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

USGS/NLCD_RELEASES/2023_REL/TCC/v2023-5
डेटासेट की उपलब्धता
1985-06-01T00:00:00Z–2023-09-30T00:00:00Z
डेटासेट उपलब्ध कराने वाली कंपनी
Earth Engine स्निपेट
ee.ImageCollection("USGS/NLCD_RELEASES/2023_REL/TCC/v2023-5")
टैग
forest gtac landuse-landcover redcastle-resources usda usfs usgs

ब्यौरा

यह प्रॉडक्ट, ट्री कैनोपी कवर (टीसीसी) डेटा सुइट का हिस्सा है. इसमें हर साल के लिए, मॉडल किया गया टीसीसी, स्टैंडर्ड गड़बड़ी (एसई), और नेशनल लैंड कवर डेटाबेस (एनएलसीडी) का टीसीसी डेटा शामिल होता है. यूनाइटेड स्टेट्स डिपार्टमेंट ऑफ़ ऐग्रीकल्चर, फ़ॉरेस्ट सर्विस (यूएसएफ़एस) की ओर से जनरेट किया गया टीसीसी डेटा, मल्टी-रिज़ॉल्यूशन लैंड कैरेक्टरिस्टिक्स (एमआरएलसी) कंसोर्टियम में शामिल किया जाता है. यह कंसोर्टियम, नैशनल लैंड कवर डेटाबेस (एनएलसीडी) प्रोजेक्ट का हिस्सा है. इस प्रोजेक्ट को यूनाइटेड स्टेट्स (यूएस) जियोलॉजिकल सर्वे (यूएसजीएस) मैनेज करता है.

साइंस टीसीसी प्रॉडक्ट और एनएलसीडी टीसीसी, रिमोट सेंसिंग पर आधारित मैप आउटपुट हैं. इन्हें यूएसएफ़एस ने बनाया है. टीसीसी साइंस और एनएलसीडी टीसीसी का मकसद, टीसीसी मैपिंग में नई टेक्नोलॉजी और बेहतर तरीकों का इस्तेमाल करके, एक जैसा तरीका डेवलप करना है. इससे कॉन्टिनेंटल अमेरिका (कॉनस) और दक्षिण-पूर्वी अलास्का, हवाई, और प्योर्तो रिको-यूएस वर्जिन आइलैंड (ओकॉनस) में टीसीसी का "सबसे अच्छा उपलब्ध" मैप तैयार किया जा सकता है. OCONUS v2023.5 का डेटा, 2025 की गर्मियों के आखिर में रिलीज़ किया जाएगा. फ़िलहाल, v2021.4 OCONUS TCC डेटा का इस्तेमाल किया जा सकता है (USGS/NLCD_RELEASES/2021_REL/TCC/v2021-4).

मॉडल के आउटपुट में, 1985 से 2023 तक के साइंस टीसीसी, साइंस एसई, और एनएलसीडी टीसीसी शामिल हैं.

*Science TCC, डायरेक्ट मॉडल के रॉ आउटपुट हैं.

*Science SE, सभी रिग्रेशन ट्री से अनुमानित वैल्यू का मॉडल स्टैंडर्ड डेविएशन है.

*एनएलसीडी टीसीसी प्रॉडक्ट में, सालाना साइंस टीसीसी इमेज पर पोस्ट प्रोसेसिंग की जाती है. इसमें कई तरह की मास्किंग (पानी और गैर-वन कृषि) के साथ-साथ ऐसी प्रोसेस शामिल होती हैं जो सालाना नॉइज़ को कम करती हैं और लंबी अवधि के रुझान दिखाती हैं.

हर इमेज में एक डेटा मास्क बैंड शामिल होता है. इसमें तीन वैल्यू होती हैं. ये वैल्यू, डेटा न होने वाली जगहों (0), मैप की गई पेड़ों से ढकी जगह(1), और प्रोसेसिंग न की गई जगह (2) को दिखाती हैं. जिन पिक्सल को प्रोसेस नहीं किया जाता है वे स्टडी एरिया में मौजूद ऐसे पिक्सल होते हैं जिनमें बादल या बादलों की परछाई वाला डेटा नहीं होता है. टीसीसी और एसई इमेज में, डेटा और नॉन-प्रोसेसिंग एरिया पिक्सल को मास्क नहीं किया जाता.

