- Dostępność zbioru danych
- 2008-06-01T00:00:00Z–2021-09-30T00:00:00Z
- Dostawca zbioru danych
- Centrum Technologii Geoprzestrzennych i Zastosowań (GTAC) w ramach Służby Leśnej Departamentu Rolnictwa Stanów Zjednoczonych (USFS)
- Tagi
Opis
Ten produkt jest częścią pakietu danych dotyczących zagęszczenia drzew (TCC). Zawiera modelowane TCC, błąd standardowy (SE) i dane TCC z bazy danych National Land Cover Database (NLCD) dla każdego roku. Dane TCC opracowane przez United States Department of Agriculture, Forest Service (USFS) są uwzględnione w konsorcjum Multi-Resolution Land Characteristics (MRLC), które jest częścią projektu National Land Cover Database (NLCD) zarządzanego przez United States Geological Survey (USGS).
Produkt Science TCC i NLCD TCC to mapy wyjściowe oparte na teledetekcji, opracowane przez USFS. Celem projektu TCC Science i NLCD TCC jest opracowanie spójnego podejścia z wykorzystaniem najnowszych technologii i osiągnięć w zakresie mapowania pokrywy drzew, aby stworzyć „najlepszą dostępną” mapę pokrywy drzew w kontynentalnej części Stanów Zjednoczonych (CONUS) oraz w południowo-wschodniej Alasce, na Hawajach i w Portoryko oraz na Wyspach Dziewiczych Stanów Zjednoczonych (OCONUS).
Dane wyjściowe modelu obejmują Science TCC, Science SE i NLCD TCC. Dane dotyczące Science TCC i SE obejmują okres od 2008 roku do 2021 roku. NLCD TCC obejmuje dane z lat 2011–2021, a dane z lat 2008–2010 są w pełni zamaskowane.
*Science TCC to nieprzetworzone dane wyjściowe modelu bezpośredniego.
*Science SE to odchylenie standardowe modelu wartości prognozowanych ze wszystkich drzew regresji. *Produkt NLCD TCC jest poddawany dalszemu przetwarzaniu końcowemu, które jest stosowane do rocznych obrazów Science TCC. Obejmuje ono kilka procedur maskowania (woda i rolnictwo niezwiązane z drzewami), filtrowania i minimalnej jednostki mapowania (MMU), a także procesy, które zmniejszają szum międzyroczny i zwracają trendy o dłuższym czasie trwania.
Każde zdjęcie zawiera pasmo maski danych z 3 wartościami reprezentującymi obszary bez danych (0), mapowane pokrycie drzew(1) i obszary nieobjęte przetwarzaniem (2). Obszary nieprzetwarzane to piksele na obszarze badań, dla których nie ma danych bez chmur ani cieni chmur. W przypadku obrazów TCC i SE piksele obszarów bez danych i nieprzetworzonych są maskowane.
Ze względu na rozmiar i różnorodność ekotonów obszaru CONUS modelowanie zostało podzielone na 54 płytki o wymiarach 480 x 480 km. Dla każdego kafelka zbudowano unikalny model losowego lasu na podstawie dopasowanych danych LandTrendr z 2011 r., danych CDL z 2011 r. i danych o terenie. Do trenowania modelu lasu losowego użyto wszystkich danych referencyjnych, które wchodziły w skład 70% danych dostępnych na potrzeby kalibracji modelu i przecinały się z kafelkami w oknie 5x5 kafelków wokół środkowego kafelka. Ten model został następnie zastosowany do środkowego kafelka. W przypadku obszarów OCONUS do każdego obszaru badań zastosowano 1 model i nie użyto kafelków.
Warstwy predykcyjne modelu TCC obejmują dane wyjściowe z LandTrendr i informacje o terenie. Wszystkie te komponenty są dostępne i przetwarzane za pomocą Google Earth Engine (Gorelick i in., 2017).
