornecem informações explícitas sobre a causa da mudança na paisagem (por exemplo, remoção de árvores, incêndios florestais, danos causados por vento). Os mapas de cobertura e uso da terra mostram a cobertura da terra no nível de forma de vida e o uso da terra no nível geral para cada ano.

Como nenhum algoritmo tem o melhor desempenho em todas as situações, o LCMS usa um conjunto de modelos como preditores, o que melhora a precisão do mapa em vários ecossistemas e processos de mudança (Healey et al., 2018). 2018). O conjunto resultante de mapas de mudança de LCMS, cobertura e uso da terra oferece uma representação holística da mudança de paisagem nos Estados Unidos desde 1985.

As camadas de previsão do modelo LCMS incluem saídas dos algoritmos de detecção de mudanças LandTrendr e CCDC, além de informações sobre o terreno. Todos esses componentes são acessados e processados usando o Google Earth Engine (Gorelick et al., 2017).

Para produzir composições anuais para o LandTrendr, foram usados dados de refletância no topo da atmosfera do Nível-1C do Landsat Tier 1 da Coleção 2 do USGS e do Sentinel 2A e 2B. O algoritmo de mascaramento de nuvem cFmask (Foga et al., 2017), que é uma implementação do Fmask 2.0 (Zhu e Woodcock, 2012) (somente Landsat), cloudScore (Chastain et al., 2019) (somente Landsat), s2cloudless (Sentinel-Hub, 2021) e Cloud Score plus (Pasquarella et al., 2023) (somente Sentinel 2) são usados para mascarar nuvens, enquanto o TDOM (Chastain et al., 2019) é usado para mascarar sombras de nuvens (Landsat e Sentinel 2). Para o LandTrendr, o medóide anual é calculado para resumir os valores sem nuvens e sem sombras de nuvens de cada ano em um único composto. Para o CCDC, foram usados dados de refletância da superfície do Landsat Tier 1 da Coleção 2 do United States Geological Survey (USGS) para o CONUS e dados de refletância da parte superior da atmosfera do Landsat Tier 1 para AK, PRUSVI e HI.

A série temporal composta é segmentada temporalmente usando o LandTrendr (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).

Todos os valores sem nuvens e sem sombras de nuvens também são segmentados temporalmente usando o algoritmo CCDC (Zhu e Woodcock, 2014).

Os dados do preditor incluem valores brutos compostos, valores ajustados do LandTrendr, diferenças aos pares, duração do segmento, magnitude e inclinação da mudança, coeficientes de seno e cosseno do CCDC (primeiros três harmônicos), valores ajustados e diferenças aos pares, além de elevação, inclinação, seno do aspecto, cosseno do aspecto e índices de posição topográfica (Weiss, 2001) dos dados do Programa de Elevação 3D (3DEP) de 10 m do USGS (U.S. Geological Survey, 2019).

Os dados de referência são coletados usando o TimeSync, uma ferramenta baseada na Web que ajuda os analistas a visualizar e interpretar o registro de dados do Landsat de 1984 até o presente (Cohen et al., 2010).

Os modelos de floresta aleatória (Breiman, 2001) foram treinados usando dados de referência do TimeSync e dados de previsão do LandTrendr, CCDC e índices de terreno para prever mudanças anuais, cobertura e classes de uso da terra. Após a modelagem, instituímos uma série de limites de probabilidade e conjuntos de regras usando conjuntos de dados auxiliares para melhorar as saídas de mapas qualitativos e reduzir a comissão e a omissão. Confira mais informações no resumo dos métodos do LCMS incluído na descrição.

Additional Resources

Entre em contato com [sm.fs.lcms@usda.gov] se tiver dúvidas ou solicitações de dados específicas.

Bandas

Tamanho do pixel
30 metros

Bandas

Nome Tamanho do pixel Descrição
Change metros

Produto final de mudança temática do LCMS. Um total de 15 classes de mudança são mapeadas para cada ano. Fundamentalmente, a mudança é modelada com três modelos binários separados de floresta aleatória para cada área de estudo: perda lenta, perda rápida e ganho. Cada pixel é atribuído à classe de mudança modelada com a maior probabilidade que também está acima de um limite especificado. Qualquer pixel que não tenha um valor acima do limite de cada classe é atribuído à classe "Estável". Seguindo um conjunto de regras que usa a classe de mudança modelada, conjuntos de dados auxiliares (como TCC, MTBS e IDS) e dados de cobertura da terra do LCMS, uma das 15 classes refinadas de causa da mudança é atribuída a cada pixel. Consulte o resumo dos métodos do LCMS vinculado na descrição para conferir todos os detalhes sobre o conjunto de regras e os conjuntos de dados auxiliares usados.

