- ความพร้อมใช้งานของชุดข้อมูล
- 2008-06-01T00:00:00Z–2021-09-30T00:00:00Z
- ผู้ผลิตชุดข้อมูล
- ศูนย์เทคโนโลยีและแอปพลิเคชันเชิงพื้นที่ (GTAC) ของกรมป่าไม้สหรัฐอเมริกา (USFS)
- แท็ก
คำอธิบาย
ผลิตภัณฑ์นี้เป็นส่วนหนึ่งของชุดข้อมูลพื้นที่ปกคลุมของเรือนยอดไม้ (TCC) ซึ่งรวมถึง TCC ที่จำลอง ความคลาดเคลื่อนมาตรฐาน (SE) และข้อมูล TCC ของ ฐานข้อมูลสิ่งปกคลุมดินแห่งชาติ (NLCD) สำหรับแต่ละปี ข้อมูล TCC ที่ผลิตโดยกระทรวงเกษตรของสหรัฐอเมริกา กรมป่าไม้ (USFS) จะรวมอยู่ในกลุ่ม Multi-Resolution Land Characteristics (MRLC) ซึ่งเป็นส่วนหนึ่งของโครงการฐานข้อมูลการปกคลุมของพื้นดินแห่งชาติ (NLCD) ที่จัดการโดยสำนักงานสำรวจทางธรณีวิทยาของสหรัฐอเมริกา (USGS)
ผลิตภัณฑ์ TCC ทางวิทยาศาสตร์และ TCC ของ NLCD เป็นเอาต์พุตแผนที่ที่อิงตามการรับรู้จากระยะไกลซึ่งผลิตโดย USFS เป้าหมายของ TCC Science และ NLCD TCC คือการพัฒนาแนวทางที่สอดคล้องกันโดยใช้เทคโนโลยีล่าสุดและความก้าวหน้าในการทำแผนที่ TCC เพื่อสร้างแผนที่ TCC ที่ "ดีที่สุด" ทั่วสหรัฐอเมริกาภาคพื้นทวีป (CONUS) และทางตะวันออกเฉียงใต้ของอะแลสกา ฮาวาย และ เปอร์โตริโก-หมู่เกาะเวอร์จินของสหรัฐอเมริกา (OCONUS)
ผลลัพธ์ของโมเดลประกอบด้วย TCC วิทยาศาสตร์, SE วิทยาศาสตร์ และ TCC ของ NLCD TCC และ SE ของวิทยาศาสตร์มีข้อมูลตั้งแต่ปี 2008 ถึง 2021 TCC ของ NLCD มีข้อมูลตั้งแต่ปี 2011 ถึง 2021 โดยมีการมาสก์ข้อมูลอย่างเต็มรูปแบบในปี 2008, 2009 และ 2010
*Science TCC คือเอาต์พุตโมเดลโดยตรงแบบดิบ
*Science SE คือค่าเบี่ยงเบนมาตรฐานของโมเดลของค่าที่คาดการณ์จากต้นไม้ถดถอยทั้งหมด *ผลิตภัณฑ์ NLCD TCC จะได้รับการประมวลผลเพิ่มเติมหลังการประมวลผลรูปภาพ TCC ทางวิทยาศาสตร์ประจำปี ซึ่งรวมถึงการมาสก์หลายรายการ (น้ำและเกษตรกรรมที่ไม่ใช่ต้นไม้) การกรอง และกิจวัตรหน่วยการทำแผนที่ขั้นต่ำ (MMU) รวมถึงกระบวนการที่ลดสัญญาณรบกวนระหว่างปีและแสดงแนวโน้มระยะยาว
รูปภาพแต่ละรูปจะมีแถบมาสก์ข้อมูลที่มีค่า 3 ค่าซึ่งแสดงถึงพื้นที่ที่ไม่มีข้อมูล (0) พื้นที่ปกคลุมของร่มไม้ที่แมป(1) และพื้นที่ที่ไม่ประมวลผล (2) พื้นที่ที่ไม่มีการประมวลผลคือพิกเซลในพื้นที่ศึกษาที่ไม่มีข้อมูลเมฆหรือข้อมูลที่ไม่มีเงาเมฆ ระบบจะมาสก์พิกเซลที่ไม่มีข้อมูล และพิกเซลในพื้นที่ที่ไม่มีการประมวลผลในรูปภาพ TCC และ SE
เนื่องจากขนาดของ CONUS และความหลากหลายของเขตเปลี่ยนผ่านระบบนิเวศ การสร้างแบบจำลอง CONUS จึงแบ่งออกเป็นไทล์ขนาด 480x480 กม. จำนวน 54 ไทล์ สำหรับแต่ละไทล์ มีการสร้างโมเดลป่าสุ่มที่ไม่ซ้ำกันโดยใช้ข้อมูล LandTrendr ที่ปรับแล้วปี 2011, CDL ปี 2011 และภูมิประเทศ เราใช้ข้อมูลอ้างอิงทั้งหมด ซึ่งเป็นส่วนหนึ่งของข้อมูล 70% ที่พร้อมใช้งานสำหรับการปรับเทียบโมเดลซึ่งตัดกับไทล์ภายในหน้าต่างขนาด 5x5 รอบไทล์ตรงกลาง เพื่อฝึกโมเดล Random Forest จากนั้นจึงนำรูปแบบดังกล่าวไปใช้กับไทล์ตรงกลาง สำหรับ OCONUS ระบบได้ใช้โมเดล 1 รายการ กับพื้นที่ศึกษาแต่ละแห่ง และไม่ได้ใช้ไทล์
