- Ketersediaan Set Data
- 1985-06-01T00:00:00Z–2023-09-30T00:00:00Z
- Penyedia Set Data
- USDA Forest Service (USFS) Field Services and Innovation Center Geospatial Office (FSIC-GO)
- Tag
Deskripsi
Produk ini adalah bagian dari rangkaian data Tree Canopy Cover (TCC). Data ini mencakup TCC yang dimodelkan, error standar (SE), dan data TCC National Land Cover Database (NLCD) untuk setiap tahun. Data TCC yang dihasilkan oleh United States Department of Agriculture, Forest Service (USFS) disertakan dalam konsorsium Multi-Resolution Land Characteristics (MRLC) yang merupakan bagian dari project National Land Cover Database (NLCD) yang dikelola oleh United States (US) Geological Survey (USGS).
Produk Science TCC dan NLCD TCC adalah output peta berbasis penginderaan jauh yang dihasilkan oleh USFS. Tujuan TCC Science dan NLCD TCC adalah mengembangkan pendekatan yang konsisten menggunakan teknologi dan kemajuan terbaru dalam pemetaan TCC untuk menghasilkan peta TCC "terbaik yang tersedia" di seluruh wilayah Amerika Serikat Kontinental (CONUS) dan Alaska Tenggara, Hawaii, serta Puerto Riko-Kepulauan Virgin AS (OCONUS). Data OCONUS v2023.5 akan dirilis pada akhir musim panas 2025. Untuk saat ini, data TCC OCONUS v2021.4 dapat digunakan (USGS/NLCD_RELEASES/2021_REL/TCC/v2021-4).
Output model mencakup TCC Sains, SE Sains, dan TCC NLCD dari tahun 1985 hingga 2023.
*TCC Sains adalah output model langsung mentah.
*SE Sains adalah deviasi standar model dari nilai yang diprediksi dari semua pohon regresi.
*Produk NLCD TCC menjalani pemrosesan pasca-pemrosesan lebih lanjut yang diterapkan pada gambar TCC Sains tahunan, yang mencakup beberapa masking (pertanian non-pohon dan air), serta proses yang mengurangi derau antar-tahunan dan menampilkan tren durasi yang lebih panjang.
Setiap gambar menyertakan band mask data yang memiliki tiga nilai yang merepresentasikan area tanpa data (0), cakupan tajuk pohon yang dipetakan(1), dan area non-pemrosesan (2). Area non-pemrosesan adalah piksel di area studi tanpa data bebas awan atau bayangan awan. Tidak ada data dan piksel area non-pemrosesan yang diberi mask di gambar TCC dan SE.
Karena ukuran CONUS dan beragamnya ekoton, pemodelan CONUS dibagi menjadi 54 petak 480x480 km. Untuk setiap petak, model hutan acak unik dibuat menggunakan data LandTrendr yang disesuaikan tahun 2011, CDL 2011, dan data medan. Semua data referensi yang merupakan bagian dari 70% data yang tersedia untuk kalibrasi model yang berpotongan dengan petak dalam jendela 5x5 di sekitar petak tengah digunakan untuk melatih model random forest. Model tersebut kemudian diterapkan ke kartu tengah. Untuk OCONUS, satu model diterapkan ke setiap area studi, dan tidak ada petak yang digunakan.
Lapisan prediktor untuk model TCC mencakup output dari LandTrendr dan informasi medan. Semua komponen ini diakses dan diproses menggunakan Google Earth Engine (Gorelick et al., 2017).
Untuk menghasilkan komposit tahunan untuk LandTrendr, data reflektansi puncak atmosfer Level-1C Sentinel 2A, 2B dan USGS Collection 2 Landsat Tier 1 digunakan. Algoritma masking awan cFmask (Foga et al., 2017), yang merupakan implementasi Fmask 2.0 (Zhu dan Woodcock, 2012) (khusus Landsat), cloudScore (Chastain et al., 2019) (khusus Landsat), dan s2cloudless (Sentinel-Hub, 2021) (khusus Sentinel 2) digunakan untuk menutupi awan, sedangkan TDOM (Chastain et al., 2019) digunakan untuk menutupi bayangan awan (Landsat dan Sentinel 2). Untuk LandTrendr, medoid tahunan kemudian dihitung untuk meringkas nilai bebas awan dan bayangan awan dari setiap tahun menjadi satu komposit.
Deret waktu komposit disegmentasikan secara temporal menggunakan LandTrendr (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).
Nilai gabungan mentah, nilai yang sesuai dengan LandTrendr, perbedaan berpasangan, durasi segmen, besarnya perubahan, dan kemiringan, beserta elevasi, kemiringan, sinus aspek, dan kosinus aspek dari USGS 3D 10 m. Data Program Ketinggian (3DEP) (U.S. Geological Survey, 2019), digunakan sebagai variabel prediktor independen dalam model Random Forest (Breiman, 2001).
Data referensi dikumpulkan dari data TCC yang diinterpretasikan foto USFS Forest Inventory and Analysis (FIA), dan digunakan untuk membuat prediksi TCC menyeluruh berdasarkan per piksel.
Referensi Tambahan
Lihat TCC Methods Brief untuk mengetahui informasi yang lebih mendetail mengenai metode dan penilaian akurasi, atau TCC Geodata Clearinghouse untuk mendownload data, metadata, dan dokumen pendukung.
Data AK, PRUSVI, dan HI akan dirilis pada akhir musim panas 2025. Data TCC AK, PRUSVI, dan HI v2021.4 yang dirilis sebelumnya tersedia (USGS/NLCD_RELEASES/2021_REL/TCC/v2021-4)
Hubungi sm.fs.tcc@usda.gov jika ada pertanyaan atau permintaan data tertentu.
