- Veri Kümesi Kullanılabilirliği
- 1985-01-01T00:00:00Z–2024-12-31T00:00:00Z
- Veri Kümesi Sağlayıcı
- USDA Orman Hizmetleri (USFS) Saha Hizmetleri ve İnovasyon Merkezi Coğrafi Ofisi (FSIC-GO)
- Etiketler
Açıklama
Bu ürün, Landscape Change Monitoring System (LCMS) veri paketinin bir parçasıdır. Her yıl için LCMS ile modellenmiş değişiklik, arazi örtüsü ve/veya arazi kullanımı sınıflarını gösterir. Alaska (AK), Porto Riko-ABD Virgin Adaları (PRUSVI) ve Hawaii (HI) dahil olmak üzere CONUS dışındaki alanların (OCONUS) yanı sıra bitişik ABD'yi (CONUS) kapsar. PRUSVI ve HI v2024.10 verileri 2025 yılında yazın sonlarına doğru yayınlanacaktır. Şu an için v2023.9 PRUSVI ve HI LCMS verileri kullanılabilir (USFS/GTAC/LCMS/v2023-9).
LCMS, ABD genelinde peyzaj değişikliklerini haritalandırmak ve izlemek için kullanılan uzaktan algılamaya dayalı bir sistemdir. Bu projenin amacı, peyzaj değişikliğinin "mevcut en iyi" haritasını oluşturmak için en son teknolojiyi ve değişiklik algılamadaki gelişmeleri kullanarak tutarlı bir yaklaşım geliştirmektir.
Çıkışlar arasında üç yıllık ürün bulunur: değişim, arazi örtüsü ve arazi kullanımı. Değişiklik modeli çıkışı, özellikle bitki örtüsüyle ilgilidir ve yavaş kayıp, hızlı kayıp (sel veya kuruma gibi hidrolojik değişiklikleri de içerir) ve kazanımı kapsar. Bu değerler, Landsat zaman serisinin her yılı için tahmin edilir ve LCMS'nin temel ürünleri olarak kullanılır. Son değişikliği oluşturmak için yardımcı veri kümelerine dayalı bir kural kümesi uygularız. Bu kural kümesi, modellenen değişikliğin 15 sınıfa göre iyileştirilmiş/yeniden sınıflandırılmış halidir. Bu 15 sınıf, arazi değişikliğinin nedeni hakkında açıkça bilgi verir (ör. Ağaç Kaldırma, Orman Yangını, Rüzgar Hasarı). Arazi örtüsü ve arazi kullanımı haritaları, her yıl için yaşam formu düzeyinde arazi örtüsünü ve geniş düzeyde arazi kullanımını gösterir.
Hiçbir algoritma her durumda en iyi performansı göstermediğinden LCMS, tahmin aracı olarak bir model topluluğu kullanır. Bu sayede, çeşitli ekosistemler ve değişim süreçlerinde harita doğruluğu artırılır (Healey ve diğerleri, 2018). Bunun sonucunda elde edilen LCMS değişikliği, arazi örtüsü ve arazi kullanımı haritaları, 1985'ten bu yana ABD'deki manzara değişikliğinin bütünsel bir resmini sunar.
LCMS modelinin tahmin katmanları, LandTrendr ve CCDC değişiklik algılama algoritmalarının çıkışlarını ve arazi bilgilerini içerir. Tüm bu bileşenlere erişmek ve işlemek için Google Earth Engine kullanıldı (Gorelick ve diğerleri, 2017).
LandTrendr için yıllık kompozitler oluşturmak amacıyla USGS Collection 2 Landsat Tier 1 ve Sentinel 2A, 2B Level-1C atmosfer üstü yansıtma verileri kullanılmıştır. cFmask bulut maskeleme algoritması (Foga ve diğerleri, 2017), Fmask 2.0'ın (Zhu ve Woodcock, 2012) bir uygulamasıdır (yalnızca Landsat), cloudScore (Chastain ve diğerleri, 2019) (yalnızca Landsat), s2cloudless (Sentinel-Hub, 2021) ve Cloud Score plus (Pasquarella ve diğerleri, 2023) (yalnızca Sentinel 2) bulutları maskelemek için kullanılırken TDOM (Chastain ve diğerleri, 2019), bulut gölgelerini maskelemek için kullanılır (Landsat ve Sentinel 2). LandTrendr için yıllık medoid hesaplanarak her yılki bulut ve bulut gölgesi içermeyen değerler tek bir bileşende özetlenir. CCDC için CONUS'ta ABD Jeoloji Araştırmaları Kurumu (USGS) Collection 2 Landsat Tier 1 yüzey yansıtma verileri, AK, PRUSVI ve HI'da ise Landsat Tier 1 atmosfer üstü yansıtma verileri kullanılmıştır.