เลเยอร์ตัวแปรทำนายสำหรับโมเดล TCC ประกอบด้วยเอาต์พุตจาก LandTrendr และข้อมูลภูมิประเทศ โดย คอมโพเนนต์เหล่านี้ทั้งหมดจะได้รับการเข้าถึงและประมวลผลโดยใช้ Google Earth Engine (Gorelick et al., 2017)
ในการสร้างภาพคอมโพสิตรายปีสำหรับ LandTrendr, USGS Collection 2 Landsat Tier 1 และ Sentinel 2A, 2B ระบบได้ใช้ข้อมูลการสะท้อนที่ด้านบนของชั้นบรรยากาศระดับ 1C อัลกอริทึมการมาสก์เมฆ cFmask (Foga et al., 2017) ซึ่งเป็นการใช้งาน Fmask 2.0 (Zhu and Woodcock, 2012) (Landsat เท่านั้น), cloudScore (Chastain et al., 2019) (Landsat เท่านั้น) และ s2cloudless (Sentinel-Hub, 2021) (Sentinel 2 เท่านั้น) ใช้เพื่อมาสก์เมฆ ส่วน TDOM (Chastain et al., 2019) ใช้เพื่อมาสก์เงาเมฆ (Landsat และ Sentinel 2) สำหรับ LandTrendr ระบบจะคำนวณเมดอยด์รายปีเพื่อสรุปค่าที่ไม่มีเมฆ และเงาเมฆจากแต่ละปีเป็นคอมโพสิตเดียว
อนุกรมเวลาแบบผสมจะได้รับการแบ่งส่วนตามเวลาโดยใช้ LandTrendr (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018)
ค่าคอมโพสิตดิบ ค่าที่ปรับ LandTrendr ความแตกต่างแบบคู่ ระยะเวลาของกลุ่ม ขนาดการเปลี่ยนแปลง และความชัน รวมถึงระดับความสูง ความชัน ไซน์ของ ลักษณะ และโคไซน์ของลักษณะจาก USGS 3D ที่ 10 ม. ข้อมูลโปรแกรมยกระดับ (3DEP) (สำนักงานสำรวจทางธรณีวิทยาของสหรัฐอเมริกา, 2019) ใช้เป็นตัวแปรทำนายอิสระในโมเดล Random Forest (Breiman, 2001)
ข้อมูลอ้างอิงรวบรวมจากข้อมูล TCC ที่ตีความจากภาพถ่ายของ Forest Inventory and Analysis (FIA) ของ USFS และใช้เพื่อทําการคาดการณ์ TCC แบบครอบคลุมทุกพื้นที่ในระดับพิกเซล
แหล่งข้อมูลเพิ่มเติม
โปรดดูข้อมูลเพิ่มเติมเกี่ยวกับวิธีการและการประเมินความถูกต้องในสรุปวิธีการ TCC หรือดูข้อมูลการดาวน์โหลดข้อมูล ข้อมูลเมตา และเอกสารสนับสนุนได้ที่ ศูนย์แลกเปลี่ยนข้อมูลทางภูมิศาสตร์ของ TCC
หากมีคำถามหรือคำขอข้อมูลที่เฉพาะเจาะจง โปรดติดต่อ sm.fs.tcc@usda.gov
Breiman, L., 2001 Random Forests ในแมชชีนเลิร์นนิง Springer, 45: 5-32 doi:10.1023/A:1010933404324
