- Veri Kümesi Kullanılabilirliği
- 1985-01-01T00:00:00Z–2024-12-31T00:00:00Z
- Veri Kümesi Üreticisi
- USDA Orman Servisi (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 değişiklikleri, arazi örtüsünü ve/veya arazi kullanım sınıflarını gösterir. Alaska (AK), Porto Riko-ABD Virgin Adaları (PRUSVI) ve Hawaii (HAWAII) dahil olmak üzere CONUS dışındaki alanların (OCONUS) yanı sıra bitişik ABD'yi (CONUS) kapsar.
LCMS, ABD genelinde peyzaj değişikliklerini haritalandırmak ve izlemek için kullanılan uzaktan algılamaya dayalı bir sistemdir. Bu projenin amacı, peyzaj değişikliğinin "en iyi mevcut" 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. Değişim modeli çıktısı özellikle bitki örtüsüyle ilgilidir ve yavaş kayıp, hızlı kayıp (su baskını 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 değişiklik ürününü oluşturmak için yardımcı veri kümelerine dayalı bir kural kümesi uygularız. Bu kural kümesi, modellenen değişikliğin 15 sınıfa göre iyileştirilmesi/yeniden sınıflandırılmasıdır. Bu sınıflar, arazi değişikliğinin nedeni hakkında açıkça bilgi verir (ör. ağaç sökme, 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 paketi, 1985'ten bu yana ABD genelindeki 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+ (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 ABD Jeoloji Araştırmaları Kurumu (USGS) Collection 2 Landsat Tier 1 yüzey yansıtma verileri CONUS için, Landsat Tier 1 atmosfer üstü yansıtma verileri ise AK, PRUSVI ve HAWAII için 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 edici veriler; 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.
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. Modellemeyi takiben, niteliksel harita çıktılarını iyileştirmek ve komisyon ile eksikliği 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, kullanıcılara LCMS verilerini görüntüleme, analiz etme, özetleme ve indirme olanağı sağlayan web tabanlı bir uygulamadır.
Yöntemler ve doğruluk değerlendirmesi hakkında daha ayrıntılı bilgi için lütfen LCMS Yöntemleri Özeti'ne bakın. Veri indirmeleri, meta veriler ve destek belgeleri için LCMS Coğrafi Veri Merkezi'ni inceleyin.
HAWAII dizesi, yakında yayınlanacak v2025.11 veri sürümünde HI olarak güncellenecek.
Sorularınız veya belirli veri istekleriniz için sm.fs.lcms@usda.gov ile iletişime geçin.
Bantlar
Bantlar
Piksel boyutu: 30 metre (tüm bantlar)
| Ad | Piksel Boyutu | Açıklama | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Change |
30 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 değişiklik modellenir: yavaş kayıp, hızlı kayıp ve kazanç. Her piksel, belirtilen 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 verilerini kullanan 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 |
30 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 olasılıklarını (Rastgele Orman modelindeki ağaçların her sınıfı "seçme" oranı) içeren bir dizi çıkaran tek bir çok sınıflı Rastgele Orman modeli kullanılarak tahmin edilir. Son sınıflar, en yüksek olasılıklı 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 açıklamadaki LCMS Methods Brief bağlantısında 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 |
30 metre | Son tematik LCMS arazi kullanımı 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 (Random Forest modelindeki ağaçların her sınıfı "seçme" oranı) çıkaran tek bir çok sınıflı Random Forest modeli kullanılarak tahmin edilir. Son sınıflar, en yüksek olasılıklı 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 açıklamadaki LCMS Methods Brief bağlantısında bulabilirsiniz. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Change_Raw_Probability_Slow_Loss |
30 metre | Yavaş Kayıp'ın ham LCMS modellenmiş olasılığı. Yavaş Kayıp, TimeSync değişiklik süreci yorumlamasındaki aşağıdaki sınıfları içerir:
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Change_Raw_Probability_Fast_Loss |
30 metre | Hızlı Kayıp'ın ham LCMS modellenmiş olasılığı. Hızlı Kayıp, TimeSync değişiklik süreci yorumlamasındaki aşağıdaki sınıfları içerir:
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Change_Raw_Probability_Gain |
