USFS Tree Canopy Cover v2023-5 (CONUS and OCONUS)

Dataset-Verfügbarkeit

1985-06-01T00:00:00Z–2023-09-30T00:00:00Z

Dataset-Anbieter

USDA Forest Service (USFS) Field Services and Innovation Center Geospatial Office (FSIC-GO)

Earth Engine-Snippet

ee.ImageCollection("USGS/NLCD_RELEASES/2023_REL/TCC/v2023-5")

Tags

forest gtac landuse-landcover redcastle-resources usda usfs usgs

Beschreibung

Dieses Produkt ist Teil der Datensuite „Tree Canopy Cover“ (TCC). Sie enthält die modellierte TCC, den Standardfehler (SE) und die TCC-Daten der National Land Cover Database (NLCD) für jedes Jahr. TCC-Daten, die vom USFS (United States Department of Agriculture, Forest Service) erstellt wurden, sind im MRLC-Konsortium (Multi-Resolution Land Characteristics) enthalten, das Teil des NLCD-Projekts (National Land Cover Database) ist, das von der USGS (United States Geological Survey) verwaltet wird.

Das Science TCC-Produkt und das NLCD TCC sind auf Fernerkundung basierende Kartenausgaben, die vom USFS erstellt werden. Ziel von TCC Science und NLCD TCC ist es, einen konsistenten Ansatz zu entwickeln, der die neuesten Technologien und Fortschritte bei der TCC-Kartierung nutzt, um eine „bestmögliche“ Karte der TCC in den angrenzenden Vereinigten Staaten (CONUS) und im Südosten Alaskas, auf Hawaii und in Puerto Rico-US Virgin Islands (OCONUS) zu erstellen. OCONUS v2023.5-Daten werden im Spätsommer 2025 veröffentlicht. Derzeit können v2021.4 OCONUS TCC-Daten verwendet werden (USGS/NLCD_RELEASES/2021_REL/TCC/v2021-4).

Die Modellausgaben umfassen Science TCC, Science SE und NLCD TCC von 1985 bis 2023.

*Science TCC ist die Rohausgabe des direkten Modells.

*Science SE ist die Standardabweichung der vorhergesagten Werte aus allen Regressionsbäumen.

*Das NLCD-TCC-Produkt wird einer weiteren Nachbearbeitung unterzogen, die auf die jährlichen Science-TCC-Bilder angewendet wird. Dazu gehören mehrere Maskierungen (Wasser und Landwirtschaft ohne Bäume) sowie Prozesse, die das interannuelle Rauschen reduzieren und Trends über einen längeren Zeitraum zurückgeben.

Jedes Bild enthält ein Datenmaskenband mit drei Werten, die Bereiche ohne Daten (0), kartierte Baumkronenbedeckung(1) und Bereiche ohne Verarbeitung (2) darstellen. Die nicht verarbeiteten Bereiche sind Pixel im Untersuchungsgebiet, für die keine Daten ohne Wolken oder Wolkenschatten verfügbar sind. Pixel ohne Daten und Pixel, die nicht zum Verarbeitungsbereich gehören, werden in TCC- und SE-Bildern maskiert.

Aufgrund der Größe der kontinentalen USA und der Vielzahl von Ökotonen wurde die Modellierung in 54 Kacheln mit einer Größe von 480 × 480 km unterteilt. Für jede Kachel wurde ein eigenes Random Forest-Modell mit angepassten LandTrendr-Daten von 2011, CDL-Daten von 2011 und Geländedaten erstellt. Alle Referenzdaten, die Teil der 70% waren, die für die Modellabstimmung verfügbar waren und sich mit Kacheln in einem 5‑×‑5-Fenster um die Mittelkachel überschnitten, wurden zum Trainieren des Random Forest-Modells verwendet. Dieses Modell wurde dann auf die mittlere Kachel angewendet. Für OCONUS wurde ein Modell auf jedes Untersuchungsgebiet angewendet und es wurden keine Kacheln verwendet.

Zu den Vorhersageschichten für das TCC-Modell gehören Ausgaben von LandTrendr und Geländedaten. Alle diese Komponenten werden mit Google Earth Engine (Gorelick et al., 2017).

Für die Erstellung jährlicher Composites für LandTrendr wurden USGS Collection 2 Landsat Tier 1- und Sentinel 2A-, 2B-Daten der Reflexion am oberen Rand der Atmosphäre auf Level 1C verwendet. Der cFmask-Algorithmus zur Cloud-Maskierung (Foga et al., 2017), einer Implementierung von Fmask 2.0 (Zhu und Woodcock, 2012) (nur Landsat), cloudScore (Chastain et al., 2019) (nur Landsat) und s2cloudless (Sentinel-Hub, 2021) (nur Sentinel 2) werden zum Maskieren von Wolken verwendet, während TDOM (Chastain et al., 2019) wird verwendet, um Wolkenschatten zu maskieren (Landsat und Sentinel 2). Für LandTrendr wird dann der jährliche Medoid berechnet, um wolken- und schattenfreie Werte aus jedem Jahr in einem einzigen Composite zusammenzufassen.

