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

Disponibilidad del conjunto de datos

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

Proveedor de conjuntos de datos

Oficina Geoespacial del Centro de Innovación y Servicios de Campo (FSIC-GO) del Servicio Forestal del USDA (USFS)

Fragmento de Earth Engine

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

Etiquetas

forest gtac landuse-landcover redcastle-resources usda usfs usgs

Descripción

Este producto forma parte del paquete de datos de cobertura de copas de árboles (TCC). Incluye el TCC modelado, el error estándar (EE) y los datos del TCC de la Base de datos nacional de cobertura del suelo (NLCD) para cada año. Los datos de TCC producidos por el Servicio Forestal (USFS) del Departamento de Agricultura de Estados Unidos se incluyen en el consorcio de Multi-Resolution Land Characteristics (MRLC) que forma parte del proyecto de la Base de datos nacional de cobertura terrestre (NLCD) administrado por el Servicio Geológico de Estados Unidos (USGS).

El producto de TCC de Science y el de TCC de NLCD son resultados de mapas basados en la detección remota que produce el USFS. El objetivo de TCC Science y NLCD TCC es desarrollar un enfoque coherente con la tecnología y los avances más recientes en la creación de mapas de TCC para producir un mapa de "mejor disponibilidad" de TCC en todo Estados Unidos contiguo (CONUS) y el sudeste de Alaska, Hawái y Puerto Rico-Islas Vírgenes de EE.UU. (OCONUS). Los datos de OCONUS v2023.5 se publicarán a fines del verano de 2025. Por el momento, se pueden usar los datos de TCC de OCONUS de la versión 2021.4 (USGS/NLCD_RELEASES/2021_REL/TCC/v2021-4).

Los resultados del modelo incluyen el TCC de Science, el SE de Science y el TCC de NLCD desde 1985 hasta 2023.

*Science TCC son los resultados directos sin procesar del modelo.

*La desviación estándar de la ciencia (Science SE) es la desviación estándar del modelo de los valores predichos de todos los árboles de regresión.

*El producto TCC del NLCD se somete a un procesamiento posterior adicional que se aplica a las imágenes anuales de TCC científicas, que incluye varios enmascaramientos (agua y agricultura no arbórea), así como procesos que reducen el ruido interanual y muestran tendencias de mayor duración.

Cada imagen incluye una banda de máscara de datos que tiene tres valores que representan áreas sin datos (0), cobertura de copas de árboles mapeada(1) y área sin procesar (2). Las áreas sin procesamiento son los píxeles del área de estudio que no tienen datos sin nubes ni sombras de nubes. Los píxeles de las áreas sin datos y sin procesamiento se enmascaran en las imágenes de TCC y SE.

Debido al tamaño de CONUS y a la gran variedad de ecotonos, el modelado de CONUS se dividió en 54 mosaicos de 480 km x 480 km. Para cada segmento, se creó un modelo de bosque aleatorio único con datos ajustados de LandTrendr de 2011, CDL de 2011 y terreno. Todos los datos de referencia que formaron parte del 70% disponible para la calibración del modelo y que se cruzaron con las tarjetas dentro de una ventana de 5 x 5 alrededor de la tarjeta central se usaron para entrenar el modelo de bosque aleatorio. Luego, ese modelo se aplicó a la tarjeta central. En el caso de OCONUS, se aplicó un modelo a cada área de estudio y no se usaron mosaicos.

Las capas de predictores del modelo de TCC incluyen los resultados de LandTrendr y la información del terreno. Se accede a todos estos componentes y se procesan con Google Earth Engine (Gorelick et al., 2017).

Para producir compuestos anuales para LandTrendr, se utilizaron datos de reflectancia en la parte superior de la atmósfera de nivel 1C de Landsat Collection 2 Tier 1 y Sentinel 2A y 2B del USGS. El algoritmo de enmascaramiento de nubes cFmask (Foga et al., 2017), que es una implementación de Fmask 2.0 (Zhu y Woodcock, 2012) (solo para Landsat), cloudScore (Chastain et al., 2019) (solo Landsat) y s2cloudless (Sentinel Hub, 2021) (solo Sentinel 2) se usan para enmascarar las nubes, mientras que TDOM (Chastain et al., 2019) se usa para enmascarar las sombras de las nubes (Landsat y Sentinel 2). En el caso de LandTrendr, luego se calcula el medoide anual para resumir los valores sin nubes ni sombras de nubes de cada año en un solo compuesto.

