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

Disponibilità del set di dati

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

Fornitore di set di dati

USDA Forest Service (USFS) Field Services and Innovation Center Geospatial Office (FSIC-GO)

Snippet di Earth Engine

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

Tag

forest gtac landuse-landcover redcastle-resources usda usfs usgs

Descrizione

Questo prodotto fa parte della suite di dati sulla copertura arborea (TCC). Include la copertura arborea modellata, l'errore standard (SE) e i dati sulla copertura arborea del National Land Cover Database (NLCD) per ogni anno. I dati TCC prodotti dal Dipartimento dell'agricoltura degli Stati Uniti, Forest Service (USFS), sono inclusi nel consorzio Multi-Resolution Land Characteristics (MRLC), che fa parte del progetto National Land Cover Database (NLCD) gestito dall'US Geological Survey (USGS).

Il prodotto Science TCC e NLCD TCC sono output di mappe basati sul telerilevamento prodotti dall'USFS. L'obiettivo di TCC Science e NLCD TCC è sviluppare un approccio coerente utilizzando le tecnologie e i progressi più recenti nella mappatura TCC per produrre una mappa "migliore disponibile" di TCC negli Stati Uniti contigui (CONUS) e nel sud-est dell'Alaska, nelle Hawaii e a Porto Rico-Isole Vergini Americane (OCONUS). I dati OCONUS v2023.5 verranno pubblicati alla fine dell'estate 2025. Per il momento, è possibile utilizzare i dati TCC OCONUS v2021.4 (USGS/NLCD_RELEASES/2021_REL/TCC/v2021-4).

Gli output del modello includono Science TCC, Science SE e NLCD TCC dal 1985 al 2023.

*Science TCC è l'output diretto non elaborato del modello.

*Science SE è la deviazione standard del modello dei valori previsti di tutti gli alberi di regressione.

*Il prodotto NLCD TCC viene sottoposto a un ulteriore post-elaborazione applicata alle immagini TCC scientifiche annuali, che include diverse maschere (acqua e agricoltura non arborea), nonché processi che riducono il rumore interannuale e restituiscono tendenze di durata più lunga.

Ogni immagine include una banda di maschera dei dati con tre valori che rappresentano le aree senza dati (0), la copertura arborea mappata(1) e l'area non di elaborazione (2). Le aree di non elaborazione sono pixel nell'area di studio senza dati di nuvole o ombre di nuvole. I pixel dell'area senza dati e non elaborata vengono mascherati nelle immagini TCC e SE.

A causa delle dimensioni e dell'ampia varietà di ecotoni, la modellazione CONUS è stata suddivisa in 54 riquadri di 480 x 480 km. Per ogni riquadro, è stato creato un modello di foresta casuale unico utilizzando i dati LandTrendr adattati del 2011, CDL del 2011 e del terreno. Tutti i dati di riferimento che facevano parte del 70% disponibile per la calibrazione del modello che intersecavano i riquadri all'interno di una finestra 5x5 intorno al riquadro centrale sono stati utilizzati per addestrare il modello di foresta casuale. Questo modello è stato poi applicato al riquadro centrale. Per OCONUS, è stato applicato un modello a ogni area di studio e non sono stati utilizzati riquadri.

I livelli di previsione per il modello TCC includono gli output di LandTrendr e le informazioni sul terreno. Questi componenti vengono tutti accessibili ed elaborati utilizzando Google Earth Engine (Gorelick et al., 2017).

Per produrre composizioni annuali per LandTrendr, sono stati utilizzati i dati di riflettanza al top dell'atmosfera di USGS Collection 2 Landsat Tier 1 e Sentinel 2A, 2B Level-1C. L'algoritmo di mascheramento delle nuvole cFmask (Foga et al., 2017), che è un'implementazione di Fmask 2.0 (Zhu e Woodcock, 2012) (solo Landsat), cloudScore (Chastain et al., 2019) (solo Landsat) e s2cloudless (Sentinel-Hub, 2021) (solo Sentinel 2) vengono utilizzati per mascherare le nuvole, mentre TDOM (Chastain et al., 2019) viene utilizzato per mascherare le ombre delle nuvole (Landsat e Sentinel 2). Per LandTrendr, viene quindi calcolato il medoide annuale per riassumere i valori senza nuvole e ombre di nuvole di ogni anno in un unico composito.

