Bu veri kümesi, bir yayıncı kataloğunun parçasıdır ve Google Earth Engine tarafından yönetilmez. Hatalar için USDA Forest Service ile iletişime geçin veya USDA Forest Service Kataloğu'ndan daha fazla veri kümesi görüntüleyin. Yayıncı veri kümeleri hakkında daha fazla bilgi edinin.
- Katalog Sahibi
- USDA Forest Service
- Veri Kümesi Kullanılabilirliği
- 1985-01-01T00:00:00Z–2025-12-31T00:00:00Z
- Veri Kümesi Üreticisi
- USDA Orman Servisi (USFS) Saha Hizmetleri ve İnovasyon Merkezi Coğrafi Ofisi (FSIC-GO)
- Etiketler
Açıklama
Bu ürün, Landscape Change Monitoring System (LCMS) veri paketinin bir parçasıdır. Her yıl için LCMS ile modellenmiş değişiklikleri, arazi örtüsünü ve/veya arazi kullanım sınıflarını gösterir. Alaska (AK), Porto Riko-ABD Virgin Adaları (PRUSVI) ve Hawaii (HI) dahil olmak üzere CONUS dışındaki alanların (OCONUS) yanı sıra bitişik ABD'yi (CONUS) kapsar.
LCMS, ABD genelinde peyzaj değişikliklerini haritalandırmak ve izlemek için kullanılan uzaktan algılamaya dayalı bir sistemdir. Bu projenin amacı, değişiklik algılamadaki en son teknolojiyi ve gelişmeleri kullanarak tutarlı bir yaklaşım geliştirmek ve böylece peyzaj değişikliğinin "en iyi mevcut" haritasını oluşturmaktır. LCMS metodolojisinin tamamı için Housman ve diğerleri (2026) çalışmasına bakın.
Ürünler
Çıkışlar arasında üç yıllık ürün bulunur: değişim, arazi örtüsü ve arazi kullanımı. Değişim modeli çıktısı özellikle bitki örtüsüyle ilgilidir ve yavaş kayıp, hızlı kayıp (sel veya kuruma gibi hidrolojik değişiklikleri de içerir) ve kazanımı kapsar. Bu değerler, Landsat zaman serisinin her yılı için tahmin edilir ve LCMS'nin temel ürünleri olarak kullanılır. Son değişiklik ürününü oluşturmak için yardımcı veri kümelerine dayalı bir kural grubu uygularız.Bu ürün, modellenen değişikliğin, arazi değişikliğinin nedeni hakkında açıkça bilgi veren 15 sınıfa (ör. ağaç kesimi, orman yangını, rüzgar) göre iyileştirilmiş/yeniden sınıflandırılmış halidir. Arazi örtüsü ve arazi kullanım haritaları, her yıl için yaşam formu düzeyinde arazi örtüsünü ve geniş düzeyde arazi kullanımını gösterir.
Hiçbir algoritma her durumda en iyi performansı göstermediğinden LCMS, tahmin aracı olarak bir model topluluğu kullanır. Bu sayede, çeşitli ekosistemler ve değişim süreçlerinde harita doğruluğu artırılır (Healey ve diğerleri, 2018). LCMS değişikliği, arazi örtüsü ve arazi kullanımı haritalarından oluşan bu paket, 1985'ten beri ABD'deki manzara değişikliğinin bütünsel bir resmini sunar.
Veriler ve Yöntemler
LCMS modelinin tahmin katmanları, LandTrendr ve CCDC değişiklik algılama algoritmalarının çıkışlarını ve arazi bilgilerini içerir. Tüm bu bileşenlere erişmek ve işlemek için Google Earth Engine kullanıldı (Gorelick ve diğerleri, 2017).