Chastain, R., Housman, I., Goldstein, J., Finco, M., and Tenneson, K., 2019 การเปรียบเทียบเซ็นเซอร์ข้ามแบบเชิงประจักษ์ของ MSI ของ Sentinel-2A และ 2B, OLI ของ Landsat-8 และ ETM ของ Landsat-7 ลักษณะสเปกตรัมที่ด้านบนของชั้นบรรยากาศเหนือสหรัฐอเมริกาที่อยู่ติดกัน ในการตรวจจับสภาพแวดล้อมจากระยะไกล 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 กลุ่มมัลติสเปกตรัม LandTrendr สำหรับการตรวจหาการรบกวนป่า ในการสำรวจระยะไกลของ สิ่งแวดล้อม 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 การเปรียบเทียบและการตรวจสอบอัลกอริทึมการตรวจหาเมฆ สำหรับผลิตภัณฑ์ข้อมูล Landsat ที่ใช้งานได้ ใน Remote Sensing of Environment Science Direct, 194: 379-390 doi:10.1016/j.rse.2017.03.026
สำรวจทางธรณีวิทยาของสหรัฐอเมริกา, 2019 USGS 3D Elevation Program Digital Elevation Model เข้าถึงเมื่อเดือนสิงหาคม 2022 ที่ https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m
Kennedy, R. E., Yang, Z., and Cohen, W. B., 2010 การตรวจหาแนวโน้มการรบกวนและการฟื้นตัวของป่าโดยใช้ชุดข้อมูลอนุกรมเวลา Landsat รายปี: 1. LandTrendr - อัลกอริทึมการแบ่งกลุ่มตามเวลา ใน 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. และ Healey, S., 2018 การติดตั้งใช้งานอัลกอริทึม LandTrendr ใน Google Earth Engine ในการรับรู้จากระยะไกล MDPI, 10(5): 691 doi:10.3390/rs10050691
Sentinel-Hub, 2021 Sentinel 2 Cloud Detector [ออนไลน์] ดูได้ที่ https://github.com/sentinel-hub/sentinel2-cloud-detector
Zhu, Z. และ Woodcock, C. E., 2012 การตรวจจับเมฆและเงาเมฆตามออบเจ็กต์ในภาพ Landsat ในการสำรวจระยะไกลของ สิ่งแวดล้อม Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028
ย่านความถี่
ย่านความถี่
ขนาดพิกเซล: 30 เมตร (ทุกแถบ)
| ชื่อ | หน่วย | ขนาดพิกเซล | คำอธิบาย | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Science_Percent_Tree_Canopy_Cover |
% | 30 เมตร | เอาต์พุตโมเดลโดยตรงแบบดิบ แต่ละพิกเซลมีค่าความครอบคลุมของร่มไม้ที่คาดการณ์โดยเฉลี่ย สำหรับแต่ละปี |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Science_Percent_Tree_Canopy_Cover_Standard_Error |
% | 30 เมตร | ส่วนเบี่ยงเบนมาตรฐานของค่าที่คาดการณ์จากต้นไม้ถดถอยทั้งหมดที่เราอ้างอิง เรียกว่าข้อผิดพลาดมาตรฐาน พิกเซลแต่ละรายการมีข้อผิดพลาดมาตรฐานสำหรับแต่ละปี |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
NLCD_Percent_Tree_Canopy_Cover |
% | 30 เมตร | หากต้องการสร้างการปกคลุมของร่มไม้ NLCD จะมีการใช้เวิร์กโฟลว์หลังการประมวลผลกับ เอาต์พุตโมเดลโดยตรงซึ่งระบุและตั้งค่าพิกเซลที่ไม่ใช่ต้นไม้เป็น 0% ของการปกคลุมของร่มไม้ ข้อมูลพื้นที่ปกคลุมของร่มไม้ของ NLCD จะได้รับการมาสก์อย่างสมบูรณ์ในปี 2008, 2009 และ 2010 |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
data_mask |