Bileşik zaman serisi, LandTrendr kullanılarak geçici olarak segmentlere ayrılır (Kennedy ve diğerleri, 2010; Kennedy ve diğerleri, 2018; Cohen ve diğerleri,, 2018).
Tüm bulut ve bulut gölgesi içermeyen değerler, CCDC algoritması (Zhu ve Woodcock, 2014) kullanılarak zamansal olarak da segmentlere ayrılır.
Tahmin verileri; ham bileşik değerler, LandTrendr'a uygun değerler, çiftler arasındaki farklar, segment süresi, değişim büyüklüğü ve eğim ile birlikte 10 m USGS 3D Yükseklik Programı (3DEP) verilerinden (U.S. Geological Survey, 2019) yükseklik, eğim, yönün sinüsü, yönün kosinüsü ve topografik konum indekslerini (Weiss, 2001) içerir. Ayrıca CCDC sinüs ve kosinüs katsayıları (ilk 3 harmonik), uygun değerler ve çiftler arasındaki farklar da yer alır.
Referans verileri, analistlerin 1984'ten günümüze Landsat veri kaydını görselleştirmesine ve yorumlamasına yardımcı olan web tabanlı bir araç olan TimeSync kullanılarak toplanır (Cohen ve diğerleri, 2010).
Yıllık değişim, arazi örtüsü ve arazi kullanım sınıflarını tahmin etmek için TimeSync'ten alınan referans verileri ve LandTrendr, CCDC ve arazi indekslerinden alınan tahmin verileri kullanılarak Rastgele Orman modelleri (Breiman, 2001) eğitildi. Model oluşturma işleminden sonra, niteliksel harita çıktılarını iyileştirmek ve komisyon ile eksiklikleri azaltmak için yardımcı veri kümelerini kullanarak bir dizi olasılık eşiği ve kural kümesi oluştururuz. Daha fazla bilgiye Açıklama bölümünde yer alan LCMS Methods Brief'ten ulaşabilirsiniz.
Ek Kaynaklar
LCMS verilerini kullanmayla ilgili daha ayrıntılı bir kod örneği.
LCMS Veri Gezgini, kullanıcıların LCMS verilerini görüntülemesine, analiz etmesine, özetlemesine ve indirmesine olanak tanıyan web tabanlı bir uygulamadır.
Yöntemler ve doğruluk değerlendirmesi hakkında daha ayrıntılı bilgi için lütfen LCMS Yöntemleri Özeti'ni, veri indirme, meta veriler ve destek belgeleri için ise LCMS Coğrafi Veri Merkezi'ni inceleyin.
PRUSVI ve HI verileri 2025 yılında yazın sonlarına doğru yayınlanacaktır. Daha önce yayınlanan v2023.9 PRUSVI ve HI LCMS verileri mevcuttur (USFS/GTAC/LCMS/v2023-9)
Sorularınız veya belirli veri istekleriniz için [sm.fs.lcms@usda.gov] ile iletişime geçin.
