- זמינות קבוצת הנתונים
- 2008-06-01T00:00:00Z–2021-09-30T00:00:00Z
- מפיק מערך הנתונים
- USDA Forest Service (USFS) Geospatial Technology and Applications Center (GTAC)
- תגים
תיאור
המוצר הזה הוא חלק מחבילת הנתונים של כיסוי צמרות העצים (TCC). הוא כולל נתוני TCC מודלים, סטיית תקן (SE) ונתוני TCC של National Land Cover Database (מאגר נתוני כיסוי הקרקע הלאומי, NLCD) לכל שנה. נתוני TCC שנוצרו על ידי שירות היערות (USFS) של משרד החקלאות של ארצות הברית (USDA) נכללים בקונסורציום Multi-Resolution Land Characteristics (MRLC) שהוא חלק מהפרויקט National Land Cover Database (NLCD) שמנוהל על ידי הסקר הגאולוגי של ארצות הברית (USGS).
המוצר Science TCC ו-NLCD TCC הם פלט של מפה שמבוססת על חישה מרחוק, שנוצר על ידי USFS. המטרה של TCC Science ו-NLCD TCC היא לפתח גישה עקבית באמצעות הטכנולוגיה העדכנית וההתפתחויות במיפוי TCC, כדי ליצור מפה של TCC בפריסה ארצית בארצות הברית (CONUS) ובדרום-מזרח אלסקה, בהוואי ובפורטו ריקו – באיי הבתולה של ארה"ב (OCONUS).
הפלט של המודל כולל את Science TCC, Science SE ו-NLCD TCC. Science TCC ו-SE כוללים נתונים משנת 2008 עד 2021. נתוני NLCD TCC כוללים נתונים משנת 2011 עד 2021, עם נתונים מוסתרים באופן מלא בשנים 2008, 2009 ו-2010.
*Science TCC הוא הפלט הגולמי הישיר של המודל.
*Science SE היא סטיית התקן של המודל של הערכים החזויים מכל עצי הרגרסיה. *מוצר ה-NLCD TCC עובר עיבוד נוסף שמוחל על תמונות ה-Science TCC השנתיות, שכולל כמה פעולות מיסוך (מים וחקלאות שאינה עצים), סינון ושגרות של יחידת מיפוי מינימלית (MMU), וכן תהליכים שמפחיתים רעשים בין-שנתיים ומחזירים מגמות ארוכות יותר.
כל תמונה כוללת פס של מסכת נתונים עם שלושה ערכים שמייצגים אזורים ללא נתונים (0), כיסוי של צל עצים ממופה(1) ואזור ללא עיבוד (2). האזורים שלא עוברים עיבוד הם פיקסלים באזור המחקר ללא נתונים של עננים או צללים של עננים. ב-TCC ובתמונות SE, פיקסלים של אזורים ללא נתונים ואזורים שלא עוברים עיבוד מוסתרים.
בגלל הגודל של ארה"ב היבשתית והמגוון הרחב של אזורי מעבר אקולוגיים, המידול של ארה"ב היבשתית פוצל ל-54 משבצות בגודל 480x480 ק"מ. לכל משבצת, נוצר מודל ייחודי של יער אקראי באמצעות נתוני LandTrendr מותאמים משנת 2011, נתוני CDL משנת 2011 ונתוני שטח. כל נתוני ההפניה שהיו חלק מ-70% מהנתונים שהיו זמינים לכיול המודל, שהצטלבו עם משבצות בתוך חלון 5x5 סביב המשבצת המרכזית, שימשו לאימון מודל היער האקראי. לאחר מכן, המודל הזה הוחל על המשבצת המרכזית. במקומות מחוץ לארה"ב, הוחל מודל אחד על כל אזור מחקר, ולא נעשה שימוש במשבצות.
שכבות החיזוי של מודל TCC כוללות פלטים מ-LandTrendr ומידע על השטח. הגישה לכל הרכיבים האלה והעיבוד שלהם מתבצעים באמצעות Google Earth Engine (Gorelick et al., 2017).
