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

USGS/NLCD_RELEASES/2023_REL/TCC/v2023-5
Dostępność zbioru danych
1985-06-01T00:00:00Z–2023-09-30T00:00:00Z
Dostawca zbioru danych
Fragment kodu Earth Engine
ee.ImageCollection("USGS/NLCD_RELEASES/2023_REL/TCC/v2023-5")
Tagi
lasu
gtac
landuse-landcover
redcastle-resources
usda
usfs
usgs

Opis

Omówienie

Zestaw danych Tree Canopy Cover (TCC) opracowany przez Służbę Leśną Departamentu Rolnictwa Stanów Zjednoczonych (USFS) to roczne mapy oparte na teledetekcji z lat 1985–2023. Te dane są wykorzystywane w projekcie National Land Cover Database (NLCD), którym zarządza US Geological Survey (USGS) w ramach konsorcjum Multi-Resolution Land Characteristics (MRLC). Celem projektu jest wykorzystanie najnowszych technologii do stworzenia spójnej, „najlepszej dostępnej” mapy pokrycia zagęszczeniem drzew. Zakres geograficzny obejmuje kontynentalną część Stanów Zjednoczonych (CONUS) i regiony OCONUS (południowo-wschodnia Alaska (SEAK), Hawaje, Portoryko i Wyspy Dziewicze Stanów Zjednoczonych (PRUSVI)).

Usługi

Pakiet danych TCC obejmuje 3 usługi:

  • Science TCC: surowe, bezpośrednie dane wyjściowe modelu.

  • Błąd standardowy (SE) w przypadku nauk ścisłych: odchylenie standardowe modelu dla prognozowanych wartości ze wszystkich drzew regresji.

  • NLCD TCC: udoskonalony produkt pochodzący z rocznych zdjęć TCC Science. Jest on poddawany przetwarzaniu końcowemu, aby zmniejszyć szum międzyroczny, uwydatnić długoterminowe trendy i zamaskować określone elementy (takie jak woda i rolnictwo niezwiązane z drzewami).

Każdy obraz zawiera pasmo maski danych z 3 wartościami reprezentującymi obszary bez danych (0), mapowane pokrycie koron drzew(1) i obszary nieprzetwarzane (2). Obszary nieprzetwarzane to piksele w obszarze badań, w których nie ma danych bez chmur ani cieni chmur. Piksele obszarów bez danych i nieprzetwarzanych są maskowane na obrazach TCC i SE.

Dane i metody

Opracowaliśmy dane treningowe i modele lasów losowych dla obszarów CONUS, SEAK, PRUSVI i HAWAII, korzystając z interpretowanych na podstawie zdjęć danych TCC z USFS Forest Inventory and Analysis (FIA) jako danych referencyjnych. Wykorzystaliśmy Google Earth Engine (GEE) (Gorelick i in., 2017) do przetwarzania dopasowanych predyktorów LandTrendr i terenu. Dane o terenie pochodzące z programu 3D Elevation Program (3DEP) (U.S. Geological Survey, 2019) obejmują wysokość, nachylenie, sinus ekspozycji i kosinus ekspozycji. W przypadku kontynentalnej części Stanów Zjednoczonych uwzględniliśmy też warstwę danych o uprawach (CDL) jako predyktor (Lin i in., 2022).

Do tworzenia rocznych kompozytów medoidowych wykorzystaliśmy zdjęcia odbicia światła słonecznego od powierzchni w szczycie atmosfery z USGS Collection 2 Landsat Tier 1 i Sentinel 2A/2B Level-1C. Aby zapewnić jakość danych, zastosowaliśmy różne algorytmy maskowania chmur i cieni, w tym cFmask (Foga i in., 2017; Zhu i Woodcock, 2012), cloudScore (Chastain i in., 2019), s2cloudless (Sentinel-Hub, 2021), Cloud Score+ (Pasquarella et al., 2023) i TDOM (Chastain i in., 2019). Po zamaskowaniu obliczyliśmy roczne medoidy, aby utworzyć pojedynczy kompozyt bez chmur dla każdego roku. Na koniec złożony ciąg czasowy został podzielony na segmenty czasowe za pomocą algorytmu LandTrendr (Kennedy i in., 2010, 2018; Cohen i in., 2018).

