- در دسترس بودن مجموعه دادهها
- 2008-06-01T00:00:00Z–2021-09-30T00:00:00Z
- تولیدکننده مجموعه داده
- مرکز فناوری و کاربردهای مکانی (GTAC) خدمات جنگلداری وزارت کشاورزی ایالات متحده (USFS)
- برچسبها
- جنگل
توضیحات
این محصول بخشی از مجموعه دادههای پوشش تاجی درختان (TCC) است. این مجموعه شامل دادههای TCC مدلسازیشده، خطای استاندارد (SE) و TCC پایگاه داده ملی پوشش اراضی (NLCD) برای هر سال است. دادههای TCC تولید شده توسط وزارت کشاورزی و خدمات جنگلداری ایالات متحده (USFS) در کنسرسیوم ویژگیهای زمین با وضوح چندگانه (MRLC) گنجانده شده است که بخشی از پروژه پایگاه داده ملی پوشش اراضی (NLCD) است که 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 میشوند. هدف TCC Science و NLCD TCC توسعه یک رویکرد منسجم با استفاده از آخرین فناوری و پیشرفتها در نقشهبرداری TCC برای تولید یک نقشه "بهترین موجود" از TCC در سراسر مرز ایالات متحده (CONUS) و جنوب شرقی آلاسکا، هاوایی و جزایر ویرجین پورتوریکو-ایالات متحده (OCONUS) است.
خروجیهای مدل شامل Science TCC، Science SE و NLCD TCC است. Science TCC و SE شامل دادههایی از سال ۲۰۰۸ تا ۲۰۲۱ هستند. NLCD TCC شامل دادههایی از سال ۲۰۱۱ تا ۲۰۲۱ است که دادههای سالهای ۲۰۰۸، ۲۰۰۹ و ۲۰۱۰ به طور کامل پنهان شدهاند.
*مقدار TCC علوم، خروجیهای خام مدل مستقیم است.
*Science SE انحراف معیار مدل از مقادیر پیشبینیشده از تمام درختهای رگرسیون است. *محصول NLCD TCC تحت پردازش پس از پردازش بیشتری قرار میگیرد که بر روی تصاویر سالانه Science TCC اعمال میشود، که شامل چندین رویه ماسکینگ (آب و کشاورزی غیر درختی)، فیلترینگ و واحد حداقل نگاشت (MMU) و همچنین فرآیندهایی است که نویز بین سالانه را کاهش میدهند و روندهای طولانیتر را برمیگردانند.
هر تصویر شامل یک نوار ماسک داده است که سه مقدار دارد که نشاندهنده مناطق بدون داده (0)، پوشش تاج درخت نقشهبرداری شده (1) و منطقه بدون پردازش (2) است. مناطق بدون پردازش، پیکسلهایی در منطقه مورد مطالعه بدون داده ابر یا بدون سایه ابر هستند. پیکسلهای منطقه بدون داده و بدون پردازش در تصاویر TCC و SE ماسک میشوند.
با توجه به اندازه CONUS و تنوع گسترده اکوتونها، مدلسازی CONUS به ۵۴ کاشی ۴۸۰x۴۸۰ کیلومتری تقسیم شد. برای هر کاشی، یک مدل جنگل تصادفی منحصر به فرد با استفاده از دادههای LandTrendr برازش شده ۲۰۱۱، CDL ۲۰۱۱ و دادههای زمینی ساخته شد. تمام دادههای مرجع که بخشی از ۷۰٪ دادههای موجود برای کالیبراسیون مدل بودند و کاشیها را در یک پنجره ۵x۵ در اطراف کاشی مرکزی قطع میکردند، برای آموزش مدل جنگل تصادفی استفاده شدند. سپس آن مدل به کاشی مرکزی اعمال شد. برای OCONUS، یک مدل به هر منطقه مورد مطالعه اعمال شد و از هیچ کاشی استفاده نشد.
لایههای پیشبینیکننده برای مدل TCC شامل خروجیهای LandTrendr و اطلاعات زمین هستند. همه این اجزا با استفاده از موتور Google Earth قابل دسترسی و پردازش هستند (گورلیک و همکاران، ۲۰۱۷).
برای تولید کامپوزیتهای سالانه برای LandTrendr، از دادههای بازتاب بالای جو Landsat Tier 1 از مجموعه USGS 2 و Sentinel 2A و Sentinel 2B Level-1C استفاده شد. الگوریتم پوشش ابر cFmask (Foga و همکاران، ۲۰۱۷)، که پیادهسازی Fmask 2.0 (Zhu و Woodcock، ۲۰۱۲) (فقط Landsat)، cloudScore (Chastain و همکاران، ۲۰۱۹) (فقط Landsat) و s2cloudless (Sentinel-Hub، ۲۰۲۱) (فقط Sentinel 2) است، برای پوشش ابرها استفاده میشوند، در حالی که TDOM (Chastain و همکاران، ۲۰۱۹) برای پوشش سایههای ابر (Landsat و Sentinel 2) استفاده میشود. برای LandTrendr، سپس میانگین سالانه محاسبه میشود تا مقادیر ابر و بدون سایه ابر از هر سال را در یک کامپوزیت واحد خلاصه کند.
