- Veri Kümesi Kullanılabilirliği
- 2008-06-01T00:00:00Z–2021-09-30T00:00:00Z
- Veri Kümesi Sağlayıcı
- USDA Orman Hizmetleri (USFS) Jeo-uzamsal Teknoloji ve Uygulama Merkezi (GTAC)
- Etiketler
Açıklama
Bu ürün, Ağaç Örtüsü Verileri (TCC) paketinin bir parçasıdır. Bu veriler arasında, her yıl için modellenmiş TCC, standart hata (SE) ve Ulusal Arazi Örtüsü Veritabanı'nın (NLCD) TCC verileri yer alır. ABD Tarım Bakanlığı, Orman Hizmetleri (USFS) tarafından üretilen TCC verileri, ABD Jeoloji Araştırmaları Kurumu (USGS) tarafından yönetilen Ulusal Arazi Örtüsü Veritabanı (NLCD) projesinin bir parçası olan Çok Çözünürlüklü Arazi Özellikleri (MRLC) konsorsiyumuna dahil edilmiştir.
Science TCC ürünü ve NLCD TCC, USFS tarafından üretilen uzaktan algılamaya dayalı harita çıktısıdır. TCC Science ve NLCD TCC'nin amacı, TCC haritalamada en son teknolojiyi ve gelişmeleri kullanarak tutarlı bir yaklaşım geliştirmek ve ABD'nin bitişik eyaletleri (CONUS) ile güneydoğu Alaska, Hawaii ve Porto Riko-ABD Virgin Adaları'nda (OCONUS) "mevcut en iyi" TCC haritasını oluşturmaktır.
Model çıkışları arasında Science TCC, Science SE ve NLCD TCC yer alır. Science TCC ve SE, 2008-2021 arasındaki verileri içerir. NLCD TCC, 2011-2021 arasındaki verileri içerir. 2008, 2009 ve 2010'daki veriler tamamen maskelenmiştir.
*Science TCC, ham doğrudan model çıkışlarıdır.
*Science SE, tüm regresyon ağaçlarındaki tahmin edilen değerlerin model standart sapmasıdır. *NLCD TCC ürünü, yıllık Science TCC görüntülerine uygulanan ek bir işlemden geçer. Bu işlemde, birkaç maskeleme (su ve ağaçsız tarım), filtreleme ve minimum eşleme birimi (MMU) rutinlerinin yanı sıra yıllık gürültüyü azaltan ve daha uzun süreli trendler döndüren işlemler yer alır.
Her görüntüde, veri içermeyen alanları (0), haritalandırılmış ağaç örtüsü alanlarını(1) ve işlenmeyen alanları (2) temsil eden üç değer içeren bir veri maskesi bandı bulunur. İşlenmeyen alanlar, çalışma alanında bulut veya bulut gölgesi içermeyen verilerin olmadığı piksellerdir. TCC ve SE görüntülerinde veri içermeyen ve işlenmeyen alan pikselleri maskelenir.
ABD'nin büyüklüğü ve çok çeşitli ekotonlar nedeniyle ABD modellemesi 54 adet 480x480 km'lik parçaya ayrılmıştır. Her döşeme için 2011'de uyarlanmış LandTrendr, 2011 CDL ve arazi verileri kullanılarak benzersiz bir rastgele orman modeli oluşturuldu. Merkezdeki kutucuğun etrafındaki 5x5'lik penceredeki kutucuklarla kesişen ve model kalibrasyonu için kullanılabilen% 70'lik kısımda yer alan tüm referans verileri, rastgele orman modelini eğitmek için kullanıldı. Bu model daha sonra ortadaki kutuya uygulandı. ABD dışı bölgelerde, her çalışma alanına bir model uygulanmış ve hiçbir döşeme kullanılmamıştır.
TCC modelinin tahmin katmanları, LandTrendr'ın çıkışlarını ve arazi bilgilerini içerir. Bu bileşenlerin tümüne Google Earth Engine (Gorelick ve diğerleri, 2017).