כדי ליצור תמונות מורכבות שנתיות עבור LandTrendr, נעשה שימוש בנתוני החזרת אור בחלק העליון של האטמוספירה ברמה 1C של USGS Collection 2 Landsat Tier 1 ו-Sentinel 2A, 2B. נעשה שימוש באלגוריתם למיסוך עננים cFmask (Foga et al., 2017), שהוא הטמעה של Fmask 2.0 (Zhu and Woodcock, 2012) (ל-Landsat בלבד), ב-cloudScore (Chastain et al., 2019) (ל-Landsat בלבד) וב-s2cloudless (Sentinel-Hub, 2021) (ל-Sentinel 2 בלבד) כדי למסך עננים, וב-TDOM (Chastain et al., 2019) כדי למסך צללי עננים (Landsat ו-Sentinel 2). לאחר מכן, כדי לסכם את הערכים מכל שנה שלא כוללים עננים וצללי עננים לתמונה מורכבת אחת, מחושב המדויד השנתי עבור LandTrendr.
סדרת הזמן המורכבת מפולחת באופן זמני באמצעות LandTrendr (קנדי ואחרים, 2010; קנדי ואחרים, 2018; כהן ואחרים, 2018).
הערכים המורכבים הגולמיים, הערכים המותאמים של LandTrendr, ההפרשים בין זוגות, משך הפלח, גודל השינוי והשיפוע, יחד עם הגובה, השיפוע, סינוס הזווית וקוסינוס הזווית מ-10 מ' USGS 3D. נתונים מתוכנית Elevation Program (3DEP) (U.S. Geological Survey, 2019) משמשים כמשתני חיזוי בלתי תלויים במודל Random Forest (בריימן, 2001).
נתוני ההשוואה נאספים מנתוני TCC שפוענחו באמצעות תמונות של USFS Forest Inventory and Analysis (FIA), ומשמשים ליצירת תחזיות TCC מקיפות על בסיס פיקסל.
מקורות מידע נוספים
מידע מפורט יותר על שיטות והערכת דיוק זמין בסקירה של שיטות TCC. אפשר גם להוריד נתונים, מטא-נתונים ומסמכי תמיכה ממרכז המידע של TCC בנושא נתונים גיאוגרפיים.
אפשר לפנות אל sm.fs.tcc@usda.gov בכל שאלה או בקשה ספציפית לנתונים.
Breiman, L., 2001. Random Forests. ב-Machine Learning. Springer, 45: 5-32 doi:10.1023/A:1010933404324
Chastain, R., Housman, I., Goldstein, J., Finco, M., and Tenneson, K., 2019. השוואה אמפירית בין חיישנים של Sentinel-2A ו-2B MSI, Landsat-8 OLI ו-Landsat-7 ETM, של מאפיינים ספקטרליים בחלק העליון של האטמוספירה מעל ארצות הברית הרציפה. בחישה מרחוק של הסביבה. Science Direct, 221: 274-285 doi:10.1016/j.rse.2018.11.012
Cohen, W. B., יאנג, ז. (Yang, Z.), Healey, S. P., קנדי, ר. E., and Gorelick, N., 2018. LandTrendr multispectral ensemble לזיהוי הפרעות ביערות. בחישה מרחוק של הסביבה. 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., יוז, מ.ג'יי (Hughes, M.J.), Laue, B., 2017. השוואה ואימות של אלגוריתם לזיהוי עננים במוצרי נתונים תפעוליים של Landsat. ב-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. זיהוי מגמות בהפרעות ביערות ובהתאוששות שלהם באמצעות סדרות זמן שנתיות של Landsat: 1. LandTrendr – אלגוריתמים לפילוח זמני. ב-Remote Sensing of Environment. Science Direct, 114(12): 2897-2910 doi:10.1016/j.rse.2010.07.008
Kennedy, R., יאנג, ז. (Yang, Z.), Gorelick, N., Braaten, J., Cavalcante, L., Cohen, W., and Healey, S., 2018. הטמעה של אלגוריתם LandTrendr ב-Google Earth Engine. בחישה מרחוק. MDPI, 10(5): 691 doi:10.3390/rs10050691
Sentinel-Hub, 2021. Sentinel 2 Cloud Detector. [אונליין]. זמין בכתובת: https://github.com/sentinel-hub/sentinel2-cloud-detector
Zhu, Z., and Woodcock, C. E., 2012. זיהוי עננים וצללים של עננים בתמונות Landsat על בסיס אובייקטים. בחישה מרחוק של הסביבה. Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028
תחום תדרים
תחום תדרים
גודל הפיקסל: 30 מטרים (כל הפסים)