LandTrendr için yıllık kompozitler oluşturmak amacıyla USGS Collection 2 Landsat Tier 1 ve Sentinel 2A, 2B Level-1C atmosfer üstü yansıtma verileri kullanılmıştır. CFmask bulut maskeleme algoritması (Foga ve diğerleri, 2017), Fmask 2.0'ın (Zhu ve Woodcock, 2012) bir uygulamasıdır (yalnızca Landsat), cloudScore (Chastain ve diğerleri, 2019) (yalnızca Landsat), s2cloudless (Sentinel-Hub, 2021) ve Cloud Score+ (Pasquarella ve diğerleri, 2023) (yalnızca Sentinel 2) bulutları maskelemek için kullanılırken TDOM (Chastain ve diğerleri, 2019), bulut gölgelerini maskelemek için kullanılır (Landsat ve Sentinel 2). LandTrendr için yıllık medoid hesaplanarak her yılki bulut ve bulut gölgesi içermeyen değerler tek bir bileşende özetlenir. CCDC için ABD'nin kıta içi bölgesi (CONUS) için ABD Jeoloji Araştırmaları Kurumu (USGS) Collection 2 Landsat Tier 1 yüzey yansıtma verileri, Alaska (AK), Porto Riko ve ABD Virgin Adaları (PRUSVI) ve Hawaii (HI) için ise Landsat Tier 1 atmosfer üstü yansıtma verileri kullanılmıştır.
Bileşik zaman serisi, LandTrendr kullanılarak geçici olarak segmentlere ayrılır (Kennedy ve diğerleri, 2010; Kennedy ve diğerleri, 2018; Cohen ve diğerleri., 2018).
Tüm bulut ve bulut gölgesi içermeyen değerler, CCDC algoritması (Zhu ve Woodcock, 2014) kullanılarak zamansal olarak da segmentlere ayrılır.
Tahmin verileri; ham bileşik değerler, LandTrendr'a uygun değerler, çiftler arasındaki farklar, segment süresi, değişim büyüklüğü ve eğim ile birlikte CCDC sinüs ve kosinüs katsayılarını (ilk 3 harmonik), uygun değerleri ve çiftler arasındaki farkları, 10 m USGS 3D Yükseklik Programı (3DEP) verilerinden (U.S. Geological Survey, 2019) yükseklik, eğim, yönün sinüsü, yönün kosinüsü ve topografik konum indekslerini (Weiss, 2001) içerir.
Referans verileri, analistlerin 1984'ten günümüze Landsat veri kaydını görselleştirmesine ve yorumlamasına yardımcı olan web tabanlı bir araç olan TimeSync kullanılarak toplanır (Cohen ve diğerleri, 2010).
Yıllık değişim, arazi örtüsü ve arazi kullanım sınıflarını tahmin etmek için TimeSync'ten alınan referans verileri ve LandTrendr, CCDC ve arazi indekslerinden alınan kestirici verileri kullanılarak Rastgele Orman modelleri (Breiman, 2001) eğitildi. Modellemeyi takiben, niteliksel harita çıktılarını iyileştirmek ve komisyon ile eksikliği azaltmak için yardımcı veri kümelerini kullanarak bir dizi olasılık eşiği ve kural kümesi oluştururuz. Daha fazla bilgiye Açıklama bölümünde yer alan LCMS Yöntemleri Özeti'nden ve Housman ve diğerleri (2026) adlı makaleden ulaşabilirsiniz.
Daha fazla bilgi için aşağıdaki Ek Kaynaklar bölümünde yer alan LCMS Methods Brief ve LCMS tamamlayıcı makalesine göz atabilirsiniz.
Ek Kaynaklar
LCMS verilerini kullanmayla ilgili daha ayrıntılı bir kod örneği.
LCMS Veri Gezgini, kullanıcılara LCMS verilerini görüntüleme, analiz etme, özetleme ve indirme olanağı sağlayan web tabanlı bir uygulamadır.
LCMS kontrol paneli, kullanıcıların alanları hızlıca özetlemesine ve raporları indirmesine olanak tanır.
Lütfen LCMS Methods Brief ve LCMS companion article (Housman ve diğerleri, 2026) ile yöntemler ve doğruluk değerlendirmesi hakkında daha ayrıntılı bilgi edinebilir veya veri indirme meta verileri ve destek dokümanları için LCMS Geodata Clearinghouse'u ziyaret edebilirsiniz.
