- 資料集開放期間
- 1985-01-01T00:00:00Z–2023-12-31T00:00:00Z
- 資料集產生者
- 美國地質調查局和土地管理局
- 標記
說明
RCMAP (牧草地狀況監測評估和預測) 資料集使用 1985 年至 2023 年的 Landsat 影像，量化北美洲西部的牧草地組成部分涵蓋百分比。RCMAP 產品套件包含十個分數組件：年度草本、裸露地面、草本、落葉層、非鼠尾草灌木、多年生草本、鼠尾草、灌木、樹木和灌木高度，以及每個組件的時間趨勢。相較於前幾代，RCMAP 程序有幾項強化功能。首先，我們採用改良的神經網路分類器和建模方法，修正了高解析度訓練。這些資料是 RCMAP 方法的基礎。我們納入其他資料集，進一步提升訓練資料庫的品質。接著，我們改良了 Landsat 合成方法，以便更準確地擷取每年和歷年來的各種狀況。這些複合影像以第 2 代 Landsat 蒐集資料為基礎，並提升了地理位置準確度和動態範圍。最後，研究範圍納入加拿大境內的鼠尾草生物群系，面積增加 29,199 平方公里。
我們使用開放原始碼軟體和 USGS 高效能運算 (HPC) 資源，提升了處理效率。地圖區域包含八個區域，隨後會拼接成一個整體。這些資料可用於回答有關氣候變遷影響和管理做法適用性的重要問題。如要下載元件產品，請前往多重解析度土地特徵聯盟。
我們採用兩種方法評估每個 RCMAP 元件的時間模式：1) 線性趨勢；2) 根據像素層級的結構變化，以 8 年的時間移動視窗為基礎，採用中斷和穩定狀態方法。線性趨勢產品包括斜率和 p 值，這些值是根據最小平方法線性迴歸計算而得。斜率代表時間序列中每年平均的涵蓋百分比變化，而 p 值則反映每個像素的變化信賴度。結構變化方法會將時間序列劃分為斜率值相似的區隔，並以統計顯著性中斷點表示先前軌跡的擾動。中斷點趨勢分析套件採用結構性中斷方法，因此可找出時間序列中的中斷次數和時間，以及各區隔的重要性。系統會產生下列統計資料：1) 各元件每年出現中斷的情況；2) 各年出現的區隔的斜率、p 值和標準差；3) 整體模型 R2 (模型與時間剖繪的吻合程度)；以及 4) 總變化強度指數。這個指標反映該像素中元件的總變化量。線性和結構變化方法通常會同意變化模式，但後者更常發現中斷，大多數像素至少有一個中斷點。結構變化模型可針對非單調趨勢的顯著少數像素提供更穩健的統計資料，同時從長期角度來看，可去除一些可能多餘的年際訊號。
頻帶
像素大小
30 公尺
波段
| 名稱 | 單位 | 最小值 | 最大值 | 規模 | 像素大小 | 說明 |
|---|---|---|---|---|---|---|
annual_herbaceous_break_point |
數量 | 0 | 3 | 公尺 | 年度草本時間序列中觀察到的結構性中斷次數 |
|
bare_ground_break_point |
數量 | 0 | 3 | 公尺 | 裸露地面時間序列中觀察到的結構性中斷次數 |
|
herbaceous_break_point |
數量 | 0 | 3 | 公尺 | 草本時間序列中觀察到的結構性中斷次數 |
|
litter_break_point |
數量 | 0 | 3 | 公尺 | 在垃圾時間序列中觀察到的結構性中斷次數 |
|
sagebrush_break_point |
數量 | 0 | 3 | 公尺 | 在鼠尾草時間序列中觀察到的結構性中斷次數 |
|
shrub_break_point |
數量 | 0 | 3 | 公尺 | 灌木時間序列中觀察到的結構性中斷次數 |
|
shrub_height_break_point |
數量 | 0 | 3 | 公尺 | 灌木高度時間序列中觀察到的結構性中斷次數 |
|
non_sagebrush_shrub_break_point |
數量 | 0 | 3 | 公尺 | 在非鼠尾草灌木時間序列中觀察到的結構性中斷次數 |
|
perennial_herbaceous_break_point |
數量 | 0 | 3 | 公尺 | 多年生草本時間序列中觀察到的結構性中斷次數 |
|
tree_break_point |
數量 | 0 | 3 | 公尺 | 樹狀結構時間序列中觀察到的結構性中斷次數 |
|
annual_herbaceous_linear_model_pvalue |
P 值 | 0 | 100 | 0.01 | 公尺 | 年度草本時間序列的線性趨勢模型 P 值 |
bare_ground_linear_model_pvalue |
P 值 | 0 | 100 | 0.01 | 公尺 | 裸露地面時間序列的線性趨勢模型 P 值 |
herbaceous_linear_model_pvalue |
P 值 | 0 | 100 | 0.01 | 公尺 | 草本時間序列的線性趨勢模型 P 值 |
litter_linear_model_pvalue |
P 值 | 0 | 100 | 0.01 | 公尺 | 窩數時間序列的線性趨勢模型 P 值 |
sagebrush_linear_model_pvalue |
P 值 | 0 | 100 | 0.01 | 公尺 | 鼠尾草時間序列的線性趨勢模型 P 值 |
shrub_linear_model_pvalue |
P 值 | 0 | 100 | 0.01 | 公尺 | 灌木時間序列的線性趨勢模型 P 值 |
