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

Доступность набора данных

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

Производитель наборов данных

Геопространственное управление Центра полевых услуг и инноваций Лесной службы Министерства сельского хозяйства США (USFS) (FSIC-GO)

Фрагмент кода земляного двигателя

ee.ImageCollection("USFS/GTAC/LCMS/v2024-10")

Теги

change-detection forest gtac landcover landuse landuse-landcover redcastle-resources usda usfs lcms

Описание

Этот продукт является частью пакета данных Системы мониторинга изменений ландшафта (LCMS). Он отображает смоделированные в рамках LCMS изменения, землепользование и/или классы землепользования за каждый год и охватывает континентальную часть Соединенных Штатов (CONUS), а также территории за пределами CONUS (OCONUS), включая Аляску (AK), Пуэрто-Рико (Виргинские острова США) и Гавайи (HAWAII).

LCMS — это система дистанционного зондирования для картирования и мониторинга изменений ландшафта на территории Соединенных Штатов. Ее цель — разработка согласованного подхода с использованием новейших технологий и достижений в области обнаружения изменений для создания «наилучшей из доступных» карт изменений ландшафта.

Результаты модели включают три ежегодных продукта: изменение, растительный покров и землепользование. Модель изменения относится конкретно к растительному покрову и включает медленную потерю, быструю потерю (которая также включает гидрологические изменения, такие как затопление или высыхание) и прирост. Эти значения прогнозируются для каждого года временного ряда Landsat и служат основой для модели изменения растительного покрова (LCMS). Мы применяем набор правил, основанный на вспомогательных наборах данных, для создания окончательного продукта изменения, который представляет собой уточнение/переклассификацию смоделированного изменения на 15 классов, которые явно предоставляют информацию о причинах изменения ландшафта (например, вырубка деревьев, лесной пожар, повреждения от ветра). Карты растительного покрова и землепользования отображают растительный покров на уровне жизненных форм и землепользование в целом для каждого года.

Поскольку ни один алгоритм не обеспечивает наилучших результатов во всех ситуациях, LCMS использует ансамбль моделей в качестве предикторов, что повышает точность карт в различных экосистемах и процессах изменений (Healey et al., 2018). Полученный набор карт изменений, землепользования и растительного покрова, созданный с помощью LCMS, предлагает целостное представление об изменениях ландшафта на территории Соединенных Штатов с 1985 года.

Слои-предикторы для модели LCMS включают выходные данные алгоритмов обнаружения изменений LandTrendr и CCDC, а также информацию о рельефе местности. Доступ ко всем этим компонентам и их обработка осуществляются с помощью Google Earth Engine (Gorelick et al., 2017).

Для создания ежегодных композитов для LandTrendr использовались данные отражательной способности верхней границы атмосферы из коллекции USGS Collection 2 Landsat Tier 1 и Sentinel 2A, 2B Level-1C. Для маскирования облаков использовались алгоритмы cFmask (Foga et al., 2017), являющийся реализацией Fmask 2.0 (Zhu and Woodcock, 2012) (только для Landsat), cloudScore (Chastain et al., 2019) (только для Landsat), s2cloudless (Sentinel-Hub, 2021) и Cloud Score+ (Pasquarella et al., 2023) (только для Sentinel 2), а для маскирования теневых участков облаков — TDOM (Chastain et al., 2019) (Landsat и Sentinel 2). Для LandTrendr затем вычисляется годовой медианный показатель, который суммирует значения облачности и отсутствия облачной тени за каждый год в единый композитный показатель. Для CCDC использовались данные о поверхностной отражательной способности Landsat Tier 1 из коллекции 2 Геологической службы США (USGS) для континентальной части США и данные о отражательной способности верхней границы атмосферы Landsat Tier 1 для Аляски, Принс-Виллидж и Гавайев.

Составной временной ряд сегментируется по времени с помощью LandTrendr (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).

Все значения, свободные от облаков и теней, также сегментируются по времени с использованием алгоритма CCDC (Zhu and Woodcock, 2014).

