- دردسترس بودن مجموعه داده
- 2008-06-01T00:00:00Z–2021-09-30T00:00:00Z
- تولیدکننده مجموعه داده
- مرکز برنامهها و فناوری زمینفضایی (GTAC) سرویس جنگلداری USDA (USFS)
- برچسبها
شرح
این محصول بخشی از مجموعه دادههای «پوشش تاجپوشه درختان» (TCC) است. این دادهها شامل TCC مدلسازیشده، خطای استاندارد (SE)، و دادههای TCC «پایگاه داده ملی پوشش زمین» (NLCD) برای هر سال است. دادههای «تاجپوشه درختان» که توسط «وزارت کشاورزی ایالات متحده، خدمات جنگلداری» (USFS) تولید میشود در کنسرسیوم «ویژگیهای زمین با وضوح چندگانه» (MRLC) گنجانده شده است که بخشی از پروژه «پایگاه داده ملی پوشش زمین» (NLCD) است و توسط «سازمان زمینشناسی ایالات متحده» (USGS) مدیریت میشود.
محصول Science TCC و NLCD TCC خروجی نقشه مبتنی بر سنجش از دور هستند که توسط USFS تولید شدهاند. هدف TCC Science و NLCD TCC توسعه رویکردی منسجم بااستفاده از جدیدترین فناوری و پیشرفتها در نقشهبرداری TCC برای تولید «بهترین نقشه دردسترس» از TCC در سراسر ایالات متحده هممرز (CONUS) و جنوب شرقی آلاسکا، هاوایی، و پورتوریکو-جزایر ویرجین ایالات متحده (OCONUS) است.
خروجیهای مدل شامل Science TCC، Science SE، و NLCD TCC است. «علم TCC» و SE شامل دادههای سال ۲۰۰۸ تا ۲۰۲۱ است. NLCD TCC شامل دادههای سال ۲۰۱۱ تا ۲۰۲۱ است و دادههای سالهای ۲۰۰۸، ۲۰۰۹، و ۲۰۱۰ کاملاً پوشانده شده است.
*Science TCC خروجیهای مدل مستقیم خام است.
*Science SE انحراف معیار مدل مقادیر پیشبینیشده از همه درختهای رگرسیون است. *محصول NLCD TCC تحت پردازشهای پساز تولید بیشتری قرار میگیرد که روی تصاویر Science TCC سالانه اعمال میشود، که شامل چندین روال ماسکگذاری (آب و کشاورزی غیردرختی)، فیلتر کردن، و واحد حداقل نقشهبرداری (MMU)، و همچنین فرایندهایی است که نویز بینسالانه را کاهش میدهند و روندهای طولانیمدتتری را برمیگردانند.
هر تصویر شامل یک باند ماسک داده است که سه مقدار دارد که نشاندهنده مناطق بدون داده (۰)، پوشش تاجپوشه درختان نگاشتشده(۱)، و منطقه پردازشنشده (۲) است. مناطق غیرپردازشی پیکسلهایی در منطقه مطالعه هستند که دادههای بدون ابر یا سایه ابر ندارند. پیکسلهای بدون داده و پردازشنشده در تصاویر TCC و SE ماسک شدهاند.
بهدلیل اندازه CONUS و تنوع گسترده بوممرزها، مدلسازی CONUS به ۵۴ کاشی ۴۸۰×۴۸۰ کیلومتری تقسیم شد. برای هر کاشی، یک مدل جنگل تصادفی منحصربهفرد بااستفاده از LandTrendr برازششده ۲۰۱۱، CDL ۲۰۱۱، و دادههای زمین ساخته شد. همه دادههای مرجع که بخشی از ۷۰٪ دردسترس برای واسنجی مدل بودند و کاشیها را در پنجرهای ۵×۵ در اطراف کاشی مرکزی قطع میکردند، برای آموزش مدل جنگل تصادفی استفاده شدند. سپس آن مدل روی کاشی مرکزی اعمال شد. برای OCONUS، یک مدل برای هر منطقه مطالعه اعمال شد و از هیچ کاشیای استفاده نشد.
لایههای پیشبینیکننده برای مدل TCC شامل خروجیهای LandTrendr و اطلاعات زمین است. همه این مؤلفهها بااستفاده از Google Earth Engine (گورلیک و همکاران، 2017).