سری زمانی ترکیبی با استفاده از LandTrendr به صورت زمانی بخشبندی میشود (Kennedy و همکاران، ۲۰۱۰؛ Kennedy و همکاران، ۲۰۱۸؛ Cohen و همکاران، ۲۰۱۸).
مقادیر ترکیبی خام، مقادیر برازش شده LandTrendr، تفاوتهای جفتی، مدت زمان قطعهبندی، بزرگی تغییر و شیب، به همراه ارتفاع، شیب، سینوس جهت و کسینوس جهت از دادههای 10 متری برنامه ارتفاع سهبعدی USGS (3DEP) (سازمان زمینشناسی ایالات متحده، 2019)، به عنوان متغیرهای پیشبینیکننده مستقل در مدل جنگل تصادفی (Breiman، 2001) استفاده میشوند.
دادههای مرجع از دادههای TCC تفسیر شده با عکسِ اداره آمار و تجزیه و تحلیل جنگلهای ایالات متحده (FIA) جمعآوری شده و برای پیشبینیهای TCC به صورت پیکسلی و دقیق استفاده میشوند.
منابع اضافی
برای اطلاعات بیشتر در مورد روشها و ارزیابی دقت، لطفاً به خلاصه روشهای TCC یا برای دانلود دادهها، فرادادهها و اسناد پشتیبانی به مرکز دادههای جغرافیایی TCC مراجعه کنید.
در صورت داشتن هرگونه سوال یا درخواست اطلاعات خاص، با sm.fs.tcc@usda.gov تماس بگیرید.
بریمن، ل.، ۲۰۰۱. جنگلهای تصادفی. در یادگیری ماشین. اشپرینگر ، ۴۵: ۵-۳۲ doi:10.1023/A:1010933404324
چستین، ر.، هاوسمن، آی.، گلدشتاین، جی.، فینکو، م.، و تنسون، ک.، ۲۰۱۹. مقایسه تجربی حسگرهای متقاطع Sentinel-2A و 2B MSI، Landsat-8 OLI و Landsat-7 ETM با ویژگیهای طیفی بالای جو بر فراز ایالات متحده. در سنجش از دور محیط زیست. Science Direct ، ۲۲۱: ۲۷۴-۲۸۵ doi:10.1016/j.rse.2018.11.012
کوهن، دبلیو بی، یانگ، ز.، هیلی، اس پی، کندی، آر ای، و گورلیک، ان.، ۲۰۱۸. یک مجموعه چند طیفی LandTrendr برای تشخیص اختلالات جنگلی. در سنجش از دور محیط زیست. Science Direct ، ۲۰۵: ۱۳۱-۱۴۰ doi:10.1016/j.rse.2017.11.015
فوگا، س.، اسکاراموزا، پ.ل، گوئو، س.، ژو، ز.، دیلی، آر.دی، بکمن، ت.، اشمیت، جی.ال، دوایر، جی.ال، هیوز، ام.جی، لاو، ب.، ۲۰۱۷. مقایسه الگوریتم تشخیص ابر و اعتبارسنجی برای محصولات دادهای عملیاتی لندست. در سنجش از دور محیط زیست. ساینس دایرکت ، ۱۹۴: ۳۷۹-۳۹۰ doi:10.1016/j.rse.2017.03.026
سازمان زمینشناسی ایالات متحده، ۲۰۱۹. مدل ارتفاعی دیجیتال برنامه ارتفاع سهبعدی USGS، دسترسی در آگوست ۲۰۲۲ در https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m
کندی، آر.ای، یانگ، زد.، و کوهن، دبلیو.بی، 2010. تشخیص روندها در اختلال و بازیابی جنگل با استفاده از سریهای زمانی سالانه لندست: 1. LandTrendr - الگوریتمهای قطعهبندی زمانی. در سنجش از دور محیط زیست. Science Direct ، 114(12): 2897-2910 doi:10.1016/j.rse.2010.07.008
کندی، ر.، یانگ، ز.، گورلیک، ن.، براتن، ج.، کاوالکانت، ل.، کوهن، دبلیو.، و هیلی، س.، 2018. پیادهسازی الگوریتم LandTrendr در موتور گوگل ارث. در سنجش از دور. MDPI ، 10(5): 691 doi:10.3390/rs10050691
Sentinel-Hub، 2021. آشکارساز ابری Sentinel 2. [آنلاین]. موجود در: https://github.com/sentinel-hub/sentinel2-cloud-detector
ژو، ز.، و وودکاک، سی. ای، ۲۰۱۲. . تشخیص ابر و سایه ابر مبتنی بر شیء در تصاویر لندست. در سنجش از دور محیط زیست. ساینس دایرکت ، ۱۱۸: ۸۳-۹۴ doi:10.1016/j.rse.2011.10.028
باندها
اندازه پیکسل
۳۰ متر
باندها
