USFS Tree Canopy Cover v2021-4 (CONUS and OCONUS) [deprecated]

USGS/NLCD_RELEASES/2021_REL/TCC/v2021-4
Доступность набора данных
2008-06-01T00:00:00Z–2021-09-30T00:00:00Z
Поставщик набора данных
Фрагмент кода Earth Engine
ee.ImageCollection("USGS/NLCD_RELEASES/2021_REL/TCC/v2021-4")
Теги
лес
Лесная биомасса
gtac
landsat-derived
redcastle-resources
usda
usfs
Геологическая служба США

Описание

Этот продукт входит в набор данных о тени от деревьев. Он включает смоделированный TCC, стандартную ошибку (SE) и данные TCC Национальной базы данных почвенного покрова (NLCD) за каждый год. Данные о площади тени от деревьев, полученные Лесной службой Министерства сельского хозяйства США (USFS), включены в консорциум Multi-Resolution Land Characteristics (MRLC), который является частью проекта National Land Cover Database (NLCD), управляемого Геологической службой США (USGS).

Продукты Science TCC и NLCD TCC – это карты, созданные Лесной службой США на основе данных дистанционного зондирования. Цель TCC Science и NLCD TCC – разработать согласованный подход с использованием новейших технологий и достижений в области картографирования TCC для создания "наилучшей доступной" карты TCC на территории смежных штатов США (CONUS), а также юго-восточной Аляски, Гавайев и Пуэрто-Рико – Виргинских островов США (OCONUS).

Результаты работы модели включают Science TCC, Science SE и NLCD TCC. Данные по науке (TCC и SE) включают информацию с 2008 по 2021 год. NLCD TCC включает данные с 2011 по 2021 год, а данные за 2008, 2009 и 2010 годы полностью скрыты.

*Science TCC – это необработанные выходные данные модели.

*Science SE – это стандартное отклонение прогнозируемых значений от всех деревьев регрессии. *Продукт NLCD TCC проходит дополнительную постобработку, применяемую к ежегодным изображениям Science TCC, которая включает в себя несколько процедур маскирования (вода и недревесное сельское хозяйство), фильтрации и минимальной единицы картирования (MMU), а также процессы, которые снижают межгодовой шум и возвращают более долгосрочные тенденции.

Каждое изображение включает полосу маски данных, которая имеет три значения, представляющие области без данных (0), нанесенный на карту покров кроны деревьев(1) и необрабатываемую область (2). Необработанные области – это пиксели в исследуемой области, не содержащие данных без облаков или теней от облаков. Пиксели, для которых нет данных или которые не обрабатываются, маскируются на изображениях TCC и SE.

Из-за размера континентальной части США и большого разнообразия экотонов моделирование было разбито на 54 фрагмента размером 480 x 480 км. Для каждого тайла была построена уникальная модель случайного леса с использованием данных LandTrendr за 2011 год, CDL за 2011 год и данных о рельефе. Для обучения модели случайного леса использовались все контрольные данные, которые входили в 70% доступных для калибровки модели данных и пересекались с тайлами в окне 5 x 5 вокруг центрального тайла. Затем эта модель была применена к центральному фрагменту. Для OCONUS к каждой области исследования применялась одна модель, а тайлы не использовались.

Слои предикторов для модели TCC включают выходные данные LandTrendr и информацию о рельефе. Доступ к этим компонентам и их обработка осуществляются с помощью Google Earth Engine (Gorelick et al., 2017).

Для создания годовых композитных изображений для LandTrendr использовались данные об отражательной способности верхней границы атмосферы, полученные из USGS Collection 2 Landsat Tier 1 и Sentinel 2A, 2B Level-1C. Алгоритм маскирования облаков cFmask (Foga et al., 2017), которая является реализацией Fmask 2.0 (Zhu and Woodcock, 2012) (только для Landsat), cloudScore (Chastain et al., 2019) (только Landsat) и s2cloudless (Sentinel-Hub, 2021) (только Sentinel 2) используются для маскирования облаков, а TDOM (Chastain et al., 2019) используется для маскирования теней облаков (Landsat и Sentinel-2). Для LandTrendr затем вычисляется годовой медоид, чтобы обобщить значения без облаков и теней от облаков за каждый год в единый композит.

Составной временной ряд сегментируется по времени с помощью LandTrendr (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).

Необработанные составные значения, подобранные значения LandTrendr, попарные различия, продолжительность сегмента, величина изменения и наклон, а также высота, наклон, синус аспекта и косинус аспекта из 10-метрового USGS 3D. Elevation Program (3DEP) data (U.S. Geological Survey, 2019), are used as independent predictor variables in a Random Forest (Breiman, 2001) model.

Справочные данные собираются на основе данных TCC, полученных в результате фотоинтерпретации Лесной службы США (USFS) и анализа (FIA), и используются для прогнозирования TCC на попиксельной основе.

Дополнительные ресурсы

Подробную информацию о методах и оценке точности можно найти в кратком описании методов TCC, а скачать данные, метаданные и сопроводительные документы – в хранилище геоданных TCC.