برای تولید ترکیبهای سالانه برای LandTrendr، از دادههای بازتابش بالای جو USGS Collection 2 Landsat Tier 1 و Sentinel 2A، 2B Level-1C استفاده شد. الگوریتم پوشش ابری cFmask (Foga et al., 2017)، که پیادهسازی Fmask 2.0 (Zhu and Woodcock, 2012) (فقط Landsat)، cloudScore (Chastain et al., 2019) (فقط Landsat)، و s2cloudless (Sentinel-Hub، 2021) (فقط Sentinel 2) برای پوشاندن ابرها استفاده میشوند، درحالیکه TDOM (Chastain et al.، ۲۰۱۹) برای پوشاندن سایه ابر (Landsat و Sentinel ۲) استفاده میشود. برای LandTrendr، سپس مدوید سالانه محاسبه میشود تا مقادیر بدون ابر و سایه ابر از هر سال در یک ترکیب واحد خلاصه شود.
سری زمانی ترکیبی بااستفاده از LandTrendr بهصورت موقت بخشبندی میشود (Kennedy et al., ۲۰۱۰؛ Kennedy و همکاران، ۲۰۱۸؛ Cohen و همکاران، ۲۰۱۸).
مقادیر ترکیبی خام، مقادیر برازششده LandTrendr، تفاوتهای جفتی، مدتزمان بخش، بزرگی تغییر، و شیب، بههمراه ارتفاع، شیب، سینوس جهت، و کسینوس جهت از USGS 3D ۱۰ متری. دادههای «برنامه ارتفاع سهبعدی» (3DEP) (سازمان زمینشناسی ایالات متحده، ۲۰۱۹) بهعنوان متغیرهای پیشبینیکننده مستقل در مدل «جنگل تصادفی» (بریمَن، ۲۰۰۱) استفاده میشود.
دادههای مرجع از دادههای TCC تفسیرشده از عکس «تحلیل و فهرست موجودی جنگل» (FIA) متعلق به USFS جمعآوری شدهاند و برای پیشبینیهای TCC دیواربهدیوار براساس پیکسل استفاده میشوند.
منابع تکمیلی
لطفاً برای اطلاعات دقیقتر درباره روشها و ارزیابی دقت، به خلاصه روشهای TCC مراجعه کنید، یا برای بارگیری دادهها، فرادادهها، و اسناد پشتیبانی، به مرکز تبادل دادههای جغرافیایی TCC مراجعه کنید.
اگر سؤال یا درخواست داده خاصی دارید، با sm.fs.tcc@usda.gov تماس بگیرید.
Breiman, L., ۲۰۰۱. جنگلهای تصادفی. در یادگیری ماشین. Springer، 45: 5-32 doi:10.1023/A:1010933404324
Chastain, R., Housman, I., Goldstein, J., Finco, M., and Tenneson, K., ۲۰۱۹. مقایسه تجربی حسگرهای متقاطع Sentinel-2A و 2B MSI، Landsat-8 OLI، و Landsat-7 ETM ویژگیهای طیفی بالای جو در ایالات متحده هممرز. در سنجش از دور محیط زیست. Science Direct، ۲۲۱: ۲۷۴-۲۸۵ doi:10.1016/j.rse.2018.11.012
Cohen, W. ب.، Yang, Z., Healey, S. P., Kennedy, R. E.، و Gorelick, N.، ۲۰۱۸. مجموعه چندطیفی LandTrendr برای تشخیص اختلال جنگل. در سنجش از دور محیط. Science Direct، ۲۰۵: ۱۳۱-۱۴۰ 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. مقایسه و اعتبارسنجی الگوریتم تشخیص ابر برای محصولات دادههای عملیاتی Landsat. در سنجش از دور محیط. Science Direct، ۱۹۴: ۳۷۹-۳۹۰ doi:10.1016/j.rse.2017.03.026
سازمان زمینشناسی ایالات متحده، ۲۰۱۹. مدل ارتفاع دیجیتال برنامه ارتفاع سهبعدی USGS، دسترسی در اوت ۲۰۲۲ در https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m
Kennedy, R. E.، Yang, Z., and Cohen, W. ب.، ۲۰۱۰. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 1. LandTrendr - الگوریتمهای بخشبندی زمانی. در سنجش از دور محیط. 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., ۲۰۱۸. پیادهسازی الگوریتم LandTrendr در Google Earth Engine. در سنجش از دور. MDPI، 10(5): 691 doi:10.3390/rs10050691
Sentinel-Hub, 2021. Sentinel 2 Cloud Detector. [آنلاین]. دردسترس در: https://github.com/sentinel-hub/sentinel2-cloud-detector
Zhu, Z., and Woodcock, C. E.، 2012.. تشخیص ابر و سایه ابر مبتنی بر شیء در تصاویر Landsat. در سنجش از دور محیط. Science Direct، ۱۱۸: ۸۳-۹۴ doi:10.1016/j.rse.2011.10.028
باند
باند
اندازه پیکسل: ۳۰ متر (همه باندها)