shrub_height_linear_model_pvalue |
P 值 | 0 | 100 | 0.01 | 公尺 | 灌木高度時間序列的線性趨勢模型 P 值 |
non_sagebrush_shrub_linear_model_pvalue |
P 值 | 0 | 100 | 0.01 | 公尺 | 非鼠尾草灌木叢時間序列的線性趨勢模型 P 值 |
perennial_herbaceous_linear_model_pvalue |
P 值 | 0 | 100 | 0.01 | 公尺 | 多年生草本時間序列的線性趨勢模型 P 值 |
tree_linear_model_pvalue |
P 值 | 0 | 100 | 0.01 | 公尺 | 樹狀時間序列的線性趨勢模型 P 值 |
annual_herbaceous_linear_model_slope |
變化百分比/年 | -383 | 351 | 0.01 | 公尺 | 年度草本時間序列的線性趨勢模型斜率 |
bare_ground_linear_model_slope |
變化百分比/年 | -383 | 351 | 0.01 | 公尺 | 裸露地面時間序列的線性趨勢模型斜率 |
herbaceous_linear_model_slope |
變化百分比/年 | -383 | 351 | 0.01 | 公尺 | 草本時間序列的線性趨勢模型斜率 |
litter_linear_model_slope |
變化百分比/年 | -383 | 351 | 0.01 | 公尺 | 垃圾時間序列的線性趨勢模型斜率 |
sagebrush_linear_model_slope |
變化百分比/年 | -383 | 351 | 0.01 | 公尺 | 鼠尾草時間序列的線性趨勢模型斜率 |
shrub_linear_model_slope |
變化百分比/年 | -383 | 351 | 0.01 | 公尺 | 灌木時間序列的線性趨勢模型斜率 |
shrub_height_linear_model_slope |
變化百分比/年 | -383 | 351 | 0.01 | 公尺 | 灌木高度時間序列的線性趨勢模型斜率 |
non_sagebrush_shrub_linear_model_slope |
變化百分比/年 | -383 | 351 | 0.01 | 公尺 | 非山艾灌木灌木時間序列的線性趨勢模型斜率 |
perennial_herbaceous_linear_model_slope |
變化百分比/年 | -383 | 351 | 0.01 | 公尺 | 多年生草本時間序列的線性趨勢模型斜率 |
tree_linear_model_slope |
變化百分比/年 | -383 | 351 | 0.01 | 公尺 | 樹狀結構時間序列的線性趨勢模型斜率 |
annual_herbaceous_most_recent_break_point |
y | 1985 | 2023 年 | 公尺 | 年度草本時間序列各項元件最近一次中斷的時間 |
|
bare_ground_most_recent_break_point |
y | 1985 | 2023 年 | 公尺 | 裸地時間序列各個元件最近一次中斷的時間 |
|
herbaceous_most_recent_break_point |
y | 1985 | 2023 年 | 公尺 | 草本時間序列各項元件最近一次中斷的年份 |
|
litter_most_recent_break_point |
y | 1985 | 2023 年 | 公尺 | 每個垃圾時間序列元件最近一次中斷的時間 |
|
sagebrush_most_recent_break_point |
y | 1985 | 2023 年 | 公尺 | 每個鼠尾草時間序列元件最近一次中斷的時間 |
|
shrub_most_recent_break_point |
y | 1985 | 2023 年 | 公尺 | 灌木時間序列各項元件最近一次中斷的年份 |
|
shrub_height_most_recent_break_point |
y | 1985 | 2023 年 | 公尺 | 灌木高度時間序列各個元件最近一次中斷的年份 |
|
non_sagebrush_shrub_most_recent_break_point |
y | 1985 | 2023 年 | 公尺 | 非山艾灌木灌木叢時間序列各項元件最近一次中斷的年份 |
|
perennial_herbaceous_most_recent_break_point |
y | 1985 | 2023 年 | 公尺 | 多年生草本時間序列各項元件最近一次中斷的年份 |
|
tree_most_recent_break_point |
y | 1985 | 2023 年 | 公尺 | 樹木時間序列各個元件最近一次中斷的時間 |
|
total_change_intensity_index |
無尺寸 | 0 | 100 | 公尺 | 總變化強度是衍生指數，旨在突顯主要成分 (灌木、裸露地面、枯枝落葉和草本) 的總變化量。變更是指結構性變更分析的斜率值。值的建構方式為：100 代表所有元件中觀察到的最大變化，0 代表沒有變化。 |
使用條款
使用條款