La serie temporal compuesta se segmenta temporalmente con LandTrendr (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).

Los valores compuestos sin procesar, los valores ajustados de LandTrendr, las diferencias por pares, la duración del segmento, la magnitud del cambio y la pendiente, junto con la elevación, la pendiente, el seno del aspecto y el coseno del aspecto del USGS 3D de 10 m. Los datos del Elevation Program (3DEP) (U.S. Geological Survey, 2019) se utilizan como variables predictoras independientes en un modelo de Random Forest (Breiman, 2001).

Los datos de referencia se recopilan de los datos de TCC interpretados a partir de fotografías del Inventario y Análisis Forestal (FIA) del USFS, y se utilizan para realizar predicciones de TCC de pared a pared a nivel de píxel.

Additional Resources

Consulta el Resumen de métodos de TCC para obtener información más detallada sobre los métodos y la evaluación de la precisión, o el Centro de intercambio de datos geográficos de TCC para descargar datos, metadatos y documentos de asistencia.

Los datos de AK, PRUSVI y HI se publicarán a fines del verano de 2025. Los datos de AK, PRUSVI y HI TCC de la versión 2021.4 lanzada anteriormente están disponibles (USGS/NLCD_RELEASES/2021_REL/TCC/v2021-4).

Si tienes preguntas o solicitudes de datos específicos, comunícate con [e-mail].

Bandas

Tamaño de píxel
30 metros

Bandas

Nombre	Unidades	Tamaño de los píxeles	Descripción
Science_Percent_Tree_Canopy_Cover	%	metros	Son los resultados sin procesar del modelo directo. Cada píxel tiene un valor medio de cobertura arbórea previsto para cada año.
Science_Percent_Tree_Canopy_Cover_Standard_Error	%	metros	La desviación estándar de los valores predichos de todos los árboles de regresión a los que hacemos referencia se conoce como error estándar. Cada píxel tiene un error estándar para cada año.
NLCD_Percent_Tree_Canopy_Cover	%	metros	Para producir la cobertura de copas de árboles del NLCD, se aplica un flujo de trabajo de procesamiento posterior al resultado directo del modelo que identifica y establece los valores de píxeles sin árboles en un cero por ciento de cobertura de copas de árboles.
data_mask		metros	Tres valores que representan áreas sin datos, cobertura de copas de árboles asignada y área sin procesamiento. El área de no procesamiento es donde los píxeles dentro del área de estudio no tienen datos disponibles sin nubes ni sombras de nubes para producir un resultado.
Máscara de bits para data_mask Bits 0 a 1: Tres valores que representan áreas sin datos, cobertura de copas de árboles asignada y área sin procesamiento. 0: Sin datos 1: Cobertura arbórea mapeada 2: Área de no procesamiento

Propiedades de imágenes

Propiedades de la imagen

Nombre	Tipo	Descripción
study_area	STRING	Actualmente, TCC cubre el territorio continental de EE.UU., el sudeste de Alaska, Puerto Rico, las Islas Vírgenes de EE.UU. y Hawái. Esta versión contiene CONUS. Los datos de SEAK, PRUSVI y HI se publicarán a fines del verano de 2025. Valores posibles: "CONUS"
version	STRING	Esta es la quinta versión del producto TCC que se lanzó en el consorcio de MRLC y que forma parte de la Base de datos nacional de cobertura del suelo (NLCD).
startYear	INT	"Año de inicio del producto"
endYear	INT	"Año de finalización del producto"
año	INT	"Año del producto"