| نام | واحدها | اندازه پیکسل | شرح | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Science_Percent_Tree_Canopy_Cover |
٪ | ۳۰ متر | خروجیهای مستقیم و خام مدل. هر پیکسل دارای مقدار میانگین پیشبینیشده پوشش تاجپوشه درختان برای هر سال است. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Science_Percent_Tree_Canopy_Cover_Standard_Error |
٪ | ۳۰ متر | انحراف معیار مقادیر پیشبینیشده از همه درختهای رگرسیون را خطای استاندارد مینامیم. هر پیکسل برای هر سال یک خطای استاندارد دارد. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
NLCD_Percent_Tree_Canopy_Cover |
٪ | ۳۰ متر | برای تولید پوشش تاجپوشه درختان NLCD، گردش کار پسپردازش روی برونداد مستقیم مدل اعمال میشود که مقادیر پیکسلهای بدون درخت را شناسایی میکند و روی صفر درصد پوشش تاجپوشه درختان تنظیم میکند. دادههای پوشش تاجپوشه درختان NLCD در سالهای ۲۰۰۸، ۲۰۰۹، و ۲۰۱۰ کاملاً پوشانده شدهاند. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
data_mask |
۳۰ متر | سه مقدار که نشاندهنده مناطق بدون داده، پوشش تاجپوشه درختان نقشهبرداریشده، و منطقه پردازشنشده است. منطقه غیرپردازشی جایی است که پیکسلهای درون منطقه مطالعه هیچ داده بدون ابر یا سایه ابری برای تولید خروجی ندارند. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
مشخصات تصویر
ویژگیهای تصویر
| نام | نوع | شرح |
|---|---|---|
| study_area | رشته | TCC درحالحاضر CONUS، جنوب شرقی آلاسکا، پورتوریکو-جزایر ویرجین ایالات متحده، و هاوایی را پوشش میدهد. این نسخه شامل همه مناطق مطالعه است. مقادیر ممکن: «CONUS، SEAK، PRUSVI، HI» |
| نسخه | رشته | این چهارمین نسخه از محصول TCC است که در کنسرسیوم MRLC منتشر شده است که بخشی از «پایگاه داده ملی پوشش زمین» (NLCD) است |
| startYear | INT | «سال شروع محصول» |
| endYear | INT | «سال پایان محصول» |
| سال | INT | «سال محصول» |
شرایط استفاده
شرایط استفاده
«سرویس جنگلداری وزارت کشاورزی ایالات متحده» هیچ ضمانتی، صریح یا ضمنی، ازجمله ضمانتهای قابلیت فروش و مناسب بودن برای هدفی خاص، ارائه نمیدهد و هیچگونه مسئولیت یا تعهد قانونی درقبال صحت، قابلیت اطمینان، کامل بودن، یا سودمندی این دادههای زمینمکانی، یا درقبال استفاده نادرست یا اشتباه از این دادههای زمینمکانی برعهده نمیگیرد. این دادههای زمینمکانی و نقشهها یا گرافیکهای مرتبط اسناد قانونی نیستند و نباید بهعنوان چنین اسنادی استفاده شوند. از این دادهها و نقشهها نباید برای تعیین عنوان، مالکیت، توصیفها یا مرزهای قانونی، حوزه قضایی قانونی، یا محدودیتهایی که ممکن است در زمینهای عمومی یا خصوصی وجود داشته باشد استفاده شود. ممکن است خطرات طبیعی در دادهها و نقشهها نشان داده شده یا نشده باشد و کاربران زمین باید احتیاط لازم را بهعمل آورند. دادهها پویا هستند و ممکن است درطول زمان تغییر کنند. کاربر مسئول است محدودیتهای دادههای زمینمکانی را بررسی کند و از دادهها بهطور مقتضی استفاده کند.
این دادهها بااستفاده از بودجه دولت ایالات متحده جمعآوری شدهاند و میتوانند بدون اجازهها یا هزینههای اضافی استفاده شوند. اگر از این دادهها در نشریه، ارائه، یا محصول پژوهشی دیگری استفاده میکنید، لطفاً از نقلقول زیر استفاده کنید:
USDA Forest Service. ۲۰۲۳. USFS Tree Canopy Cover v2021.4 (ایالات متحده هممرز و جنوب شرقی آلاسکا). سالت لیک سیتی، یوتا.
نقلقولها
USDA Forest Service. ۲۰۲۳. USFS Tree Canopy Cover v2021.4 (ایالات متحده هممرز و جنوب شرقی آلاسکا). سالت لیک سیتی، یوتا.
کاوش با Earth Engine
ویرایشگر کد (جاوا اسکریپت)
// 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);