Bantlar
Piksel Boyutu
30 metre
Bantlar
| Ad | Piksel Boyutu | Açıklama | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Change |
metre | Son tematik LCMS değişikliği ürünü. Her yıl için toplam on beş değişiklik sınıfı eşlenir. Temel olarak, her çalışma alanı için üç ayrı ikili rastgele orman modeliyle değişim modellenir: yavaş kayıp, hızlı kayıp ve kazanç. Her piksel, belirli bir eşiğin üzerinde olan ve en yüksek olasılığa sahip modellenmiş değişiklik sınıfına atanır. Her sınıfın eşiğinin üzerinde değeri olmayan pikseller Kararlı sınıfına atanır. Modellenmiş değişiklik sınıfı, yardımcı veri kümeleri (ör. TCC, MTBS ve IDS) ve LCMS arazi örtüsü verileri kullanılarak bir kural kümesi uygulandıktan sonra her piksele 15 ayrıntılı değişiklik nedeni sınıfından biri atanır. Kural grubu ve kullanılan yardımcı veri kümeleriyle ilgili tüm ayrıntılar için Açıklama bölümünde bağlantısı verilen LCMS Methods Brief'e (LCMS Yöntemleri Özeti) bakın. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover |
metre | Son tematik LCMS arazi örtüsü ürünü. TimeSync referans verileri ve Landsat görüntülerinden elde edilen spektral bilgiler kullanılarak yılda toplam 14 arazi örtüsü sınıfı haritalandırılır. Arazi örtüsü, her sınıfın olasılık dizisini (Random Forest modelindeki ağaçların her sınıfı "seçme" oranı) çıkaran tek bir çok sınıflı Random Forest modeli kullanılarak tahmin edilir. Son sınıflar, en yüksek olasılığa sahip arazi kullanımına atanır. Çalışma alanına bağlı olarak, en yüksek olasılığa sahip arazi örtüsü sınıfı atanmadan önce yardımcı veri kümeleri kullanılarak bir ila birkaç olasılık eşiği ve kural kümesi uygulanmıştır. Olasılık eşikleri ve kural kümeleri hakkında daha fazla bilgiyi Açıklama bölümünde bağlantısı verilen LCMS Yöntemleri Özeti'nde bulabilirsiniz. Yedi arazi örtüsü sınıfı, tek bir arazi örtüsünü gösterir. Bu arazi örtüsü türü, pikselin alanının çoğunu kaplar ve başka hiçbir sınıf pikselin% 10'undan fazlasını kaplamaz. Ayrıca karma yedi sınıf vardır. Bunlar, ek bir arazi örtüsü sınıfının pikselin en az% 10'unu kapladığı pikselleri temsil eder. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use |
metre | Son tematik LCMS arazi kullanım ürünü. TimeSync referans verileri ve Landsat görüntülerinden elde edilen spektral bilgiler kullanılarak yılda toplam 5 arazi kullanım sınıfı haritalandırılır. Arazi kullanımı, her sınıfın olasılık dizisini (Rastgele Orman modelindeki ağaçların her sınıfı "seçme" oranı) çıkaran tek bir çok sınıflı Rastgele Orman modeli kullanılarak tahmin edilir. Son sınıflar, en yüksek olasılığa sahip arazi kullanımına atanır. En yüksek olasılığa sahip arazi kullanım sınıfı atanmadan önce, yardımcı veri kümeleri kullanılarak bir dizi olasılık eşiği ve kural kümesi uygulanmıştır. Olasılık eşikleri ve kural kümeleri hakkında daha fazla bilgiyi Açıklama bölümünde bağlantısı verilen LCMS Yöntemleri Özeti'nde bulabilirsiniz. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Change_Raw_Probability_Slow_Loss |
metre | Yavaş Kayıp'ın ham LCMS ile modellenmiş olasılığı. Yavaş Kayıp, TimeSync değişiklik süreci yorumlamasındaki aşağıdaki sınıfları içerir:
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Change_Raw_Probability_Fast_Loss |
metre | Hızlı Kayıp'ın modellenmiş olasılığı. Hızlı Kayıp, TimeSync değişiklik süreci yorumlamasındaki aşağıdaki sınıfları içerir:
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Change_Raw_Probability_Gain |
