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

USGS/NLCD_RELEASES/2023_REL/TCC/v2023-5
در دسترس بودن مجموعه داده
1985-06-01T00:00:00Z–2023-09-30T00:00:00Z
ارائه دهنده مجموعه داده
قطعه موتور زمین
ee.ImageCollection("USGS/NLCD_RELEASES/2023_REL/TCC/v2023-5")
برچسب ها
جنگل gtac landuse-landcover redcastle-resources usda usfs usgs

توضیحات

این محصول بخشی از مجموعه داده های پوشش درختی (TCC) است. این شامل داده های TCC مدل شده، خطای استاندارد (SE) و داده های TCC پایگاه ملی پوشش زمین (NLCD) برای هر سال است. داده های TCC تولید شده توسط وزارت کشاورزی، خدمات جنگل (USFS) ایالات متحده در کنسرسیوم ویژگی های زمین با وضوح چندگانه (MRLC) که بخشی از پروژه پایگاه داده پوشش زمین ملی (NLCD) است که توسط سازمان زمین شناسی ایالات متحده (USGS) مدیریت می شود، گنجانده شده است.

محصول Science TCC و NLCD TCC خروجی نقشه مبتنی بر سنجش از دور هستند که توسط USFS تولید می شوند. هدف TCC Science و NLCD TCC توسعه یک رویکرد منسجم با استفاده از آخرین فناوری و پیشرفت‌ها در نقشه برداری TCC برای تهیه یک نقشه "بهترین موجود" از TCC در سراسر ایالات متحده (CONUS) و جنوب شرقی آلاسکا، هاوایی و جزایر ویرجین پورتوریکو-ایالات متحده (OCONUS) است. داده‌های OCONUS v2023.5 اواخر تابستان 2025 منتشر خواهد شد. در حال حاضر می‌توان از داده‌های OCONUS TCC نسخه 2021.4 استفاده کرد (USGS/NLCD_RELEASES/2021_REL/TCC/v2021-4).

خروجی های مدل شامل Science TCC، Science SE و NLCD TCC از سال 1985 تا 2023 است.

*Science TCC خروجی های مدل مستقیم خام است.

*Science SE مدل انحراف استاندارد مقادیر پیش بینی شده از همه درختان رگرسیون است.

*محصول NLCD TCC تحت پردازش های بعدی قرار می گیرد که برای تصاویر سالانه Science TCC اعمال می شود، که شامل چندین پوشش (کشاورزی آبی و غیر درختی) و همچنین فرآیندهایی است که نویز بین سالانه را کاهش می دهد و روندهای طولانی تر را باز می گرداند.

هر تصویر شامل یک باند ماسک داده است که دارای سه مقدار است که مناطق بدون داده را نشان می دهد (0)، پوشش تاج درخت نقشه برداری شده (1) و منطقه غیر پردازشی (2). مناطق غیر پردازشی پیکسل‌هایی در منطقه مورد مطالعه هستند که داده‌های ابری یا ابری بدون سایه ندارند. هیچ پیکسل داده و ناحیه غیر پردازشی در تصاویر TCC و SE پوشانده نمی شود.

با توجه به اندازه CONUS و تنوع گسترده ای از ecotones، مدل سازی CONUS به 54 کاشی 480x480 کیلومتر تقسیم شد. برای هر کاشی، یک مدل جنگل تصادفی منحصربه‌فرد با استفاده از LandTrendr 2011، CDL 2011 و داده‌های زمین ساخته شد. تمام داده‌های مرجع که بخشی از 70 درصد موجود برای کالیبراسیون مدل بودند که کاشی‌ها را در یک پنجره 5×5 در اطراف کاشی مرکزی قطع می‌کردند، برای آموزش مدل جنگل تصادفی استفاده شدند. آن مدل سپس روی کاشی مرکزی اعمال شد. برای OCONUS، یک مدل برای هر منطقه مورد مطالعه اعمال شد، و هیچ کاشی استفاده نشد.

لایه های پیش بینی کننده برای مدل TCC شامل خروجی هایی از LandTrendr و اطلاعات زمین است. همه این مؤلفه ها با استفاده از موتور Google Earth قابل دسترسی و پردازش هستند (Gorelick et al., 2017).

برای تولید کامپوزیت‌های سالانه برای LandTrendr، از داده‌های بازتاب بالای اتمسفر، USGS Collection 2 Landsat Tier 1 و Sentinel 2A, 2B Level-1C استفاده شد. الگوریتم پوشاندن ابری cFmask (Foga et al., 2017) که پیاده سازی Fmask 2.0 (Zhu and Woodcock, 2012) (فقط Landsat)، cloudScore (Chastain و همکاران، 2019) (Landsat-only) و (S2inent-S2inelless) (Landsat-only) و s2inentS2inelHel. 2-فقط) برای پوشاندن ابرها استفاده می شود، در حالی که TDOM (چستاین و همکاران، 2019) برای پوشاندن سایه های ابر استفاده می شود (Landsat و Sentinel 2). برای LandTrendr، medoid سالانه محاسبه می‌شود تا مقادیر ابر و ابری بدون سایه از هر سال را در یک ترکیب واحد خلاصه کند.