La serie temporale composita viene segmentata temporalmente utilizzando LandTrendr (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).

I valori compositi non elaborati, i valori adattati di LandTrendr, le differenze a coppie, la durata del segmento, l'entità della variazione e la pendenza, insieme a elevazione, pendenza, seno dell'aspetto e coseno dell'aspetto del modello 3D USGS da 10 m. I dati del programma di elevazione (3DEP) (U.S. Geological Survey, 2019) vengono utilizzati come variabili predittive indipendenti in un modello Random Forest (Breiman, 2001).

I dati di riferimento vengono raccolti dalle foto interpretate dell'inventario e dell'analisi forestale (FIA) dell'USFS e vengono utilizzati per effettuare previsioni TCC da parete a parete in base ai pixel.

Risorse aggiuntive

Per informazioni più dettagliate su metodi e valutazione dell'accuratezza, consulta il Riepilogo dei metodi TCC o il TCC Geodata Clearinghouse per download di dati, metadati e documenti di assistenza.

I dati di AK, PRUSVI e HI verranno pubblicati alla fine dell'estate 2025. I dati TCC v2021.4 AK, PRUSVI e HI rilasciati in precedenza sono disponibili (USGS/NLCD_RELEASES/2021_REL/TCC/v2021-4)

Per eventuali domande o richieste di dati specifici, contatta [e-mail].

Bande

Dimensioni pixel
30 metri

Bande

Nome	Unità	Dimensioni dei pixel	Descrizione
Science_Percent_Tree_Canopy_Cover	%	metri	Gli output del modello diretto non elaborati. Ogni pixel ha un valore medio previsto di copertura arborea per ogni anno.
Science_Percent_Tree_Canopy_Cover_Standard_Error	%	metri	La deviazione standard dei valori previsti di tutti gli alberi di regressione a cui facciamo riferimento come errore standard. Ogni pixel ha un errore standard per ogni anno.
NLCD_Percent_Tree_Canopy_Cover	%	metri	Per produrre la copertura della chioma degli alberi NLCD, viene applicato un flusso di lavoro di post-elaborazione all'output diretto del modello che identifica e imposta i valori dei pixel non alberati sullo zero percento di copertura della chioma degli alberi.
data_mask		metri	Tre valori che rappresentano le aree senza dati, la copertura arborea mappata e l'area non di elaborazione. L'area di non elaborazione è quella in cui i pixel all'interno dell'area di studio non dispongono di dati senza nuvole o ombre di nuvole disponibili per produrre un output.
Bitmask per data_mask Bit 0-1: tre valori che rappresentano aree senza dati, copertura della chioma degli alberi mappata e area non di elaborazione. 0: Nessun dato 1: Copertura arborea mappata 2: Area non di elaborazione

Proprietà immagini

Proprietà immagine

Nome	Tipo	Descrizione
study_area	STRING	Al momento, TCC copre CONUS, l'Alaska sudorientale, Portorico, le Isole Vergini Americane e le Hawaii. Questa versione contiene CONUS. I dati per SEAK, PRUSVI e HI verranno pubblicati alla fine dell'estate 2025. Valori possibili: "CONUS"
versione	STRING	Questa è la quinta versione del prodotto TCC rilasciata nel consorzio MRLC che fa parte del National Land Cover Database (NLCD)'
startYear	INT	"Anno di inizio del prodotto"
endYear	INT	'End year of the product' (Anno di fine del prodotto)
anno	INT	Anno del prodotto