metre | Kazanç için modellenmiş ham LCMS olasılığı. Şu şekilde tanımlanır: Bir veya daha fazla yıl boyunca büyüme ve ardıllık nedeniyle bitki örtüsünde artış gösteren arazi. Bitki örtüsünün yeniden büyümesiyle ilişkili spektral değişikliklerin görülebileceği tüm alanlar için geçerlidir. Gelişmiş bölgelerde büyüme, olgunlaşan bitki örtüsü ve/veya yeni ekilen çimler ve peyzajdan kaynaklanabilir. Ormanlarda büyüme, çıplak zemindeki bitki büyümesinin yanı sıra orta ve ortak baskın ağaçların ve/veya alçakta kalan otlar ve çalıların üst kısımlarını da içerir. Orman hasadından sonra kaydedilen büyüme/iyileşme segmentleri, orman yenilenirken farklı arazi örtüsü sınıflarına geçiş yapabilir. Bu değişikliklerin büyüme/iyileşme olarak kabul edilmesi için spektral değerlerin, birkaç yıl boyunca devam eden artan bir trend çizgisine (ör. yaklaşık 20 yıla uzatıldığında 0,10 birim NDVI civarında olacak pozitif bir eğim) yakın olması gerekir. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Trees |
metre | LCMS'nin ağaç olasılığı için modellenmiş ham verileri. Şu şekilde tanımlanır: Pikselin büyük bir kısmı canlı veya ayakta ölü ağaçlardan oluşur. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix |
metre | Tall Shrubs and Trees Mix (Yalnızca Alaska) olasılığını modelleyen ham LCMS. Şu şekilde tanımlanır: Pikselin büyük bir kısmı, yüksekliği 1 metreden fazla olan çalılardan oluşur ve en az% 10 oranında canlı veya ayakta ölü ağaçlar içerir. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix |
metre | Çalı ve Ağaç Karışımı'nın modellenmiş olasılığını gösteren ham LCMS. Şu şekilde tanımlanır: Pikselin büyük bir kısmı çalılardan oluşur ve en az% 10'u canlı veya ayakta ölü ağaçlardan oluşur. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix |
metre | Çim/çiçek/ot ve ağaç karışımı olma olasılığının ham LCMS modeli. Şu şekilde tanımlanır: Pikselin büyük bir kısmı çok yıllık otlar, çiçekli bitkiler veya diğer otsu bitki türlerinden oluşur ve en az% 10 oranında canlı ya da ayakta ölü ağaçlar içerir. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Barren-and-Trees-Mix |
metre | Barren and Trees Mix'in ham LCMS modelleme olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı, rahatsızlık nedeniyle açığa çıkan çıplak topraklardan (ör. mekanik temizleme veya orman hasadı ile açığa çıkan toprak) ve çöl, playa, kaya çıkıntıları (yüzey madenciliği faaliyetleriyle açığa çıkan mineraller ve diğer jeolojik malzemeler dahil), kum tepeleri, tuz düzlükleri ve plajlar gibi sürekli olarak verimsiz alanlardan oluşur. Toprak ve çakıl yollarda da en az% 10 oranında canlı veya ayakta ölü ağaçlar bulunur. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Tall-Shrubs |
metre | Uzun çalıların (yalnızca Alaska) modellenmiş olasılığını gösteren ham LCMS. Şu şekilde tanımlanır: Pikselin büyük bir bölümü, yüksekliği 1 metreden fazla olan çalılarla kaplıdır. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Shrubs |
metre | Çalıların ham LCMS modellenmiş olasılığı. Şu şekilde tanımlanır: Pikselin büyük kısmı çalılardan oluşur. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix |
metre | Çim/çiçek/ot ve çalı karışımının ham LCMS ile modellenmiş olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı çok yıllık otlar, çiçekli bitkiler veya diğer otsu bitki türlerinden oluşur ve en az% 10 oranında çalı içerir. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix |
metre | Çorak ve çalı karışımı için modellenmiş ham LCMS olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı, rahatsızlık nedeniyle açığa çıkan çıplak topraklardan (ör. mekanik temizleme veya orman hasadı ile açığa çıkan toprak) ve çöl, playa, kaya çıkıntıları (yüzey madenciliği faaliyetleriyle açığa çıkan mineraller ve diğer jeolojik malzemeler dahil), kum tepeleri, tuz düzlükleri ve plajlar gibi sürekli olarak verimsiz alanlardan oluşur. Toprak ve çakıldan oluşan yollar da çıplak olarak kabul edilir ve en az% 10 çalı içerir. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Grass-Forb-Herb |
metre | Çim/çiçek/ot olma olasılığının modellenmiş ham LCMS değeri. Şu şekilde tanımlanır: Pikselin büyük bir kısmı çok yıllık otlar, çiçekli bitkiler veya diğer otsu bitki türlerinden oluşur. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix |
