Эта страница переведена с помощью Cloud Translation API.

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

Доступность набора данных: 1985-06-01T00:00:00Z–2023-09-30T00:00:00Z
Производитель наборов данных: Геопространственное управление Центра полевых услуг и инноваций Лесной службы Министерства сельского хозяйства США (USFS) (FSIC-GO)

Теги: лес gtac землепользование-землепокрытие redcastle-resources usda usfs usgs

Описание

Обзор

Набор данных о покрытии древесным пологом (Tree Canopy Cover, TCC), созданный Лесной службой Министерства сельского хозяйства США (USFS), представляет собой ежегодные карты, полученные на основе дистанционного зондирования, за период с 1985 по 2023 год. Эти данные поддерживают проект Национальной базы данных о земельном покрове (National Land Cover Database, NLCD), которым управляет Геологическая служба США (USGS) в рамках консорциума Multi-Resolution Land Characteristics (MRLC). Цель проекта — использовать новейшие технологии для создания согласованной, «наилучшей из доступных» карты покрытия древесным пологом. Географический охват включает континентальную часть Соединенных Штатов (CONUS) и регионы за пределами континентальной части США (Юго-Восточная Аляска (SEAK), Гавайи, Пуэрто-Рико и Виргинские острова США (PRUSVI)).

Продукты

Пакет данных TCC включает три продукта:

Science TCC: Необработанные, прямые результаты работы модели.
Стандартная ошибка (SE) в науке: стандартное отклонение модели прогнозируемых значений, полученных из всех деревьев регрессии.
NLCD TCC: Усовершенствованный продукт, полученный на основе ежегодных изображений Science TCC. Он проходит постобработку для уменьшения межгодового шума, выделения долгосрочных тенденций и маскировки специфических особенностей (таких как водные объекты и сельскохозяйственные угодья, не относящиеся к деревьям).

Каждое изображение включает полосу маски данных, имеющую три значения, представляющие области отсутствия данных (0), отображенный древесный покров (1) и необрабатываемую область (2). Необрабатываемые области — это пиксели в исследуемой области, в которых отсутствуют данные об облаках или данные без облачной тени. Пиксели областей отсутствия данных и необрабатываемых областей маскируются на изображениях TCC и SE.

Данные и методы

Мы разработали обучающие данные и модели случайного леса для континентальной части США, юго-востока, острова Праса и Гавайев, используя в качестве эталонных данных фотоинтерпретированные данные TCC из Лесной инвентаризации и анализа лесов США (FIA). Для обработки подобранных предикторов LandTrendr и рельефа мы использовали Google Earth Engine (GEE) (Gorelick et al., 2017). Данные о рельефе из программы 3D Elevation Program (3DEP) (Геологическая служба США, 2019) включают высоту, уклон, синус экспозиции и косинус экспозиции. Для континентальной части США мы также включили слой данных о культурах (CDL) в качестве предиктора (Lin et al., 2022).

Для создания ежегодных медианных композитов мы использовали данные USGS Collection 2 Landsat Tier 1 и Sentinel 2A/2B Level-1C, полученные с помощью спутника Level-1C, для измерения отражательной способности верхней границы атмосферы. Для обеспечения качества данных мы применяли различные алгоритмы для маскирования облаков и теней, включая cFmask (Foga et al., 2017; Zhu and Woodcock, 2012), cloudScore (Chastain et al., 2019), s2cloudless (Sentinel-Hub, 2021), Cloud Score+ (Pasquarella et al., 2023) и TDOM (Chastain et al., 2019). После маскирования мы вычисляли ежегодные медианы для создания единого безоблачного композита для каждого года. Наконец, составной временной ряд был сегментирован по времени с использованием LandTrendr (Kennedy et al., 2010, 2018; Cohen et al., 2018).

Для континентальной части США мы использовали 70% эталонных данных для калибровки и 30% для независимой оценки ошибок. Учитывая экологическое разнообразие континентальной части США, мы разделили область моделирования на 54 фрагмента (480 км × 480 км). На локальных компьютерах мы построили уникальную модель случайного леса для каждого фрагмента (Breiman, 2001), обучив ее на эталонных данных, пересекающих окно 5×5 вокруг центрального фрагмента. Затем модели были развернуты в GEE для прогнозирования сплошной концентрации TCC. Для регионов за пределами континентальной части США мы использовали разделение 80/20 и разработали единую модель случайного леса для каждого региона.

