- Verfügbarkeit des Datasets
- 2008-06-01T00:00:00Z–2021-09-30T00:00:00Z
- Ersteller des Datasets
- USDA Forest Service (USFS) Geospatial Technology and Applications Center (GTAC)
- Tags
Beschreibung
Dieses Produkt ist Teil der Tree Canopy Cover (TCC)-Datensuite. Es enthält modellierte TCC-Daten, Standardfehler (SE) und TCC-Daten der National Land Cover Database (NLCD) für jedes Jahr. Die vom United States Department of Agriculture, Forest Service (USFS) erstellten TCC-Daten sind im Multi-Resolution Land Characteristics (MRLC)-Konsortium enthalten, das Teil des National Land Cover Database (NLCD)-Projekts ist, das vom United States Geological Survey (USGS) verwaltet wird.
Das Science TCC-Produkt und NLCD TCC sind fernerkundungsbasierte Kartenausgaben des USFS. Ziel von TCC Science und NLCD TCC ist es, einen konsistenten Ansatz zu entwickeln, der die neueste Technologie und die neuesten Fortschritte in der TCC-Kartierung nutzt, um eine "bestmögliche" Karte der TCC für die zusammenhängenden Vereinigten Staaten (CONUS) und Südost-Alaska, Hawaii und Puerto Rico-US Virgin Islands (OCONUS) zu erstellen.
Zu den Modellausgaben gehören Science TCC, Science SE und NLCD TCC. Science TCC und SE enthalten Daten von 2008 bis 2021. NLCD TCC enthält Daten von 2011 bis 2021, wobei die Daten in den Jahren 2008, 2009 und 2010 vollständig maskiert sind.
*Science TCC sind die direkten Rohausgaben des Modells.
*Science SE ist die Standardabweichung des Modells der vorhergesagten Werte aus allen Regressionsbäumen. *Das NLCD TCC-Produkt wird weiter nachbearbeitet, wobei die jährlichen Science TCC-Bilder verwendet werden. Dazu gehören mehrere Maskierungsroutinen (Wasser und Landwirtschaft ohne Bäume), Filter- und MMU-Routinen (Minimum Mapping Unit), sowie Prozesse, die das interannuelle Rauschen reduzieren und Trends mit längerer Dauer zurückgeben.
Jedes Bild enthält ein Datenmaskenband mit drei Werten, die Bereiche ohne Daten (0), kartierte Überschirmung durch Baumbestand(1), und Bereiche ohne Verarbeitung (2) darstellen. Die Bereiche ohne Verarbeitung sind Pixel im Untersuchungsgebiet, für die keine Daten ohne Wolken oder Wolkenschatten verfügbar sind. Pixel ohne Daten und Pixel ohne Verarbeitung werden in TCC- und SE-Bildern maskiert.
Aufgrund der Größe von CONUS und der großen Vielfalt an Ökotonen wurde die Modellierung von CONUS in 54 Kacheln mit einer Größe von 480 × 480 km unterteilt. Für jede Kachel wurde ein eigenes Random Forest-Modell mit angepassten LandTrendr-Daten von 2011, CDL-Daten von 2011 und Geländedaten erstellt. Alle Referenzdaten , die Teil der 70% waren, die für die Modellkalibrierung verfügbar waren und sich mit Kacheln in einem 5 × 5-Fenster um die mittlere Kachel überschnitten, wurden verwendet, um das Random Forest-Modell zu trainieren. Dieses Modell wurde dann auf die mittlere Kachel angewendet. Für OCONUS wurde auf jedes Untersuchungsgebiet ein Modell angewendet und es wurden keine Kacheln verwendet.
Zu den Prädiktor-Ebenen für das TCC-Modell gehören Ausgaben von LandTrendr und Geländedaten. Auf alle diese Komponenten wird mit Google Earth Engine zugegriffen und sie werden damit verarbeitet (Gorelick et al., 2017).