metre | Barren ve Grass/Forb/Herb Mix'in ham LCMS ile modellenmiş olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı, rahatsızlık nedeniyle açığa çıkan çıplak topraktan (ör.mekanik temizleme veya orman hasadı ile açığa çıkan toprak) oluşur. Ayrıca çöller, playa'lar, kaya çıkıntıları (yüzey madenciliği faaliyetleriyle açığa çıkan mineraller ve diğer jeolojik malzemeler dahil), kum tepeleri, tuz düzlükleri ve plajlar gibi sürekli olarak verimsiz alanlar da bu kategoriye girer. Toprak ve çakıldan oluşan yollar da çorak olarak kabul edilir ve en az% 10 oranında çok yıllık otlar, çiçekli bitkiler veya diğer otsu bitki türlerinden oluşur. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Barren-or-Impervious |
metre | Çorak veya geçirimsiz olma olasılığının ham LCMS modeli. Şu şekilde tanımlanır: Pikselin büyük bir kısmı 1.) rahatsızlık nedeniyle açığa çıkan çıplak topraklardan (ör. mekanik temizleme veya orman hasadı ile açığa çıkan toprak) ve çöller, playa'lar, kaya çıkıntıları (yüzey madenciliği faaliyetleriyle açığa çıkan mineraller ve diğer jeolojik materyaller dahil), kum tepeleri, tuz düzlükleri ve plajlar gibi sürekli olarak verimsiz alanlardan oluşur. Toprak ve çakıldan yapılmış yollar da 1) çorak olarak kabul edilir veya 2) suyun nüfuz edemediği yapay malzemeler (ör. asfalt yollar, çatılar ve otoparklar) olarak kabul edilir. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Snow-or-Ice |
metre | Kar veya buzlanma olasılığının ham LCMS modeli. Şu şekilde tanımlanır: Pikselin büyük bir kısmı kar veya buzdan oluşur. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Water |
metre | Su için modellenmiş ham LCMS olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı sudan oluşur. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Agriculture |
metre | Tarım için modellenmiş ham LCMS olasılığı. Şu şekilde tanımlanır: Bitki örtüsü olan veya olmayan, gıda, lif ve yakıt üretimi için kullanılan arazi. Bu yükümlülük, ekili ve ekili olmayan tarım arazilerini, otlakları, meyve bahçelerini, bağları, kapalı hayvancılık tesislerini ve meyve, fındık ya da çilek üretimi için ekilen alanları içerir ancak bunlarla sınırlı değildir. Öncelikli olarak tarım amaçlı kullanılan yollar (ör. kasabadan kasabaya toplu taşıma için kullanılmayan yollar) tarım arazisi kullanımı olarak kabul edilir. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Developed |
metre | Gelişmiş ham LCMS modellenmiş olasılığı. Şu şekilde tanımlanır: İnsan yapımı yapılarla kaplı arazi (ör. yüksek yoğunluklu konut, ticari, endüstriyel, madencilik veya ulaşım) ya da hem bitki örtüsü (ağaçlar dahil) hem de yapıların (ör. düşük yoğunluklu konut, çimler, rekreasyon tesisleri, mezarlıklar, ulaşım ve kamu hizmeti koridorları vb.) karışımı, insan faaliyetleriyle işlevsel olarak değiştirilmiş tüm araziler dahil. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Forest |
metre | Ormanın ham LCMS ile modellenmiş olasılığı. Şu şekilde tanımlanır: Yakın vadede bir ardışık gelişim süreci boyunca bir zamanlar% 10 veya daha fazla ağaç örtüsü içeren (ya da içermesi muhtemel olan) ekili veya doğal olarak bitki örtüsüyle kaplı arazi. Bu kapsamda doğal orman, orman plantasyonları ve ağaçlı sulak alanların yaprak döken, her dem yeşil ve/veya karışık kategorileri yer alabilir. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Other |
metre | Diğer için modellenen ham LCMS olasılığı. Şu şekilde tanımlanır: Spektral trendin veya diğer destekleyici kanıtların bir bozulma ya da değişiklik olayının meydana geldiğini gösterdiği ancak kesin nedenin belirlenemediği veya değişiklik türünün yukarıda tanımlanan değişiklik süreci kategorilerinden herhangi birini karşılamadığı arazi (kullanım şeklinden bağımsız olarak). |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Rangeland-or-Pasture |