Land_Cover metros

Produto final de cobertura da terra do LCMS temático. Um total de 14 classes de cobertura da terra são mapeadas anualmente usando dados de referência do TimeSync e informações espectrais derivadas de imagens do Landsat. A cobertura da terra é prevista usando um único modelo de floresta aleatória multiclasse, que gera uma matriz das probabilidades de cada classe (proporção das árvores no modelo de floresta aleatória que "escolheram" cada classe). As classes finais são atribuídas ao uso do solo com a maior probabilidade. Antes de atribuir a classe de cobertura da terra com a maior probabilidade, dependendo da área de estudo, foram aplicados de um a vários limites de probabilidade e conjuntos de regras usando conjuntos de dados auxiliares. Para mais informações sobre os limites de probabilidade e conjuntos de regras, consulte o resumo dos métodos do LCMS vinculado na descrição. Sete classes de cobertura do solo indicam uma única cobertura, em que esse tipo cobre a maior parte da área do pixel e nenhuma outra classe cobre mais de 10% do pixel. Há também sete aulas mistas. Eles representam pixels em que uma classe adicional de cobertura do solo cobre pelo menos 10% do pixel.
Land_Use metros

Produto final de uso da terra do LCMS temático. Um total de cinco classes de uso da terra são mapeadas anualmente usando dados de referência do TimeSync e informações espectrais derivadas de imagens do Landsat. O uso do solo é previsto usando um único modelo de floresta aleatória multiclasse, que gera uma matriz das probabilidades de cada classe (proporção das árvores no modelo de floresta aleatória que "escolheram" cada classe). As classes finais são atribuídas ao uso do solo com a maior probabilidade. Antes de atribuir a classe de uso da terra com a maior probabilidade, foram aplicados uma série de limites de probabilidade e conjuntos de regras usando conjuntos de dados auxiliares. Para mais informações sobre os limites de probabilidade e conjuntos de regras, consulte o resumo dos métodos do LCMS vinculado na descrição.
Change_Raw_Probability_Slow_Loss metros

Probabilidade bruta modelada de perda lenta do LCMS. A perda lenta inclui as seguintes classes da interpretação do processo de mudança do TimeSync:

  • Declínio estrutural: terreno em que árvores ou outra vegetação lenhosa são fisicamente alteradas por condições de crescimento desfavoráveis causadas por fatores não antropogênicos ou não mecânicos. Esse tipo de perda geralmente cria uma tendência nos sinais espectrais (por exemplo, NDVI diminuindo, umidade diminuindo, SWIR aumentando etc.), mas a tendência pode ser sutil. O declínio estrutural ocorre em ambientes de vegetação lenhosa, provavelmente devido a insetos, doenças, seca, chuva ácida etc. Ele pode incluir eventos de desfolha que não resultam em mortalidade, como infestações de mariposa-cigana e broca-do-pinheiro, que podem se recuperar em um ou dois anos.

  • Declínio espectral: um gráfico em que o sinal espectral mostra uma tendência em uma ou mais bandas ou índices espectrais (por exemplo, NDVI diminuindo, umidade diminuindo, SWIR aumentando etc.). Exemplos incluem casos em que: a) a vegetação não florestal/não lenhosa mostra uma tendência sugestiva de declínio (por exemplo, diminuição do NDVI, da umidade, do SWIR etc.) ou b) a vegetação lenhosa mostra uma tendência de declínio que não está relacionada à perda de vegetação lenhosa, como quando as copas das árvores maduras se fecham, resultando em aumento do sombreamento, quando a composição das espécies muda de coníferas para árvores de madeira nobre ou quando um período seco (em vez de uma seca mais forte e aguda) causa um declínio aparente no vigor, mas sem perda de material lenhoso ou área foliar.
Change_Raw_Probability_Fast_Loss metros

Probabilidade bruta modelada de perda rápida de LCMS. A perda rápida inclui as seguintes classes da interpretação do processo de mudança do TimeSync:

  • Incêndio: terra alterada por incêndio, independente da causa da ignição (natural ou antropogênica), da gravidade ou do uso da terra.