Die zusammengesetzte Zeitreihe wird mit LandTrendr (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).

Die rohen zusammengesetzten Werte, die angepassten LandTrendr-Werte, die paarweisen Differenzen, die Segmentdauer, die Änderungsgröße und die Steigung sowie die Höhe, die Steigung, der Sinus des Aspekts und der Kosinus des Aspekts aus dem 10 m USGS 3D. Daten des Elevation Program (3DEP) (U.S. Geological Survey, 2019) werden als unabhängige Vorhersagevariablen in einem Random Forest-Modell (Breiman, 2001) verwendet.

Referenzdaten werden aus den vom USFS Forest Inventory and Analysis (FIA) fotointerpretierten TCC-Daten (Tree Canopy Cover, Baumkronenbedeckung) erhoben und verwendet, um pixelweise TCC-Vorhersagen für das gesamte Gebiet zu treffen.

Zusätzliche Ressourcen

Weitere Informationen zu Methoden und Genauigkeitsbewertung finden Sie im TCC Methods Brief. Daten-Downloads, Metadaten und Supportdokumente finden Sie im TCC Geodata Clearinghouse.

Daten für AK, PRUSVI und HI werden im Spätsommer 2025 veröffentlicht. Die zuvor veröffentlichten TCC-Daten für AK, PRUSVI und HI aus Version 2021.4 sind verfügbar (USGS/NLCD_RELEASES/2021_REL/TCC/v2021-4).

Bei Fragen oder spezifischen Datenanfragen wenden Sie sich bitte an [e-mail].

Bänder

Pixelgröße
30 Meter

Bänder

Name	Einheiten	Pixelgröße	Beschreibung
Science_Percent_Tree_Canopy_Cover	%	Meter	Die Rohausgaben des direkten Modells. Jedes Pixel hat für jedes Jahr einen durchschnittlichen vorhergesagten Wert für die durch Baumbestand überschirmte Fläche.
Science_Percent_Tree_Canopy_Cover_Standard_Error	%	Meter	Die Standardabweichung der vorhergesagten Werte aus allen Regressionsbäumen bezeichnen wir als Standardfehler. Für jedes Pixel gibt es einen Standardfehler für jedes Jahr.
NLCD_Percent_Tree_Canopy_Cover	%	Meter	Um die NLCD-Baumkronenabdeckung zu erstellen, wird ein Nachbearbeitungs-Workflow auf die direkte Modellausgabe angewendet, der Pixelwerte ohne Bäume identifiziert und auf null Prozent Baumkronenabdeckung setzt.
data_mask		Meter	Drei Werte, die Bereiche ohne Daten, die kartierte Baumkronendecke und den Bereich ohne Verarbeitung darstellen. Im Bereich ohne Verarbeitung sind für Pixel innerhalb des Untersuchungsgebiets keine Daten ohne Wolken oder Wolkenschatten verfügbar, um eine Ausgabe zu erstellen.
Bitmaske für data_mask Bits 0–1: Drei Werte, die Bereiche ohne Daten, die kartierte Baumkronenbedeckung und den Bereich ohne Verarbeitung darstellen. 0: Keine Daten 1: Kartierte Überschirmung durch Baumbestand 2. Nicht verarbeiteter Bereich

Bildattribute

Bildeigenschaften

Name	Typ	Beschreibung
study_area	STRING	TCC deckt derzeit die kontinentalen USA, Südost-Alaska, Puerto Rico, die Amerikanischen Jungferninseln und Hawaii ab. Diese Version enthält CONUS. Die Daten für SEAK, PRUSVI und HI werden im Spätsommer 2025 veröffentlicht. Mögliche Werte: „CONUS“
Version	STRING	Dies ist die fünfte Version des TCC-Produkts, das im MRLC-Konsortium veröffentlicht wurde und Teil der National Land Cover Database (NLCD) ist.
startYear	INT	„Startjahr des Produkts“
endYear	INT	„End year of the product“ (Endjahr des Produkts)
Jahr	INT	„Jahr des Produkts“

Nutzungsbedingungen

Nutzungsbedingungen

Der USDA Forest Service übernimmt keine ausdrückliche oder stillschweigende Gewährleistung, einschließlich der Gewährleistung der Marktgängigkeit und der Eignung für einen bestimmten Zweck, und übernimmt keine rechtliche Haftung oder Verantwortung für die Richtigkeit, Zuverlässigkeit, Vollständigkeit oder Nützlichkeit dieser Geodaten oder für die unsachgemäße oder falsche Verwendung dieser Geodaten. Diese Geodaten und die zugehörigen Karten oder Grafiken sind keine rechtlichen Dokumente und sind nicht als solche gedacht. Die Daten und Karten dürfen nicht verwendet werden, um Eigentumsrechte, rechtliche Beschreibungen oder Grenzen, Gerichtsbarkeiten oder Einschränkungen zu bestimmen, die für öffentliches oder privates Land gelten. Naturgefahren werden möglicherweise in den Daten und Karten dargestellt. Landnutzer sollten die gebotene Vorsicht walten lassen. Die Daten sind dynamisch und können sich im Laufe der Zeit ändern. Der Nutzer ist dafür verantwortlich, die Einschränkungen der Geodaten zu überprüfen und die Daten entsprechend zu verwenden.