Данные для прогнозирования включают исходные составные значения, значения, полученные с помощью LandTrendr, попарные различия, продолжительность сегмента, величину изменения и уклон, а также синусоидальные и косинусоидальные коэффициенты CCDC (первые 3 гармоники), полученные значения и попарные различия, наряду с высотой, уклоном, синусом экспозиции, косинусом экспозиции и индексами топографического положения (Weiss, 2001) из данных программы 3D-моделирования рельефа USGS (3DEP) с разрешением 10 м (Геологическая служба США, 2019).

Справочные данные собираются с помощью TimeSync, веб-инструмента, который помогает аналитикам визуализировать и интерпретировать данные Landsat с 1984 года по настоящее время (Cohen et al., 2010).

Модели случайного леса (Брейман, 2001) были обучены с использованием эталонных данных из TimeSync и данных-предикторов из LandTrendr, CCDC и индексов рельефа для прогнозирования ежегодных изменений, типов землепользования и классов землепользования. После моделирования мы устанавливаем ряд пороговых значений вероятности и наборов правил, используя вспомогательные наборы данных, чтобы улучшить качественные результаты картографирования и уменьшить ошибки и упущения. Более подробная информация содержится в кратком описании методов LCMS, включенном в раздел «Описание».

Дополнительные ресурсы

• Более подробный пример кода, демонстрирующий использование данных LCMS .

• LCMS Data Explorer — это веб-приложение, предоставляющее пользователям возможность просматривать, анализировать, обобщать и загружать данные LCMS.

• Более подробную информацию о методах и оценке точности можно найти в кратком руководстве по методам LCMS , а данные, метаданные и вспомогательные документы — в Центре геоданных LCMS .

• Строка HAWAII будет заменена на HI в предстоящем выпуске данных v2025.11.

По всем вопросам или запросам на предоставление конкретных данных обращайтесь по адресу [e-mail] .

