- Disponibilité de l'ensemble de données
- 2008-06-01T00:00:00Z–2021-09-30T00:00:00Z
- Producteur de l'ensemble de données
- Centre des applications et des technologies géospatiales (GTAC) du service forestier de l'USDA (USFS)
- Tags
Description
Ce produit fait partie de la suite de données sur le couvert forestier. Il inclut le couvert forestier modélisé, l'erreur standard (ES) et les données du couvert forestier de la base de données nationale sur la couverture des sols (NLCD) pour chaque année. Les données sur le couvert forestier produites par le Forest Service (USFS) du ministère de l'Agriculture des États-Unis sont incluses dans le consortium MRLC (Multi-Resolution Land Characteristics), qui fait partie du projet NLCD (National Land Cover Database) géré par l'USGS (United States Geological Survey).
Les produits TCC Science et NLCD TCC sont des cartes basées sur la télédétection produites par l'USFS. L'objectif de TCC Science et NLCD TCC est de développer une approche cohérente utilisant les dernières technologies et avancées en matière de cartographie TCC pour produire une carte "la plus précise possible" de la TCC dans les États-Unis contigus (CONUS), ainsi que dans le sud-est de l'Alaska, à Hawaï et à Porto Rico-Îles Vierges américaines (OCONUS).
Les sorties du modèle incluent les données TCC scientifiques, les données SE scientifiques et les données TCC NLCD. Les données TCC et SE scientifiques incluent des données de 2008 à 2021. Les données TCC NLCD incluent des données de 2011 à 2021, avec des données entièrement masquées en 2008, 2009 et 2010.
*La catégorie "Science TCC" correspond aux sorties brutes directes du modèle.
*Science SE correspond à l'écart-type du modèle pour les valeurs prédites de tous les arbres de régression. *Le produit NLCD TCC fait l'objet d'un post-traitement supplémentaire appliqué aux images TCC scientifiques annuelles, qui comprend plusieurs routines de masquage (eau et agriculture non arborée), de filtrage et d'unité de cartographie minimale (MMU), ainsi que des processus qui réduisent le bruit interannuel et renvoient des tendances de plus longue durée.
Chaque image inclut une bande de masque de données comportant trois valeurs représentant les zones sans données (0), la couverture forestière cartographiée(1) et la zone de non-traitement (2). Les zones sans traitement sont les pixels de la zone d'étude sans données sans nuage ni ombre de nuage. Les pixels sans données et ceux de la zone de non-traitement sont masqués dans les images TCC et SE.
En raison de la taille de la zone CONUS et de la grande variété d'écotones, la modélisation de la zone CONUS a été divisée en 54 tuiles de 480x480 km. Pour chaque tuile, un modèle de forêt d'arbres décisionnels unique a été créé à l'aide des données ajustées LandTrendr de 2011, CDL de 2011 et de relief. Toutes les données de référence qui faisaient partie des 70% disponibles pour la calibration du modèle et qui croisaient les tuiles dans une fenêtre 5x5 autour de la tuile centrale ont été utilisées pour entraîner le modèle de forêt d'arbres décisionnels. Ce modèle a ensuite été appliqué à la tuile centrale. Pour la zone OCONUS, un modèle a été appliqué à chaque zone d'étude, et aucune tuile n'a été utilisée.
Les couches de prédiction du modèle TCC incluent les sorties de LandTrendr et des informations sur le terrain. Tous ces composants sont accessibles et traités à l'aide de Google Earth Engine (Gorelick et al., 2017).
Pour produire des composites annuels pour LandTrendr, les données de réflectance au sommet de l'atmosphère de niveau 1 des collections 2 Landsat et Sentinel 2A, 2B de l'USGS ont été utilisées. L'algorithme de masquage de nuages cFmask (Foga et al., 2017), qui est une implémentation de Fmask 2.0 (Zhu et Woodcock, 2012) (Landsat uniquement), cloudScore (Chastain et al., 2019) (Landsat uniquement) et s2cloudless (Sentinel-Hub, 2021) (Sentinel-2 uniquement) sont utilisés pour masquer les nuages, tandis que TDOM (Chastain et al., 2019) est utilisé pour masquer les ombres de nuages (Landsat et Sentinel-2). Pour LandTrendr, le médoïde annuel est ensuite calculé pour résumer les valeurs sans nuages ni ombres de nuages de chaque année en un seul composite.
La série temporelle composite est segmentée temporellement à l'aide de LandTrendr (Kennedy et al., 2010 ; Kennedy et al., 2018 ; Cohen et al., 2018).
Les valeurs composites brutes, les valeurs ajustées LandTrendr, les différences par paires, la durée du segment, l'ampleur et la pente du changement, ainsi que l'altitude, la pente, le sinus de l'aspect et le cosinus de l'aspect à partir des données 3D USGS de 10 m. Les données du programme d'élévation (3DEP) (U.S. Geological Survey, 2019) sont utilisées comme variables de prédiction indépendantes dans un modèle de forêt aléatoire (Breiman, 2001).
Les données de référence sont collectées à partir des données TCC interprétées à partir de photos de l'inventaire et de l'analyse des forêts (FIA, Forest Inventory and Analysis) de l'USFS (United States Forest Service). Elles sont utilisées pour effectuer des prédictions TCC complètes au niveau des pixels.
Autres ressources
Pour en savoir plus sur les méthodes et l'évaluation de la précision, consultez le résumé des méthodes TCC. Pour télécharger des données, des métadonnées et des documents d'aide, consultez le centre d'échange de géodonnées TCC.
