- Доступность набора данных
- 2008-06-01T00:00:00Z–2021-09-30T00:00:00Z
- Производитель наборов данных
- Центр геопространственных технологий и приложений Лесной службы Министерства сельского хозяйства США (USFS) (GTAC)
- Теги
- лес
Описание
Этот продукт является частью пакета данных о покрытии древесным пологом (Tree Canopy Cover, TCC). Он включает в себя смоделированное покрытие древесным пологом, стандартную ошибку (SE) и данные о покрытии древесным пологом из Национальной базы данных о земельном покрове (NLCD) за каждый год. Данные о покрытии древесным пологом, подготовленные Лесной службой Министерства сельского хозяйства США (USFS), включены в консорциум Multi-Resolution Land Characteristics (MRLC), который является частью проекта Национальной базы данных о земельном покрове (NLCD), управляемого Геологической службой США (USGS).
Продукт Science TCC и NLCD TCC — это карты, созданные Лесной службой США на основе данных дистанционного зондирования. Цель TCC Science и NLCD TCC — разработка согласованного подхода с использованием новейших технологий и достижений в картографировании TCC для создания «наилучшей из доступных» карт TCC на территории континентальной части Соединенных Штатов (CONUS), а также на юго-востоке Аляски, Гавайях и Пуэрто-Рико — Виргинских островах США (OCONUS).
Результаты моделирования включают Science TCC, Science SE и NLCD TCC. Science TCC и SE содержат данные за период с 2008 по 2021 год. NLCD TCC содержит данные за период с 2011 по 2021 год, при этом данные за 2008, 2009 и 2010 годы полностью скрыты.
*Science TCC — это исходные данные, полученные непосредственно с помощью модели.
*Science SE — это стандартное отклонение модели прогнозируемых значений всех деревьев регрессии. *Продукт NLCD TCC проходит дальнейшую постобработку, применяемую к ежегодным изображениям Science TCC, которая включает в себя несколько процедур маскирования (вода и сельское хозяйство, не связанное с деревьями), фильтрации и минимальной единицы отображения (MMU), а также процессы, которые уменьшают межгодовой шум и позволяют получить тренды большей продолжительности.
Каждое изображение включает полосу маски данных, имеющую три значения, представляющие области отсутствия данных (0), отображенный древесный покров (1) и необрабатываемую область (2). Необрабатываемые области — это пиксели в исследуемой области, в которых отсутствуют данные об облаках или данные без облачной тени. Пиксели областей отсутствия данных и необрабатываемых областей маскируются на изображениях TCC и SE.
Ввиду размеров континентальной части США и большого разнообразия экотонов, моделирование территории США было разделено на 54 фрагмента размером 480x480 км. Для каждого фрагмента была построена уникальная модель случайного леса с использованием данных LandTrendr 2011 года, данных CDL 2011 года и данных о рельефе местности. Все эталонные данные, входящие в 70% доступных для калибровки модели, которые пересекали фрагменты в пределах окна 5x5 вокруг центрального фрагмента, использовались для обучения модели случайного леса. Затем эта модель применялась к центральному фрагменту. Для территории за пределами США к каждой исследуемой области применялась одна модель, и фрагменты не использовались.
В качестве слоев-предикторов для модели TCC используются выходные данные из LandTrendr и информация о рельефе местности. Доступ ко всем этим компонентам и их обработка осуществляются с помощью Google Earth Engine (Gorelick et al., 2017).
Для создания годовых композитов для LandTrendr использовались данные отражательной способности верхней границы атмосферы из коллекции USGS Collection 2 Landsat Tier 1 и Sentinel 2A, 2B Level-1C. Для маскирования облаков использовались алгоритмы cFmask (Foga et al., 2017), являющийся реализацией Fmask 2.0 (Zhu and Woodcock, 2012) (только для Landsat), cloudScore (Chastain et al., 2019) (только для Landsat) и s2cloudless (Sentinel-Hub, 2021) (только для Sentinel 2), а для маскирования облачных теней — TDOM (Chastain et al., 2019) (Landsat и Sentinel 2). Для LandTrendr затем вычисляется годовой медиана для суммирования значений без облаков и облачных теней 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).
Исходные составные значения, значения, полученные с помощью LandTrendr, попарные различия, продолжительность сегмента, величина изменения и уклон, а также высота, уклон, синус экспозиции и косинус экспозиции из 10-метровых данных программы 3D-моделирования высот USGS (3DEP) (Геологическая служба США, 2019 г.) используются в качестве независимых переменных-предикторов в модели случайного леса (Breiman, 2001).
Исходные данные собираются из фотоинтерпретированных данных по плотности застройки, полученных в рамках проекта инвентаризации и анализа лесных массивов Лесной службы США (USFS Forest Inventory and Analysis, FIA), и используются для построения попиксельных прогнозов плотности застройки по всей территории.
Дополнительные ресурсы
Более подробную информацию о методах и оценке точности можно найти в кратком руководстве по методам TCC , а данные, метаданные и вспомогательные документы — в Центре геоданных TCC .
По всем вопросам или запросам на предоставление конкретных данных обращайтесь по адресу sm.fs.tcc@usda.gov .