Für die Erstellung jährlicher Composites für LandTrendr wurden USGS Collection 2 Landsat Tier 1- und Sentinel 2A-, 2B Level-1C-Daten zur Reflexion an der Obergrenze der Atmosphäre verwendet. Der cFmask-Algorithmus zur Wolkenmaskierung (Foga et al., 2017), eine Implementierung von Fmask 2.0 (Zhu und Woodcock, 2012) (nur Landsat), cloudScore (Chastain et al., 2019) (nur Landsat) und s2cloudless (Sentinel-Hub, 2021) (nur Sentinel 2) werden verwendet, um Wolken zu maskieren. TDOM (Chastain et al., 2019) wird verwendet, um Wolkenschatten zu maskieren (Landsat und Sentinel 2). Für LandTrendr wird dann der jährliche Medoid berechnet, um Werte ohne Wolken und Wolkenschatten aus jedem Jahr in einem einzigen Composite zusammenzufassen.
Die Composite-Zeitreihe wird mit LandTrendr zeitlich segmentiert (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).
Die Rohwerte des Composites, die angepassten LandTrendr-Werte, paarweise Unterschiede, Segmentdauer, Änderungsgröße und Steigung sowie Höhe, Steigung, Sinus des Aspekts und Kosinus des Aspekts aus den 10 m USGS 3D. Elevation Program (3DEP)-Daten (U.S. Geological Survey, 2019) werden als unabhängige Prädiktorvariablen in einem Random Forest-Modell (Breiman, 2001) verwendet.
Referenzdaten werden aus den von USFS Forest Inventory and Analysis (FIA) fotointerpretierten TCC-Daten erhoben und verwendet, um flächendeckende TCC-Vorhersagen auf Pixelebene zu erstellen.
Zusätzliche Ressourcen
Weitere Informationen zu Methoden und Genauigkeitsbewertung finden Sie im TCC Methods Brief . Im TCC Geodata Clearinghouse finden Sie Daten-Downloads, Metadaten und Supportdokumente.
Bei Fragen oder spezifischen Datenanfragen wenden Sie sich an sm.fs.tcc@usda.gov.
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., Healey, S. P., Kennedy, R. E., and 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
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., and Healey, S., 2018. Implementation of the LandTrendr Algorithm on Google Earth Engine. In Remote Sensing. MDPI, 10(5): 691 doi:10.3390/rs10050691
Sentinel-Hub, 2021. Sentinel 2 Cloud Detector. [Online]. Available at: https://github.com/sentinel-hub/sentinel2-cloud-detector
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
Bänder
Bänder
Pixelgröße: 30 Meter (alle Bänder)
| Name | Einheiten | Pixelgröße | Beschreibung | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Science_Percent_Tree_Canopy_Cover |
% | 30 Meter | Die direkten Rohausgaben des Modells. Jedes Pixel hat einen durchschnittlichen vorhergesagten Wert für die Überschirmung durch Baumbestand für jedes Jahr. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Science_Percent_Tree_Canopy_Cover_Standard_Error |
% | 30 Meter | Die Standardabweichung der vorhergesagten Werte aus allen Regressionsbäumen wird als Standardfehler bezeichnet. Jedes Pixel hat einen Standardfehler für jedes Jahr. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
NLCD_Percent_Tree_Canopy_Cover |
% | 30 Meter | Für die Erstellung der NLCD-Überschirmung durch Baumbestand wird ein Nachbearbeitungs-Workflow auf die direkte Modellausgabe angewendet, der Pixelwerte ohne Bäume identifiziert und auf null Prozent Überschirmung durch Baumbestand festlegt. Die NLCD-Daten zur Überschirmung durch Baumbestand sind in den Jahren 2008, 2009 und 2010 vollständig maskiert. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
data_mask |
30 Meter | Drei Werte, die Bereiche ohne Daten, kartierte Überschirmung durch Baumbestand und Bereiche ohne Verarbeitung darstellen. In den Bereichen ohne Verarbeitung sind keine Daten ohne Wolken oder Wolkenschatten für Pixel im Untersuchungsgebiet verfügbar, um eine Ausgabe zu erstellen. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Bildattribute