30 metre | Kazanç olasılığının LCMS ham modeli. Bir veya daha fazla yıl boyunca büyüme ve ardışık gelişme nedeniyle bitki örtüsünde artış gösteren arazi olarak tanımlanır. Bitki örtüsünün yeniden büyümesiyle ilişkili spektral değişiklik gösterebilecek tüm alanlar için geçerlidir. Gelişmiş alanlarda büyüme, olgunlaşan bitki örtüsünden ve/veya yeni ekilen çimlerden ve peyzajdan kaynaklanabilir. Ormanlarda büyüme, çıplak zeminden bitki örtüsünün büyümesinin yanı sıra ara ve ortak baskın ağaçların ve/veya alçakta kalan otların ve çalıların üst kısımlarının büyümesini içerir. Orman hasadından sonra kaydedilen büyüme/toparlanma segmentleri, orman yenilenirken muhtemelen farklı arazi örtüsü sınıflarına geçiş yapacaktır. Bu değişikliklerin büyüme/toparlanma olarak kabul edilmesi için spektral değerlerin birkaç yıl boyunca devam eden artan bir trend çizgisine (ör. yaklaşık 20 yıla uzatıldığında NDVI'nin 0,10 birimi mertebesinde olacak pozitif bir eğim) yakından uyması gerekir. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Trees |
30 metre | Ağaçların modellenmiş ham LCMS olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı canlı veya ölü ağaçlardan oluşur. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix |
30 metre | Uzun çalılar ve ağaç karışımı (yalnızca Alaska) için modellenmiş ham LCMS olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı 1 metreden yüksek çalılardan oluşur ve en az% 10 oranında canlı veya ayakta ölü ağaç içerir. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix |
30 metre | Çalılar ve Ağaçlar Karışımı olasılığının modellenmiş ham LCMS'si. Şu şekilde tanımlanır: Pikselin büyük bir kısmı çalılar ve en az% 10 oranında canlı veya ayakta ölü ağaçlardan oluşur. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix |
30 metre | Çim/çiçek/ot ve ağaç karışımı olasılığının LCMS ile modellenmiş ham verileri. Şu şekilde tanımlanır: Pikselin büyük bir kısmı çok yıllık çimler, çiçekler veya diğer ot formlarından oluşur ve en az% 10 oranında canlı ya da ayakta ölü ağaç içerir. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Barren-and-Trees-Mix |
30 metre | Çorak ve Ağaç Karışımı'nın modellenmiş olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı, rahatsızlık nedeniyle açığa çıkan çıplak topraktan (ör.mekanik temizleme veya orman hasadı ile ortaya çıkan toprak) oluşur. Ayrıca çöl, playa, kaya çıkıntıları (yüzey madenciliği faaliyetleriyle açığa çıkan mineraller ve diğer jeolojik malzemeler dahil), kum tepeleri, tuz düzlükleri ve plajlar gibi sürekli olarak çorak alanlar da bu kategoriye girer. Toprak ve çakıldan yapılmış yollar da çorak olarak kabul edilir ve en az% 10 oranında canlı veya ayakta ölü ağaç içerir. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Tall-Shrubs |
30 metre | Uzun çalıların (yalnızca Alaska) ham LCMS modellenmiş olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir bölümü, yüksekliği 1 metreden fazla olan çalılarla kaplıdır. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Shrubs |
30 metre | Çalıların modellenmiş olasılığı olan ham LCMS. Şu şekilde tanımlanır: Pikselin büyük kısmı çalılardan oluşur. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix |
30 metre | Çim/çiçekli bitki/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 |
30 metre | Çorak ve çalı karışımı olasılığının modellenmiş ham LCMS'si. 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 çorak alanlar (ör. yüzey madenciliği faaliyetleriyle açığa çıkan mineraller ve diğer jeolojik malzemeler dahil olmak üzere kaya çıkıntıları), kum tepeleri, tuz düzlükleri ve plajlar gibi sürekli olarak çorak olan alanlar da bu kategoriye girer. Toprak ve çakıldan yapılmış yollar da çorak olarak kabul edilir ve en az% 10 çalı içerir. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Grass-Forb-Herb |
30 metre | Çim/çiçekli bitki/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 |
30 metre | Çorak ve ot/çiçek/bitki karışımı olasılığının LCMS ile modellenmiş ham değeri. 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 çöl, playa, kaya çıkıntıları (yüzey madenciliği faaliyetleriyle açığa çıkan mineraller ve diğer jeolojik malzemeler dahil), kum tepeleri, tuz düzlükleri ve plajlar gibi sürekli olarak çorak alanlar da bu kategoriye girer. Toprak ve çakıldan yapılmış yollar da çorak olarak kabul edilir ve en az% 10 oranında çok yıllık otlar, çiçekler veya diğer otsu bitki türlerinden oluşur. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Barren-or-Impervious |