Группы

Размер пикселя
30 метров

Группы

Имя	Размер пикселя	Описание
Change	метры	Итоговый тематический продукт LCMS по изменениям. Для каждого года отображается пятнадцать классов изменений. В основе модели изменений лежат три отдельные бинарные модели случайного леса для каждой исследуемой области: медленная потеря, быстрая потеря и прирост. Каждому пикселю присваивается класс моделируемых изменений с наибольшей вероятностью, превышающей заданный порог. Любой пиксель, значение которого не превышает порога для каждого класса, присваивается классу «Стабильность». В соответствии с набором правил, использующих класс моделируемых изменений, вспомогательные наборы данных (такие как TCC, MTBS и IDS) и данные LCMS о землепользовании, каждому пикселю присваивается один из 15 уточненных классов причин изменений. Полную информацию о наборе правил и используемых вспомогательных наборах данных см. в кратком описании методов LCMS, ссылка на которое приведена в разделе «Описание».
Land_Cover	метры	Итоговый тематический продукт LCMS по землепользованию. Ежегодно картируется в общей сложности 14 классов землепользования с использованием эталонных данных TimeSync и спектральной информации, полученной из изображений Landsat. Прогнозирование землепользования осуществляется с помощью единой многоклассовой модели случайного леса, которая выдает массив вероятностей каждого класса (доля деревьев в модели случайного леса, которые «выбирают» каждый класс). Окончательные классы присваиваются землепользованию с наибольшей вероятностью. Перед присвоением класса землепользования с наибольшей вероятностью, в зависимости от исследуемой области, применяются от одного до нескольких пороговых значений вероятности и наборов правил с использованием вспомогательных наборов данных. Более подробная информация о пороговых значениях вероятности и наборах правил содержится в кратком описании методов LCMS, ссылка на которое приведена в разделе «Описание». Семь классов землепользования обозначают один тип землепользования, где этот тип покрывает большую часть площади пикселя, и ни один другой класс не покрывает более 10% пикселя. Также существуют семь смешанных классов. Они представляют собой пиксели, в которых дополнительный класс землепользования покрывает не менее 10% пикселя.
Land_Use	метры	Итоговый тематический продукт LCMS по землепользованию. Ежегодно картируется в общей сложности 5 классов землепользования с использованием эталонных данных TimeSync и спектральной информации, полученной из изображений Landsat. Прогнозирование землепользования осуществляется с помощью единой многоклассовой модели случайного леса, которая выдает массив вероятностей каждого класса (доля деревьев в модели случайного леса, которые «выбрали» каждый класс). Окончательные классы присваиваются землепользованию с наибольшей вероятностью. Перед присвоением класса землепользования с наибольшей вероятностью был применен ряд пороговых значений вероятности и наборов правил с использованием вспомогательных наборов данных. Более подробная информация о пороговых значениях вероятности и наборах правил содержится в кратком описании методов LCMS, ссылка на которое приведена в разделе «Описание».
Change_Raw_Probability_Slow_Loss	метры	Исходные данные о вероятности потери данных из-за замедления, полученные с помощью модели LCMS. Потеря данных из-за замедления включает следующие классы в соответствии с интерпретацией процесса изменения TimeSync: Структурный упадок — это состояние почвы, где деревья или другая древесная растительность физически изменены неблагоприятными условиями произрастания, вызванными неантропогенными или немеханическими факторами. Этот тип потерь, как правило, должен создавать тенденцию в спектральном сигнале (сигналах) (например, снижение NDVI, снижение влажности, увеличение SWIR и т. д.), однако эта тенденция может быть незначительной. Структурный упадок происходит в средах с древесной растительностью, чаще всего из-за насекомых, болезней, засухи, кислотных дождей и т. д. Структурный упадок может включать в себя случаи опадения листьев, не приводящие к гибели растений, такие как заражение непарным шелкопрядом и еловой листоверткой, после чего растительность может восстановиться в течение 1-2 лет. Спектральное снижение — это график, на котором спектральный сигнал демонстрирует тенденцию в одном или нескольких спектральных диапазонах или индексах (например, снижение NDVI, снижение влажности, увеличение SWIR и т. д.). Примеры включают случаи, когда: а) нелесная/недревесная растительность демонстрирует тенденцию, указывающую на снижение (например, снижение NDVI, снижение влажности, увеличение SWIR и т. д.), или б) древесная растительность демонстрирует тенденцию к снижению, не связанную с потерей древесной растительности, например, когда смыкаются кроны зрелых деревьев, что приводит к увеличению затенения, когда видовой состав меняется с хвойных на лиственные породы, или когда засушливый период (в отличие от более сильной, острой засухи) вызывает видимое снижение жизнеспособности, но не приводит к потере древесного материала или листовой поверхности.