Bildeigenschaften
| Name | Typ | Beschreibung |
|---|---|---|
| study_area | STRING | Die Überschirmung durch Baumbestand umfasst derzeit CONUS, Südost-Alaska, Puerto Rico-US Virgin Islands und Hawaii. Diese Version enthält alle Untersuchungsgebiete. Mögliche Werte: „CONUS, SEAK, PRUSVI, HI“ |
| version | STRING | Dies ist die vierte Version des TCC-Produkts, das im MRLC-Konsortium veröffentlicht wurde, das Teil der National Land Cover Database (NLCD) ist. |
| startYear | INT | „Startjahr des Produkts“ |
| endYear | INT | „Endjahr des Produkts“ |
| year | INT | „Jahr des Produkts“ |
Nutzungsbedingungen
Nutzungsbedingungen
Der USDA Forest Service übernimmt keine ausdrückliche oder stillschweigende Gewährleistung, einschließlich der Gewährleistung der Marktgängigkeit und der Eignung für einen bestimmten Zweck, und übernimmt keine rechtliche Haftung oder Verantwortung für die Richtigkeit, Zuverlässigkeit, Vollständigkeit oder Nützlichkeit dieser Geodaten oder für die unsachgemäße oder falsche Verwendung dieser Geodaten. Diese Geodaten und die zugehörigen Karten oder Grafiken sind keine rechtlichen Dokumente und sind nicht für die Verwendung als solche vorgesehen. Die Daten und Karten dürfen nicht verwendet werden, um Eigentumsrechte, rechtliche Beschreibungen oder Grenzen, die Gerichtsbarkeit oder Einschränkungen zu bestimmen, die für öffentliches oder privates Land gelten. Naturgefahren sind möglicherweise nicht in den Daten und Karten dargestellt. Landnutzer sollten daher die gebotene Vorsicht walten lassen. Die Daten sind dynamisch und können sich im Laufe der Zeit ändern. Der Nutzer ist dafür verantwortlich, die Einschränkungen der Geodaten zu überprüfen und die Daten entsprechend zu verwenden.
Diese Daten wurden mit Mitteln der US-Regierung erhoben und können ohne zusätzliche Genehmigungen oder Gebühren verwendet werden. Wenn Sie diese Daten in einer Veröffentlichung, Präsentation oder einem anderen Forschungsprodukt verwenden, geben Sie bitte die folgende Quelle an:
USDA Forest Service. 2023. USFS Tree Canopy Cover v2021.4 (Conterminous United States and Southeastern Alaska). Salt Lake City, Utah.
Zitationen
USDA Forest Service. 2023. USFS Tree Canopy Cover v2021.4 (Conterminous United States and Southeastern Alaska). Salt Lake City, Utah.
Die Earth Engine nutzen
Code-Editor (JavaScript)
// Import the tree canopy cover collection var dataset = ee.ImageCollection('USGS/NLCD_RELEASES/2021_REL/TCC/v2021-4'); //Filter collection to 2021 and CONUS study area var tcc = dataset.filter(ee.Filter.calendarRange(2021, 2021,'year')) // range: [2008, 2021] .filter('study_area == "CONUS"') // or "AK", "PRUSVI", "HAWAII" .first(); // TCC palette var tcc_palette = [ 'CDA066', 'D7C29E', 'C2D096', 'B7D692', 'ADDD8E', '78C679', '5CB86B', '41AB5D', '39A156', '329750', '238443', '11763D', '006837', '004529' ] // SE palette var se_palette = [ '000000', 'FFFFFF', ] // Display images on map Map.addLayer(tcc.select('data_mask'), {min:0,max:2}, 'Data Mask',false); Map.addLayer(tcc.select('Science_Percent_Tree_Canopy_Cover'), {min:0,max:60,palette:tcc_palette}, 'Science Percent Tree Canopy Cover'); Map.addLayer(tcc.select('Science_Percent_Tree_Canopy_Cover_Standard_Error'), {min:0,max:4000,palette:se_palette}, 'Science Percent Tree Canopy Cover Standard Error'); Map.addLayer(tcc.select('NLCD_Percent_Tree_Canopy_Cover'), {min:0,max:60,palette:tcc_palette}, 'NLCD Percent Tree Canopy Cover'); Map.setCenter(-98.58, 38.14, 4);