W przypadku kontynentalnej części Stanów Zjednoczonych do kalibracji wykorzystaliśmy 70% danych referencyjnych, a do niezależnej oceny błędów – 30%. Ze względu na różnorodność ekologiczną kontynentalnej części Stanów Zjednoczonych podzieliliśmy obszar modelowania na 54 kafelki (480 km × 480 km). Na komputerach lokalnych utworzyliśmy unikalny model lasu losowego dla każdego kafelka (Breiman, 2001), trenując go na danych referencyjnych przecinających okno 5×5 wokół środkowego kafelka. Następnie wdrożyliśmy modele w GEE, aby przewidzieć TCC na całym obszarze. W przypadku regionów OCONUS zastosowaliśmy podział 80/20 i utworzyliśmy pojedynczy model lasu losowego dla każdego regionu.

Dodatkowe materiały

W razie pytań lub konkretnych próśb o dane skontaktuj się z [sm.fs.tcc@usda.gov].

Pasma

Pasma

Rozmiar piksela: 30 m (wszystkie pasma)

Nazwa Jednostki Rozmiar piksela Opis
Science_Percent_Tree_Canopy_Cover % 30 metrów

Surowe dane wyjściowe modelu bezpośredniego. Każdy piksel ma średnią przewidywaną wartość pokrycia zagęszczeniem drzew w poszczególnych latach.
Science_Percent_Tree_Canopy_Cover_Standard_Error % 30 metrów

Odchylenie standardowe przewidywanych wartości ze wszystkich drzew regresji nazywamy błędem standardowym. Każdy piksel ma błąd standardowy dla każdego roku.
NLCD_Percent_Tree_Canopy_Cover % 30 metrów

Aby uzyskać pokrycie drzewami w ramach NLCD, do bezpośrednich danych wyjściowych modelu stosuje się proces przetwarzania końcowego, który identyfikuje piksele niezwiązane z drzewami i ustawia ich wartości na 0% pokrycia drzewami.

data_mask 30 metrów

Trzy wartości reprezentujące obszary bez danych, zmapowane pokrycie koron drzew i obszar nieprzetwarzany. Obszar nieprzetwarzany to obszar, w którym piksele w obszarze badań nie mają dostępnych danych bez chmur ani cieni chmur, które można by wykorzystać do wygenerowania danych wyjściowych.

Właściwości obrazu

Właściwości obrazu

Nazwa Typ Opis
study_area CIĄG ZNAKÓW

TCC obejmuje obecnie kontynentalną część Stanów Zjednoczonych, południowo-wschodnią Alaskę, Portoryko, Wyspy Dziewicze Stanów Zjednoczonych i Hawaje. Ta wersja zawiera dane dotyczące CONUS, AK, PRUSVI i HAWAII. Możliwe wartości: „CONUS, AK, PRUSVI, HAWAII”
wersja CIĄG ZNAKÓW

Jest to piąta wersja produktu TCC wydana w ramach konsorcjum MRLC, która jest częścią krajowej bazy danych pokrycia terenu (NLCD).
startYear PRZ

„Rok rozpoczęcia korzystania z usługi”
endYear PRZ

„Rok zakończenia produkcji”
rok PRZ

„Rok produkcji”

Warunki korzystania z usługi

Warunki korzystania z usługi

Służba Leśna USDA nie udziela żadnych gwarancji, wyraźnych ani dorozumianych, w tym gwarancji przydatności handlowej i przydatności do określonego celu, ani nie ponosi żadnej odpowiedzialności prawnej za dokładność, wiarygodność, kompletność ani użyteczność tych danych geoprzestrzennych ani za ich niewłaściwe lub nieprawidłowe wykorzystanie. Te dane geoprzestrzenne oraz powiązane z nimi mapy lub grafiki nie są dokumentami prawnymi i nie są przeznaczone do wykorzystywania w tym charakterze. Dane i mapy nie mogą być używane do określania tytułu, własności, opisów prawnych ani granic, jurysdykcji prawnej ani ograniczeń, które mogą obowiązywać na gruntach publicznych lub prywatnych. Zagrożenia naturalne mogą być lub nie być przedstawione na danych i mapach, a użytkownicy gruntów powinni zachować należytą ostrożność. Dane są dynamiczne i mogą się z czasem zmieniać. Użytkownik jest odpowiedzialny za sprawdzenie ograniczeń danych geoprzestrzennych i odpowiednie wykorzystanie tych danych.