LandTrendr için yıllık kompozitler oluşturmak amacıyla USGS Collection 2 Landsat Tier 1 ve Sentinel 2A, 2B Level-1C atmosferin üst kısmındaki yansıtma verileri kullanılmıştır. cFmask bulut maskeleme algoritması (Foga ve diğerleri, 2017), Fmask 2.0'ın (Zhu ve Woodcock, 2012) bir uygulamasıdır (yalnızca Landsat), cloudScore (Chastain ve diğerleri, 2019) (yalnızca Landsat) ve s2cloudless (Sentinel-Hub, 2021) (yalnızca Sentinel 2) bulutları maskelemek için kullanılırken TDOM (Chastain ve diğerleri, 2019), bulut gölgelerini maskelemek için kullanılır (Landsat ve Sentinel 2). LandTrendr için yıllık medoid hesaplanarak her yılki bulut ve bulut gölgesi içermeyen değerler tek bir bileşende özetlenir.
Bileşik zaman serisi, LandTrendr (Kennedy ve diğerleri, 2010; Kennedy et al., 2018; Cohen et al., 2018).
10 m USGS 3D'den yükseklik, eğim, yönün sinüsü ve yönün kosinüsü ile birlikte ham bileşik değerler, LandTrendr'a uygun değerler, çiftler arasındaki farklar, segment süresi, değişim büyüklüğü ve eğim. Yükseklik Programı (3DEP) verileri (ABD Jeolojik Araştırma Kurumu, 2019), bir Rastgele Orman (Breiman, 2001) modelinde bağımsız kestirici değişkenler olarak kullanılır.
Referans veriler, USFS Orman Envanteri ve Analizi (FIA) fotoğraf yorumlamalı TCC verilerinden toplanır ve piksel bazında TCC tahminleri yapmak için kullanılır.
Ek Kaynaklar
Yöntemler ve doğruluk değerlendirmesi hakkında daha ayrıntılı bilgi için lütfen TCC Yöntemleri Özeti'ni, veri indirme, meta veriler ve destek belgeleri için ise TCC Coğrafi Veri Merkezi'ni inceleyin.
Sorularınız veya belirli veri istekleriniz için sm.fs.tcc@usda.gov ile iletişime geçin.
Breiman, L., 2001. Rastgele Ormanlar. Makine Öğrenimi Springer, 45: 5-32 doi:10.1023/A:1010933404324
Chastain, R., Housman, I., Goldstein, J., Finco, M., and Tenneson, K., 2019. Sentinel-2A ve 2B MSI, Landsat-8 OLI ve Landsat-7 ETM'nin bitişik ABD'deki atmosferin üst kısmındaki spektral özelliklerinin deneysel olarak sensörler arası karşılaştırması. 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., ve Gorelick, N., 2018. Orman bozulması algılama için LandTrendr çok spektrumlu topluluğu. 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, Ağustos 2022'de https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m adresinden erişildi.
Kennedy, R. E., Yang, Z., and Cohen, W. B., 2010. Yıllık Landsat zaman serilerini kullanarak orman bozulması ve iyileşmesindeki trendleri tespit etme: 1. LandTrendr - Zamansal segmentasyon algoritmaları. 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. ve Healey, S., 2018. Google Earth Engine'de LandTrendr algoritmasının uygulanması. Uzaktan Algılama MDPI, 10(5): 691 doi:10.3390/rs10050691
Sentinel-Hub, 2021. Sentinel 2 Cloud Detector. [Online]. https://github.com/sentinel-hub/sentinel2-cloud-detector adresinden ulaşılabilir.
