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

Disponibilité de l'ensemble de données

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

Fournisseur de l'ensemble de données

Bureau géospatial du Centre d'innovation et des services sur le terrain (FSIC-GO) du Service des forêts de l'USDA (USFS)

Extrait Earth Engine

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

Tags

forêt gtac occupation-et-couverture-du-sol redcastle-resources usda usfs usgs

Description

Présentation

La suite de données sur la couverture de la canopée (TCC, Tree Canopy Cover), produite par le service forestier du ministère de l'Agriculture des États-Unis (USFS, United States Department of Agriculture, Forest Service), est constituée de cartes annuelles basées sur la télédétection, couvrant la période de 1985 à 2023. Ces données sont utilisées pour le projet National Land Cover Database (NLCD), géré par l'Institut d'études géologiques des États-Unis (USGS) dans le cadre du consortium Multi-Resolution Land Characteristics (MRLC). L'objectif du projet est d'utiliser les dernières technologies pour créer une carte cohérente et "la plus précise possible" du couvert forestier. La couverture géographique inclut les régions CONUS (États-Unis continentaux) et OCONUS (sud-est de l'Alaska, Hawaï, Porto Rico et les Îles Vierges américaines).

Produits

La suite de données TCC comprend trois produits :

• Science TCC : résultats bruts et directs du modèle.

• Erreur standard scientifique (ES) : écart-type du modèle pour les valeurs prédites de tous les arbres de régression.

• NLCD TCC : produit affiné dérivé des images TCC scientifiques annuelles. Il est post-traité pour réduire le bruit interannuel, mettre en évidence les tendances à long terme et masquer des caractéristiques spécifiques (comme l'eau et l'agriculture non arborée).

Chaque image inclut une bande de masque de données comportant trois valeurs représentant les zones sans données (0), la couverture de la canopée cartographiée(1) et la zone de non-traitement (2). Les zones sans traitement sont les pixels de la zone d'étude pour lesquels il n'existe aucune donnée sans nuage ni ombre de nuage. Les pixels sans données et ceux de la zone de non-traitement sont masqués dans les images TCC et SE.

Données et méthodes

Nous avons développé des données d'entraînement et des modèles de forêt aléatoire pour CONUS, SEAK, PRUSVI et HAWAII en utilisant la couverture forestière (TCC) photo-interprétée de l'inventaire et de l'analyse des forêts (FIA) de l'USFS comme données de référence. Nous avons utilisé Google Earth Engine (GEE) (Gorelick et al., 2017) pour traiter les prédicteurs LandTrendr et de terrain ajustés. Les données de terrain du programme 3D Elevation (3DEP) (U.S. Geological Survey, 2019) incluent l'altitude, la pente, le sinus de l'aspect et le cosinus de l'aspect. Pour les États-Unis continentaux, nous avons également inclus la couche de données sur les cultures (CDL) en tant que prédicteur (Lin et al., 2022).

Nous avons utilisé les images de réflectance au sommet de l'atmosphère Landsat de niveau 1 de la collection 2 de l'USGS et Sentinel 2A/2B de niveau 1C pour produire des composites médoïdes annuels. Pour garantir la qualité des données, nous avons appliqué différents algorithmes pour masquer les nuages et les ombres, y compris cFmask (Foga et al., 2017 ; Zhu et Woodcock, 2012), cloudScore (Chastain et al., 2019), s2cloudless (Sentinel-Hub, 2021), Cloud Score+ (Pasquarella et al., 2023) et TDOM (Chastain et al., 2019). Une fois masqués, nous avons calculé les médoïdes annuels pour créer un composite unique sans nuages pour chaque année. Enfin, la série temporelle composite a été segmentée temporellement à l'aide de LandTrendr (Kennedy et al., 2010, 2018 ; Cohen et al., 2018).