30 metre | Çorak veya geçirimsiz olma olasılığının LCMS ham verileriyle modellenmiş hali. Şu şekilde tanımlanır: Pikselin büyük bir kısmı 1.) rahatsızlık nedeniyle açığa çıkan çıplak toprağın (ör.mekanik temizleme veya orman hasadı ile açığa çıkan toprak) yanı sıra çöller, playa'lar, kaya çıkıntıları (madenler ve yüzey madenciliği faaliyetleriyle açığa çıkan diğer jeolojik malzemeler dahil), kum tepeleri, tuz düzlükleri ve plajlar gibi sürekli olarak çorak olan alanlardan oluşur. Toprak ve çakıl yolları da çorak olarak kabul edilir veya 2.) suyun nüfuz edemediği insan yapımı malzemelerden (ör. asfalt yollar, çatılar ve otoparklar) oluşur. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Snow-or-Ice |
30 metre | Kar veya buzun ham LCMS ile modellenmiş olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı kar veya buzdan oluşur. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Water |
30 metre | Su olasılığını modelleyen ham LCMS. Şu şekilde tanımlanır: Pikselin büyük bir kısmı sudan oluşur. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Agriculture |
30 metre | Tarım için modellenmiş ham LCMS olasılığı. Şu şekilde tanımlanır: Gıda, lif ve yakıt üretimi için kullanılan, bitki örtüsü olan veya olmayan arazi. Bu kapsamda, ekili ve ekili olmayan tarım arazileri, otlaklar, meyve bahçeleri, bağlar, kapalı hayvancılık tesisleri ve meyve, fındık ya da çilek üretimi için ekilen alanlar yer alır ancak bunlarla sınırlı değildir. Öncelikli olarak tarım amacıyla kullanılan yollar (ör. kasabadan kasabaya toplu taşıma için kullanılmayan yollar) tarım arazisi kullanımı olarak kabul edilir. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Developed |
30 metre | Gelişmişlik için 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 araziler dahil. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Forest |
30 metre | Orman olasılığının modellenmiş ham LCMS verileri. Şu şekilde tanımlanır: Yakın vadeli bir ardışık dizilim sırasında bir noktada% 10 veya daha fazla ağaç örtüsü içeren (veya içermesi muhtemel olan) dikilmiş ya da doğal olarak bitkilendirilmiş arazi. Bu, doğal ormanların, orman plantasyonlarının ve ağaçlı sulak alanların yaprak döken, her zaman yeşil ve/veya karışık kategorilerini içerebilir. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Other |
30 metre | Diğer kategorisinin ham LCMS ile modellenmiş 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 (kullanımdan bağımsız olarak). |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Rangeland-or-Pasture |
30 metre | LCMS'nin ham verileri, otlak veya mera olma olasılığını gösterir. Bu olasılık şu şekilde tanımlanır: Bu sınıf, a.) otlak olan tüm alanları kapsar. Otlaklarda bitki örtüsü, yağmur, sıcaklık, yükseklik ve yangın gibi doğal faktörler ve süreçlerden büyük ölçüde kaynaklanan yerel otlar, çalılar, çiçekli bitkiler ve ot benzeri bitkilerin karışımından oluşur. Sınırlı yönetim, kontrollü yakma ve evcil ve yabani ot yiyen hayvanların otlatılmasını içerebilir. b.) Mera olan tüm alanları kapsar. Meralarda bitki örtüsü, büyük ölçüde doğal otlar, çiçekli bitkiler ve otların karışımından, neredeyse tek türün hakim olduğu, ekilmiş ve yönetilmiş ot türlerinin bulunduğu daha yönetilen bitki örtüsüne kadar değişebilir. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
QA_Bits |
30 metre | Yıllık LCMS ürün çıktısı değerlerinin kaynağıyla ilgili ek bilgiler. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Sınıf Tablosunu Değiştir
| 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 | Wildfire |
| 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 | Çimen/Forb/Ot ve Ağaç Karışımı |
| 5 | #8b8560 | Çorak ve Ağaç Karışımı |
| 6 | #cafd4b | Uzun Çalılar (Yalnızca Alaska) |
| 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 | Geliştirme |
| 3 | #004e2b | orman |
| 4 | #9dbac5 | Diğer |
| 5 | #a6976a | Otlak veya Mera |
| 6 | #1b1716 | İşlenmeyen Alan Maskesi |
Resim Özellikleri
Görüntü Özellikleri
| Ad | Tür | Açıklama |
|---|---|---|
| study_area | Dize | Bu LCMS sürümü, bitişik ABD, Alaska, Porto Riko-ABD Virgin Adaları ve Hawaii'yi kapsar. Olası değerler: "CONUS, AK, PRUSVI, HAWAII" |
| 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. IEEE/CVF Bilgisayar Görüşü ve Desen Tanıma Konferansı Bildirileri'nde. 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 yer 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"') // "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);