  • Colheita: terra florestal em que árvores, arbustos ou outra vegetação foram cortados ou removidos por meios antropogênicos. Exemplos incluem corte raso, corte de salvamento após incêndios ou surtos de insetos, desbaste e outras prescrições de manejo florestal (por exemplo, colheita de proteção/árvore-semente).

  • Mecânico: terra não florestal em que árvores, arbustos ou outra vegetação foram cortados ou removidos mecanicamente por encadeamento, raspagem, serragem de arbustos, nivelamento ou qualquer outro método de remoção de vegetação não florestal.

  • Vento/gelo: terra (independente do uso) em que a vegetação é alterada por ventos de furacões, tornados, tempestades e outros eventos climáticos extremos, incluindo chuva congelada de tempestades de gelo.

  • Hidrologia: terra em que as inundações alteraram significativamente a cobertura vegetal ou outros elementos de cobertura terrestre, independente do uso da terra (por exemplo, novas misturas de cascalho e vegetação em leitos de rios e ao redor deles após uma enchente).

  • Detritos: terra (independente do uso) alterada por movimento de material natural associado a deslizamentos de terra, avalanches, vulcões, fluxos de detritos etc.

  • Outro: terra (independente do uso) em que a tendência espectral ou outras evidências sugerem que ocorreu um evento de perturbação ou mudança, mas não é possível determinar a causa definitiva ou o tipo de mudança não se enquadra em nenhuma das categorias de processo de mudança definidas acima.
Change_Raw_Probability_Gain metros

Probabilidade bruta modelada de ganho do LCMS. Definição: terra que apresenta um aumento na cobertura vegetal devido ao crescimento e à sucessão ao longo de um ou mais anos. Aplicável a áreas que podem expressar mudanças espectrais associadas ao crescimento da vegetação. Em áreas desenvolvidas, o crescimento pode resultar da vegetação em maturação e/ou de gramados e paisagismo recém-instalados. Em florestas, o crescimento inclui o crescimento da vegetação em solo sem cobertura, bem como o crescimento de árvores intermediárias e codominantes e/ou gramíneas e arbustos mais baixos. Os segmentos de crescimento/recuperação registrados após a colheita florestal provavelmente vão passar por diferentes classes de cobertura da terra à medida que a floresta se regenera. Para que essas mudanças sejam consideradas crescimento/recuperação, os valores espectrais precisam seguir de perto uma linha de tendência crescente (por exemplo, uma inclinação positiva que, se estendida por cerca de 20 anos, seria da ordem de 0,10 unidades de NDVI) que persiste por vários anos.
Land_Cover_Raw_Probability_Trees metros

Probabilidade bruta modelada de LCMS de árvores. Definido como: a maioria dos pixels é composta de árvores vivas ou mortas em pé.
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix metros

Probabilidade bruta modelada de LCMS de mistura de arbustos altos e árvores (somente no Alasca). Definido como: a maioria dos pixels é composta por arbustos com mais de 1 m de altura e também por pelo menos 10% de árvores vivas ou mortas em pé.
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix metros

Probabilidade bruta modelada de LCMS de arbustos e árvores. Definido como: a maioria dos pixels é composta por arbustos e também por pelo menos 10% de árvores vivas ou mortas em pé.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix metros

Probabilidade bruta modelada de LCMS de grama/herbácea/erva e mistura de árvores. Definição: a maioria dos pixels é composta por gramíneas perenes, ervas ou outras formas de vegetação herbácea e também por pelo menos 10% de árvores vivas ou mortas em pé.
Land_Cover_Raw_Probability_Barren-and-Trees-Mix metros

Probabilidade bruta modelada de LCMS de Barren and Trees Mix. Definido como: a maioria dos pixels é composta de solo exposto por perturbações (por exemplo, solo descoberto por limpeza mecânica ou colheita florestal), bem como áreas permanentemente áridas, como desertos, lagos secos, afloramentos rochosos (incluindo minerais e outros materiais geológicos expostos por atividades de mineração a céu aberto), dunas de areia, salinas e praias. Estradas de terra e cascalho também são consideradas áreas áridas e têm pelo menos 10% de árvores vivas ou mortas em pé.
Land_Cover_Raw_Probability_Tall-Shrubs metros

Probabilidade bruta modelada de LCMS de arbustos altos (somente no Alasca). Definido como: a maioria dos pixels é composta por arbustos com mais de 1 m de altura.
Land_Cover_Raw_Probability_Shrubs metros