Termini e condizioni d'uso

Termini e condizioni d'uso

L'USDA Forest Service non fornisce alcuna garanzia, esplicita o implicita, incluse le garanzie di commerciabilità e idoneità per uno scopo particolare, né si assume alcuna responsabilità legale o responsabilità per l'accuratezza, l'affidabilità, la completezza o l'utilità di questi dati geospaziali, o per l'uso improprio o errato di questi dati geospaziali. Questi dati geospaziali e le mappe o i grafici correlati non sono documenti legali e non sono destinati a essere utilizzati come tali. I dati e le mappe non possono essere utilizzati per determinare titoli, proprietà, descrizioni o confini legali, giurisdizione legale o limitazioni che potrebbero essere in vigore su terreni pubblici o privati. I pericoli naturali possono essere rappresentati o meno nei dati e nelle mappe e gli utenti del territorio devono prestare la dovuta attenzione. I dati sono dinamici e possono cambiare nel tempo. L'utente è responsabile della verifica delle limitazioni dei dati geospaziali e del loro utilizzo di conseguenza.

Questi dati sono stati raccolti utilizzando finanziamenti del governo degli Stati Uniti e possono essere utilizzati senza ulteriori autorizzazioni o costi. Se utilizzi questi dati in una pubblicazione, una presentazione o un altro prodotto di ricerca, utilizza la seguente citazione:

Servizio forestale dell'USDA. 2025. USFS Tree Canopy Cover v2023.5 (Stati Uniti contigui e Stati Uniti contigui esterni). Salt Lake City, Utah.

Citazioni

Citazioni:

• Servizio forestale dell'USDA. 2025. USFS Tree Canopy Cover v2023.5 (Stati Uniti contigui e Stati Uniti contigui esterni). Salt Lake City, Utah.

• Breiman, L., 2001. Foreste casuali. In Machine Learning. Springer, 45: 5-32 doi:10.1023/A:1010933404324

• Chastain, R., Housman, I., Goldstein, J., Finco, M. e Tenneson, K., 2019. Confronto empirico tra sensori di Sentinel-2A e 2B MSI, Landsat-8 OLI e Landsat-7 ETM caratteristiche spettrali della parte superiore dell'atmosfera sugli Stati Uniti contigui. 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. e Gorelick, N., 2018. Un insieme multispettrale LandTrendr per il rilevamento di disturbi forestali. 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. Confronto e convalida dell'algoritmo di rilevamento delle nuvole per i prodotti di dati Landsat operativi. In Remote Sensing of Environment. Science Direct, 194: 379-390 doi:10.1016/j.rse.2017.03.026

• US Geological Survey, 2019. USGS 3D Elevation Program Digital Elevation Model, consultato ad agosto 2022 all'indirizzo https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m

• Kennedy, R. E., Yang, Z., and Cohen, W. B., 2010. Rilevamento delle tendenze di disturbo e recupero delle foreste utilizzando serie temporali Landsat annuali: 1. LandTrendr - Temporal segmentation algorithms. 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., and Healey, S., 2018. Implementazione dell'algoritmo LandTrendr su Google Earth Engine. Nel telerilevamento. MDPI, 10(5): 691 doi:10.3390/rs10050691

• Sentinel-Hub, 2021. Sentinel 2 Cloud Detector. [Online]. Disponibile all'indirizzo: https://github.com/sentinel-hub/sentinel2-cloud-detector

• Zhu, Z. e Woodcock, C. E., 2012. Rilevamento di nuvole e ombre di nuvole basato sugli oggetti nelle immagini 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/10.3390/rs10050691

Esplorare con Earth Engine

Importante: Earth Engine è una piattaforma per l'analisi scientifica e la visualizzazione su scala petabyte di set di dati geospaziali, sia per il bene pubblico sia per gli utenti aziendali e governativi. Earth Engine è senza costi per la ricerca, l'istruzione e l'utilizzo senza scopo di lucro. Per iniziare, registrati per accedere a Earth Engine.

Editor di codice (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);

Apri nell'editor di codice

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

Questo prodotto fa parte della suite di dati sulla copertura arborea (TCC). Include la copertura arborea modellata (TCC), l'errore standard (SE) e i dati TCC del National Land Cover Database (NLCD) per ogni anno. I dati TCC prodotti dal Dipartimento dell'agricoltura degli Stati Uniti, Forest Service (USFS) sono inclusi in 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