Pour les États-Unis continentaux, nous avons utilisé 70 % des données de référence pour la calibration et 30 % pour l'évaluation indépendante des erreurs. Compte tenu de la diversité écologique des États-Unis continentaux, nous avons divisé la zone de modélisation en 54 tuiles (480 km × 480 km). Sur les ordinateurs locaux, nous avons créé un modèle de forêt aléatoire unique pour chaque tuile (Breiman, 2001), en l'entraînant sur des données de référence croisant une fenêtre 5x5 autour de la tuile centrale. Les modèles ont ensuite été déployés dans GEE pour prédire la couverture forestière de bout en bout. Pour les régions hors États-Unis continentaux, nous avons utilisé une répartition 80/20 et développé un seul modèle de forêt aléatoire pour chaque région.

Autres ressources

• Pour en savoir plus sur les méthodes et l'évaluation de la précision, veuillez consulter le résumé des méthodes TCC ou l'article de la revue Science of Remote Sensing.

• Consultez le TCC Geodata Clearinghouse pour télécharger des données, des métadonnées et des documents d'aide.

• La chaîne "HAWAII" sera remplacée par "HI" dans la prochaine version des données v2025.6.

Contactez [[e-mail]] pour toute question ou demande de données spécifiques.

Bandes

Taille des pixels
30 mètres

Bandes de fréquences

Nom	Unités	Taille des pixels	Description
Science_Percent_Tree_Canopy_Cover	%	mètres	Sorties brutes du modèle direct. Chaque pixel possède une valeur moyenne de couverture forestière prédite pour chaque année.
Science_Percent_Tree_Canopy_Cover_Standard_Error	%	mètres	L'écart-type des valeurs prédites de tous les arbres de régression est appelé "erreur standard". Chaque pixel présente une erreur standard pour chaque année.
NLCD_Percent_Tree_Canopy_Cover	%	mètres	Pour produire la couverture du couvert forestier NLCD, un workflow de post-traitement est appliqué à la sortie directe du modèle, qui identifie et définit les valeurs de pixels non arborés sur zéro pour cent de couverture du couvert forestier.
data_mask		mètres	Trois valeurs représentant les zones sans données, la couverture forestière cartographiée et la zone de non-traitement. La zone de non-traitement correspond à la zone d'étude pour laquelle aucune donnée sans nuage ni ombre de nuage n'est disponible pour produire un résultat.
Masque de bits pour data_mask Bits 0 à 1 : trois valeurs représentant les zones sans données, la couverture forestière cartographiée et la zone de non-traitement. 0 : Aucune donnée 1 : Couvert forestier cartographié 2 : Zone de non-traitement

Propriétés des images

Propriétés des images

Nom	Type	Description
study_area	STRING	La couverture TCC inclut actuellement les États-Unis continentaux, le sud-est de l'Alaska, Porto Rico, les îles Vierges américaines et Hawaï. Cette version contient des données pour CONUS, AK, PRUSVI et HAWAII. Valeurs possibles : "CONUS, AK, PRUSVI, HAWAII"
version	STRING	Il s'agit de la cinquième version du produit TCC publiée dans le consortium MRLC, qui fait partie de la base de données nationale sur la couverture des sols (NLCD).
startYear	INT	Année de début du produit
endYear	INT	"Année de fin du produit"
année	INT	Année du produit

Conditions d'utilisation

Conditions d'utilisation

Le service forestier de l'USDA ne fournit aucune garantie, explicite ou implicite, y compris les garanties de qualité marchande et d'adéquation à un usage particulier, et n'assume aucune responsabilité légale quant à l'exactitude, la fiabilité, l'exhaustivité ou l'utilité de ces données géospatiales, ni quant à leur utilisation inappropriée ou incorrecte. Ces données géospatiales et les cartes ou graphiques associés ne sont pas des documents juridiques et ne sont pas destinés à être utilisés comme tels. Les données et les cartes ne peuvent pas être utilisées pour déterminer le titre, la propriété, les descriptions ou les limites légales, la juridiction légale ni les restrictions qui peuvent être en place sur les terrains publics ou privés. Les données et les cartes peuvent ou non représenter les risques naturels. Les utilisateurs des terres doivent faire preuve de prudence. Les données sont dynamiques et peuvent changer au fil du temps. Il incombe à l'utilisateur de vérifier les limites des données géospatiales et de les utiliser en conséquence.