Брейман, Л., 2001. Случайные леса. В книге «Машинное обучение». Springer , 45: 5-32 doi:10.1023/A:1010933404324
Частейн, Р., Хаусман, И., Голдштейн, Дж., Финко, М., и Теннесон, К., 2019. Эмпирическое сравнение спектральных характеристик верхней границы атмосферы на спутниках Sentinel-2A и 2B MSI, Landsat-8 OLI и Landsat-7 ETM над континентальной частью Соединенных Штатов. В книге «Дистанционное зондирование окружающей среды». Science Direct , 221: 274-285 doi:10.1016/j.rse.2018.11.012
Коэн, В.Б., Янг, З., Хили, С.П., Кеннеди, Р.Е. и Горелик, Н., 2018. Многоспектральный ансамбль LandTrendr для обнаружения нарушений в лесных массивах. В книге «Дистанционное зондирование окружающей среды». Science Direct , 205: 131-140 doi:10.1016/j.rse.2017.11.015
Фога, С., Скарамуцца, П.Л., Го, С., Чжу, З., Диллей, Р.Д., Бекманн, Т., Шмидт, Г.Л., Дуайер, Дж.Л., Хьюз, М.Дж., Лауэ, Б., 2017. Сравнение и проверка алгоритмов обнаружения облаков для оперативных данных Landsat. В книге «Дистанционное зондирование окружающей среды». Science Direct , 194: 379-390 doi:10.1016/j.rse.2017.03.026
Геологическая служба США, 2019. Цифровая модель рельефа в рамках программы 3D-моделирования рельефа USGS, доступна по адресу: https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m (август 2022 г.).
Кеннеди, Р. Э., Янг, З., и Коэн, В. Б., 2010. Выявление тенденций в нарушении и восстановлении лесов с использованием ежегодных временных рядов Landsat: 1. LandTrendr - алгоритмы временной сегментации. В книге «Дистанционное зондирование окружающей среды». Science Direct , 114(12): 2897-2910 doi:10.1016/j.rse.2010.07.008
Кеннеди, Р., Янг, З., Горелик, Н., Браатен, Дж., Кавальканте, Л., Коэн, В. и Хили, С., 2018. Реализация алгоритма LandTrendr на Google Earth Engine. В журнале Remote Sensing. MDPI , 10(5): 691 doi:10.3390/rs10050691
Sentinel-Hub, 2021. Детектор облаков Sentinel 2. [Онлайн]. Доступно по адресу: https://github.com/sentinel-hub/sentinel2-cloud-detector
Чжу, З., и Вудкок, К.Е., 2012. Обнаружение облаков и теней от облаков на основе объектов на изображениях Landsat. В книге «Дистанционное зондирование окружающей среды». Science Direct , 118: 83-94 doi:10.1016/j.rse.2011.10.028
Группы
Размер пикселя
30 метров
Группы
| Имя | Единицы | Размер пикселя | Описание | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Science_Percent_Tree_Canopy_Cover | % | метры | Исходные данные прямой модели. Для каждого пикселя указано среднее прогнозируемое значение сомкнутости древесного полога за каждый год. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Science_Percent_Tree_Canopy_Cover_Standard_Error | % | метры | Стандартное отклонение прогнозируемых значений, полученных из всех деревьев регрессии, мы называем стандартной ошибкой. Для каждого пикселя имеется стандартная ошибка для каждого года. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
NLCD_Percent_Tree_Canopy_Cover | % | метры | Для получения данных о сомкнутости древесного полога в рамках модели NLCD применяется постобработка, которая идентифицирует и устанавливает значения пикселей, не содержащих деревьев, равными нулю процентов сомкнутости древесного полога. Данные о сомкнутости древесного полога в рамках модели NLCD полностью маскируются в 2008, 2009 и 2010 годах. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
data_mask | метры | Три значения, представляющие области отсутствия данных, отображенный древесный покров и необрабатываемую область. Необрабатываемая область — это область, где пиксели в пределах исследуемой территории не имеют доступных данных об облаках или отсутствии теней от облаков для получения выходных данных. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Свойства изображения
Свойства изображения
| Имя | Тип | Описание |
|---|---|---|
| область_исследования | НИТЬ | В настоящее время TCC охватывает континентальную часть США, юго-восточную Аляску, Пуэрто-Рико (Виргинские острова США) и Гавайи. Эта версия содержит все исследуемые районы. Возможные значения: 'CONUS, SEAK, PRUSVI, HI' |
| версия | НИТЬ | Это четвертая версия продукта TCC, выпущенная консорциумом MRLC, входящим в Национальную базу данных о земельном покрове (NLCD). |
| год начала | ИНТ | «Год начала производства продукта» |
| конец года | ИНТ | «Год завершения производства продукта» |
| год | ИНТ | «Год продукта» |
Условия эксплуатации
Условия эксплуатации
Лесная служба Министерства сельского хозяйства США не предоставляет никаких гарантий, явных или подразумеваемых, включая гарантии товарной пригодности и пригодности для конкретной цели, а также не несет никакой юридической ответственности за точность, надежность, полноту или полезность этих геопространственных данных, а также за ненадлежащее или неправильное использование этих геопространственных данных. 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 быть использованы для определения права собственности, правового описания или границ, юридической юрисдикции или ограничений, которые могут действовать на государственных или частных землях. Природные опасности могут быть или не быть отображены на данных и картах, и землепользователям следует проявлять должную осторожность. Данные являются динамическими и могут изменяться со временем. Пользователь несет ответственность за проверку ограничений геопространственных данных и за их использование в соответствии с ними.
Эти данные были собраны при финансовой поддержке правительства США и могут быть использованы без дополнительных разрешений или платы. При использовании этих данных в публикации, презентации или другом исследовательском продукте, пожалуйста, используйте следующую цитату:
Лесная служба Министерства сельского хозяйства США. 2023. Лесная служба США, версия 2021.4, древесный покров (континентальная часть Соединенных Штатов и юго-восточная Аляска). Солт-Лейк-Сити, Юта.
Цитаты
Лесная служба Министерства сельского хозяйства США. 2023. Лесная служба США, версия 2021.4, древесный покров (континентальная часть Соединенных Штатов и юго-восточная Аляска). Солт-Лейк-Сити, Юта.
Исследуйте мир 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);