Do tworzenia rocznych kompozytów na potrzeby LandTrendr wykorzystano dane dotyczące odbicia światła słonecznego od powierzchni w szczycie atmosfery z kolekcji 2 USGS Landsat Tier 1 i Sentinel 2A, 2B Level-1C. Algorytm maskowania chmur cFmask (Foga i in., 2017), który jest implementacją Fmask 2.0 (Zhu i Woodcock, 2012) (tylko Landsat), cloudScore (Chastain i in., 2019) (tylko Landsat) i s2cloudless (Sentinel-Hub, 2021) (tylko Sentinel 2) są używane do maskowania chmur, a TDOM (Chastain i in., 2019) jest używany do maskowania cieni chmur (Landsat i Sentinel-2). W przypadku LandTrendr obliczany jest następnie roczny medoid, aby podsumować wartości bez chmur i cieni chmur z każdego roku w jeden obraz kompozytowy.
Złożony ciąg czasowy jest dzielony na segmenty czasowe za pomocą algorytmu LandTrendr (Kennedy i in., 2010; Kennedy i in., 2018; Cohen i in., 2018).
Surowe wartości złożone, wartości dopasowane LandTrendr, różnice parami, czas trwania segmentu, wielkość zmiany i nachylenie, a także wysokość, nachylenie, sinus aspektu i kosinus aspektu z 10-metrowego modelu 3D USGS. Dane z programu Elevation Program (3DEP) (U.S. Geological Survey, 2019) są używane jako niezależne zmienne predykcyjne w modelu Random Forest (Breiman, 2001).
Dane referencyjne są zbierane z danych TCC interpretowanych na podstawie zdjęć w ramach programu USFS Forest Inventory and Analysis (FIA) i wykorzystywane do tworzenia prognoz TCC na poziomie pikseli.
Dodatkowe materiały
Więcej informacji o metodach i ocenie dokładności znajdziesz w krótkim opisie metod TCC. Dane do pobrania, metadane i dokumenty pomocnicze znajdziesz w centrum danych geoprzestrzennych TCC.
W razie pytań lub próśb o konkretne dane skontaktuj się z nami, wysyłając e-maila na adres sm.fs.tcc@usda.gov.
Breiman, L., 2001. Random Forests. w uczeniu maszynowym. Springer, 45: 5-32 doi:10.1023/A:1010933404324
Chastain, R., Housman, I., Goldstein, J., Finco, M. i Tenneson, K., 2019 r. Empiryczne porównanie charakterystyki spektralnej w szczycie atmosfery instrumentów MSI na satelitach Sentinel-2A i 2B, OLI na satelicie Landsat-8 oraz ETM na satelicie Landsat-7 nad kontynentalną częścią Stanów Zjednoczonych. w ramach zdalnego wykrywania środowiska. Science Direct, 221: 274-285 doi:10.1016/j.rse.2018.11.012
Cohen, W. B., Yang, Z., Healey, S. P., Kennedy, R. E. i Gorelick, N., 2018 r. Wielospektralny zespół LandTrendr do wykrywania zakłóceń w lasach. W 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 r. Porównanie i weryfikacja algorytmu wykrywania chmur w przypadku operacyjnych produktów danych Landsat. W 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, dostęp: sierpień 2022 r., https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m
Kennedy, R. E., Yang, Z. i Cohen, W. B., 2010. Wykrywanie trendów w zakłóceniach i regeneracji lasów na podstawie rocznych szeregów czasowych danych z satelity Landsat: 1. LandTrendr – algorytmy segmentacji czasowej. W 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. i Healey, S., 2018 r. Implementacja algorytmu LandTrendr w Google Earth Engine. w teledetekcji. MDPI, 10(5): 691 doi:10.3390/rs10050691
Sentinel-Hub, 2021. Sentinel 2 Cloud Detector. [Online]. Dostępne na stronie: https://github.com/sentinel-hub/sentinel2-cloud-detector
Zhu, Z., and Woodcock, C. E., 2012 r. Wykrywanie chmur i cieni chmur na obrazach Landsat na podstawie obiektów. W Remote Sensing of Environment. Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028
Pasma
Pasma
Rozmiar piksela: 30 m (wszystkie pasma)
| Nazwa | Jednostki | Rozmiar piksela | Opis | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Science_Percent_Tree_Canopy_Cover |