Probabilidade bruta estimada de arbustos do LCMS. Definido como: a maioria dos pixels é composta por arbustos.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix metros

Probabilidade bruta modelada de LCMS de gramíneas/herbáceas/ervas e arbustos. Definido como: a maioria dos pixels é composta por gramíneas perenes, ervas ou outras formas de vegetação herbácea e também por pelo menos 10% de arbustos.
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix metros

Probabilidade bruta estimada de LCMS de Barren and Shrubs Mix. Definido como: a maioria dos pixels é composta de solo exposto por perturbações (por exemplo, solo descoberto por limpeza mecânica ou colheita florestal), bem como áreas permanentemente áridas, como desertos, lagos secos, afloramentos rochosos (incluindo minerais e outros materiais geológicos expostos por atividades de mineração a céu aberto), dunas de areia, salinas e praias. Estradas de terra e cascalho também são consideradas áridas e têm pelo menos 10% de arbustos.
Land_Cover_Raw_Probability_Grass-Forb-Herb metros

Probabilidade bruta modelada de LCMS de gramíneas/herbáceas/ervas. Definido como: a maioria dos pixels é composta de gramíneas perenes, ervas ou outras formas de vegetação herbácea.
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix metros

Probabilidade bruta modelada de LCMS de Barren e Grass/Forb/Herb Mix. Definido como: a maioria dos pixels é composta de solo exposto por perturbações (por exemplo, solo descoberto por desmatamento mecânico ou colheita florestal), bem como áreas permanentemente áridas, como desertos, playas, afloramentos rochosos (incluindo minerais e outros materiais geológicos expostos por atividades de mineração de superfície), dunas de areia, salinas e praias. Estradas de terra e cascalho também são consideradas áridas e são compostas por pelo menos 10% de gramíneas perenes, ervas ou outras formas de vegetação herbácea.
Land_Cover_Raw_Probability_Barren-or-Impervious metros

Probabilidade bruta modelada de LCMS de Barren ou Impervious. Definido como: a maioria dos pixels é composta por 1) solo exposto por perturbação (por exemplo, solo descoberto por limpeza mecânica ou colheita florestal), bem como áreas permanentemente áridas, como desertos, lagos secos, afloramentos rochosos (incluindo minerais e outros materiais geológicos expostos por atividades de mineração a céu aberto), dunas de areia, salinas e praias. Estradas de terra e cascalho também são consideradas áridas ou 2) materiais artificiais que a água não consegue penetrar, como estradas pavimentadas, telhados e estacionamentos.
Land_Cover_Raw_Probability_Snow-or-Ice metros

Probabilidade bruta modelada de neve ou gelo do LCMS. Definido como: a maioria dos pixels é composta de neve ou gelo.
Land_Cover_Raw_Probability_Water metros

Probabilidade bruta modelada de água do LCMS. Definido como: a maioria dos pixels é composta de água.
Land_Use_Raw_Probability_Agriculture metros

Probabilidade bruta modelada de LCMS de agricultura. Definido como: terra usada para a produção de alimentos, fibras e combustíveis, que está em estado vegetado ou não vegetado. Isso inclui, mas não se limita a, plantações cultivadas e não cultivadas, pastagens, pomares, vinhedos, operações de pecuária confinada e áreas plantadas para produção de frutas, nozes ou frutas vermelhas. As vias usadas principalmente para fins agrícolas (ou seja, não usadas para transporte público de cidade a cidade) são consideradas uso agrícola do solo.
Land_Use_Raw_Probability_Developed metros

Probabilidade bruta modelada de LCMS de "Desenvolvido". Definido como: terra coberta por estruturas feitas pelo homem (por exemplo, residencial de alta densidade, comercial, industrial, mineração ou transporte) ou uma mistura de vegetação (incluindo árvores) e estruturas (por exemplo, residencial de baixa densidade, gramados, instalações recreativas, cemitérios, corredores de transporte e utilidades etc.), incluindo qualquer terra funcionalmente alterada pela atividade humana.
Land_Use_Raw_Probability_Forest metros

Probabilidade bruta modelada de LCMS de floresta. Definida como: terra plantada ou naturalmente vegetada que contém (ou provavelmente vai conter) 10% ou mais de cobertura de árvores em algum momento durante uma sequência sucessional de curto prazo. Isso pode incluir categorias decíduas, perenes e/ou mistas de florestas naturais, plantações florestais e pântanos arborizados.
Land_Use_Raw_Probability_Other metros