30 เมตร | ค่า 3 ค่าที่แสดงพื้นที่ที่ไม่มีข้อมูล พื้นที่ที่ปกคลุมด้วยร่มไม้ที่แมป และพื้นที่ที่ไม่ได้ประมวลผล พื้นที่ที่ไม่มีการประมวลผลคือพื้นที่ที่พิกเซลภายในพื้นที่ศึกษาไม่มีข้อมูลที่ไม่มีเมฆหรือเงาเมฆ พร้อมใช้งานเพื่อสร้างเอาต์พุต |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
พร็อพเพอร์ตี้รูปภาพ
พร็อพเพอร์ตี้รูปภาพ
| ชื่อ | ประเภท | คำอธิบาย |
|---|---|---|
| study_area | STRING | ปัจจุบัน TCC ครอบคลุม CONUS, อะแลสกาตะวันออกเฉียงใต้, เปอร์โตริโก-หมู่เกาะเวอร์จินของสหรัฐอเมริกา และฮาวาย เวอร์ชันนี้มีทุกสาขาวิชา ค่าที่เป็นไปได้: 'CONUS, SEAK, PRUSVI, HI' |
| เวอร์ชัน | STRING | นี่คือผลิตภัณฑ์ TCC เวอร์ชันที่ 4 ที่เผยแพร่ในกลุ่ม MRLC ซึ่งเป็นส่วนหนึ่งของฐานข้อมูลการปกคลุมของพื้นที่แห่งชาติ (NLCD) |
| startYear | INT | "ปีที่เริ่มต้นของผลิตภัณฑ์" |
| endYear | INT | "ปีที่สิ้นสุดของผลิตภัณฑ์" |
| ปี | INT | "ปีของผลิตภัณฑ์" |
ข้อกำหนดในการใช้งาน
ข้อกำหนดในการใช้งาน
กรมป่าไม้ของ USDA ไม่รับประกันทั้งโดยชัดแจ้งหรือโดยนัย ซึ่งรวมถึงการรับประกัน ความสามารถในการขายและความเหมาะสมสำหรับวัตถุประสงค์เฉพาะ และไม่รับผิดชอบทางกฎหมายหรือ ความรับผิดชอบต่อความถูกต้อง ความน่าเชื่อถือ ความสมบูรณ์ หรือประโยชน์ของข้อมูลเชิงพื้นที่เหล่านี้ หรือต่อการใช้ข้อมูลเชิงพื้นที่เหล่านี้อย่างไม่เหมาะสมหรือไม่ถูกต้อง ข้อมูลเชิงพื้นที่และ แผนที่หรือกราฟิกที่เกี่ยวข้องเหล่านี้ไม่ใช่เอกสารทางกฎหมายและไม่ได้มีวัตถุประสงค์เพื่อใช้เป็นเอกสารดังกล่าว ห้ามใช้ข้อมูลและแผนที่เพื่อกำหนดกรรมสิทธิ์ การเป็นเจ้าของ คำอธิบายทางกฎหมาย หรือขอบเขต เขตอำนาจศาล หรือข้อจำกัดที่อาจมีอยู่บนที่ดินสาธารณะหรือที่ดินส่วนบุคคล ข้อมูลและแผนที่อาจแสดงหรือไม่แสดงอันตรายจากภัยธรรมชาติ และผู้ใช้ที่ดินควรใช้ความระมัดระวัง ตามสมควร ข้อมูลมีความผันผวนและอาจเปลี่ยนแปลงเมื่อเวลาผ่านไป ผู้ใช้มีหน้าที่รับผิดชอบในการยืนยัน ข้อจำกัดของข้อมูลเชิงพื้นที่และใช้ข้อมูลตามนั้น
ข้อมูลเหล่านี้รวบรวมขึ้นโดยใช้เงินทุนจากรัฐบาลสหรัฐอเมริกา และสามารถนำไปใช้ได้ โดยไม่ต้องขอสิทธิ์เพิ่มเติมหรือเสียค่าธรรมเนียม หากคุณใช้ข้อมูลเหล่านี้ในสิ่งพิมพ์ การนำเสนอ หรือ ผลิตภัณฑ์การวิจัยอื่นๆ โปรดใช้การอ้างอิงต่อไปนี้
กรมป่าไม้ของ USDA 2023 พื้นที่ที่ร่มไม้ครอบคลุมของ USFS เวอร์ชัน 2021.4 (สหรัฐอเมริกาและอะแลสกาตะวันออกเฉียงใต้) ซอลต์เลกซิตี ยูทาห์
การอ้างอิง
กรมป่าไม้ของ USDA 2023 พื้นที่ที่ร่มไม้ครอบคลุมของ USFS เวอร์ชัน 2021.4 (สหรัฐอเมริกาและอะแลสกาตะวันออกเฉียงใต้) ซอลต์เลกซิตี ยูทาห์
สำรวจด้วย Earth Engine
ตัวแก้ไขโค้ด (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);