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

Disponibilidade de conjuntos de dados

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

Provedor de conjunto de dados

Escritório de serviços de campo e inovação geoespacial do Serviço Florestal do Departamento de Agricultura dos EUA (USFS, na sigla em inglês) (FSIC-GO)

Snippet do Earth Engine

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

Tags

forest gtac landuse-landcover redcastle-resources usda usfs usgs

Descrição

Este produto faz parte do pacote de dados de cobertura de copas de árvores (TCC, na sigla em inglês). Ele inclui TCC modelada, erro padrão (EP) e dados de TCC do National Land Cover Database (NLCD) para cada ano. Os dados de TCC produzidos pelo Departamento de Agricultura e pelo Serviço Florestal dos Estados Unidos (USFS) estão incluídos no consórcio Multi-Resolution Land Characteristics (MRLC), que faz parte do projeto National Land Cover Database (NLCD) gerenciado pelo United States Geological Survey (USGS).

O produto Science TCC e o NLCD TCC são resultados de mapas baseados em sensoriamento remoto produzidos pelo USFS. O objetivo da TCC Science e da NLCD TCC é desenvolver uma abordagem consistente usando a tecnologia e os avanços mais recentes no mapeamento de TCC para produzir um mapa "melhor disponível" de TCC em todo o território continental dos Estados Unidos (CONUS) e no sudeste do Alasca, Havaí e Porto Rico-Ilhas Virgens Americanas (OCONUS). Os dados da OCONUS v2023.5 serão lançados no fim do verão de 2025. Por enquanto, os dados de TCC OCONUS v2021.4 podem ser usados (USGS/NLCD_RELEASES/2021_REL/TCC/v2021-4).

As saídas do modelo incluem TCC de ciências, SE de ciências e TCC do NLCD de 1985 a 2023.

*O TCC de ciências são as saídas diretas brutas do modelo.

*Science SE é o desvio padrão do modelo dos valores previstos de todas as árvores de regressão.

*O produto NLCD TCC passa por um pós-processamento adicional aplicado às imagens anuais do Science TCC, que inclui várias mascaragens (água e agricultura não arbórea), além de processos que reduzem o ruído interanual e retornam tendências de maior duração.

Cada imagem inclui uma banda de máscara de dados com três valores que representam áreas sem dados (0), cobertura de copa de árvore mapeada(1) e área não processada (2). As áreas não processadas são pixels na área de estudo sem dados de nuvem ou sem sombra de nuvem. Nenhum dado e pixels de área não processada são mascarados em imagens TCC e SE.

Devido ao tamanho e à grande variedade de ecótonos do CONUS, a modelagem foi dividida em 54 blocos de 480 x 480 km. Para cada bloco, um modelo exclusivo de floresta aleatória foi criado usando LandTrendr ajustado de 2011, CDL de 2011 e dados de terreno. Todos os dados de referência que faziam parte dos 70% disponíveis para calibragem do modelo e que se cruzavam com blocos em uma janela de 5x5 ao redor do bloco central foram usados para treinar o modelo de floresta aleatória. Esse modelo foi aplicado ao bloco central. Para OCONUS, um modelo foi aplicado a cada área de estudo, e nenhum bloco foi usado.

As camadas de previsão do modelo TCC incluem saídas do LandTrendr e informações de terreno. Todos esses componentes são acessados e processados usando o Google Earth Engine (Gorelick et al., 2017).

Para produzir composições anuais para o LandTrendr, foram usados dados de refletância do topo da atmosfera do Nível-1C do Landsat Tier 1 e do Sentinel 2A e 2B da Coleção 2 do USGS. O algoritmo de mascaramento de nuvem cFmask (Foga et al., 2017), que é uma implementação do Fmask 2.0 (Zhu e Woodcock, 2012) (somente Landsat), cloudScore (Chastain et al., 2019) (somente Landsat) e s2cloudless (Sentinel-Hub, 2021) (somente Sentinel 2) são usados para mascarar nuvens, enquanto o TDOM (Chastain et al., 2019) é usado para mascarar sombras de nuvens (Landsat e Sentinel 2). Para o LandTrendr, o medóide anual é calculado para resumir os valores sem nuvens e sem sombras de nuvens de cada ano em um único composto.

A série temporal composta é segmentada temporalmente usando o LandTrendr (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).

Os valores compostos brutos, os valores ajustados do LandTrendr, as diferenças aos pares, a duração do segmento, a magnitude da mudança e a inclinação, além de elevação, inclinação, seno do aspecto e cosseno do aspecto do USGS 3D de 10 m. Os dados do Programa de Elevação (3DEP, na sigla em inglês) (U.S. Geological Survey, 2019) são usados como variáveis preditoras independentes em um modelo de floresta aleatória (Breiman, 2001).

Os dados de referência são coletados do Inventário e Análise Florestal (FIA, na sigla em inglês) do USFS, dados de TCC fotointerpretados e usados para fazer previsões de TCC de ponta a ponta com base em pixels.

Additional Resources

Consulte o Resumo dos métodos da TCC para mais informações sobre métodos e avaliação de acurácia ou o Centro de informações geográficas da TCC para downloads de dados, metadados e documentos de suporte.

Os dados de AK, PRUSVI e HI serão lançados no fim do verão de 2025. Os dados da AK, PRUSVI e HI TCC da v2021.4 lançados anteriormente estão disponíveis (USGS/NLCD_RELEASES/2021_REL/TCC/v2021-4)

Entre em contato com [e-mail] se tiver dúvidas ou solicitações de dados específicas.