metre | LCMS'nin ham verileriyle modellenmiş otlak veya mera olasılığı. Şu şekilde tanımlanır: Bu sınıf, a.) Bitki örtüsünün yağmur, sıcaklık, yükseklik ve yangın gibi doğal faktörler ve süreçlerden büyük ölçüde kaynaklanan yerel otlar, çalılar, çiçekli bitkiler ve ot benzeri bitkilerden oluştuğu, sınırlı yönetimde kontrollü yakma ve evcil ve yabani ot yiyen hayvanların otlatılması gibi uygulamaların da yer alabileceği otlaklar; veya b.) Bitki örtüsünün, büyük ölçüde doğal olan karışık otlar, çiçekli bitkiler ve otlardan, neredeyse tek türün korunması için ekilmiş ve yönetilmiş ot türlerinin baskın olduğu, daha kontrollü bitki örtüsüne kadar değişebildiği otlak. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
QA_Bits |
metre | Yıllık LCMS ürün çıktısı değerlerinin kaynağıyla ilgili ek bilgiler. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Sınıf Tablosunu Değiştirme
| Değer | Renk | Açıklama |
|---|---|---|
| 1 | #ff09f3 | Rüzgar |
| 2 | #541aff | Fırtına |
| 3 | #e4f5fd | Kar veya Buz Geçişi |
| 4 | #cc982e | Kurutma |
| 5 | #0adaff | Su baskını |
| 6 | #a10018 | Kontrollü Yangın |
| 7 | #d54309 | Orman yangını |
| 8 | #fafa4b | Mekanik Arazi Dönüşümü |
| 9 | #afde1c | Ağaç Kaldırma |
| 10 | #ffc80d | Yaprak dökümü |
| 11 | #a64c28 | Güney Çam Böceği |
| 12 | #f39268 | Böcek, Hastalık veya Kuraklık Stresi |
| 13 | #c291d5 | Diğer Kayıplar |
| 14 | #00a398 | Bitki Örtüsünün Ardışık Büyümesi |
| 15 | #3d4551 | Kararlı |
| 16 | #1b1716 | İşlenmeyen Alan Maskesi |
Land_Cover Sınıf Tablosu
| Değer | Renk | Açıklama |
|---|---|---|
| 1 | #004e2b | Ağaçlar |
| 2 | #009344 | Uzun Çalılar ve Ağaçlar Karışımı (yalnızca Alaska) |
| 3 | #61bb46 | Çalı ve Ağaç Karışımı |
| 4 | #acbb67 | Çim/Forb/Ot ve Ağaç Karışımı |
| 5 | #8b8560 | Çorak ve Ağaç Karışımı |
| 6 | #cafd4b | Uzun Çalılar (Yalnızca AK) |
| 7 | #f89a1c | Ağaçlık |
| 8 | #8fa55f | Çim/Çiçek/Ot ve Çalı Karışımı |
| 9 | #bebb8e | Çorak ve Çalı Karışımı |
| 10 | #e5e98a | Çim/Ot/Bitki |
| 11 | #ddb925 | Çorak ve Çim/Çiçek/Ot Karışımı |
| 12 | #893f54 | Çorak veya Geçirimsiz |
| 13 | #e4f5fd | Kar veya buzlanma |
| 14 | #00b6f0 | Su |
| 15 | #1b1716 | İşlenmeyen Alan Maskesi |
Land_Use Sınıf Tablosu
| Değer | Renk | Açıklama |
|---|---|---|
| 1 | #fbff97 | Tarım |
| 2 | #e6558b | Geliştirildi |
| 3 | #004e2b | orman |
| 4 | #9dbac5 | Diğer |
| 5 | #a6976a | Otlak veya Mera |
| 6 | #1b1716 | İşlenmeyen Alan Maskesi |
Resim Özellikleri
Resim Özellikleri
| Ad | Tür | Açıklama |
|---|---|---|
| study_area | Dize | LCMS şu anda bitişik ABD eyaletlerini, Alaska'yı, Porto Riko-ABD Virgin Adaları'nı ve Hawaii'yi kapsamaktadır. Bu sürüm CONUS'u içerir. AK, PRUSVI ve HI'ye ait veriler 2025 yılında yazın sonlarına doğru yayınlanacaktır. Olası değerler: "CONUS, AK" |
| sürüm | Dize | Ürünün sürümü |
| startYear | MÜD | Ürünün başlangıç yılı |
| endYear | MÜD | Ürünün bitiş yılı |
| yıl | MÜD | Ürünün yılı |
Kullanım Şartları
Kullanım Şartları
USDA Orman Hizmetleri, ticari elverişlilik ve belirli bir amaca uygunluk garantileri dahil olmak üzere açık veya zımni hiçbir garanti vermez, bu coğrafi verilerin doğruluğu, güvenilirliği, eksiksizliği veya kullanışlılığı ya da bu coğrafi verilerin uygunsuz veya yanlış kullanımı konusunda herhangi bir yasal yükümlülük ya da sorumluluk üstlenmez. Bu coğrafi veriler ve ilgili haritalar veya grafikler yasal belgeler değildir ve bu şekilde kullanılmak üzere tasarlanmamıştır. Veriler ve haritalar; mülkiyet, sahiplik, yasal açıklamalar veya sınırlar, yasal yetki alanı ya da kamuya ait ya da özel arazilerde geçerli olabilecek kısıtlamaları belirlemek için kullanılamaz. Doğal tehlikeler verilerde ve haritalarda gösterilebilir veya gösterilmeyebilir. Arazi kullanıcıları gerekli önlemleri almalıdır. Veriler dinamiktir ve zaman içinde değişebilir. Kullanıcı, coğrafi verilerin sınırlamalarını doğrulamak ve verileri buna göre kullanmakla sorumludur.
