- Veri Kümesi Kullanılabilirliği
- 2008-06-01T00:00:00Z–2021-09-30T00:00:00Z
- Veri Kümesi Üreticisi
- USDA Orman Hizmetleri (USFS) Coğrafi Teknoloji ve Uygulama Merkezi (GTAC)
- Etiketler
Açıklama
Bu ürün, Ağaç Örtüsü Alanları (TCC) paketinin bir parçasıdır. Her yıl için modellenmiş TCC, standart hata (SE) ve Ulusal Arazi Örtüsü Veritabanı'nın (NLCD) TCC verilerini kapsar. ABD Tarım Bakanlığı, Orman Hizmetleri (USFS) tarafından oluşturulan TCC verileri, ABD Jeoloji Araştırmaları Kurumu (USGS) tarafından yönetilen Ulusal Arazi Örtüsü Veritabanı (NLCD) projesinin bir parçası olan Çok Çözünürlüklü Arazi Özellikleri (MRLC) konsorsiyumu kapsamında yer alır.
Science TCC ürünü ve NLCD TCC, USFS tarafından üretilen uzaktan algılamaya dayalı harita çıktısıdır. TCC Science ve NLCD TCC'nin amacı, TCC haritalamasında en son teknolojiyi ve gelişmeleri kullanarak tutarlı bir yaklaşım geliştirmek ve ABD anakarası (CONUS) ile güneydoğu Alaska, Hawaii ve Porto Riko-ABD Virgin Adaları'nda (OCONUS) "mevcut en iyi" TCC haritasını oluşturmaktır.
Model çıkışları Science TCC, Science SE ve NLCD TCC'yi içerir. 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, yıllar arası gürültüyü azaltıp daha uzun dönemli eğilimleri tespit eden işlemlerin yanı sıra, çeşitli maskelemeler (su ve ağaç dışı tarım), filtreleme ve minimum haritalama birimi (MMU) rutinleri gibi diğer son işlemlerden geçer.
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. Veri içermeyen ve işlenmeyen alan pikselleri, TCC ve SE görüntülerinde maskelenir.
CONUS alanının büyüklüğü ve çok çeşitli ekotonlar nedeniyle CONUS modellemesi 54 adet 480x480 km'lik parçaya ayrılmıştır. Her bölüm için 2011'de uyarlanmış LandTrendr, 2011 CDL ve arazi verileri kullanılarak bir benzersiz rastgele orman modeli oluşturuldu. Merkezdeki bölümün etrafındaki 5x5'lik penceredeki bölümlerle kesişen ve model kalibrasyonu için kullanılabilen %70'lik kısımda yer alan tüm referans verileri, rastgele orman modelini eğitmek için kullanıldı. Bu model daha sonra merkezdeki bölüme uygulandı. OCONUS için, her çalışma alanına bir model uygulanmış ve hiçbir bölüm kullanılmamıştır.
TCC modelinin tahmin katmanları, LandTrendr'ın çıkışlarını ve arazi bilgilerini içerir. Tüm bu bileşenlere erişmek ve işlemek için Google Earth Engine kullanıldı (Gorelick ve diğerleri, 2017).
LandTrendr için yıllık kompozitler oluşturmak amacıyla USGS Collection 2 Landsat Tier 1 ve Sentinel 2A, 2B Level-1C atmosfer üstü 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 kullanılarak geçici olarak segmentlere ayrılır (Kennedy ve diğerleri, 2010; Kennedy ve diğerleri, 2018; Cohen ve diğerleri., 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 kullanıldı.
Referans verileri, USFS Orman Envanteri ve Analizi (FIA) fotoğraf yorumlamalı TCC verilerinden toplandı ve piksel bazında TCC tahminleri yapmak için kullanıldı.
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 talepleriniz için sm.fs.tcc@usda.gov ile iletişime geçin.
Breiman, L., 2001. Random Forests. In Machine Learning. Springer, 45: 5-32 doi:10.1023/A:1010933404324
Chastain, R., Housman, I., Goldstein, J., Finco, M., and Tenneson, K., 2019. Empirical cross sensor comparison of Sentinel-2A and 2B MSI, Landsat-8 OLI, and Landsat-7 ETM top of atmosphere spectral characteristics over the conterminous United States. 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. A LandTrendr multispectral ensemble for forest disturbance detection. 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. Operasyonel Landsat veri ürünleri için bulut algılama algoritması karşılaştırması ve doğrulaması. 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, accessed August 2022 at https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m
Kennedy, R. E., Yang, Z., and Cohen, W. B., 2010. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 1. LandTrendr - Temporal segmentation algorithms. 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. Implementation of the LandTrendr Algorithm on Google Earth Engine. In Remote Sensing. MDPI, 10(5): 691 doi:10.3390/rs10050691
Sentinel-Hub, 2021. Sentinel 2 Cloud Detector. [Online]. Available at: https://github.com/sentinel-hub/sentinel2-cloud-detector
Zhu, Z., and Woodcock, C. E., 2012.. Object-based cloud and cloud shadow detection in Landsat imagery. 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 | Birim | Piksel Boyutu | Açıklama | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Science_Percent_Tree_Canopy_Cover |
% | metre | Ham doğrudan model 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 hatası vardır. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
NLCD_Percent_Tree_Canopy_Cover |
% | metre | NLCD ağaç örtüsü alanı oluşturmak için doğrudan model çıktısına bir son işlem iş akışı uygulanır. Bu iş akışı, ağaç içermeyen piksel değerlerini tanımlayıp %0 ağaç örtüsü alanı olarak ayarlar. NLCD ağaç örtüsü alanı verileri 2008, 2009 ve 2010'da tamamen maskelenmiştir. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
data_mask |
metre | Veri içermeyen alanları, haritalandırılmış ağaç örtüsü alanlarını ve işlenmeyen alanları temsil eden üç değer. İşlenmeyen alan, çalışma alanı içindeki piksellerde çıktı oluşturmak için bulut veya bulut gölgesi içermeyen verilerin bulunmadığı yerdir. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Resim Özellikleri
Görüntü Özellikleri
| Ad | Tür | Açıklama |
|---|---|---|
| study_area | DİZE | 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, Ulusal Arazi Örtüsü Veritabanı (NLCD)'nin bir parçası olan MRLC konsorsiyumunda yayınlanan TCC ürününün dördüncü sürümüdür. |
| startYear | INT | "Ürünün piyasaya sürüldüğü yıl" |
| endYear | INT | "Ürünün bitiş yılı" |
| yıl | INT | "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 ya da 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 ya da 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 Forest Service. 2023. USFS Tree Canopy Cover v2021.4 (Conterminous United States and Southeastern Alaska). Salt Lake City, Utah.
Alıntılar
USDA Forest Service. 2023. USFS Tree Canopy Cover v2021.4 (Conterminous United States and Southeastern Alaska). Salt Lake City, Utah.
Earth Engine ile Keşif
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);