| نام | واحدها | اندازه پیکسل | توضیحات | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Science_Percent_Tree_Canopy_Cover | % | متر | خروجیهای خام مدل مستقیم. هر پیکسل دارای میانگین پیشبینیشده مقدار پوشش تاجی درختان برای هر سال است. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Science_Percent_Tree_Canopy_Cover_Standard_Error | % | متر | انحراف معیار مقادیر پیشبینیشده از تمام درختهای رگرسیون را خطای استاندارد مینامیم. هر پیکسل برای هر سال یک خطای استاندارد دارد. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
NLCD_Percent_Tree_Canopy_Cover | % | متر | برای تولید پوشش تاج درخت NLCD، یک گردش کار پس از پردازش بر روی خروجی مستقیم مدل اعمال میشود که مقادیر پیکسلهای غیر درختی را شناسایی و روی صفر درصد پوشش تاج درخت تنظیم میکند. دادههای پوشش تاج درخت NLCD در سالهای ۲۰۰۸، ۲۰۰۹ و ۲۰۱۰ به طور کامل ماسک شدهاند. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
data_mask | متر | سه مقدار که نشاندهنده مناطقی بدون داده، پوشش تاج درخت نقشهبرداری شده و منطقه بدون پردازش هستند. منطقه بدون پردازش جایی است که پیکسلهای منطقه مورد مطالعه هیچ داده ابری یا بدون سایه ابری برای تولید خروجی ندارند. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
ویژگیهای تصویر
ویژگیهای تصویر
| نام | نوع | توضیحات |
|---|---|---|
| منطقه_مطالعه | رشته | TCC در حال حاضر CONUS، جنوب شرقی آلاسکا، پورتوریکو-جزایر ویرجین ایالات متحده و هاوایی را پوشش میدهد. این نسخه شامل تمام مناطق مورد 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 اراضی (NLCD) است. |
| سال شروع | داخلی | «سال شروع تولید محصول» |
| پایانسال | داخلی | «سال پایان تولید محصول» |
| سال | داخلی | «سال تولید محصول» |
شرایط استفاده
شرایط استفاده
خدمات جنگلداری USDA هیچ ضمانتی، اعم از صریح یا ضمنی، از جمله ضمانتهای مربوط به قابلیت فروش و مناسب بودن برای یک هدف خاص، ارائه نمیدهد و هیچ گونه مسئولیت یا تعهد قانونی در قبال دقت، قابلیت اطمینان، کامل بودن یا مفید بودن این دادههای مکانی یا استفاده نادرست یا غیرصحیح از این دادههای مکانی را بر عهده نمیگیرد. این دادههای مکانی و نقشهها یا گرافیکهای مرتبط، اسناد قانونی نیستند و برای استفاده به این صورت در نظر گرفته نشدهاند. دادهها و نقشهها را نمیتوان برای تعیین عنوان، مالکیت، توضیحات یا مرزهای قانونی، صلاحیت قانونی یا محدودیتهایی که ممکن است در زمینهای عمومی یا خصوصی وجود داشته باشد، استفاده کرد. خطرات طبیعی ممکن است در دادهها و نقشهها نشان داده شوند یا نشوند و کاربران زمین باید احتیاط لازم را به عمل آورند. دادهها پویا هستند و ممکن است با گذشت زمان تغییر کنند. کاربر مسئول تأیید محدودیتهای دادههای مکانی و استفاده از دادهها بر اساس آن است.
این دادهها با استفاده از بودجه دولت ایالات متحده جمعآوری شدهاند و میتوانند بدون مجوز یا هزینه اضافی مورد استفاده قرار گیرند. در صورت استفاده از این دادهها در یک نشریه، ارائه یا سایر محصولات تحقیقاتی، لطفاً از منبع زیر استفاده کنید:
خدمات جنگلداری USDA. 2023. پوشش تاج درختان USFS نسخه 2021.4 (مرز ایالات متحده و جنوب شرقی آلاسکا). سالت لیک سیتی، یوتا.
نقل قولها
خدمات جنگلداری USDA. 2023. پوشش تاج درختان USFS نسخه 2021.4 (مرز ایالات متحده و جنوب شرقی آلاسکا). سالت لیک سیتی، یوتا.
با موتور زمین کاوش کنید
ویرایشگر کد (جاوااسکریپت)
// 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);