Bu veriler ABD hükümetinin sağladığı fonlar kullanılarak toplanmıştır ve ek izin veya ücret olmadan kullanılabilir. Bu verileri bir yayında, sunumda veya başka bir araştırma ürününde kullanırsanız lütfen aşağıdaki alıntıyı kullanın:
USDA Forest Service. 2025. USFS Landscape Change Monitoring System v2024.10 (Conterminous United States and Outer Conterminous United States). Salt Lake City, Utah.
Alıntılar
USDA Forest Service. 2025. USFS Landscape Change Monitoring System v2024.10 (Conterminous United States and Outer Conterminous United States). Salt Lake City, Utah.
Breiman, L., 2001. Random Forests. In Machine Learning. Springer, 45: 5-32. doi:10.1023/A:1010933404324
Chastain, R., Housman, I., Goldstein, J., Finco, M., and Tenneson, K., 2019. Empirical cross sensor comparison of Sentinel-2A and 2B MSI, Landsat-8 OLI, and Landsat-7 ETM top of atmosphere spectral characteristics over the conterminous United States. 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. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 2. TimeSync - Kalibrasyon ve doğrulama araçları. 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., ve Gorelick, N., 2018. A LandTrendr multispectral ensemble for forest disturbance detection. 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. Cloud detection algorithm comparison and validation for operational Landsat data products. In 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., 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. Yığılmış genelleştirme kullanarak orman değişikliğini eşleme: Bir topluluk yaklaşımı. In 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. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 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. ve Healey, S. 2018. Implementation of the LandTrendr Algorithm on Google Earth Engine. In Remote Sensing. MDPI, 10(5): 691. doi:10.3390/rs10050691
Pasquarella, V. J., Brown, C. F., Czerwinski, W., and Rucklidge, W. J. 2023. Zayıf Gözetimli Video Öğrenimi Kullanarak Optik Uydu Görüntülerinin Kapsamlı Kalite Değerlendirmesi. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2124-2134.
Sentinel-Hub, 2021. Sentinel 2 Cloud Detector. [Online]. Available at: https://github.com/sentinel-hub/sentinel2-cloud-detector
Weiss, A.D., 2001. Topografik konum ve arazi şekilleri analizi Poster Sunumu, ESRI Kullanıcıları Konferansı, San Diego, CAZhu, Z., ve Woodcock, C. E. 2012. Object-based cloud and cloud shadow detection in Landsat imagery. 118: 83-94.
Zhu, Z., and Woodcock, C. E., 2012. Object-based cloud and cloud shadow detection in Landsat imagery. In Remote Sensing of Environment. Science Direct, 118: 83-94. doi:10.1016/j.rse.2011.10.028
Zhu, Z., and Woodcock, C. E., 2014. Mevcut tüm Landsat verileri kullanılarak arazi örtüsünün sürekli olarak değişimi algılanır ve sınıflandırılır. In Remote Sensing of Environment. Science Direct, 144: 152-171. doi:10.1016/j.rse.2014.01.011
DOI'lar
- 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
Earth Engine ile keşfetme
Kod Düzenleyici (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);