Ces données ont été collectées grâce à un financement du gouvernement américain et peuvent être utilisées sans autorisation ni frais supplémentaires. Si vous utilisez ces données dans une publication, une présentation ou un autre produit de recherche, veuillez utiliser la citation suivante :

Services forestiers américains (USDA). 2025. USFS Tree Canopy Cover v2023.5 (Conterminous United States and Outer Conterminous United States). Salt Lake City, Utah.

Citations

Citations :

• Services forestiers américains (USDA). 2025. USFS Tree Canopy Cover v2023.5 (Conterminous United States and Outer Conterminous United States). Salt Lake City, Utah.

• Breiman, L., 2001. Forêts aléatoires. Dans le machine learning. Springer, 45: 5-32 doi:10.1023/A:1010933404324

• Chastain, R., Housman, I., Goldstein, J., Finco, M., et Tenneson, K., 2019. Comparaison empirique multisensorielle des caractéristiques spectrales au sommet de l'atmosphère des instruments MSI Sentinel-2A et 2B, OLI Landsat-8 et ETM Landsat-7 sur l'ensemble des États-Unis contigus. 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., et Gorelick, N., 2018. Ensemble multispectral LandTrendr pour la détection des perturbations forestières. 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. Comparaison et validation de l'algorithme de détection des nuages pour les produits de données Landsat opérationnels. In Remote Sensing of Environment. Science Direct, 194 : 379-390 doi:10.1016/j.rse.2017.03.026

• Kennedy, R. E., Yang, Z., et Cohen, W. B. 2010. Détecter les tendances des perturbations et de la régénération des forêts à l'aide de séries temporelles Landsat annuelles : 1. LandTrendr : algorithmes de segmentation temporelle. 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., et Healey, S., 2018. Implémentation de l'algorithme LandTrendr sur Google Earth Engine. In Remote Sensing. MDPI, 10(5): 691 doi:10.3390/rs10050691

• Lin, L.; Di, L.; Zhang, C.; Guo, L.; Di, Y.; Li, H.; Yang, A. 2022. Validation et affinement de la couche de données sur les terres cultivées à l'aide d'un algorithme d'arbre de décision spatio-temporel. Données scientifiques. 9(1): 63. doi:10.3390/rs10050691

• Pasquarella, V. J., Brown, C. F., Czerwinski, W., et Rucklidge, W. J., 2023. Évaluation complète de la qualité des images satellite optiques à l'aide de l'apprentissage vidéo faiblement supervisé. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2124-2134. doi:10.1109/cvprw59228.2023.00206

• Sentinel-Hub, 2021. Détecteur de nuages Sentinel 2. [En ligne]. Disponible à cette adresse : https://github.com/sentinel-hub/sentinel2-cloud-detector

• U.S. Geological Survey, 2019. Modèle numérique d'élévation du programme 3D Elevation de l'USGS, consulté en août 2022 sur https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m

• Zhu, Z. et Woodcock, C. E., vers 2012. Détection des nuages et des ombres de nuages basée sur les objets dans les images Landsat. In 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/10.1038/s41597-022-01169-w
• https://doi.org/10.3390/rs10050691

Explorer avec Earth Engine

Important  : Earth Engine est une plate-forme d'analyse scientifique et de visualisation d'ensembles de données géospatiales à l'échelle du pétaoctet, à la fois pour le bien public et pour les utilisateurs professionnels et gouvernementaux. Earth Engine est un outil libre d'utilisation pour la recherche, l'enseignement et les organisations à but non lucratif. Pour commencer, veuillez demander l'accès à Earth Engine.

Éditeur de code (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"') // CONUS, AK, HAWAII, PRUSVI 
               .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);

Ouvrir dans l'éditeur de code

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

Présentation La suite de données sur la couverture de la canopée (TCC, Tree Canopy Cover), produite par le service forestier du ministère américain de l'Agriculture (USFS, United States Department of Agriculture, Forest Service), est constituée de cartes annuelles basées sur la télédétection et couvrant la période allant de 1985 à 2023. Ces données soutiennent le projet National Land Cover Database (NLCD), qui est géré par l'Institut d'études géologiques des États-Unis (USGS) dans le cadre de …

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