Probabilidade bruta modelada de LCMS de "Outro". Definido como: terra (independente do uso) em que a tendência espectral ou outras evidências sugerem que ocorreu uma perturbação ou um evento de mudança, mas não é possível determinar a causa definitiva ou o tipo de mudança não se enquadra em nenhuma das categorias de processo de mudança definidas acima.
Land_Use_Raw_Probability_Rangeland-or-Pasture metros

Probabilidade bruta modelada de pastagem ou pasto do LCMS. Definida como: essa classe inclui qualquer área que seja a) Pastagem, onde a vegetação é uma mistura de gramíneas nativas, arbustos, ervas e plantas semelhantes a gramíneas, que surgem principalmente de fatores e processos naturais, como chuva, temperatura, altitude e fogo, embora o manejo limitado possa incluir queimadas controladas e pastoreio por herbívoros domésticos e selvagens; ou b.) Pastagem, onde a vegetação pode variar de gramíneas mistas, em grande parte naturais, ervas daninhas e ervas a vegetação mais manejada, dominada por espécies de gramíneas que foram semeadas e manejadas para manter quase monocultura.
QA_Bits metros

Informações complementares sobre a origem dos valores anuais de saída de produtos do LCMS.

Mudar tabela de classes

Valor Cor Descrição
1 #ff09f3

Wind
2 #541aff

Furacão
3 #e4f5fd

Transição de neve ou gelo
4 #cc982e

Dessecação
5 #0adaff

Inundação
6 #a10018

Queima controlada
7 #d54309

Wildfire
8 #fafa4b

Transformação mecânica da terra
9 #afde1c

Remoção de árvores
10 #ffc80d

Desfolha
11 #a64c28

Besouro-do-pinheiro-do-sul
12 #f39268

Estresse por insetos, doenças ou seca
13 #c291d5

Outra perda
14 #00a398

Crescimento sucessional da vegetação
15 #3d4551

Estável
16 #1b1716

Máscara de área não processada

Tabela de classes de cobertura da terra

Valor Cor Descrição
1 #004e2b

Árvores
2 #009344

Mistura de árvores e arbustos altos (somente no Alasca)
3 #61bb46

Mistura de arbustos e árvores
4 #acbb67

Mistura de gramíneas/herbáceas/ervas e árvores
5 #8b8560

Barren & Trees Mix
6 #cafd4b

Arbustos altos (somente no Alasca)
7 #f89a1c

Arbustos
8 #8fa55f

Mistura de gramíneas/herbáceas/ervas e arbustos
9 #bebb8e

Mistura de arbustos e vegetação rasteira
10 #e5e98a

Grama/forb/erva
11 #ddb925

Mistura de ervas/forbs/gramíneas e áreas sem vegetação
12 #893f54

Estéril ou impermeável
13 #e4f5fd

Neve ou gelo
14 #00b6f0

Água
15 #1b1716

Máscara de área não processada

Tabela de classes de uso do solo

Valor Cor Descrição
1 #fbff97

Agricultura
2 #e6558b

Desenvolvido
3 #004e2b

Floresta
4 #9dbac5

Outro
5 #a6976a

Campo ou pasto
6 #1b1716

Máscara de área não processada

Propriedades de imagens

Propriedades da imagem

Nome Tipo Descrição
study_area STRING

No momento, o LCMS abrange os Estados Unidos contíguos, o Alasca, Porto Rico e as Ilhas Virgens Americanas, além do Havaí. Esta versão contém CONUS. Os dados do AK, PRUSVI e HI serão lançados no final do verão de 2025. Valores possíveis: "CONUS, AK"
version STRING

Versão do produto
startYear INT

Ano de início do produto
endYear INT

Ano de término do produto
ano INT

Ano do produto

Termos de Uso

Termos de Uso

O Serviço Florestal do USDA não oferece garantias, expressas ou implícitas, incluindo as garantias de comercialização e adequação a uma finalidade específica, nem assume qualquer responsabilidade legal pela precisão, confiabilidade, integridade ou utilidade desses dados geoespaciais ou pelo uso inadequado ou incorreto deles. Esses dados geoespaciais e mapas ou gráficos relacionados não são documentos legais e não devem ser usados como tal. Os dados e mapas não podem ser usados para determinar título, propriedade, descrições ou limites legais, jurisdição ou restrições que possam estar em vigor em terras públicas ou privadas. Os riscos naturais podem ou não ser representados nos dados e mapas, e os usuários de terra precisam ter cautela. Os dados são dinâmicos e podem mudar com o tempo. O usuário é responsável por verificar as limitações dos dados geoespaciais e usá-los de acordo com elas.