Sorularınız veya belirli veri istekleriniz için SM.FS.lcms@usda.gov ile iletişime geçin.
Bantlar
Bantlar
Piksel boyutu: 30 metre (tüm bantlar)
| Ad | Piksel Boyutu | Açıklama | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Change |
30 metre | Son tematik LCMS değişikliği ürünü. Her yıl için toplam on beş değişiklik sınıfı eşlenir. Temel olarak, değişiklik her çalışma alanı için üç ayrı ikili rastgele orman modeliyle (Yavaş Kayıp, Hızlı Kayıp ve Kazanç) modellenir. Her piksel, belirtilen eşiğin üzerinde olan ve en yüksek olasılığa sahip modellenmiş değişiklik sınıfına atanır. Her sınıfın eşiğinin üzerinde değeri olmayan pikseller, Kararlı sınıfına atanır. Modellenmiş değişiklik sınıfını, yardımcı veri kümelerini (ör. TCC, Yanma Şiddetindeki Trendleri İzleme ve Böcek ve Hastalık Araştırması) ve LCMS Arazi Örtüsü verilerini kullanan bir kural kümesinin ardından, 15 ayrıntılı değişiklik nedeni sınıfından biri her piksele atanır. Kullanılan kurallar grubu ve yardımcı veri kümeleriyle ilgili tüm ayrıntılar için Açıklama bölümünde bağlantısı verilen LCMS Methods Brief'i (LCMS Yöntemleri Özeti) inceleyin. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover |
30 metre | Son tematik LCMS arazi örtüsü ürünü. TimeSync referans verileri ve Landsat görüntülerinden elde edilen spektral bilgiler kullanılarak yılda toplam 14 arazi örtüsü sınıfı haritalandırılır. Arazi örtüsü, her sınıfın olasılık dizisini (her sınıfı "seçen" rastgele orman modelindeki ağaçların oranı) çıkaran tek bir çok sınıflı rastgele orman modeli kullanılarak tahmin edilir. Son sınıflar, en yüksek olasılıklı arazi kullanımına atanır. Çalışma alanına bağlı olarak, en yüksek olasılığa sahip arazi örtüsü sınıfı atanmadan önce yardımcı veri kümeleri kullanılarak bir veya birkaç olasılık eşiği ve kural kümesi uygulanmıştır. Olasılık eşikleri ve kural kümeleri hakkında daha fazla bilgiyi açıklamadaki LCMS Yöntemleri Özeti'nde bulabilirsiniz. Yedi arazi örtüsü sınıfı, tek bir arazi örtüsünü gösterir. Bu arazi örtüsü türü, pikselin alanının büyük bir kısmını kaplar ve başka hiçbir sınıf pikselin% 10'undan fazlasını kaplamaz. Ayrıca yedi karma sınıf vardır. Bunlar, ek bir arazi örtüsü sınıfının pikselin en az% 10'unu kapladığı pikselleri temsil eder. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use |
30 metre | Son tematik LCMS arazi kullanımı ürünü. TimeSync referans verileri ve Landsat görüntülerinden elde edilen spektral bilgiler kullanılarak yılda toplam 5 arazi kullanım sınıfı haritalandırılır. Arazi kullanımı, her sınıfın olasılık dizisini (Random Forest modelindeki ağaçların her sınıfı "seçme" oranı) çıkaran tek bir çok sınıflı Random Forest modeli kullanılarak tahmin edilir. Son sınıflar, en yüksek olasılıklı arazi kullanımına atanır. En yüksek olasılığa sahip arazi kullanım sınıfı atanmadan önce, yardımcı veri kümeleri kullanılarak bir dizi olasılık eşiği ve kural kümesi uygulanmıştır. Olasılık eşikleri ve kural kümeleri hakkında daha fazla bilgiyi açıklamadaki LCMS Yöntemleri Özeti'nde bulabilirsiniz. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Change_Raw_Probability_Slow_Loss |
30 metre | Yavaş kayıp için modellenen ham LCMS olasılığı. Yavaş Kayıp, TimeSync değişiklik süreci yorumlamasındaki aşağıdaki sınıfları içerir:
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Change_Raw_Probability_Fast_Loss |
