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

USGS/NLCD_RELEASES/2023_REL/TCC/v2023-5
Disponibilità set di dati
1985-06-01T00:00:00Z–2023-09-30T00:00:00Z
Produttore del set di dati
Snippet Earth Engine
ee.ImageCollection("USGS/NLCD_RELEASES/2023_REL/TCC/v2023-5")
Tag
foresta
gtac
landuse-landcover
redcastle-resources
usda
usfs
usgs

Descrizione

Panoramica

La suite di dati sulla copertura della chioma degli alberi (TCC), prodotta dal servizio forestale del Dipartimento dell'Agricoltura degli Stati Uniti (USFS), sono output di mappe annuali basati sul telerilevamento che vanno dal 1985 al 2023. Questi dati supportano il progetto National Land Cover Database (NLCD), gestito dall'US Geological Survey (USGS) nell'ambito del consorzio Multi-Resolution Land Characteristics (MRLC). Il progetto mira a utilizzare la tecnologia più recente per creare una mappa coerente e "migliore disponibile" della copertura arborea. L'ambito geografico include le regioni CONUS (Stati Uniti contigui) e OCONUS (Alaska sudorientale (SEAK), Hawaii, Portorico e Isole Vergini Americane (PRUSVI)).

Prodotti

La suite di dati TCC include tre prodotti:

  • Science TCC: gli output grezzi e diretti del modello.

  • Errore standard scientifico (SE): la deviazione standard del modello dei valori previsti da tutti gli alberi di regressione.

  • NLCD TCC:un prodotto raffinato derivato dalle immagini TCC scientifiche annuali. Viene sottoposto a post-elaborazione per ridurre il rumore interannuale, evidenziare le tendenze a lungo termine e mascherare caratteristiche specifiche (come l'acqua e l'agricoltura non arborea).

Ogni immagine include una banda di maschere di 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.

Dati e metodi

Abbiamo sviluppato dati di addestramento e modelli di foresta casuale per CONUS, SEAK, PRUSVI e HAWAII utilizzando la copertura della chioma (TCC) fotointerpretata dell'inventario e dell'analisi delle foreste (FIA) dell'USFS come dati di riferimento. Abbiamo sfruttato Google Earth Engine (GEE) (Gorelick et al., 2017) per elaborare i predittori LandTrendr e del terreno adattati. I dati sul terreno del 3D Elevation Program (3DEP) (U.S. Geological Survey, 2019) includono elevazione, pendenza, seno dell'orientamento e coseno dell'orientamento. Per gli Stati Uniti contigui, abbiamo incluso anche il Crop Data Layer (CDL) come fattore predittivo (Lin et al., 2022).

Abbiamo utilizzato le immagini di riflettanza della parte superiore dell'atmosfera USGS Collection 2 Landsat Tier 1 e Sentinel 2A/2B Level-1C per produrre compositi medoidi annuali. Per garantire la qualità dei dati, abbiamo applicato vari algoritmi per mascherare nuvole e ombre, incluso cFmask (Foga et al., 2017; Zhu e Woodcock, 2012), cloudScore (Chastain et al., 2019), s2cloudless (Sentinel-Hub, 2021), Cloud Score+ (Pasquarella et al., 2023) e TDOM (Chastain et al., 2019). Una volta mascherati, abbiamo calcolato i medoidi annuali per creare un unico composito senza nuvole per ogni anno. Infine, la serie temporale composita è stata segmentata temporalmente utilizzando LandTrendr (Kennedy et al., 2010, 2018; Cohen et al., 2018).

Per gli Stati Uniti contigui, abbiamo utilizzato il 70% dei dati di riferimento per la calibrazione e il 30% per la valutazione indipendente dell'errore. Data la diversità ecologica degli Stati Uniti contigui, abbiamo suddiviso l'area di modellazione in 54 riquadri (480 km × 480 km). Sui computer locali abbiamo creato un modello di foresta casuale unico per ogni riquadro (Breiman, 2001), addestrandolo sui dati di riferimento che intersecano una finestra 5×5 intorno al riquadro centrale. I modelli sono stati poi implementati in GEE per prevedere la copertura arborea continua. Per le regioni OCONUS, abbiamo utilizzato una suddivisione 80/20 e sviluppato un singolo modello di foresta casuale per ogni regione.

Risorse aggiuntive

Per eventuali domande o richieste di dati specifici, contatta [sm.fs.tcc@usda.gov].

Bande

Bande

Dimensioni pixel: 30 metri (tutte le bande)

Nome Unità Dimensioni pixel Descrizione
Science_Percent_Tree_Canopy_Cover % 30 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 % 30 metri

La deviazione standard dei valori previsti di tutti gli alberi di regressione a cui facciamo riferimento è detta errore standard. Ogni pixel ha un errore standard per ogni anno.
NLCD_Percent_Tree_Canopy_Cover % 30 metri

Per produrre la copertura della chioma degli alberi NLCD, viene applicato un workflow di post-elaborazione all'output del modello diretto che identifica e imposta i valori dei pixel non alberati sullo zero percento di copertura della chioma degli alberi.

data_mask 30 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.

Proprietà immagini

Proprietà immagini

Nome Tipo Descrizione
study_area STRING

Attualmente, TCC copre gli Stati Uniti continentali, il sud-est dell'Alaska, Portorico, le Isole Vergini Americane e le Hawaii. Questa versione contiene dati per gli Stati Uniti continentali, l'Alaska, Portorico, le Isole Vergini Americane e le Hawaii. Valori possibili: "CONUS, AK, PRUSVI, HAWAII"
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

"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, comprese 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 restrizioni 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 autorizzazioni o costi aggiuntivi. Se utilizzi questi dati in una pubblicazione, presentazione o 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. Random Forests. 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. Nel telerilevamento dell'ambiente. 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

  • 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: algoritmi di segmentazione temporale. 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

  • Lin, L.; Di, L.; Zhang, C.; Guo, L.; Di, Y.; Li, H.; Yang, A. 2022. Convalida e perfezionamento del livello di dati sulle colture utilizzando un algoritmo di albero decisionale spaziotemporale. Dati scientifici. 9(1): 63. doi:10.1038/s41597-022-01169-w

  • Pasquarella, V. J., Brown, C. F., Czerwinski, W., and Rucklidge, W. J., 2023. Valutazione completa della qualità delle immagini satellitari ottiche mediante l'apprendimento di video con supervisione debole. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2124-2134. doi:10.1109/cvprw59228.2023.00206

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

  • 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

  • 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

Esplora con 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"') // 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);
Apri nell'editor di codice
Panoramica La suite di dati sulla copertura della chioma degli alberi (TCC), prodotta dal servizio forestale del Dipartimento dell'Agricoltura degli Stati Uniti (USFS), è costituita da output di mappe annuali basati sul telerilevamento che coprono il periodo 1985-2023. Questi dati supportano il progetto National Land Cover Database (NLCD), gestito dall'US Geological Survey (USGS) nell'ambito di…
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