- Ketersediaan Set Data
- 2008-06-01T00:00:00Z–2021-09-30T00:00:00Z
- Produsen Set Data
- USDA Forest Service (USFS) Geospatial Technology and Applications Center (GTAC)
- Tag
Deskripsi
Produk ini adalah bagian dari rangkaian data Tree Canopy Cover (TCC). Produk ini mencakup data TCC yang dimodelkan, error standar (SE), dan data TCC National Land Cover Database (NLCD) untuk setiap tahun. Data TCC yang dihasilkan oleh United States Department of Agriculture, Forest Service (USFS) disertakan dalam konsorsium Multi-Resolution Land Characteristics (MRLC) yang merupakan bagian dari project National Land Cover Database (NLCD) yang dikelola oleh United States (US) Geological Survey (USGS).
Produk TCC Science dan NLCD TCC adalah output peta berbasis penginderaan jauh yang dihasilkan oleh USFS. Tujuan TCC Science dan NLCD TCC adalah mengembangkan pendekatan yang konsisten menggunakan teknologi dan kemajuan terbaru dalam pemetaan TCC untuk menghasilkan peta TCC "terbaik yang tersedia" di seluruh Conterminous United States (CONUS) dan Alaska tenggara, Hawaii, serta Puerto Rico-US Virgin Islands (OCONUS).
Output model mencakup TCC Science, SE Science, dan TCC NLCD. TCC Science dan SE mencakup data dari tahun 2008 hingga 2021. TCC NLCD mencakup data dari tahun 2011 hingga 2021, dengan data yang sepenuhnya di-masking pada tahun 2008, 2009, dan 2010.
*TCC Science adalah output model langsung yang belum diproses.
*SE Science adalah deviasi standar model dari nilai yang diprediksi dari semua pohon regresi. *Produk TCC NLCD menjalani pemrosesan pasca-pemrosesan lebih lanjut yang diterapkan pada gambar TCC Science tahunan, yang mencakup beberapa rutinitas masking (air dan pertanian non-pohon), pemfilteran, dan unit pemetaan minimum (MMU), serta proses yang mengurangi noise antar tahun dan menampilkan tren durasi yang lebih lama.
Setiap gambar menyertakan band mask data yang memiliki tiga nilai yang mewakili area tanpa data (0), cakupan kanopi pohon yang dipetakan(1), dan area non-pemrosesan (2). Area non-pemrosesan adalah piksel di area studi tanpa data bebas awan atau bayangan awan. Piksel area tanpa data dan non-pemrosesan di-masking dalam gambar TCC dan SE.
Karena ukuran CONUS dan beragamnya ekoton, pemodelan CONUS dibagi menjadi 54 petak berukuran 480x480 km. Untuk setiap petak, model hutan acak unik dibuat menggunakan data LandTrendr yang disesuaikan tahun 2011, CDL tahun 2011, dan data medan. Semua data referensi yang merupakan bagian dari 70% data yang tersedia untuk kalibrasi model yang berpotongan dengan petak dalam jendela 5x5 di sekitar petak tengah digunakan untuk melatih model hutan acak. Model tersebut kemudian diterapkan ke petak tengah. Untuk OCONUS, satu model diterapkan ke setiap area studi, dan tidak ada petak yang digunakan.
Lapisan prediktor untuk model TCC mencakup output dari LandTrendr dan informasi medan. Semua komponen ini diakses dan diproses menggunakan Google Earth Engine (Gorelick et al., 2017).
Untuk menghasilkan komposit tahunan untuk LandTrendr, data reflektansi puncak atmosfer USGS Collection 2 Landsat Tier 1 dan Sentinel 2A, 2B Level-1C digunakan. Algoritma masking awan cFmask (Foga et al., 2017), yang merupakan implementasi Fmask 2.0 (Zhu dan Woodcock, 2012) (khusus Landsat), cloudScore (Chastain et al., 2019) (khusus Landsat), dan s2cloudless (Sentinel-Hub, 2021) (khusus Sentinel 2) digunakan untuk menutupi awan, sedangkan TDOM (Chastain et al., 2019) digunakan untuk menutupi bayangan awan (Landsat dan Sentinel 2). Untuk LandTrendr, medoid tahunan kemudian dihitung untuk meringkas nilai bebas awan dan bayangan awan dari setiap tahun menjadi satu komposit.
Deret waktu komposit disegmentasi secara temporal menggunakan LandTrendr (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).
Nilai komposit mentah, nilai yang disesuaikan LandTrendr, perbedaan berpasangan, durasi segmen, besaran perubahan, dan kemiringan, beserta elevasi, kemiringan, sinus aspek, dan kosinus aspek dari USGS 3D 10 m. Data Elevation Program (3DEP) (U.S. Geological Survey, 2019) digunakan sebagai variabel prediktor independen dalam model Random Forest (Breiman, 2001).