Pour toute question ou demande de données spécifiques, contactez sm.fs.tcc@usda.gov.
Breiman, L., 2001. Forêts aléatoires. Dans le machine learning. Springer, 45: 5-32 doi:10.1023/A:1010933404324
Chastain, R., Housman, I., Goldstein, J., Finco, M., and Tenneson, K., 2019. Comparaison empirique multisensorielle des caractéristiques spectrales au sommet de l'atmosphère des instruments MSI Sentinel-2A et 2B, OLI Landsat-8 et ETM Landsat-7 sur les États-Unis contigus. 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., et Gorelick, N., 2018. Ensemble multispectral LandTrendr pour la détection des perturbations forestières. 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. Comparaison et validation des algorithmes de détection des nuages pour les produits de données Landsat opérationnels. In Remote Sensing of Environment. Science Direct, 194 : 379-390 doi:10.1016/j.rse.2017.03.026
U.S. Geological Survey, 2019. Modèle numérique d'élévation du programme 3D Elevation de l'USGS, consulté en août 2022 sur https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m
Kennedy, R. E., Yang, Z., et Cohen, W. B. 2010. Détecter les tendances des perturbations et de la régénération des forêts à l'aide de séries temporelles Landsat annuelles : 1. LandTrendr : algorithmes de segmentation temporelle. 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., et Healey, S., 2018. Implémentation de l'algorithme LandTrendr sur Google Earth Engine. In Remote Sensing. MDPI, 10(5): 691 doi:10.3390/rs10050691
Sentinel-Hub, 2021. Détecteur de nuages Sentinel 2. [En ligne]. Disponible à l'adresse suivante : https://github.com/sentinel-hub/sentinel2-cloud-detector
Zhu, Z. et Woodcock, C. E., 2012.. Détection des nuages et des ombres de nuages basée sur les objets dans les images Landsat. In Remote Sensing of Environment. Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028
Bandes
Bandes de fréquences
Taille des pixels : 30 mètres (toutes les bandes)
| Nom | Unités | Taille des pixels | Description | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Science_Percent_Tree_Canopy_Cover |
% | 30 mètres | Sorties brutes du modèle direct. Chaque pixel possède une valeur moyenne prédite de couverture du couvert forestier pour chaque année. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Science_Percent_Tree_Canopy_Cover_Standard_Error |
% | 30 mètres | L'écart-type des valeurs prédites de tous les arbres de régression est appelé "erreur standard". Chaque pixel présente une erreur standard pour chaque année. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
NLCD_Percent_Tree_Canopy_Cover |
% | 30 mètres | Pour produire la couverture de canopée de l'NLCD, un workflow de post-traitement est appliqué à la sortie directe du modèle, qui identifie et définit les valeurs de pixels non arborés sur zéro pour cent de couverture de canopée. Les données sur le couvert forestier du NLCD sont entièrement masquées en 2008, 2009 et 2010. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
data_mask |
30 mètres | Trois valeurs représentant les zones sans données, la couverture forestière cartographiée et la zone de non-traitement. La zone de non-traitement correspond à la zone d'étude pour laquelle aucune donnée sans nuage ni ombre de nuage n'est disponible pour produire un résultat. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Propriétés des images
Propriétés des images
| Nom | Type | Description |
|---|---|---|
| study_area | STRING | La couverture TCC inclut actuellement les États-Unis continentaux, le sud-est de l'Alaska, Porto Rico, les îles Vierges américaines et Hawaï. Cette version contient tous les domaines d'étude. Valeurs possibles : "CONUS, SEAK, PRUSVI, HI" |
| version | STRING | Il s'agit de la quatrième version du produit TCC publiée dans le consortium MRLC, qui fait partie de la base de données nationale sur la couverture des sols (NLCD). |
| startYear | INT | Année de début du produit |
| endYear | INT | "Année de fin du produit" |
| an | INT | "Année du produit" |
Conditions d'utilisation
Conditions d'utilisation
Le service forestier de l'USDA ne fournit aucune garantie, explicite ou implicite, y compris les garanties de qualité marchande et d'adéquation à un usage particulier, et n'assume aucune responsabilité légale quant à l'exactitude, la fiabilité, l'exhaustivité ou l'utilité de ces données géospatiales, ni quant à leur utilisation inappropriée ou incorrecte. Ces données géospatiales et les cartes ou graphiques associés ne sont pas des documents juridiques et ne sont pas destinés à être utilisés comme tels. Les données et les cartes ne peuvent pas être utilisées pour déterminer le titre, la propriété, les descriptions ou les limites légales, la juridiction légale ni les restrictions qui peuvent être en place sur les terrains publics ou privés. Les risques naturels peuvent ou non être représentés sur les données et les cartes. Les utilisateurs des terres doivent faire preuve de prudence. Les données sont dynamiques et peuvent changer au fil du temps. Il incombe à l'utilisateur de vérifier les limites des données géospatiales et de les utiliser en conséquence.
Ces données ont été collectées grâce à des fonds du gouvernement américain et peuvent être utilisées sans autorisation ni frais supplémentaires. Si vous utilisez ces données dans une publication, une présentation ou un autre produit de recherche, veuillez utiliser la citation suivante :
Services forestiers de l'USDA. 2023. USFS Tree Canopy Cover v2021.4 (États-Unis contigus et sud-est de l'Alaska). Salt Lake City, Utah.
Citations
Services forestiers de l'USDA. 2023. USFS Tree Canopy Cover v2021.4 (États-Unis contigus et sud-est de l'Alaska). Salt Lake City, Utah.
Explorer avec Earth Engine
Éditeur de code (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);