Condiciones de Uso

Condiciones de Uso

El Servicio Forestal del USDA no ofrece ninguna garantía, expresa o implícita, incluidas las garantías de comerciabilidad y adecuación para un fin determinado, ni asume ninguna responsabilidad legal por la exactitud, confiabilidad, integridad o utilidad de estos datos geoespaciales, ni por el uso inadecuado o incorrecto de estos datos geoespaciales. Estos datos geoespaciales y los mapas o gráficos relacionados no son documentos legales y no deben usarse como tales. Los datos y los mapas no se pueden usar para determinar el título, la propiedad, las descripciones o los límites legales, la jurisdicción legal ni las restricciones que puedan aplicarse en terrenos públicos o privados. Es posible que los peligros naturales se representen o no en los datos y los mapas, y los usuarios de la tierra deben tener la debida precaución. Los datos son dinámicos y pueden cambiar con el tiempo. El usuario es responsable de verificar las limitaciones de los datos geoespaciales y de usar los datos de manera acorde.

Estos datos se recopilaron con fondos del Gobierno de EE.UU. y se pueden usar sin permisos ni tarifas adicionales. Si usas estos datos en una publicación, presentación o cualquier otro producto de investigación, usa la siguiente cita:

Servicio Forestal del USDA. 2025. Cobertura arbórea del USFS, versión 2023.5 (Estados Unidos contiguos y Estados Unidos contiguos exteriores) Salt Lake City, Utah

Citas

Citas:

• Servicio Forestal del USDA. 2025. Cobertura arbórea del USFS, versión 2023.5 (Estados Unidos contiguos y Estados Unidos contiguos exteriores) Salt Lake City, Utah

• Breiman, L., 2001 Bosques aleatorios En aprendizaje automático Springer, 45: 5-32 doi:10.1023/A:1010933404324

• Chastain, R., Housman, I., Goldstein, J., Finco, M., y Tenneson, K., 2019. Comparación empírica entre sensores de las características espectrales en la parte superior de la atmósfera de los sensores MSI de Sentinel-2A y 2B, OLI de Landsat-8 y ETM de Landsat-7 en el territorio continental de Estados Unidos. En 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. y Gorelick, N., 2018. Es un conjunto multiespectral de LandTrendr para la detección de perturbaciones forestales. En 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., en 2017. Comparación y validación del algoritmo de detección de nubes para los productos de datos operativos de Landsat. En Remote Sensing of Environment. Science Direct, 194: 379-390 doi:10.1016/j.rse.2017.03.026

• Servicio Geológico de EE.UU., 2019. Modelo digital de elevación del programa 3D Elevation del USGS, consultado en agosto de 2022 en https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m

• Kennedy, R. E., Yang, Z., y Cohen, W. B., 2010. Detección de tendencias en la perturbación y recuperación de los bosques a través de series temporales anuales de Landsat: 1. LandTrendr: Algoritmos de segmentación temporal. En 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., y Healey, S., 2018. Implementación del algoritmo de LandTrendr en Google Earth Engine. En teledetección. MDPI, 10(5): 691 doi:10.3390/rs10050691

• Sentinel-Hub, 2021. Detector de nubes de Sentinel 2. [En línea]. Disponible en: https://github.com/sentinel-hub/sentinel2-cloud-detector

• Zhu, Z., and Woodcock, C. E., alrededor del 2012. Detección de nubes y sombras de nubes basadas en objetos en imágenes de Landsat. En Remote Sensing of Environment. Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028

DOI

• 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

Explora con Earth Engine

Importante: Earth Engine es una plataforma para el análisis científico y la visualización de conjuntos de datos geoespaciales a escala de petabytes, tanto para el beneficio público como para los usuarios empresariales y gubernamentales. Earth Engine se puede usar de forma gratuita para la investigación, la educación y el uso sin fines de lucro. Para comenzar, regístrate para obtener acceso a Earth Engine.

Editor de código (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);

Abrir en el editor de código

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

Este producto forma parte del paquete de datos de cobertura de copas de árboles (TCC). Incluye el TCC modelado, el error estándar (EE) y los datos del TCC de la Base de datos nacional de cobertura del suelo (NLCD) para cada año. Los datos de TCC producidos por el Servicio Forestal (USFS) del Departamento de Agricultura de los Estados Unidos se incluyen en el conjunto de datos de 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