CONUS के बड़े साइज़ और अलग-अलग तरह के इकोटोन की वजह से, CONUS की मॉडलिंग को 54, 480x480 कि॰मी॰ टाइल में बांटा गया था. हर टाइल के लिए, एक यूनीक रैंडम फ़ॉरेस्ट मॉडल बनाया गया था. इसके लिए, 2011 के फ़िट किए गए LandTrendr, 2011 के CDL, और इलाके के डेटा का इस्तेमाल किया गया था. मॉडल कैलिब्रेशन के लिए उपलब्ध 70% रेफ़रंस डेटा का इस्तेमाल किया गया. इस डेटा में, सेंटर टाइल के आस-पास 5x5 विंडो में मौजूद टाइलें शामिल थीं. इस डेटा का इस्तेमाल, रैंडम फ़ॉरेस्ट मॉडल को ट्रेन करने के लिए किया गया. इसके बाद, उस मॉडल को सेंटर टाइल पर लागू किया गया. OCONUS के लिए, हर स्टडी एरिया पर एक मॉडल लागू किया गया था. साथ ही, किसी भी टाइल का इस्तेमाल नहीं किया गया था.

टीसीसी मॉडल के लिए अनुमान लगाने वाली लेयर में, LandTrendr से मिले आउटपुट और इलाके की जानकारी शामिल होती है. इन सभी कॉम्पोनेंट को Google Earth Engine (Gorelick et al., 2017).

LandTrendr के लिए सालाना कंपोज़िट बनाने के लिए, USGS Collection 2 Landsat Tier 1 और Sentinel 2A के साथ-साथ, 2B Level-1C टॉप ऑफ़ ऐटमॉस्फ़ियर रिफ़्लेक्टेंस डेटा का इस्तेमाल किया गया था. cFmask क्लाउड मास्किंग एल्गोरिदम (Foga et al., 2017), जो Fmask 2.0 (Zhu and Woodcock, 2012) (Landsat-only), cloudScore (Chastain et al., 2019) (सिर्फ़ Landsat) और s2cloudless (Sentinel-Hub, 2021) (सिर्फ़ Sentinel 2) का इस्तेमाल बादलों को छिपाने के लिए किया जाता है. वहीं, TDOM (Chastain et al., 2019) का इस्तेमाल, बादलों की परछाइयों को छिपाने के लिए किया जाता है. जैसे, Landsat और Sentinel 2. LandTrendr के लिए, सालाना मेडॉइड का हिसाब लगाया जाता है. इससे हर साल की बिना बादल और बादल की परछाई वाली वैल्यू को एक कंपोज़िट में शामिल किया जाता है.

कंपोज़िट टाइम सीरीज़ को LandTrendr का इस्तेमाल करके समय के हिसाब से सेगमेंट किया जाता है (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).

कच्ची कंपोज़िट वैल्यू, LandTrendr फ़िट की गई वैल्यू, पेयर-वाइज़ अंतर, सेगमेंट की अवधि, बदलाव की मात्रा, और ढलान. साथ ही, 10 मीटर के USGS 3D से ऊंचाई, ढलान, पहलू का साइन, और पहलू का कोसाइन. रैंडम फ़ॉरेस्ट (ब्रायमन, 2001) मॉडल में, एलिवेशन प्रोग्राम (3DEP) डेटा (यू.एस. जियोलॉजिकल सर्वे, 2019) का इस्तेमाल इंडिपेंडेंट प्रेडिक्टर वैरिएबल के तौर पर किया जाता है.

रेफ़रंस डेटा, USFS फ़ॉरेस्ट इन्वेंट्री ऐंड एनालिसिस (FIA) के फ़ोटो से इंटरप्रेट किए गए टीसीसी डेटा से इकट्ठा किया जाता है. इसका इस्तेमाल, पिक्सल के हिसाब से पूरे इलाके के टीसीसी का अनुमान लगाने के लिए किया जाता है.

अन्य संसाधन

तरीकों और सटीकता के आकलन के बारे में ज़्यादा जानकारी के लिए, कृपया टीसीसी के तरीकों के बारे में जानकारी देखें. इसके अलावा, डेटा डाउनलोड करने, मेटाडेटा, और सहायता से जुड़े दस्तावेज़ों के लिए, टीसीसी जियोडेटा क्लियरिंगहाउस देखें.

AK, PRUSVI, और HI का डेटा, 2025 की गर्मियों के आखिर में रिलीज़ किया जाएगा. पहले रिलीज़ किए गए v2021.4 AK, PRUSVI, और HI TCC डेटा उपलब्ध हैं (USGS/NLCD_RELEASES/2021_REL/TCC/v2021-4)

किसी भी सवाल या डेटा के बारे में खास अनुरोध करने के लिए, sm.fs.tcc@usda.gov पर संपर्क करें.