Data referensi dikumpulkan dari data TCC yang diinterpretasikan foto USFS Forest Inventory and Analysis (FIA), dan digunakan untuk membuat prediksi TCC menyeluruh berdasarkan piksel.
Referensi Tambahan
Lihat TCC Methods Brief untuk mengetahui informasi lebih mendetail tentang metode dan penilaian akurasi, atau TCC Geodata Clearinghouse untuk mendownload data, metadata, dan dokumen dukungan.
Hubungi sm.fs.tcc@usda.gov jika ada pertanyaan atau permintaan data tertentu.
Breiman, L., 2001. Random Forests. Dalam Machine Learning. Springer, 45: 5-32 doi:10.1023/A:1010933404324
Chastain, R., Housman, I., Goldstein, J., Finco, M., dan 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
Band
Band
Ukuran piksel: 30 meter (semua band)
| Nama | Unit | Ukuran Piksel | Deskripsi | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Science_Percent_Tree_Canopy_Cover |
% | 30 meter | Output model langsung yang belum diproses. Setiap piksel memiliki nilai cakupan kanopi pohon yang diprediksi rata-rata untuk setiap tahun. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Science_Percent_Tree_Canopy_Cover_Standard_Error |
% | 30 meter | Deviasi standar nilai yang diprediksi dari semua pohon regresi yang kami sebut sebagai error standar. Setiap piksel memiliki error standar untuk setiap tahun. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
NLCD_Percent_Tree_Canopy_Cover |
% | 30 meter | Untuk menghasilkan cakupan kanopi pohon NLCD, alur kerja pasca-pemrosesan diterapkan ke output model langsung yang mengidentifikasi dan menetapkan nilai piksel non-pohon ke nol persen cakupan kanopi pohon. Data cakupan kanopi pohon NLCD sepenuhnya di-masking pada tahun 2008, 2009, dan 2010. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
data_mask |
30 meter | Tiga nilai yang mewakili area tanpa data, cakupan kanopi pohon yang dipetakan, dan area non-pemrosesan. Area non-pemrosesan adalah area tempat piksel dalam area studi tidak memiliki data bebas awan atau bayangan awan yang tersedia untuk menghasilkan output. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Properti Gambar
Properti Gambar
| Nama | Jenis | Deskripsi |
|---|---|---|
| study_area | STRING | TCC saat ini mencakup CONUS, Alaska Tenggara, Puerto Rico-US Virgin Islands, dan Hawaii. Versi ini berisi semua area studi. Nilai yang mungkin muncul: 'CONUS, SEAK, PRUSVI, HI' |
| version | STRING | Ini adalah versi keempat produk TCC yang dirilis dalam konsorsium MRLC yang merupakan bagian dari National Land Cover Database (NLCD)' |
| startYear | INT | 'Tahun mulai produk' |
| endYear | INT | 'Tahun akhir produk' |
| year | INT | 'Tahun produk' |
Persyaratan Penggunaan
Persyaratan Penggunaan
USDA Forest Service tidak memberikan jaminan, baik tersurat maupun tersirat, termasuk jaminan kelayakan untuk diperdagangkan dan kesesuaian untuk tujuan tertentu, serta tidak bertanggung jawab atau berkewajiban secara hukum atas akurasi, keandalan, kelengkapan, atau kegunaan data geospasial ini, atau atas penggunaan data geospasial ini yang tidak tepat atau salah. Data geospasial ini dan peta atau grafis terkait bukan merupakan dokumen hukum dan tidak dimaksudkan untuk digunakan sebagai dokumen hukum. Data dan peta tidak boleh digunakan untuk menentukan hak kepemilikan, kepemilikan, deskripsi atau batas hukum, wilayah hukum, atau batasan yang mungkin berlaku di lahan publik atau pribadi. Bahaya alam mungkin atau mungkin tidak digambarkan pada data dan peta, dan pengguna lahan harus berhati-hati. Data bersifat dinamis dan dapat berubah dari waktu ke waktu. Pengguna bertanggung jawab untuk memverifikasi batasan data geospasial dan menggunakan data tersebut sebagaimana mestinya.
Data ini dikumpulkan menggunakan dana dari Pemerintah AS dan dapat digunakan tanpa izin atau biaya tambahan. Jika Anda menggunakan data ini dalam publikasi, presentasi, atau produk riset lainnya, gunakan kutipan berikut:
USDA Forest Service. 2023. USFS Tree Canopy Cover v2021.4 (Conterminous United States and Southeastern Alaska). Salt Lake City, Utah.
Kutipan
USDA Forest Service. 2023. USFS Tree Canopy Cover v2021.4 (Conterminous United States and Southeastern Alaska). Salt Lake City, Utah.
Mengeksplorasi dengan Earth Engine
Editor Kode (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);