% | 30 metrów | Nieprzetworzone dane wyjściowe modelu bezpośredniego. Każdy piksel ma średnią prognozowaną wartość pokrycia zagęszczeniem drzew w poszczególnych latach. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Science_Percent_Tree_Canopy_Cover_Standard_Error |
% | 30 metrów | Odchylenie standardowe przewidywanych wartości ze wszystkich drzew regresji nazywamy błędem standardowym. Każdy piksel ma błąd standardowy dla każdego roku. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
NLCD_Percent_Tree_Canopy_Cover |
% | 30 metrów | Aby uzyskać pokrycie drzewami w ramach NLCD, do bezpośrednich danych wyjściowych modelu stosuje się proces przetwarzania końcowego, który identyfikuje piksele niezwiązane z drzewami i ustawia ich wartość na 0% pokrycia drzewami. Dane dotyczące pokrycia koronami drzew w NLCD są w pełni zamaskowane w latach 2008–2010. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
data_mask |
30 metrów | 3 wartości reprezentujące obszary bez danych, mapowane pokrycie koronami drzew i obszar nieprzetwarzany. Obszar nieprzetwarzany to obszar, w którym piksele w obszarze badania nie mają danych bez chmur ani cieni chmur, które można by wykorzystać do wygenerowania danych wyjściowych. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Właściwości obrazu
Właściwości obrazu
| Nazwa | Typ | Opis |
|---|---|---|
| study_area | CIĄG ZNAKÓW | TCC obejmuje obecnie kontynentalną część Stanów Zjednoczonych, południowo-wschodnią Alaskę, Portoryko, Wyspy Dziewicze Stanów Zjednoczonych i Hawaje. Ta wersja zawiera wszystkie obszary badań. Możliwe wartości: „CONUS, SEAK, PRUSVI, HI” |
| wersja | CIĄG ZNAKÓW | Jest to czwarta wersja produktu TCC wydana w ramach konsorcjum MRLC, która jest częścią krajowej bazy danych pokrycia terenu (NLCD). |
| startYear | PRZ | „Rok rozpoczęcia sprzedaży produktu” |
| endYear | PRZ | „Rok zakończenia produkcji” |
| rok | PRZ | „Rok produkcji” |
Warunki korzystania z usługi
Warunki korzystania z usługi
Służba Leśna USDA nie udziela żadnych gwarancji, wyraźnych ani dorozumianych, w tym gwarancji przydatności handlowej i przydatności do określonego celu, ani nie ponosi żadnej odpowiedzialności prawnej za dokładność, wiarygodność, kompletność ani użyteczność tych danych geoprzestrzennych ani za ich niewłaściwe lub nieprawidłowe wykorzystanie. Te dane geoprzestrzenne oraz powiązane z nimi mapy lub grafiki nie są dokumentami prawnymi i nie są przeznaczone do wykorzystywania w tym charakterze. Dane i mapy nie mogą być używane do określania tytułu, własności, opisów prawnych ani granic, jurysdykcji prawnej ani ograniczeń, które mogą obowiązywać na gruntach publicznych lub prywatnych. Zagrożenia naturalne mogą być lub nie być przedstawione na danych i mapach, a użytkownicy gruntów powinni zachować należytą ostrożność. Dane są dynamiczne i mogą się z czasem zmieniać. Użytkownik jest odpowiedzialny za sprawdzenie ograniczeń danych geoprzestrzennych i odpowiednie wykorzystanie tych danych.
Dane te zostały zebrane przy użyciu środków pochodzących z rządu Stanów Zjednoczonych i można ich używać bez dodatkowych uprawnień ani opłat. Jeśli używasz tych danych w publikacji, prezentacji lub innym produkcie badawczym, podaj następujące źródło:
USDA Forest Service. 2023 r. USFS Zagęszczenie drzew v2021.4 (kontynentalna część Stanów Zjednoczonych i południowo-wschodnia Alaska). Salt Lake City, Utah.
Cytaty
USDA Forest Service. 2023 r. USFS Zagęszczenie drzew v2021.4 (kontynentalna część Stanów Zjednoczonych i południowo-wschodnia Alaska). Salt Lake City, Utah.
Odkrywaj za pomocą Earth Engine
Edytor kodu (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);