Esses dados foram coletados com financiamento do governo dos EUA e podem ser usados sem permissões ou taxas adicionais. Se você usar esses dados em uma publicação, apresentação ou outro produto de pesquisa, use a seguinte citação:

USDA Forest Service. 2025. Sistema de monitoramento de mudanças na paisagem da USFS v2024.10 (Estados Unidos contíguos e Estados Unidos contíguos externos). Salt Lake City, Utah.

Citações

Citações:

  • USDA Forest Service. 2025. Sistema de monitoramento de mudanças na paisagem da USFS v2024.10 (Estados Unidos contíguos e Estados Unidos contíguos externos). Salt Lake City, Utah.

  • Breiman, L., 2001. Florestas aleatórias. Em machine learning. Springer, 45: 5-32. doi:10.1023/A:1010933404324

  • Chastain, R., Housman, I., Goldstein, J., Finco, M. e Tenneson, K., 2019. Comparação empírica entre sensores das características espectrais do Sentinel-2A e 2B MSI, do Landsat-8 OLI e do Landsat-7 ETM no topo da atmosfera nos Estados Unidos contíguos. Em 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: ferramentas para calibragem e validação. Em 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. Um conjunto multiespectral do LandTrendr para detecção de distúrbios florestais. Em 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. Comparação e validação de algoritmos de detecção de nuvens para produtos de dados operacionais do Landsat. Em Remote Sensing of Environment. Science Direct, 194: 379-390. doi:10.1016/j.rse.2017.03.026

  • U.S. Geological Survey, 2019. Modelo digital de elevação do programa de elevação 3D do USGS, acessado em agosto de 2022 em 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., e Zhu, Z., 2018. Mapeamento da mudança florestal usando generalização empilhada: uma abordagem de ensemble. Em "Remote Sensing of Environment". Science Direct, 204: 717-728. doi:10.1016/j.rse.2017.09.029

  • Kennedy, R. E., Yang, Z., and Cohen, W. B., 2010. Detecção de tendências de perturbação e recuperação florestal usando séries temporais anuais do Landsat: 1. LandTrendr: algoritmos de segmentação temporal. Em 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., and Healey, S. 2018. Implementação do algoritmo LandTrendr no Google Earth Engine. Em sensoriamento remoto. MDPI, 10(5): 691. doi:10.3390/rs10050691

  • Pasquarella, V. J., Brown, C. F., Czerwinski, W. e Rucklidge, W. J., 2023. Avaliação abrangente da qualidade de imagens de satélite ópticas usando aprendizado de vídeo com supervisão fraca. Anais da Conferência IEEE/CVF sobre Visão Computacional e Reconhecimento de Padrões. 2124-2134.

  • Sentinel-Hub, 2021. Detector de nuvens do Sentinel 2. [On-line]. Disponível em: https://github.com/sentinel-hub/sentinel2-cloud-detector

  • Weiss, A.D., 2001. Análise de posição topográfica e relevos. Apresentação de pôsteres, Conferência de usuários da ESRI, San Diego, CAZhu, Z., e Woodcock, C. E. 2012. Detecção de nuvens e sombras de nuvens com base em objetos em imagens do Landsat. 118: 83-94.

  • Zhu, Z. e Woodcock, C. E., 2012. Detecção de nuvens e sombras de nuvens com base em objetos em imagens do Landsat. Em Remote Sensing of Environment. Science Direct, 118: 83-94. doi:10.1016/j.rse.2011.10.028

  • Zhu, Z. e Woodcock, C. E., 2014. Detecção contínua de mudanças e classificação da cobertura da terra usando todos os dados disponíveis do Landsat. Em Remote Sensing of Environment. Science Direct, 144: 152-171. doi:10.1016/j.rse.2014.01.011

DOIs

Explorar com o Earth Engine

Editor de código (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);
Abrir no editor de código
Esse produto faz parte do pacote de dados do Sistema de monitoramento de mudanças na paisagem (LCMS, na sigla em inglês). Ele mostra a mudança modelada pelo LCMS, a cobertura da terra e/ou as classes de uso da terra para cada ano e abrange os Estados Unidos contíguos (CONUS) e áreas fora dos CONUS (OCONUS), incluindo Alasca (AK), Porto Rico-Ilhas Virgens Americanas (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