Change_Raw_Probability_Fast_Loss	метры	Исходные данные о вероятности быстрой потери данных, полученные с помощью модели LCMS. Быстрая потеря данных включает следующие классы в соответствии с интерпретацией процесса изменения TimeSync: Пожар — это изменение земель в результате пожара, независимо от причины возгорания (природная или антропогенная), интенсивности или землепользования. Вырубка – это рубка лесных массивов, где деревья, кустарники или другая растительность были вырублены или удалены в результате антропогенной деятельности. Примеры включают сплошную рубку, санитарную рубку после пожаров или нашествий насекомых, прореживание и другие методы управления лесами (например, выборочная рубка/вырубка семенных деревьев). Механическая обработка — нелесные участки, где деревья, кустарники или другая растительность были механически удалены или срублены с помощью цепей, сгребания, распиловки кустарника, бульдозеров или любых других методов удаления нелесной растительности. Ветер/лед — это территория (независимо от назначения), где растительность изменяется под воздействием ветра, вызванного ураганами, торнадо, штормами и другими суровыми погодными явлениями, включая ледяной дождь от ледяных бурь. Гидрология — это земли, где наводнение существенно изменило древесный покров или другие элементы растительного покрова независимо от землепользования (например, новые смеси гравия и растительности в руслах рек и вокруг них после наводнения). Обломки — это земли (независимо от их использования), измененные естественным движением материала, связанным с оползнями, лавинами, вулканами, селевыми потоками и т. д. Прочее - Земля (независимо от использования), где спектральная тенденция или другие подтверждающие данные указывают на то, что произошло нарушение или изменение, но окончательная причина не может быть установлена, или тип изменения не соответствует ни одной из категорий процесса изменения, определенных выше.
Change_Raw_Probability_Gain	метры	Исходные данные модели LCMS о вероятности увеличения растительного покрова. Определяется как: земли, демонстрирующие увеличение растительного покрова за счет роста и сукцессии в течение одного или более лет. Применимо к любым территориям, которые могут демонстрировать спектральные изменения, связанные с восстановлением растительности. На застроенных территориях рост может быть результатом созревания растительности и/или недавно высаженных газонов и ландшафтного дизайна. В лесах рост включает в себя рост растительности с голой земли, а также перекрытие промежуточных и содоминирующих деревьев и/или низкорослых трав и кустарников. Сегменты роста/восстановления, зафиксированные после лесозаготовки, вероятно, будут переходить через различные классы растительного покрова по мере восстановления леса. Для того чтобы эти изменения считались ростом/восстановлением, спектральные значения должны точно соответствовать восходящей линии тренда (например, положительный наклон, который, если его продлить до ~20 лет, будет порядка 0,10 единиц NDVI), которая сохраняется в течение нескольких лет.
Land_Cover_Raw_Probability_Trees	метры	Исходные данные о вероятности наличия деревьев, полученные с помощью модели LCMS. Определяется следующим образом: большая часть пикселя состоит из живых или стоящих мертвых деревьев.
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix	метры	Исходные данные модели LCMS о вероятности наличия смеси высоких кустарников и деревьев (только для Аляски). Определяется следующим образом: большая часть пикселя состоит из кустарников высотой более 1 м, а также содержит не менее 10% живых или стоящих мертвых деревьев.
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix	метры	Исходные данные модели LCMS о вероятности наличия смеси кустарников и деревьев. Определяется следующим образом: большая часть пикселя состоит из кустарников, а также содержит не менее 10% живых или стоящих мертвых деревьев.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix	метры	Исходные данные LCMS, моделирующие вероятность наличия смеси трав, разнотравья, злаков и деревьев. Определяется следующим образом: большая часть пикселя состоит из многолетних трав, злаков или других форм травянистой растительности, а также содержит не менее 10% живых или стоящих мертвых деревьев.
Land_Cover_Raw_Probability_Barren-and-Trees-Mix	метры	Исходные данные LCMS, моделирующие вероятность наличия смеси пустошей и деревьев. Определяется следующим образом: большая часть пикселя состоит из голой почвы, обнаженной в результате нарушений (например, почвы, обнажившейся в результате механической расчистки или вырубки леса), а также из постоянно бесплодных территорий, таких как пустыни, солончаки, скальные обнажения (включая минералы и другие геологические материалы, обнаженные в результате открытой добычи полезных ископаемых), песчаные дюны, солончаки и пляжи. Дороги из грунта и гравия также считаются бесплодными и также состоят как минимум на 10% из живых или стоящих мертвых деревьев.
Land_Cover_Raw_Probability_Tall-Shrubs	метры	Исходные данные модели LCMS о вероятности наличия высоких кустарников (только для Аляски). Определяется следующим образом: большая часть пикселя состоит из кустарников высотой более 1 м.
Land_Cover_Raw_Probability_Shrubs	метры	Исходные данные LCMS, моделирующие вероятность наличия кустарников. Определяется как: большая часть пикселя состоит из кустарников.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix	метры	Исходные данные LCMS, моделирующие вероятность наличия смеси трав, разнотравья, злаков и кустарников. Определяется следующим образом: большая часть пикселя состоит из многолетних трав, разнотравья или других форм травянистой растительности, а также содержит не менее 10% кустарников.
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix	метры	Исходные данные LCMS, моделирующие вероятность наличия смеси бесплодных земель и кустарников. Определяется следующим образом: большая часть пикселя состоит из голой почвы, обнаженной в результате нарушений (например, почвы, обнажившейся в результате механической расчистки или вырубки леса), а также из постоянно бесплодных территорий, таких как пустыни, солончаки, скальные обнажения (включая минералы и другие геологические материалы, обнаженные в результате открытой добычи полезных ископаемых), песчаные дюны, солончаки и пляжи. Дороги из грунта и гравия также считаются бесплодными и также содержат не менее 10% кустарников.