Если у вас есть вопросы или вам нужны определенные данные, напишите на адрес sm.fs.tcc@usda.gov.

  • Breiman, L., 2001. Случайный лес. В машинном обучении. Springer, 45: 5-32 doi:10.1023/A:1010933404324

  • Chastain, R., Housman, I., Goldstein, J., Finco, M., and Tenneson, K., 2019 г. Эмпирическое сравнение спектральных характеристик верхней границы атмосферы над континентальной частью США, полученных с помощью датчиков Sentinel-2A и 2B MSI, Landsat-8 OLI и Landsat-7 ETM. 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. П. Kennedy, R. E., and Gorelick, N., 2018 г. Мультиспектральный ансамбль LandTrendr для обнаружения нарушений в лесах. 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 г. 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

  • Геологическая служба США, 2019 г. Цифровая модель рельефа, созданная в рамках программы 3D Elevation Program Геологической службы США. Данные получены в августе 2022 г. по адресу https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m.

  • Kennedy, R. E., Yang, Z., and Cohen, W. B., 2010. Выявление тенденций в нарушении и восстановлении лесов с использованием ежегодных временных рядов Landsat: 1. LandTrendr – алгоритмы временной сегментации. 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 г. Реализация алгоритма LandTrendr в Google Earth Engine. In Remote Sensing. MDPI, 10(5): 691 doi:10.3390/rs10050691

  • Sentinel-Hub, 2021. Sentinel 2 Cloud Detector. [Online]. Доступно по адресу: https://github.com/sentinel-hub/sentinel2-cloud-detector.

  • Zhu, Z., and Woodcock, C. E., 2012.. Обнаружение облаков и их теней на снимках Landsat на основе объектов. In Remote Sensing of Environment. Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028

Диапазоны частот

Диапазоны частот

Размер пикселя: 30 метров (все диапазоны)

Название Единицы Размер пикселя Описание
Science_Percent_Tree_Canopy_Cover % 30 метров

Необработанные выходные данные модели. Для каждого пикселя есть среднее прогнозируемое значение площади тени от деревьев за каждый год.

Science_Percent_Tree_Canopy_Cover_Standard_Error % 30 метров

Стандартное отклонение прогнозируемых значений от всех деревьев регрессии мы называем стандартной ошибкой. Для каждого пикселя есть стандартная ошибка за каждый год.

NLCD_Percent_Tree_Canopy_Cover % 30 метров

Чтобы получить данные о площади тени от деревьев, к выходным данным модели применяется постобработка, которая определяет пиксели без деревьев и устанавливает для них нулевое значение. Данные NLCD о площади тени от деревьев полностью замаскированы в 2008, 2009 и 2010 годах.

data_mask 30 метров

Три значения, представляющие области без данных, площадь тени от деревьев и необрабатываемую область. Необработанная область – это область, в которой пиксели в пределах исследуемой области не имеют данных, свободных от облаков или теней облаков, для получения выходных данных.

Свойства изображения

Свойства изображения

Название Тип Описание
study_area STRING

В настоящее время TCC охватывает континентальную часть США, юго-восточную Аляску, Пуэрто-Рико, Американские Виргинские острова и Гавайи. В этой версии представлены все области исследования. Возможные значения: CONUS, SEAK, PRUSVI, HI.

version STRING

Это четвертая версия продукта TCC, выпущенная консорциумом MRLC, который является частью Национальной базы данных о земном покрове (NLCD).

startYear ПЕР

'Год начала продаж товара'

endYear ПЕР

'Год окончания производства товара'

год ПЕР

Год выпуска товара

Условия использования

Условия использования

Лесная служба Министерства сельского хозяйства США не дает никаких явных или подразумеваемых гарантий, в том числе касательно товарной пригодности или пригодности для определенных целей, и не несет юридической ответственности за точность, надежность, полноту или полезность этих геопространственных данных, а также за их ненадлежащее или неправильное использование. Эти геопространственные данные и связанные с ними карты или графические материалы не являются юридическими документами и не предназначены для использования в качестве таковых. Данные и карты не могут использоваться для определения права собственности, юридических описаний или границ, юрисдикции или ограничений, которые могут действовать на государственных или частных землях. На картах и в данных могут быть не указаны природные опасности, поэтому пользователям следует соблюдать осторожность. Данные динамичны и могут меняться со временем. Пользователь должен самостоятельно проверить ограничения геопространственных данных и использовать их соответствующим образом.

Эти данные были собраны на средства правительства США и могут использоваться без дополнительных разрешений и платы. Если вы используете эти данные в публикации, презентации или другом исследовательском продукте, укажите следующую цитату:

Лесная служба США. 2023 г. USFS Tree Canopy Cover v2021.4 (смежные штаты США и юго-восточная Аляска). Солт-Лейк-Сити, Юта.

Библиографические ссылки

Источники:
  • Лесная служба США. 2023 г. USFS Tree Canopy Cover v2021.4 (смежные штаты США и юго-восточная Аляска). Солт-Лейк-Сити, Юта.

Исследуйте с помощью Earth Engine

Редактор кода (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);
Открыть в редакторе кода