| שם | יחידות | גודל הפיקסל | תיאור | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Science_Percent_Tree_Canopy_Cover |
% | 30 מטרים | הפלטים הגולמיים של המודל הישיר. לכל פיקסל יש ערך ממוצע של כיסוי צל העצים החזוי לכל שנה. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Science_Percent_Tree_Canopy_Cover_Standard_Error |
% | 30 מטרים | סטיית התקן של הערכים החזויים מכל עצי הרגרסיה שאליהם מתייחסים נקראת שגיאת תקן. לכל פיקסל יש שגיאת תקן לכל שנה. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
NLCD_Percent_Tree_Canopy_Cover |
% | 30 מטרים | כדי ליצור כיסוי של צל עצים ב-NLCD, מפעילים תהליך עבודה של עיבוד שלאחר מכן על הפלט הישיר של המודל, שמזהה ערכי פיקסלים של אזורים ללא עצים ומגדיר אותם לאפס אחוז כיסוי של צל עצים. נתוני כיסוי צל העצים של NLCD מוסתרים באופן מלא בשנים 2008, 2009 ו-2010. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
data_mask |
30 מטרים | שלושה ערכים שמייצגים אזורים ללא נתונים, כיסוי צל עצים ממופה ואזור ללא עיבוד. האזור ללא עיבוד הוא אזור שבו אין נתונים זמינים של פיקסלים בתוך אזור המחקר, ללא עננים או צל של עננים, כדי ליצור פלט. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
מאפייני תמונה
מאפייני תמונה
| שם | סוג | תיאור |
|---|---|---|
| study_area | מחרוזת | נכון לעכשיו, TCC מכסה את ארה"ב הרציפה, דרום-מזרח אלסקה, פוארטו ריקו, איי הבתולה של ארה"ב והוואי. הגרסה הזו מכילה את כל אזורי המחקר. ערכים אפשריים: CONUS, SEAK, PRUSVI, HI |
| גרסה | מחרוזת | זו הגרסה הרביעית של מוצר ה-TCC שפורסם בקונסורציום MRLC, שהוא חלק ממסד הנתונים הלאומי של כיסוי הקרקע (NLCD)' |
| startYear | INT | 'שנת ההתחלה של המוצר' |
| endYear | INT | 'End year of the product' (שנת הסיום של המוצר) |
| שנה | INT | 'שנת המוצר' |
תנאים והגבלות
תנאים והגבלות
שירות היערות של משרד החקלאות האמריקאי לא נותן אחריות, מפורשת או משתמעת, כולל אחריות לסחירות ולהתאמה למטרה מסוימת, ולא נושא באחריות משפטית או באחריות כלשהי לדיוק, למהימנות, לשלמות או לשימושיות של הנתונים הגיאו-מרחביים האלה, או לשימוש לא תקין או שגוי בנתונים הגיאו-מרחביים האלה. הנתונים הגיאו-מרחביים והמפות או הגרפיקות הקשורות לא מהווים מסמכים משפטיים, והם לא מיועדים לשימוש ככאלה. אסור להשתמש בנתונים ובמפות כדי לקבוע בעלות, תיאורים משפטיים או גבולות, סמכות שיפוט או הגבלות שעשויות לחול על קרקע ציבורית או פרטית. יכול להיות שסכנות טבעיות יופיעו בנתונים ובמפות, ויכול להיות שלא. לכן, משתמשים בקרקע צריכים לנקוט משנה זהירות. הנתונים דינמיים ועשויים להשתנות עם הזמן. באחריות המשתמש לוודא מהן המגבלות של הנתונים הגיאו-מרחביים ולהשתמש בנתונים בהתאם.
הנתונים האלה נאספו במימון ממשלת ארה"ב, ואפשר להשתמש בהם ללא הרשאות או עמלות נוספות. אם אתם משתמשים בנתונים האלה בפרסום, במצגת או במוצר מחקר אחר, עליכם לציין את המקור הבא:
שירות היערות של משרד החקלאות האמריקאי (USDA). 2023. USFS Tree Canopy Cover v2021.4 (Conterminous United States and Southeastern Alaska). סולט לייק סיטי, יוטה.
ציטוטים ביבליוגרפיים
שירות היערות של משרד החקלאות האמריקאי (USDA). 2023. USFS Tree Canopy Cover v2021.4 (Conterminous United States and Southeastern Alaska). סולט לייק סיטי, יוטה.
סיור עם פלטפורמת Earth Engine
עורך קוד (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);