Land_Cover_Raw_Probability_Grass-Forb-Herb	метры	Исходные данные LCMS, моделирующие вероятность наличия травы/травы/травянистых растений. Определяется как: большая часть пикселя состоит из многолетних трав, травянистых растений или других форм травянистой растительности.
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix	метры	Исходные данные LCMS, моделирующие вероятность наличия бесплодных участков и смешанных зарослей трав, злаков и трав. Определяется следующим образом: большая часть пикселя состоит из голой почвы, обнаженной в результате нарушений (например, почвы, обнажившейся в результате механической расчистки или лесозаготовки), а также из постоянно бесплодных участков, таких как пустыни, солончаки, скальные обнажения (включая минералы и другие геологические материалы, обнаженные в результате открытой добычи полезных ископаемых), песчаные дюны, солончаки и пляжи. Дороги из грунта и гравия также считаются бесплодными и также состоят как минимум на 10% из многолетних трав, злаков или других форм травянистой растительности.
Land_Cover_Raw_Probability_Barren-or-Impervious	метры	Исходные данные модели LCMS о вероятности того, что местность бесплодна или непроницаема для воды. Определяется следующим образом: большая часть пикселя состоит из 1) голой почвы, обнаженной в результате нарушений (например, почвы, обнажившейся в результате механической расчистки или вырубки леса), а также постоянно бесплодных территорий, таких как пустыни, солончаки, скальные обнажения (включая минералы и другие геологические материалы, обнаженные в результате открытой добычи полезных ископаемых), песчаные дюны, солончаки и пляжи. Дороги из грунта и гравия также считаются бесплодными, или 2) искусственных материалов, которые не могут проникать в воду, таких как асфальтированные дороги, крыши и автостоянки.
Land_Cover_Raw_Probability_Snow-or-Ice	метры	Исходные данные модели LCMS о вероятности наличия снега или льда. Определяется как: большая часть пикселя состоит из снега или льда.
Land_Cover_Raw_Probability_Water	метры	Исходные данные LCMS, моделирующие вероятность наличия воды. Определяется как: большая часть пикселя состоит из воды.
Land_Use_Raw_Probability_Agriculture	метры	Исходные данные модели LCMS о вероятности сельскохозяйственного использования земель. Определение: Земля, используемая для производства продуктов питания, волокна и топлива, находящаяся в растительном или нерастительном состоянии. Сюда входят, помимо прочего, обрабатываемые и необрабатываемые пахотные земли, сенокосные угодья, сады, виноградники, животноводческие комплексы закрытого типа и участки, засаженные фруктами, орехами или ягодами. Дороги, используемые преимущественно в сельскохозяйственных целях (т.е. не используемые для общественного транспорта между городами), считаются сельскохозяйственным использованием земель.
Land_Use_Raw_Probability_Developed	метры	Исходные данные модели LCMS о вероятности застройки. Определяется как: земля, покрытая искусственными сооружениями (например, многоэтажная жилая застройка, коммерческие, промышленные, горнодобывающие или транспортные сооружения) или сочетанием растительности (включая деревья) и сооружений (например, малоэтажная жилая застройка, газоны, зоны отдыха, кладбища, транспортные и инженерные коридоры и т. д.), включая любую землю, функционально измененную деятельностью человека.
Land_Use_Raw_Probability_Forest	метры	Исходные данные модели LCMS о вероятности наличия леса. Определяется как: земля, засаженная деревьями или покрытая естественной растительностью, которая содержит (или, вероятно, будет содержать) 10% или более древесного покрова в какой-либо момент времени в течение краткосрочной сукцессионной последовательности. Это может включать лиственные, вечнозеленые и/или смешанные категории естественных лесов, лесные плантации и древесные водно-болотные угодья.
Land_Use_Raw_Probability_Other	метры	Исходная смоделированная вероятность «Прочее» по данным LCMS. Определяется как: Земля (независимо от использования), где спектральный тренд или другие подтверждающие данные указывают на произошедшее нарушение или изменение, но окончательная причина не может быть установлена, или тип изменения не соответствует ни одной из категорий процесса изменения, определенных выше.
Land_Use_Raw_Probability_Rangeland-or-Pasture	метры	Исходные данные модели LCMS о вероятности принадлежности к пастбищам или лугам. Определение: Этот класс включает любую территорию, которая является либо а) пастбищем, где растительность представляет собой смесь местных трав, кустарников, разнотравья и злакоподобных растений, в основном возникающих в результате природных факторов и процессов, таких как осадки, температура, высота над уровнем моря и пожары, хотя ограниченное управление может включать контролируемое выжигание, а также выпас домашних и диких травоядных животных; либо б) лугом, где растительность может варьироваться от смешанной, в основном естественной, из трав, разнотравья и злаков до более управляемой растительности, где преобладают злаковые виды, посеянные и обрабатываемые для поддержания почти монокультуры.
QA_Bits	метры	Дополнительная информация об источнике ежегодных значений объемов выпуска продукции LCMS.
Битовая маска для QA_Bits Бит 0: Определяет, интерполируется ли пиксель. 0: Интерполировано 1: Не интерполировано Биты 1-5: От какого датчика получен пиксель. 4: Landsat 4 5: Landsat 5 7: Landsat 7 8: Landsat 8 9: Landsat 9 21: Sentinel 2A 22: Sentinel 2B Биты 6-14: К какому юлианскому дню относится пиксель (1-365).