Band
Ukuran Piksel
30 meter
Band
| Nama | Unit | Ukuran Piksel | Deskripsi | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Science_Percent_Tree_Canopy_Cover |
% | meter | Output model langsung mentah. Setiap piksel memiliki nilai rata-rata prediksi cakupan kanopi pohon untuk setiap tahun. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Science_Percent_Tree_Canopy_Cover_Standard_Error |
% | meter | Simpangan baku dari nilai yang diprediksi dari semua pohon regresi yang kita sebut sebagai kesalahan baku. Setiap piksel memiliki error standar untuk setiap tahun. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
NLCD_Percent_Tree_Canopy_Cover |
% | meter | Untuk menghasilkan cakupan kanopi pohon NLCD, alur kerja pasca-pemrosesan diterapkan pada output model langsung yang mengidentifikasi dan menetapkan nilai piksel non-pohon ke nol persen cakupan kanopi pohon. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
data_mask |
meter | Tiga nilai yang merepresentasikan area tanpa data, cakupan kanopi pohon yang dipetakan, dan area non-pemrosesan. Area non-pemrosesan adalah area di mana piksel dalam area studi tidak memiliki data bebas awan atau bayangan awan yang tersedia untuk menghasilkan output. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Properti Gambar
Properti Gambar
| Nama | Jenis | Deskripsi |
|---|---|---|
| study_area | STRING | TCC saat ini mencakup CONUS, Alaska Tenggara, Puerto Riko-Kepulauan Virgin AS, dan Hawaii. Versi ini berisi CONUS. Data untuk SEAK, PRUSVI, dan HI akan dirilis pada akhir musim panas 2025. Nilai yang mungkin: 'CONUS' |
| versi | STRING | Ini adalah versi kelima produk TCC yang dirilis dalam konsorsium MRLC yang merupakan bagian dari National Land Cover Database (NLCD)' |
| startYear | INT | 'Tahun mulai produk' |
| endYear | INT | 'Tahun akhir produk' |
| tahun | INT | 'Tahun produk' |
Persyaratan Penggunaan
Persyaratan Penggunaan
USDA Forest Service tidak memberikan jaminan, baik tersurat maupun tersirat, termasuk jaminan kelayakan untuk diperdagangkan dan kesesuaian untuk tujuan tertentu, serta tidak bertanggung jawab atas akurasi, keandalan, kelengkapan, atau kegunaan data geospasial ini, atau atas penggunaan data geospasial ini yang tidak tepat atau salah. Data geospasial dan peta atau grafik terkait ini bukan dokumen hukum dan tidak dimaksudkan untuk digunakan sebagai dokumen hukum. Data dan peta tidak boleh digunakan untuk menentukan hak kepemilikan, deskripsi atau batas hukum, yurisdiksi hukum, atau batasan yang mungkin berlaku di lahan publik atau pribadi. Bencana alam mungkin digambarkan atau tidak pada data dan peta, dan pengguna lahan harus berhati-hati. Data bersifat dinamis dan dapat berubah dari waktu ke waktu. Pengguna bertanggung jawab untuk memverifikasi batasan data geospasial dan menggunakan data tersebut dengan semestinya.
Data ini dikumpulkan menggunakan pendanaan dari Pemerintah AS dan dapat digunakan tanpa izin atau biaya tambahan. Jika Anda menggunakan data ini dalam publikasi, presentasi, atau produk riset lainnya, harap gunakan kutipan berikut:
USDA Forest Service. 2025. USFS Tree Canopy Cover v2023.5 (Conterminous United States and Outer Conterminous United States). Salt Lake City, Utah.
Kutipan
USDA Forest Service. 2025. USFS Tree Canopy Cover v2023.5 (Conterminous United States and Outer Conterminous United States). Salt Lake City, Utah.
Breiman, L., 2001. Random Forest. Dalam Machine Learning. Springer, 45: 5-32 doi:10.1023/A:1010933404324
Chastain, R., Housman, I., Goldstein, J., Finco, M., dan Tenneson, K., 2019. Perbandingan lintas sensor empiris MSI Sentinel-2A dan 2B, OLI Landsat-8, dan ETM Landsat-7, dengan karakteristik spektral di atas atmosfer di seluruh Amerika Serikat yang berbatasan. Dalam 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., dan Gorelick, N., 2018. Ensemble multispektral LandTrendr untuk deteksi gangguan hutan. Dalam 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. Perbandingan dan validasi algoritma deteksi awan untuk produk data Landsat operasional. Dalam Remote Sensing of Environment. Science Direct, 194: 379-390 doi:10.1016/j.rse.2017.03.026
U.S. Geological Survey, 2019. Model Ketinggian Digital Program Ketinggian 3D USGS, diakses Agustus 2022 di https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m
Kennedy, R. E., Yang, Z., dan Cohen, W. B., 2010. Mendeteksi tren gangguan dan pemulihan hutan menggunakan deret waktu Landsat tahunan: 1. LandTrendr - Algoritma segmentasi temporal. Dalam 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., dan Healey, S., 2018. Penerapan Algoritma LandTrendr di Google Earth Engine. Dalam Penginderaan Jauh. MDPI, 10(5): 691 doi:10.3390/rs10050691
Sentinel-Hub, 2021. Detektor Awan Sentinel 2. [Online]. Tersedia di: https://github.com/sentinel-hub/sentinel2-cloud-detector
Zhu, Z., dan Woodcock, C. E., 2012. Deteksi awan dan bayangan awan berbasis objek dalam gambar Landsat. Dalam Remote Sensing of Environment. Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028
DOI
Menjelajahi dengan Earth Engine
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);