Diese Daten wurden mit Mitteln der US-Regierung erhoben und können ohne zusätzliche Berechtigungen oder Gebühren verwendet werden. Wenn Sie diese Daten in einer Publikation, Präsentation oder einem anderen Forschungsprodukt verwenden, geben Sie bitte die folgende Quelle an:

USDA Forest Service. 2025. USFS Tree Canopy Cover v2023.5 (zusammenhängende USA und angrenzende USA). Salt Lake City, Utah.

Zitate

Quellenangaben:

• USDA Forest Service. 2025. USFS Tree Canopy Cover v2023.5 (zusammenhängende USA und angrenzende USA). Salt Lake City, Utah.

• Breiman, L., 2001. Random Forests. Im Bereich des maschinellen Lernens. Springer, 45: 5-32 doi:10.1023/A:1010933404324

• Chastain, R., Housman, I., Goldstein, J., Finco, M. und Tenneson, K., 2019. Empirischer sensorübergreifender Vergleich der spektralen Eigenschaften von Sentinel-2A und 2B MSI, Landsat-8 OLI und Landsat-7 ETM am oberen Ende der Atmosphäre über den angrenzenden Vereinigten Staaten. 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. und Gorelick, N., 2018. Ein multispektrales LandTrendr-Ensemble zur Erkennung von Waldstörungen. 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. Vergleich und Validierung von Algorithmen zur Erkennung von Wolken für operationelle Landsat-Datenprodukte. 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, abgerufen im August 2022 unter https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m

• Kennedy, R. E., Yang, Z. und Cohen, W. B., 2010. Erkennen von Trends bei Waldstörungen und ‑erholung anhand jährlicher Landsat-Zeitreihen: 1. LandTrendr – Algorithmen für die zeitliche Segmentierung. 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. und Healey, S., 2018. Implementierung des LandTrendr-Algorithmus in Google Earth Engine. Im Bereich Fernerkundung. MDPI, 10(5): 691 doi:10.3390/rs10050691

• Sentinel-Hub, 2021. Sentinel 2 Cloud Detector [Online] Verfügbar unter: https://github.com/sentinel-hub/sentinel2-cloud-detector

• Zhu, Z. und Woodcock, C. E., 2012. Objektbasierte Erkennung von Wolken und Wolkenschatten in Landsat-Bildern. In Remote Sensing of Environment. Science Direct, 118: 83–94 doi:10.1016/j.rse.2011.10.028

DOIs

• https://doi.org/10.1016/j.rse.2010.07.008
• https://doi.org/10.1016/j.rse.2011.10.028
• https://doi.org/10.1016/j.rse.2017.03.026
• https://doi.org/10.1016/j.rse.2017.11.015
• https://doi.org/10.1016/j.rse.2018.11.012
• https://doi.org/10.1023/A:1010933404324
• https://doi.org/10.3390/rs10050691

Earth Engine nutzen

Wichtig : Earth Engine ist eine Plattform für die wissenschaftliche Analyse und Visualisierung von Geo-Datasets im Petabyte-Bereich, sowohl für die Öffentlichkeit als auch für Unternehmen und Behörden. Die Earth Engine kann kostenlos für Forschungs-, Bildungs- und gemeinnützige Zwecke verwendet werden. Registrieren Sie sich für den Zugriff auf die Earth Engine, um loszulegen.

Code-Editor (JavaScript)

// Import the tree canopy cover collection
var dataset = ee.ImageCollection('USGS/NLCD_RELEASES/2023_REL/TCC/v2023-5');

//Filter collection to 2021 and CONUS study area 
var tcc = dataset.filter(ee.Filter.calendarRange(2023, 2023,'year'))  // range: [1985, 2023]
               .filter('study_area == "CONUS"')  
               .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);

Im Code-Editor öffnen

USFS Tree Canopy Cover v2023-5 (CONUS and OCONUS)

Dieses Produkt ist Teil der Datensuite „Tree Canopy Cover“ (TCC). Sie enthält modellierte TCC-Daten, Standardfehler (SE) und TCC-Daten der National Land Cover Database (NLCD) für jedes Jahr. Die vom United States Department of Agriculture, Forest Service (USFS) erstellten TCC-Daten sind im Multi-Resolution Land …

USGS/NLCD_RELEASES/2023_REL/TCC/v2023-5, forest,gtac,landuse-landcover,redcastle-resources,usda,usfs,usgs

1985-06-01T00:00:00Z/2023-09-30T00:00:00Z

20.38379 -135.286387 52.459364 -56.446306

Google Earth Engine

https://developers.google.com/earth-engine/datasets

• https://doi.org/10.3390/rs10050691
• https://doi.org/10.3390/rs10050691