Изменить таблицу классов

Ценить	Цвет	Описание
1	#ff09f3	Ветер
2	#541aff	Ураган
3	#e4f5fd	Переход от снега к льду
4	#cc982e	Высыхание
5	#0adaff	Наводнение
6	#a10018	Контролируемый пожар
7	#d54309	Лесной пожар
8	#fafa4b	Механическая трансформация земель
9	#afde1c	Удаление деревьев
10	#ffc80d	Дефолиация
11	#a64c28	Южный сосновый жук
12	#f39268	Насекомые, болезни или засуха
13	#c291d5	Прочие убытки
14	#00a398	Последовательность роста растительности
15	#3d4551	Стабильный
16	#1b1716	Маска необрабатываемой области

Таблица классов землепользования

Ценить	Цвет	Описание
1	#004e2b	Деревья
2	#009344	Смесь высоких кустарников и деревьев (только для Аляски)
3	#61bb46	Смесь кустарников и деревьев
4	#acbb67	Смесь трав, злаков, растений и деревьев
5	#8b8560	Смесь пустоши и деревьев
6	#cafd4b	Высокие кустарники (только на Аляске)
7	#f89a1c	Кустарники
8	#8fa55f	Смесь трав, злаков, трав и кустарников
9	#bebb8e	Смесь пустоши и кустарников
10	#e5e98a	Трава/Травянистое растение/Прямоцветок
11	#ddb925	Бесплодная земля и смесь трав/трав/травянистых растений
12	#893f54	Бесплодные или непроницаемые
13	#e4f5fd	Снег или лед
14	#00b6f0	Вода
15	#1b1716	Маска необрабатываемой области

Таблица классов землепользования

Ценить	Цвет	Описание
1	#fbff97	Сельское хозяйство
2	#e6558b	Развитый
3	#004e2b	Лес
4	#9dbac5	Другой
5	#a6976a	Пастбища или луга
6	#1b1716	Маска необрабатываемой области

Свойства изображения

Свойства изображения

Имя	Тип	Описание
область_исследования	НИТЬ	Данная версия LCMS охватывает континентальную часть Соединенных Штатов, Аляску, Пуэрто-Рико (Виргинские острова США) и Гавайи. Возможные значения: 'CONUS, AK, PRUSVI, HAWAII'
версия	НИТЬ	Версия продукта
год начала	ИНТ	Год начала производства продукта
конец года	ИНТ	Год окончания производства продукта
год	ИНТ	Год выпуска продукта