Zhu, Z., and Woodcock, C. E., 2012.. Landsat görüntülerinde nesne tabanlı bulut ve bulut gölgesi algılama. In Remote Sensing of Environment. Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028
Bantlar
Piksel Boyutu
30 metre
Bantlar
| Ad | Birimler | Piksel Boyutu | Açıklama | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Science_Percent_Tree_Canopy_Cover |
% | metre | Doğrudan modelin ham çıkışları. Her pikselin her yıl için ortalama tahmini ağaç örtüsü değeri vardır. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Science_Percent_Tree_Canopy_Cover_Standard_Error |
% | metre | Tahmin edilen değerlerin, başvurduğumuz tüm regresyon ağaçlarındaki standart sapması, standart hata olarak adlandırılır. Her pikselin her yıl için standart bir hatası vardır. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
NLCD_Percent_Tree_Canopy_Cover |
% | metre | NLCD ağaç örtüsü oluşturmak için doğrudan model çıktısına bir son işlem iş akışı uygulanır. Bu iş akışı, ağaç içermeyen piksel değerlerini tanımlayıp %0 ağaç örtüsü olarak ayarlar. NLCD ağaç örtüsü verileri 2008, 2009 ve 2010'da tamamen maskelenmiştir. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
data_mask |
metre | Veri içermeyen alanları, haritalandırılmış ağaç örtüsünü ve işlenmeyen alanı temsil eden üç değer. İşlenmeyen alan, çalışma alanı içindeki piksellerde çıktı oluşturmak için bulut veya bulut gölgesi içermeyen verilerin bulunmadığı yerdir. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Resim Özellikleri
Resim Özellikleri
| Ad | Tür | Açıklama |
|---|---|---|
| study_area | Dize | TCC şu anda CONUS, Güneydoğu Alaska, Porto Riko-ABD Virgin Adaları ve Hawaii'yi kapsamaktadır. Bu sürüm tüm çalışma alanlarını içerir. Olası değerler: "CONUS, SEAK, PRUSVI, HI" |
| sürüm | Dize | Bu, MRLC konsorsiyumunda yayınlanan ve Ulusal Arazi Örtüsü Veritabanı'nın (NLCD) bir parçası olan TCC ürününün dördüncü sürümüdür. |
| startYear | MÜD | "Ürünün piyasaya çıktığı yıl" |
| endYear | MÜD | "Ürünün son yılı" |
| yıl | MÜD | "Ürünün yılı" |
Kullanım Şartları
Kullanım Şartları
USDA Orman Hizmetleri, ticari elverişlilik ve belirli bir amaca uygunluk garantileri dahil olmak üzere açık veya zımni hiçbir garanti vermez, bu coğrafi verilerin doğruluğu, güvenilirliği, eksiksizliği veya kullanışlılığı ya da bu coğrafi verilerin uygunsuz veya yanlış kullanımı konusunda herhangi bir yasal yükümlülük veya sorumluluk üstlenmez. Bu coğrafi veriler ve ilgili haritalar veya grafikler yasal belgeler değildir ve bu şekilde kullanılmak üzere tasarlanmamıştır. Veriler ve haritalar; mülkiyet, sahiplik, yasal açıklamalar veya sınırlar, yasal yetki alanı ya da kamuya ait veya özel arazilerde geçerli olabilecek kısıtlamaları belirlemek için kullanılamaz. Doğal tehlikeler verilerde ve haritalarda gösterilebilir veya gösterilmeyebilir. Arazi kullanıcıları gerekli önlemleri almalıdır. Veriler dinamiktir ve zaman içinde değişebilir. Kullanıcı, coğrafi verilerin sınırlamalarını doğrulamak ve verileri buna göre kullanmakla sorumludur.
Bu veriler ABD hükümetinin sağladığı fonlar kullanılarak toplanmıştır ve ek izin veya ücret olmadan kullanılabilir. Bu verileri bir yayında, sunumda veya başka bir araştırma ürününde kullanırsanız lütfen aşağıdaki alıntıyı kullanın:
USDA Orman Hizmeti 2023. USFS Tree Canopy Cover v2021.4 (ABD ve Güneydoğu Alaska). Salt Lake City, Utah.
Alıntılar
USDA Orman Hizmeti 2023. USFS Tree Canopy Cover v2021.4 (ABD ve Güneydoğu Alaska). Salt Lake City, Utah.
Earth Engine ile keşfetme
Kod Düzenleyici (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);