Dane te zostały zebrane przy użyciu środków pochodzących z budżetu rządu Stanów Zjednoczonych i można ich używać bez dodatkowych uprawnień ani opłat. Jeśli używasz tych danych w publikacji, prezentacji lub innym produkcie badawczym, użyj tego opisu bibliograficznego:

USDA Forest Service. 2025 r. USFS Tree Canopy Cover v2023.5 (Stany Zjednoczone kontynentalne i Stany Zjednoczone kontynentalne zewnętrzne). Salt Lake City, Utah.

Cytaty

Cytowanie:

  • USDA Forest Service. 2025 r. USFS Tree Canopy Cover v2023.5 (Stany Zjednoczone kontynentalne i Stany Zjednoczone kontynentalne zewnętrzne). Salt Lake City, Utah.

  • Breiman, L., 2001. Random Forests, w uczeniu maszynowym. Springer, 45: 5-32 doi:10.1023/A:1010933404324

  • Chastain, R., Housman, I., Goldstein, J., Finco, M., and Tenneson, K., 2019. Empiryczne porównanie charakterystyki spektralnej w szczycie atmosfery instrumentów MSI na satelitach Sentinel-2A i 2B, OLI na satelicie Landsat-8 oraz ETM na satelicie Landsat-7 nad kontynentalną częścią Stanów Zjednoczonych. w ramach zdalnego wykrywania środowiska. Science Direct, 221: 274-285 doi:10.1016/j.rse.2018.11.012

  • Cohen, W. B., Yang, Z., Healey, S. P., Kennedy, R. E. i Gorelick, N., 2018 r. Wielospektralny zespół LandTrendr do wykrywania zakłóceń w lasach. W 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. Porównanie i weryfikacja algorytmu wykrywania chmur w przypadku operacyjnych produktów danych Landsat. W Remote Sensing of Environment. Science Direct, 194: 379-390 doi:10.1016/j.rse.2017.03.026

  • Kennedy, R. E., Yang, Z. i Cohen, W. B., 2010 r. Wykrywanie trendów w zakłóceniach i regeneracji lasów na podstawie rocznych szeregów czasowych danych z satelity Landsat: 1. LandTrendr – algorytmy segmentacji czasowej. W 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. i Healey, S., 2018 r. Implementacja algorytmu LandTrendr w Google Earth Engine. w ramach teledetekcji. MDPI, 10(5): 691 doi:10.3390/rs10050691

  • Lin, L.; Di, L.; Zhang, C.; Guo, L.; Di, Y.; Li, H.; Yang, A. 2022. Weryfikacja i ulepszanie warstwy danych dotyczących gruntów ornych za pomocą algorytmu przestrzenno-czasowego drzewa decyzyjnego. Dane naukowe. 9(1): 63. doi:10.1038/s41597-022-01169-w

  • Pasquarella, V. J., Brown, C. F., Czerwinski, W., and Rucklidge, W. J. 2023 r. Comprehensive Quality Assessment of Optical Satellite Imagery Using Weakly Supervised Video Learning. W materiałach konferencji IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2124–2134. doi:10.1109/cvprw59228.2023.00206

  • Sentinel-Hub, 2021 r. Sentinel 2 Cloud Detector. [Online]. Dostępne na: https://github.com/sentinel-hub/sentinel2-cloud-detector

  • U.S. Geological Survey, 2019. USGS 3D Elevation Program Digital Elevation Model, dostęp: sierpień 2022 r., https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m

  • Zhu, Z., and Woodcock, C. E., 2012 r. Wykrywanie chmur i cieni chmur na obrazach Landsat na podstawie obiektów. W Remote Sensing of Environment. Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028

DOI

Odkrywaj za pomocą Earth Engine

Edytor kodu (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);
Otwórz w edytorze kodu
Omówienie Zestaw danych dotyczących pokrywy drzew (Tree Canopy Cover, TCC) opracowany przez Służbę Leśną Departamentu Rolnictwa Stanów Zjednoczonych (USFS) to roczne mapy oparte na teledetekcji, obejmujące okres od 1985 r. do 2023 r. Dane te wspierają projekt National Land Cover Database (NLCD), którym zarządza US Geological Survey (USGS) w ramach …
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