Условия эксплуатации

Условия эксплуатации

Лесная служба Министерства сельского хозяйства США не предоставляет никаких гарантий, явных или подразумеваемых, включая гарантии товарной пригодности и пригодности для конкретной цели, а также не несет никакой юридической ответственности за точность, надежность, полноту или полезность этих геопространственных данных, а также за ненадлежащее или неправильное использование этих геопространственных данных. Эти геопространственные данные и связанные с ними карты или графические изображения не являются юридическими документами и не предназначены для использования в качестве таковых. Данные и карты не могут быть использованы для определения права собственности, правового описания или границ, юридической юрисдикции или ограничений, которые могут действовать на государственных или частных землях. Природные опасности могут быть или не быть отображены на данных и картах, и землепользователям следует проявлять должную осторожность. Данные являются динамическими и могут изменяться со временем. Пользователь несет ответственность за проверку ограничений геопространственных данных и за их использование в соответствии с ними.

Эти данные были собраны при финансовой поддержке правительства США и могут быть использованы без дополнительных разрешений или платы. При использовании этих данных в публикации, презентации или другом исследовательском продукте, пожалуйста, используйте следующую цитату:

Лесная служба Министерства сельского хозяйства США. 2025. Система мониторинга изменений ландшафта Лесной службы США, версия 2024.10 (континентальная часть США и внешние континентальные территории США). Солт-Лейк-Сити, штат Юта.

Цитаты

Ссылки:

• Лесная служба Министерства сельского хозяйства США. 2025. Система мониторинга изменений ландшафта Лесной службы США, версия 2024.10 (континентальная часть США и внешние континентальные территории США). Солт-Лейк-Сити, штат Юта.

• Брейман, Л., 2001. Случайные леса. В книге «Машинное обучение». Springer, 45: 5-32. doi:10.1023/A:1010933404324

• Частейн, Р., Хаусман, И., Голдштейн, Дж., Финко, М., и Теннесон, К., 2019. Эмпирическое сравнение спектральных характеристик верхней границы атмосферы на спутниках Sentinel-2A и 2B MSI, Landsat-8 OLI и Landsat-7 ETM над континентальной частью Соединенных Штатов. В книге «Дистанционное зондирование окружающей среды». Science Direct, 221: 274-285. doi:10.1016/j.rse.2018.11.012

• Коэн, В.Б., Янг, З., и Кеннеди, Р., 2010. Выявление тенденций в нарушении и восстановлении лесов с использованием ежегодных временных рядов Landsat: 2. TimeSync — инструменты для калибровки и проверки. В книге «Дистанционное зондирование окружающей среды». Science Direct, 114(12): 2911-2924. doi:10.1016/j.rse.2010.07.010

• Коэн, В.Б., Янг, З., Хили, С.П., Кеннеди, Р.Е. и Горелик, Н., 2018. Многоспектральный ансамбль LandTrendr для обнаружения нарушений в лесных массивах. В книге «Дистанционное зондирование окружающей среды». Science Direct, 205: 131-140. doi:10.1016/j.rse.2017.11.015

• Фога, С., Скарамуцца, П.Л., Го, С., Чжу, З., Диллей, Р.Д., Бекманн, Т., Шмидт, Г.Л., Дуайер, Дж.Л., Хьюз, М.Дж., Лауэ, Б., 2017. Сравнение и проверка алгоритмов обнаружения облаков для оперативных данных Landsat. В книге «Дистанционное зондирование окружающей среды». Science Direct, 194: 379-390. doi:10.1016/j.rse.2017.03.026

• Геологическая служба США, 2019. Цифровая модель рельефа в рамках программы 3D-моделирования рельефа USGS, доступна по адресу: https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m (август 2022 г.).