سری زمانی مرکب با استفاده از LandTrendr به صورت موقت تقسیم بندی می شود (کندی و همکاران، 2010؛ کندی و همکاران، 2018؛ کوهن و همکاران، 2018).

مقادیر ترکیبی خام، مقادیر برازش LandTrendr، تفاوت‌های زوجی، مدت زمان قطعه، مقدار تغییر و شیب، همراه با ارتفاع، شیب، سینوس وجه و کسینوس ابعاد از 10 متر USGS 3D. داده های برنامه ارتفاعی (3DEP) (سنجش زمین شناسی ایالات متحده، 2019)، به عنوان متغیرهای پیش بینی مستقل در مدل جنگل تصادفی (برایمن، 2001) استفاده می شود.

داده‌های مرجع از فهرست و تحلیل جنگل USFS (FIA) داده‌های TCC با تفسیر عکس جمع‌آوری می‌شوند و برای پیش‌بینی TCC دیوار به دیوار بر اساس پیکسل استفاده می‌شوند.

منابع اضافی

لطفاً برای اطلاعات دقیق‌تر در مورد روش‌ها و ارزیابی دقت، TCC Methods Brief یا TCC Geodata Clearinghouse برای بارگیری داده‌ها، ابرداده‌ها و اسناد پشتیبانی را ببینید.

داده‌های AK، PRUSVI، و HI اواخر تابستان 2025 منتشر می‌شوند. داده‌های نسخه قبلی نسخه 2021.4 AK، PRUSVI و HI TCC در دسترس هستند (USGS/NLCD_RELEASES/2021_REL/TCC/v2021-4)

برای هرگونه سوال یا درخواست داده خاص با sm.fs.tcc@usda.gov تماس بگیرید.

باندها

اندازه پیکسل
30 متر

باندها

نام واحدها اندازه پیکسل توضیحات
Science_Percent_Tree_Canopy_Cover % متر

خروجی های مدل مستقیم خام هر پیکسل دارای میانگین ارزش پوشش تاج درخت پیش بینی شده برای هر سال است.

Science_Percent_Tree_Canopy_Cover_Standard_Error % متر

انحراف استاندارد مقادیر پیش‌بینی‌شده از همه درخت‌های رگرسیون که به عنوان خطای استاندارد از آن یاد می‌کنیم. هر پیکسل یک خطای استاندارد برای هر سال دارد.

NLCD_Percent_Tree_Canopy_Cover % متر

برای تولید پوشش تاج درخت NLCD، یک گردش کار پس از پردازش به خروجی مدل مستقیم اعمال می شود که مقادیر پیکسل غیر درختی را شناسایی کرده و روی صفر درصد پوشش تاج درخت تنظیم می کند.

data_mask متر

سه مقدار نشان دهنده مناطق بدون داده، پوشش تاج درخت نقشه برداری شده، و منطقه غیر پردازشی است. منطقه غیر پردازشی جایی است که پیکسل های داخل منطقه مورد مطالعه هیچ داده ابری یا ابری بدون سایه برای تولید خروجی ندارند.

ویژگی های تصویر

ویژگی های تصویر

نام تایپ کنید توضیحات
منطقه_مطالعه STRING

TCC در حال حاضر CONUS، جنوب شرقی آلاسکا، جزایر ویرجین پورتوریکو-ایالات متحده و هاوایی را پوشش می دهد. این نسخه حاوی CONUS است. داده‌های SEAK، PRUSVI، و HI اواخر تابستان 2025 منتشر خواهند شد. مقادیر احتمالی: 'CONUS'

نسخه STRING

این پنجمین نسخه از محصول TCC است که در کنسرسیوم MRLC که بخشی از پایگاه ملی پوشش زمین (NLCD) است منتشر شده است.