बैंड

पिक्सल का साइज़
30 मीटर

बैंड

नाम इकाइयां पिक्सल का साइज़ ब्यौरा
Science_Percent_Tree_Canopy_Cover % मीटर

डायरेक्ट मॉडल के रॉ आउटपुट. हर पिक्सल के लिए, हर साल पेड़ों से ढकी जगह की अनुमानित वैल्यू का औसत होता है.
Science_Percent_Tree_Canopy_Cover_Standard_Error % मीटर

हम रिग्रेशन ट्री से अनुमानित वैल्यू के स्टैंडर्ड डेविएशन को स्टैंडर्ड एरर कहते हैं. हर पिक्सल के लिए, हर साल की स्टैंडर्ड गड़बड़ी होती है.
NLCD_Percent_Tree_Canopy_Cover % मीटर

NLCD ट्री कैनोपी कवर बनाने के लिए, मॉडल के सीधे तौर पर मिले आउटपुट पर पोस्ट-प्रोसेसिंग वर्कफ़्लो लागू किया जाता है. यह वर्कफ़्लो, पेड़-पौधों से ढके न होने वाले पिक्सल की पहचान करता है और ट्री कैनोपी कवर की वैल्यू को शून्य प्रतिशत पर सेट करता है.

data_mask मीटर

तीन वैल्यू, जो डेटा न होने वाले इलाकों, मैप किए गए पेड़ों से ढकी जगह, और प्रोसेसिंग न होने वाले इलाके को दिखाती हैं. नॉन-प्रोसेसिंग एरिया वह जगह होती है जहां स्टडी एरिया में मौजूद पिक्सल के लिए, आउटपुट जनरेट करने के लिए बादल या बादल की छाया से मुक्त डेटा उपलब्ध नहीं होता.

इमेज की प्रॉपर्टी

इमेज की प्रॉपर्टी

नाम टाइप ब्यौरा
study_area स्ट्रिंग

फ़िलहाल, टीसीसी में CONUS, दक्षिणपूर्वी अलास्का, प्योर्तो रिको-यूएस वर्जिन आइलैंड्स, और हवाई शामिल हैं. इस वर्शन में CONUS शामिल है. SEAK, PRUSVI, और HI के लिए डेटा, 2025 की गर्मियों के आखिर में रिलीज़ किया जाएगा. संभावित वैल्यू: 'CONUS'
वर्शन स्ट्रिंग

यह टीसीसी प्रॉडक्ट का पांचवां वर्शन है. इसे MRLC कंसोर्टियम में रिलीज़ किया गया है. यह नेशनल लैंड कवर डेटाबेस (एनएलसीडी) का हिस्सा है'
startYear INT

'प्रॉडक्ट के लॉन्च होने का साल'
endYear INT

'प्रॉडक्ट के बंद होने का साल'
वर्ष INT

'प्रॉडक्ट का साल'

उपयोग की शर्तें

इस्तेमाल की शर्तें

यूएसडीए फ़ॉरेस्ट सर्विस, किसी भी तरह की वारंटी नहीं देता है. इसमें, किसी खास मकसद के लिए बिक्री और फ़िटनेस की वारंटी भी शामिल है. साथ ही, यह इन जियोस्पेशल डेटा के सटीक, भरोसेमंद, पूरे या उपयोगी होने के लिए, किसी भी कानूनी जवाबदेही या ज़िम्मेदारी को स्वीकार नहीं करता है. इसके अलावा, यह इन जियोस्पेशल डेटा के गलत इस्तेमाल के लिए भी ज़िम्मेदार नहीं है. जियोस्पेशल डेटा और इससे जुड़े मैप या ग्राफ़िक, कानूनी दस्तावेज़ नहीं हैं. इनका इस्तेमाल कानूनी दस्तावेज़ के तौर पर नहीं किया जाना चाहिए. डेटा और मैप का इस्तेमाल, टाइटल, मालिकाना हक, कानूनी ब्यौरे या सीमाएं, कानूनी अधिकार क्षेत्र या सार्वजनिक या निजी ज़मीन पर लागू होने वाली पाबंदियां तय करने के लिए नहीं किया जा सकता. ऐसा हो सकता है कि डेटा और मैप में प्राकृतिक आपदाओं को न दिखाया गया हो. इसलिए, ज़मीन का इस्तेमाल करने वाले लोगों को सावधानी बरतनी चाहिए. यह डेटा डाइनैमिक होता है और समय के साथ इसमें बदलाव हो सकता है. जियोस्पेशल डेटा की सीमाओं की पुष्टि करने और उसके हिसाब से डेटा का इस्तेमाल करने की ज़िम्मेदारी उपयोगकर्ता की है.

इस डेटा को अमेरिका की सरकार से मिले फ़ंड का इस्तेमाल करके इकट्ठा किया गया था. इसका इस्तेमाल, बिना किसी अतिरिक्त अनुमति या शुल्क के किया जा सकता है. अगर आपको इन डेटा का इस्तेमाल किसी पब्लिकेशन, प्रज़ेंटेशन या अन्य रिसर्च प्रॉडक्ट में करना है, तो कृपया इस उद्धरण का इस्तेमाल करें:

यूएसडीए फ़ॉरेस्ट सर्विस. 2025. USFS Tree Canopy Cover v2023.5 (Conterminous United States and Outer Conterminous United States). सॉल्ट लेक सिटी, यूटाह.