• Хили, С.П., Коэн, В.Б., Янг, З., Кеннет Брюэр, К., Брукс, Э.Б., Горелик, Н., Эрнандес, А.Дж., Хуанг, К., Джозеф Хьюз, М., Кеннеди, Р.Е., Ловеланд, Т.Р., Мойзен, Г.Г., Шредер, Т.А., Штеман, С.В., Фогельманн, Дж.Е., Вудкок, К.Е., Янг, Л., и Чжу, З., 2018. Картирование изменений лесов с использованием многоуровневой генерализации: ансамблевый подход. В книге «Дистанционное зондирование окружающей среды». Science Direct, 204: 717-728. doi:10.1016/j.rse.2017.09.029

• Кеннеди, Р. Э., Янг, З., и Коэн, В. Б., 2010. Выявление тенденций в нарушении и восстановлении лесов с использованием ежегодных временных рядов Landsat: 1. LandTrendr - алгоритмы временной сегментации. В книге «Дистанционное зондирование окружающей среды». Science Direct, 114(12): 2897-2910. doi:10.1016/j.rse.2010.07.008

• Кеннеди, Р., Янг, З., Горелик, Н., Браатен, Дж., Кавальканте, Л., Коэн, В. и Хили, С. 2018. Реализация алгоритма LandTrendr на Google Earth Engine. В журнале Remote Sensing. MDPI, 10(5): 691. doi:10.3390/rs10050691

• Паскуарелла, В. Дж., Браун, К. Ф., Червински, В., и Руклидж, В. Дж., 2023. Комплексная оценка качества оптических спутниковых изображений с использованием слабо контролируемого видеообучения. В сборнике трудов конференции IEEE/CVF по компьютерному зрению и распознаванию образов. 2124-2134.

• Sentinel-Hub, 2021. Детектор облаков Sentinel 2. [Онлайн]. Доступно по адресу: https://github.com/sentinel-hub/sentinel2-cloud-detector

• Вайсс, А.Д., 2001. Анализ топографического положения и форм рельефа. Постерная презентация, конференция пользователей ESRI, Сан-Диего. К.А.Жу, З., и Вудкок, К.Е., 2012. Обнаружение облаков и теней от облаков на основе объектов на изображениях Landsat. 118: 83-94.

• Чжу, З., и Вудкок, К.Е., 2012. Обнаружение облаков и теней от облаков на основе объектов на изображениях Landsat. В книге «Дистанционное зондирование окружающей среды». Science Direct, 118: 83-94. doi:10.1016/j.rse.2011.10.028

• Чжу, З., и Вудкок, К.Е., 2014. Непрерывное обнаружение изменений и классификация земельного покрова с использованием всех доступных данных Landsat. В книге «Дистанционное зондирование окружающей среды». Science Direct, 144: 152-171. doi:10.1016/j.rse.2014.01.011

DOI

• https://doi.org/10.1016/j.rse.2010.07.008
• https://doi.org/10.1016/j.rse.2010.07.010
• https://doi.org/10.1016/j.rse.2011.10.028
• https://doi.org/10.1016/j.rse.2014.01.011
• https://doi.org/10.1016/j.rse.2017.03.026
• https://doi.org/10.1016/j.rse.2017.09.029
• https://doi.org/10.1016/j.rse.2017.11.015
• https://doi.org/10.1016/j.rse.2018.11.012
• https://doi.org/10.1023/A:1010933404324
• https://doi.org/10.3390/rs10050691

Исследуйте мир с помощью Earth Engine.

Важно: Earth Engine — это платформа для научного анализа и визуализации геопространственных наборов данных петабайтного масштаба, предназначенная как для общественного блага, так и для коммерческих и государственных пользователей. Earth Engine бесплатна для использования в исследовательских, образовательных и некоммерческих целях. Для начала работы, пожалуйста, зарегистрируйтесь для доступа к Earth Engine.

Редактор кода (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);

Открыть в редакторе кода

Система мониторинга изменений ландшафта Лесной службы США, версия 2024.10 (на территории США и за рубежом)

Этот продукт является частью пакета данных Системы мониторинга изменений ландшафта (LCMS). Он отображает смоделированные в рамках LCMS изменения, землепользование и/или классы землепользования за каждый год и охватывает континентальную часть Соединенных Штатов (CONUS), а также территории за пределами CONUS (OCONUS), включая Аляску (AK), Пуэрто-Рико и Виргинские острова США (PRUSVI) и…

USFS/GTAC/LCMS/v2024-10, обнаружение изменений, лес, gtac, земельный покров, землепользование, землепользование-земельный покров, ресурсы Редкасла, 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

• https://doi.org/10.3390/rs10050691
• https://doi.org/10.3390/rs10050691