Дополнительные ресурсы

Подробную информацию о методах и оценке точности см. в кратком руководстве по методам TCC или в статье в журнале Science of Remote Sensing .
Для загрузки данных, получения метаданных и справочной документации, пожалуйста, обратитесь в Центр геоданных TCC .
Строка HAWAII будет заменена на HI в предстоящем выпуске данных v2025.6.

По всем вопросам или запросам на предоставление конкретных данных обращайтесь по адресу [sm.fs.tcc@usda.gov].

Группы

Размер пикселя
30 метров

Группы

Имя	Единицы	Размер пикселя	Описание
`Science_Percent_Tree_Canopy_Cover`	%	метры	Исходные данные прямой модели. Для каждого пикселя указано среднее прогнозируемое значение сомкнутости древесного полога за каждый год.
`Science_Percent_Tree_Canopy_Cover_Standard_Error`	%	метры	Стандартное отклонение прогнозируемых значений, полученных из всех деревьев регрессии, мы называем стандартной ошибкой. Для каждого пикселя имеется стандартная ошибка для каждого года.
`NLCD_Percent_Tree_Canopy_Cover`	%	метры	Для получения данных о сомкнутости древесного полога в формате NLCD к выходным данным модели применяется постобработка, в ходе которой определяются и устанавливаются нулевые значения пикселей, не содержащих деревьев, на уровне сомкнутости древесного полога.
`data_mask`		метры	Три значения, представляющие области отсутствия данных, отображенный древесный покров и необрабатываемую область. Необрабатываемая область — это область, где пиксели в пределах исследуемой территории не имеют доступных данных об облаках или отсутствии теней от облаков для получения выходных данных.
Битовая маска для data_mask Биты 0-1: Три значения, представляющие области отсутствия данных, отображенную площадь древесного покрова и необрабатываемую область. 0: Нет данных 1: Карта покрытия древесного полога 2: Необрабатывающая зона

Свойства изображения

Свойства изображения

Имя	Тип	Описание
область_исследования	НИТЬ	В настоящее время TCC охватывает континентальную часть США, юго-восточную Аляску, Пуэрто-Рико (Виргинские острова США) и Гавайи. Эта версия содержит данные для континентальной части США, Аляски, Пуэрто-Рико (Виргинские острова США) и Гавайев. Возможные значения: 'CONUS, AK, PRUSVI, HAWAII'
версия	НИТЬ	Это пятая версия продукта TCC, выпущенная консорциумом MRLC, входящим в Национальную базу данных о земельном покрове (NLCD).
год начала	ИНТ	«Год начала производства продукта»
конец года	ИНТ	«Год завершения производства продукта»
год	ИНТ	«Год продукта»

Условия эксплуатации

Условия эксплуатации

Лесная служба Министерства сельского хозяйства США не предоставляет никаких гарантий, явных или подразумеваемых, включая гарантии товарной пригодности и пригодности для конкретной цели, а также не несет никакой юридической ответственности за точность, надежность, полноту или полезность этих геопространственных данных, а также за ненадлежащее или неправильное использование этих геопространственных данных. Эти геопространственные данные и связанные с ними карты или графические материалы не являются юридическими документами и не предназначены для использования в качестве таковых. Данные и карты не могут быть использованы для определения права собственности, правового описания или границ, юридической юрисдикции или ограничений, которые могут действовать на государственных или частных землях. Природные опасности могут быть или не быть отображены на данных и картах, и землепользователям следует проявлять должную осторожность. Данные являются динамическими и могут изменяться со временем. Пользователь несет ответственность за проверку ограничений геопространственных данных и за их использование в соответствии с ними.

Эти данные были собраны при финансовой поддержке правительства США и могут быть использованы без дополнительных разрешений или платы. При использовании этих данных в публикации, презентации или другом исследовательском продукте, пожалуйста, используйте следующую цитату:

Лесная служба Министерства сельского хозяйства США. 2025. Лесная служба США, оценка древесного покрова, версия 2023.5 (континентальная часть США и внешняя часть США). Солт-Лейк-Сити, Юта.