उद्धरण

उद्धरण:

  • यूएसडीए फ़ॉरेस्ट सर्विस. 2025. USFS Tree Canopy Cover v2023.5 (Conterminous United States and Outer Conterminous United States). सॉल्ट लेक सिटी, यूटाह.

  • ब्रेमन, एल., 2001. रैंडम फ़ॉरेस्ट. मशीन लर्निंग में. Springer, 45: 5-32 doi:10.1023/A:1010933404324

  • चैस्टेन, आर., हौसमैन, आई., गोल्डस्टीन, जे., फ़िंचो, एम॰, और टेनेसन, के॰, 2019. अमेरिका के आस-पास के इलाकों में, ऐटमॉस्फ़ियर के टॉप पर मौजूद स्पेक्ट्रल विशेषताओं के आधार पर, Sentinel-2A और 2B MSI, Landsat-8 OLI, और Landsat-7 ETM के सेंसर की तुलना की गई है. पर्यावरण की रिमोट सेंसिंग में. Science Direct, 221: 274-285 doi:10.1016/j.rse.2018.11.012

  • कोहेन, डब्ल्यू॰ B., यांग, ज़ेड., हीली, एस. P., कैनेडी, आर॰ ई॰ और गोरेलिक, एन॰, 2018. जंगल में होने वाली गड़बड़ी का पता लगाने के लिए, LandTrendr मल्टीस्पेक्ट्रल एनसेंबल. पर्यावरण की रिमोट सेंसिंग में. Science Direct, 205: 131-140 doi:10.1016/j.rse.2017.11.015

  • फ़ोगा, एस., स्कारामूज़ा, पी॰एल॰, गुओ, एस., ज़ु ज़ु, डिले, आर॰डी॰, बेकमैन, टी., श्मिट, जी॰एल॰, ड्वायर, जे॰ एल॰, एम॰जे॰ ह्यूज़, लाउ, बी., 2017. ऑपरेशनल Landsat डेटा प्रॉडक्ट के लिए, बादल का पता लगाने वाले एल्गोरिदम की तुलना और पुष्टि करना. In Remote Sensing of Environment. Science Direct, 194: 379-390 doi:10.1016/j.rse.2017.03.026

  • यूएस जियोलॉजिकल सर्वे, 2019. USGS 3D एलिवेशन प्रोग्राम का डिजिटल एलिवेशन मॉडल. इसे अगस्त 2022 में https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m पर ऐक्सेस किया गया था

  • कैनेडी, आर॰ E., Yang, Z., and Cohen, W. B., 2010. हर साल के Landsat टाइम सीरीज़ डेटा का इस्तेमाल करके, जंगल में होने वाली गड़बड़ी और उसके ठीक होने के ट्रेंड का पता लगाना: 1. LandTrendr - Temporal segmentation algorithms. In Remote Sensing of Environment. *Science Direct, 114(12): 2897-2910 doi:10.1016/j.rse.2010.07.008

  • केनेडी, आर., यांग, ज़ेड., गोरेलिक, एन., ब्रेटन, जे., कैवलकैंट, एल., कोहेन, डब्ल्यू॰, और हीली, एस॰, 2018. Google Earth Engine पर LandTrendr एल्गोरिदम लागू किया गया. रिमोट सेंसिंग में. MDPI, 10(5): 691 doi:10.3390/rs10050691

  • Sentinel-Hub, 2021. Sentinel 2 Cloud Detector. [ऑनलाइन]. यहां उपलब्ध है: https://github.com/sentinel-hub/sentinel2-cloud-detector

  • Zhu, Z., and Woodcock, C. E., 2012. Landsat की इमेज में, ऑब्जेक्ट के आधार पर बादल और बादल की परछाई का पता लगाना. पर्यावरण की रिमोट सेंसिंग में. Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028

डीओआई

Earth Engine की मदद से एक्सप्लोर करना

कोड एडिटर (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);
Open in Code Editor
यह प्रॉडक्ट, ट्री कैनोपी कवर (टीसीसी) डेटा सुइट का हिस्सा है. इसमें हर साल के लिए, मॉडल किया गया टीसीसी, स्टैंडर्ड गड़बड़ी (एसई), और नैशनल लैंड कवर डेटाबेस (एनएलसीडी) का टीसीसी डेटा शामिल होता है. यूनाइटेड स्टेट्स डिपार्टमेंट ऑफ़ ऐग्रीकल्चर, फ़ॉरेस्ट सर्विस (यूएसएफ़एस) से मिले टीसीसी डेटा को मल्टी-रेज़ल्यूशन लैंड …
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