شروع سال INT

"سال شروع محصول"

پایان سال INT

"سال پایانی محصول"

سال INT

"سال تولید"

شرایط استفاده

شرایط استفاده

خدمات جنگلی USDA هیچ ضمانتی، صریح یا ضمنی، از جمله ضمانت‌های تجاری بودن و مناسب بودن برای یک هدف خاص، نمی‌دهد، و هیچ گونه مسئولیت قانونی یا مسئولیتی در قبال صحت، قابلیت اطمینان، کامل بودن یا مفید بودن این داده‌های مکانی، یا استفاده نادرست یا نادرست از این داده‌های مکانی نمی‌پذیرد. این داده‌های مکانی و نقشه‌ها یا گرافیک‌های مرتبط، اسناد قانونی نیستند و برای استفاده به این صورت در نظر گرفته نشده‌اند. داده‌ها و نقشه‌ها نمی‌توانند برای تعیین عنوان، مالکیت، توصیفات قانونی یا مرزها، صلاحیت قانونی یا محدودیت‌هایی که ممکن است در زمین‌های عمومی یا خصوصی وجود داشته باشد استفاده شوند. خطرات طبیعی ممکن است روی داده ها و نقشه ها به تصویر کشیده شود یا نباشد، و استفاده کنندگان از زمین باید احتیاط لازم را داشته باشند. داده ها پویا هستند و ممکن است در طول زمان تغییر کنند. کاربر مسئول بررسی محدودیت های داده های مکانی و استفاده از داده ها بر اساس آن است.

این داده ها با استفاده از بودجه دولت ایالات متحده جمع آوری شده اند و می توانند بدون مجوز یا هزینه اضافی مورد استفاده قرار گیرند. اگر از این داده ها در یک نشریه، ارائه یا سایر محصولات تحقیقاتی استفاده می کنید، لطفاً از نقل قول زیر استفاده کنید:

خدمات جنگلداری USDA. 2025. USFS Tree Canopy Cover v2023.5 (Conterminous United States and Outer Conterminous United States). سالت لیک سیتی، یوتا

نقل قول ها

نقل قول ها:

  • خدمات جنگلداری USDA. 2025. USFS Tree Canopy Cover v2023.5 (Conterminous United States and Outer Conterminous United States). سالت لیک سیتی، یوتا

  • بریمن، ال.، 2001. جنگل های تصادفی. در یادگیری ماشین. Springer, 45: 5-32 doi:10.1023/A:1010933404324

  • Chastain، R.، Housman، I.، Goldstein، J.، Finco، M.، و Tenneson، K.، 2019. مقایسه تجربی سنسور متقابل Sentinel-2A و 2B MSI، Landsat-8 OLI، و Landsat-7 ETM بالای ویژگی های طیفی جو بر روی ایالات متحده. در سنجش از دور محیط. Science Direct, 221: 274-285 doi:10.1016/j.rse.2018.11.012

  • کوهن، WB، یانگ، زی، هیلی، SP، کندی، RE، و گورلیک، N.، 2018. یک مجموعه چند طیفی LandTrendr برای تشخیص اختلال جنگل. در سنجش از دور محیط. Science Direct, 205: 131-140 doi:10.1016/j.rse.2017.11.015

  • Foga, S., Scaramuzza, PL, Guo, S., Zhu, Z., Dilley, RD, Beckmann, T., Schmidt, GL, Dwyer, JL, Hughes, MJ, Laue, B., 2017. مقایسه و اعتبارسنجی الگوریتم تشخیص ابر برای محصولات داده عملیاتی Landsat. در سنجش از دور محیط. Science Direct, 194: 379-390 doi:10.1016/j.rse.2017.03.026

  • سازمان زمین‌شناسی ایالات متحده، 2019. مدل ارتفاعی دیجیتال برنامه ارتفاعی سه‌بعدی USGS، دسترسی به اوت 2022 در https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m

  • کندی، RE، یانگ، Z.، و کوهن، WB، 2010. تشخیص روند در اختلال جنگل و بازیابی با استفاده از سری زمانی سالانه Landsat: 1. LandTrendr - الگوریتم های تقسیم بندی زمانی. در سنجش از دور محیط. *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., and Healey, S., 2018. پیاده سازی الگوریتم LandTrendr در موتور Google Earth. در سنجش از دور. MDPI، 10(5): 691 doi:10.3390/rs10050691

  • Sentinel-Hub، 2021. آشکارساز ابر Sentinel 2. [آنلاین]. موجود در: https://github.com/sentinel-hub/sentinel2-cloud-detector

  • Zhu، Z.، و Woodcock، CE، 2012. تشخیص سایه ابر و ابر مبتنی بر شی در تصاویر Landsat. در سنجش از دور محیط. Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028

DOI

با Earth Engine کاوش کنید

ویرایشگر کد (جاوا اسکریپت) 

// 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);
در ویرایشگر کد باز کنید
این محصول بخشی از مجموعه داده های پوشش درختی (TCC) است. این شامل داده های TCC مدل شده، خطای استاندارد (SE) و داده های TCC پایگاه ملی پوشش زمین (NLCD) برای هر سال است. داده های TCC تولید شده توسط وزارت کشاورزی، خدمات جنگلی ایالات متحده (USFS) در زمین با وضوح چندگانه گنجانده شده است.
USGS/NLCD_RELEASES/2023_REL/TCC/v2023-5، جنگل، 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
موتور Google Earth