Цитаты

Лесная служба Министерства сельского хозяйства США. 2025. Лесная служба США, оценка древесного покрова, версия 2023.5 (континентальная часть США и внешняя часть США). Солт-Лейк-Сити, Юта.
Брейман, Л., 2001. Случайные леса. В книге «Машинное обучение». Springer, 45: 5-32 doi:10.1023/A:1010933404324
Частейн, Р., Хаусман, И., Голдштейн, Дж., Финко, М., и Теннесон, К., 2019. Эмпирическое сравнение спектральных характеристик верхней границы атмосферы на спутниках Sentinel-2A и 2B MSI, Landsat-8 OLI и Landsat-7 ETM над континентальной частью Соединенных Штатов. В книге «Дистанционное зондирование окружающей среды». Science Direct, 221: 274-285 doi:10.1016/j.rse.2018.11.012
Коэн, В.Б., Янг, З., Хили, С.П., Кеннеди, Р.Е. и Горелик, Н., 2018. Многоспектральный ансамбль LandTrendr для обнаружения нарушений в лесных массивах. В книге «Дистанционное зондирование окружающей среды». Science Direct, 205: 131-140 doi:10.1016/j.rse.2017.11.015
Фога, С., Скарамуцца, П.Л., Го, С., Чжу, З., Диллей, Р.Д., Бекманн, Т., Шмидт, Г.Л., Дуайер, Дж.Л., Хьюз, М.Дж., Лауэ, Б., 2017. Сравнение и проверка алгоритмов обнаружения облаков для оперативных данных Landsat. В книге «Дистанционное зондирование окружающей среды». Science Direct, 194: 379-390 doi:10.1016/j.rse.2017.03.026
Кеннеди, Р. Э., Янг, З., и Коэн, В. Б., 2010. Выявление тенденций в нарушении и восстановлении лесов с использованием ежегодных временных рядов Landsat: 1. LandTrendr - алгоритмы временной сегментации. В книге «Дистанционное зондирование окружающей среды». Science Direct, 114(12): 2897-2910 doi:10.1016/j.rse.2010.07.008
Кеннеди, Р., Янг, З., Горелик, Н., Браатен, Дж., Кавальканте, Л., Коэн, В. и Хили, С., 2018. Реализация алгоритма LandTrendr на Google Earth Engine. В журнале Remote Sensing. MDPI, 10(5): 691 doi:10.3390/rs10050691
Лин, Л.; Ди, Л.; Чжан, Ч.; Го, Л.; Ди, Ю.; Ли, Х.; Ян, А. 2022. Валидация и уточнение слоя данных о сельскохозяйственных угодьях с использованием пространственно-временного алгоритма дерева решений. Научные данные. 9(1): 63. doi:10.3390/rs10050691
Паскуарелла, В. Дж., Браун, К. Ф., Червински, В., и Руклидж, В. Дж., 2023. Комплексная оценка качества оптических спутниковых изображений с использованием слабо контролируемого видеообучения. В сборнике трудов конференции IEEE/CVF по компьютерному зрению и распознаванию образов. 2124-2134. doi:10.1109/cvprw59228.2023.00206
Sentinel-Hub, 2021. Детектор облаков Sentinel 2. [Онлайн]. Доступно по адресу: https://github.com/sentinel-hub/sentinel2-cloud-detector
Геологическая служба США, 2019. Цифровая модель рельефа в рамках программы 3D-моделирования рельефа USGS, доступна по адресу: https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m (август 2022 г.).
Чжу, З., и Вудкок, К.Е., 2012. Обнаружение облаков и облачных теней на основе объектов на изображениях Landsat. В книге «Дистанционное зондирование окружающей среды». Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028

DOI

Исследуйте мир с помощью Earth Engine.

Редактор кода (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);

Открыть в редакторе кода

Лесная служба США (USFS) рекомендует использовать программу защиты кроны деревьев v2023-5 (для континентальной и зарубежной частей США).

Обзор. Набор данных о покрытии древесным пологом (Tree Canopy Cover, TCC), создаваемый Лесной службой Министерства сельского хозяйства США (USFS), представляет собой ежегодные карты, основанные на данных дистанционного зондирования, охватывающие период с 1985 по 2023 год. Эти данные поддерживают проект Национальной базы данных о земельном покрове (National Land Cover Database, NLCD), которым управляет Геологическая служба США (USGS) в рамках…

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

USFS Tree Canopy Cover v2023-5 (CONUS and OCONUS) Оптимизируйте свои подборки Сохраняйте и классифицируйте контент в соответствии со своими настройками.