這項作品是貢獻者以美國政府雇員身分，在履行官方職責時所創作，因此屬於美國政府作品。根據 17 U.S.C. 105，這類作品不受美國法律的著作權保護。這是一篇開放存取文章，已確認不受著作權法 (包括所有相關和鄰接權) 的已知限制 (https://creativecommons.org/publicdomain/mark/1.0/)。您可以複製、修改、散布及執行作品，甚至用於商業用途，完全不必徵求許可。
參考資料
Rigge, M.B.、Bunde, B.、Postma, K. 和 Shi, H.，2024 年， Rangeland Condition Monitoring Assessment and Projection (RCMAP) Fractional Component Time-Series Across the Western U.S. 1985-2023： 美國地質調查局資料發布， doi:10.5066/P9SJXUI1。
Rigge, M.、H. Shi, C. 荷馬，P. Danielson 和 B. Granneman。2019 年。 美國北部大盆地分數成分變化的長期軌跡。Ecosphere 10(6):e02762。 doi:10.1002/ecs2.2762
Rigge, M.、C. Homer, L. Cleeves, D. K. Meyer, B. Bunde, H. Shi, G. Xian, S. Schell 和 M. Bobo。2020 年。使用多重解析度的遙測和現場資料，將美國西部的牧場量化為分數成分。Remote Sensing 12. doi:10.3390/rs12030412
Rigge, M.、C. Homer, H. Shi, D. Meyer, B. Bunde, B. Granneman, K. Postma, P. Danielson, A. Case 和 G. 西安。 2021 年，美國西部各州 1985 年至 2018 年的草地分數成分。Remote Sensing 13:813。 doi:10.3390/rs13040813
DOI
使用 Earth Engine 探索
程式碼編輯器 (JavaScript)
// Import the NLCD RCMAP TRENDS image. var dataset = ee.Image('USGS/NLCD_RELEASES/2023_REL/RCMAP/V6/TRENDS'); var trends = dataset.select('annual_herbaceous_break_point'); var vis = { min: [0], max: [5], 'palette': [ '000000', 'f9e8b7', 'f7e3ac', 'f0dfa3', 'eedf9c', 'eada91', 'e8d687', 'e0d281', 'ddd077', 'd6cc6d', 'd3c667', 'd0c55e', 'cfc555', 'c6bd4f', 'c4ba46', 'bdb83a', 'bbb534', 'b7b02c', 'b0ad1f', 'adac17', 'aaaa0a', 'a3a700', '9fa700', '9aa700', '92a700', '8fa700', '87a700', '85a700', '82aa00', '7aaa00', '77aa00', '70aa00', '6caa00', '67aa00', '5fa700', '57a700', '52a700', '4fa700', '4aa700', '42a700', '3ca700', '37a700', '37a300', '36a000', '369f00', '349d00', '339900', '339900', '2f9200', '2d9100', '2d8f00', '2c8a00', '2c8800', '2c8500', '2c8400', '2b8200', '297d00', '297a00', '297900', '277700', '247400', '247000', '29700f', '2c6d1c', '2d6d24', '336d2d', '366c39', '376c44', '396a4a', '396a55', '3a6a5f', '3a696a', '396774', '3a6782', '39668a', '376292', '34629f', '2f62ac', '2c5fb7', '245ec4', '1e5ed0', '115cdd', '005ae0', '0057dd', '0152d6', '0151d0', '014fcc', '014ac4', '0147bd', '0144b8', '0142b0', '0141ac', '013da7', '013aa0', '01399d', '013693', '013491', '012f8a', '012d85', '012c82', '01297a' ] }; // Display the image on the map. Map.setCenter(-114, 38, 6); Map.addLayer(trends, vis, 'annual herbaceous breakpoint in integer');