Bandas

Tamanho do pixel
30 metros

Bandas

Nome	Unidades	Tamanho do pixel	Descrição
Science_Percent_Tree_Canopy_Cover	%	metros	As saídas brutas do modelo direto. Cada pixel tem um valor médio previsto de cobertura de área verde para cada ano.
Science_Percent_Tree_Canopy_Cover_Standard_Error	%	metros	O desvio padrão dos valores previstos de todas as árvores de regressão é chamado de erro padrão. Cada pixel tem um erro padrão para cada ano.
NLCD_Percent_Tree_Canopy_Cover	%	metros	Para produzir a cobertura da copa das árvores do NLCD, um fluxo de trabalho de pós-processamento é aplicado à saída direta do modelo, que identifica e define valores de pixels sem árvores como zero por cento de cobertura da copa das árvores.
data_mask		metros	Três valores que representam áreas sem dados, cobertura de copa de árvores mapeada e área não processada. A área de não processamento é onde os pixels na área de estudo não têm dados disponíveis sem nuvens ou sombras de nuvens para produzir uma saída.
Bitmask para data_mask Bits 0 a 1: três valores que representam áreas sem dados, cobertura de copa de árvore mapeada e área não processada. 0: sem dados 1: Cobertura de áreas verdes mapeada 2: Área não processada

Propriedades de imagens

Propriedades da imagem

Nome	Tipo	Descrição
study_area	STRING	No momento, o TCC abrange CONUS, sudeste do Alasca, Porto Rico, Ilhas Virgens Americanas e Havaí. Esta versão contém CONUS. Os dados para SEAK, PRUSVI e HI serão lançados no fim do verão de 2025. Valores possíveis: "CONUS"
version	STRING	Esta é a quinta versão do produto TCC lançada no consórcio MRLC, que faz parte do National Land Cover Database (NLCD).
startYear	INT	"Ano de início do produto"
endYear	INT	"Ano de fim do produto"
ano	INT	"Ano do produto"

Termos de Uso

Termos de Uso

O Serviço Florestal do USDA não oferece garantia, expressa ou implícita, incluindo as garantias de comercialização e adequação a uma finalidade específica, nem assume qualquer responsabilidade legal pela precisão, confiabilidade, integridade ou utilidade desses dados geoespaciais ou pelo uso inadequado ou incorreto deles. Esses dados geoespaciais e mapas ou gráficos relacionados não são documentos legais e não devem ser usados como tal. Os dados e mapas não podem ser usados para determinar título, propriedade, descrições ou limites legais, jurisdição legal ou restrições que possam estar em vigor em terras públicas ou privadas. Os riscos naturais podem ou não ser representados nos dados e mapas, e os usuários de terra precisam ter cautela. Os dados são dinâmicos e podem mudar com o tempo. O usuário é responsável por verificar as limitações dos dados geoespaciais e usá-los de acordo com elas.

Esses dados foram coletados com financiamento do governo dos EUA e podem ser usados sem permissões ou taxas adicionais. Se você usar esses dados em uma publicação, apresentação ou outro produto de pesquisa, use a seguinte citação:

USDA Forest Service. 2025. Cobertura de áreas verdes da USFS v2023.5 (Estados Unidos contíguos e Estados Unidos contíguos externos). Salt Lake City, Utah.

Citações

Citações:

• USDA Forest Service. 2025. Cobertura de áreas verdes da USFS v2023.5 (Estados Unidos contíguos e Estados Unidos contíguos externos). Salt Lake City, Utah.

• Breiman, L., 2001. Florestas aleatórias. Em machine learning. Springer, 45: 5-32 doi:10.1023/A:1010933404324

• Chastain, R., Housman, I., Goldstein, J., Finco, M. e Tenneson, K., 2019. Comparação empírica entre sensores do Sentinel-2A e 2B MSI, Landsat-8 OLI e Landsat-7 ETM de características espectrais no topo da atmosfera nos Estados Unidos contíguos. Em 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. Um conjunto multiespectral do LandTrendr para detecção de distúrbios florestais. Em 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. Comparação e validação de algoritmos de detecção de nuvens para produtos de dados operacionais do Landsat. Em "Remote Sensing of Environment". Science Direct, 194: 379-390 doi:10.1016/j.rse.2017.03.026

• U.S. Geological Survey, 2019. Modelo digital de elevação do programa de elevação 3D do USGS, acessado em agosto de 2022 em https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m

• Kennedy, R. E., Yang, Z., and Cohen, W. B., 2010. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 1. LandTrendr: algoritmos de segmentação temporal. Em "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. Implementação do algoritmo LandTrendr no Google Earth Engine. Em sensoriamento remoto. MDPI, 10(5): 691 doi:10.3390/rs10050691

• Sentinel-Hub, 2021. Detector de nuvens do Sentinel 2. [On-line]. Disponível em: https://github.com/sentinel-hub/sentinel2-cloud-detector

• Zhu, Z. e Woodcock, C. E., 2012. Detecção de nuvens e sombras de nuvens com base em objetos em imagens do Landsat. Em Remote Sensing of Environment. Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028

DOIs

• 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

Explorar com o Earth Engine

Importante : o Earth Engine é uma plataforma para análise científica e visualização em escala de petabyte de conjuntos de dados geoespaciais, tanto para benefício público quanto para usuários empresariais e governamentais. O Earth Engine pode ser usado sem custo financeiro para pesquisa, educação e fins sem fins lucrativos. Para começar, registre-se para ter acesso ao Earth Engine.

Editor de código (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);

Abrir no Editor de código

Cobertura de áreas verdes do USFS v2023-5 (CONUS e OCONUS)

Este produto faz parte do pacote de dados de cobertura de copas de árvores (TCC, na sigla em inglês). Ele inclui TCC modelado, erro padrão (EP) e dados de TCC do National Land Cover Database (NLCD) para cada ano. Os dados de TCC produzidos pelo Departamento de Agricultura dos Estados Unidos, Serviço Florestal (USFS), estão incluídos no 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