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

Dostępność zbioru danych

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

Dostawca zbioru danych

Biuro ds. geoprzestrzennych w Centrum Innowacji i Usług Terenowych Służby Leśnej USDA (FSIC-GO)

Fragment kodu Earth Engine

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

Tagi

las gtac użytkowanie-terenu-pokrycie-terenu redcastle-resources usda usfs usgs

Opis

Omówienie

Zestaw danych dotyczących zagęszczenia drzew (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), który jest zarządzany przez US Geological Survey (USGS) w ramach konsorcjum Multi-Resolution Land Characteristics (MRLC). Celem projektu jest wykorzystanie najnowszych technologii do stworzenia spójnej mapy pokrycia zagęszczeniem drzew o najwyższej dostępnej jakości. 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 modelu naukowego: odchylenie standardowe modelu dla prognozowanych wartości ze wszystkich drzew regresji.

• NLCD TCC: udoskonalony produkt pochodzący z rocznych zdjęć TCC Science. Dane są przetwarzane w celu zmniejszenia szumu międzyrocznego, podkreślenia długoterminowych trendów i zamaskowania określonych elementów (takich jak woda i rolnictwo niezwiązane z drzewami).

Każde zdjęcie zawiera pasmo maski danych z 3 wartościami reprezentującymi obszary bez danych (0), mapowane pokrycie drzew(1) i obszary nieobjęte przetwarzaniem (2). Obszary nieprzetwarzane to piksele na obszarze badań, dla których nie ma danych bez chmur ani cieni chmur. W przypadku obrazów TCC i SE piksele obszarów bez danych i nieprzetworzonych są maskowane.

Dane i metody

Opracowaliśmy dane treningowe i modele lasów losowych dla obszarów CONUS, SEAK, PRUSVI i HAWAII, używając jako danych referencyjnych zinterpretowanych na podstawie zdjęć danych TCC z programu USFS Forest Inventory and Analysis (FIA). 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 złożone szeregi czasowe zostały podzielone na segmenty czasowe za pomocą algorytmu LandTrendr (Kennedy i in., 2010, 2018; Cohen i in., 2018).

W przypadku CONUS 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 segmenty (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. Modele zostały następnie wdrożone w GEE, aby prognozować TCC na całym obszarze. W przypadku regionów OCONUS zastosowaliśmy podział 80/20 i opracowaliśmy pojedynczy model lasu losowego dla każdego regionu.

Dodatkowe materiały

• Szczegółowe informacje o metodach i ocenie dokładności znajdziesz w krótkim opisie metod TCC lub w artykule w czasopiśmie naukowym Science of Remote Sensing.

• Dane do pobrania, metadane i dokumenty pomocnicze znajdziesz w TCC Geodata Clearinghouse.

• W najbliższej wersji danych 2025.6 ciąg znaków HAWAII zostanie zmieniony na HI.

W razie pytań lub konkretnych próśb o dane skontaktuj się z [[e-mail]].

Pasma

Pasma

Rozmiar piksela: 30 m (wszystkie pasma)

Nazwa	Jednostki	Rozmiar piksela	Opis
Science_Percent_Tree_Canopy_Cover	%	30 metrów	Nieprzetworzone dane wyjściowe modelu bezpośredniego. Każdy piksel ma średnią prognozowaną 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 wartość na 0% pokrycia drzewami.
data_mask		30 metrów	3 wartości reprezentujące obszary bez danych, mapowane pokrycie koronami drzew i obszar nieprzetwarzany. Obszar nieprzetwarzany to obszar, w którym piksele w obszarze badania nie mają danych bez chmur ani cieni chmur, które można by wykorzystać do wygenerowania danych wyjściowych.
Maska bitowa dla data_mask Bity 0–1: 3 wartości reprezentujące obszary bez danych, mapowane pokrycie drzew i obszary nieprzetwarzane. 0: Brak danych 1. Zmapowane pokrycie zagęszczenia drzew 2. Obszar nieprzetwarzany

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 sprzedaży produktu”
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 rządu Stanów Zjednoczonych i można ich używać bez dodatkowych uprawnień ani opłat. Jeśli używasz tych danych w publikacji, prezentacji lub innym produkcie badawczym, podaj następujące źródło:

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

Cytaty

Cytowanie:

• USDA Forest Service. 2025 r. USFS Zagęszczenie drzew 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. i Tenneson, K., 2019 r. 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 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 doprecyzowanie warstwy danych dotyczących gruntów ornych za pomocą algorytmu przestrzenno-czasowego drzewa decyzyjnego. Dane naukowe. 9(1): 63. doi:10.3390/rs10050691

• 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 stronie: 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

• 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/10.1038/s41597-022-01169-w
• https://doi.org/10.3390/rs10050691

Odkrywaj za pomocą Earth Engine

Ważne: Earth Engine to platforma do analizy naukowej i wizualizacji zbiorów danych geoprzestrzennych o rozmiarze petabajtów, która jest dostępna zarówno do publicznego użytku, jak i dla firm oraz organów administracji. Z Earth Engine można korzystać bezpłatnie w celach badawczych, edukacyjnych i non-profit. Aby rozpocząć, zarejestruj się w 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

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

Omówienie Zestaw danych dotyczących zagęszczenia drzew (Tree Canopy Cover, TCC) opracowany przez Służbę Leśną Departamentu Rolnictwa Stanów Zjednoczonych (USFS) to roczne mapy oparte na teledetekcji z lat 1985–2023. 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

https://developers.google.com/earth-engine/datasets

• https://doi.org/10.3390/rs10050691
• https://doi.org/10.3390/rs10050691