30 metre | Hızlı Kayıp'ın ham LCMS ile modellenmiş olasılığı. Hızlı Kayıp, TimeSync değişiklik süreci yorumlamasındaki aşağıdaki sınıfları içerir:
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Change_Raw_Probability_Gain |
30 metre | Ham LCMS kazanç olasılığı. Şu şekilde tanımlanır: Bir veya daha fazla yıl boyunca büyüme ve ardıllık nedeniyle bitki örtüsünde artış gösteren arazi. Bitki örtüsünün yeniden büyümesiyle ilişkili spektral değişikliklerin görülebileceği tüm alanlar için geçerlidir. Gelişmiş bölgelerde büyüme, olgunlaşan bitki örtüsü ve/veya yeni ekilen çimler ve peyzajdan kaynaklanabilir. Ormanlarda büyüme, çıplak zemindeki bitki büyümesinin yanı sıra orta ve ortak baskın ağaçların ve/veya alçakta kalan otlar ve çalıların üst kısımlarını da içerir. Orman hasadından sonra kaydedilen büyüme/toparlanma segmentleri, orman yeniden üretilirken muhtemelen farklı arazi örtüsü sınıflarına geçiş yapacaktır. Bu değişikliklerin büyüme/iyileşme olarak kabul edilmesi için spektral değerlerin, birkaç yıl boyunca devam eden artan bir trend çizgisine (ör. yaklaşık 20 yıla uzatıldığında 0,10 birim NDVI civarında olacak pozitif bir eğim) yakın olması gerekir. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Trees |
30 metre | Ağaçların ham LCMS ile modellenmiş olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı canlı veya ayakta ölü ağaçlardan oluşur. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix |
30 metre | Tall Shrubs and Trees Mix (Yalnızca Alaska) olasılığını modelleyen ham LCMS. Şu şekilde tanımlanır: Pikselin büyük bir kısmı, yüksekliği 1 metreden fazla olan çalılardan oluşur ve en az% 10 oranında canlı veya ayakta ölü ağaç içerir. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix |
30 metre | Çalı ve Ağaç Karışımı'nın modellenmiş olasılığını gösteren ham LCMS. Şu şekilde tanımlanır: Pikselin büyük bir kısmı çalılarla kaplıdır ve en az% 10'u canlı veya ayakta ölü ağaçlardan oluşur. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix |
30 metre | Çim/çiçek/ot ve ağaç karışımı için modellenmiş ham LCMS olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı çok yıllık otlar, çiçekli bitkiler veya diğer otsu bitki türlerinden oluşur ve en az% 10 oranında canlı ya da ayakta ölü ağaç içerir. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Barren-and-Trees-Mix |
30 metre | Barren and Trees Mix'in ham LCMS modellenmiş olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı, rahatsızlık nedeniyle açığa çıkan çıplak topraktan (ör.mekanik temizleme veya orman hasadı ile açığa çıkan toprak) oluşur. Ayrıca çöller, playa'lar, kaya çıkıntıları (yüzey madenciliği faaliyetleriyle açığa çıkan mineraller ve diğer jeolojik malzemeler dahil), kum tepeleri, tuz düzlükleri ve plajlar gibi sürekli olarak verimsiz alanlar da bu kategoriye girer. Toprak ve çakıldan oluşan yollar da çıplak alan olarak kabul edilir ve en az% 10 oranında canlı veya ayakta ölü ağaçlardan oluşur. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Tall-Shrubs |
30 metre | Uzun çalıların (yalnızca Alaska) olasılığını modelleyen ham LCMS. Şu şekilde tanımlanır: Pikselin büyük bir bölümü, yüksekliği 1 metreden fazla olan çalılarla kaplıdır. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Shrubs |
30 metre | Çalıların ham LCMS modellenmiş olasılığı. Şu şekilde tanımlanır: Pikselin büyük kısmı çalılardan oluşur. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix |
30 metre | Çim/çiçekli bitki/ot ve çalı karışımının ham LCMS ile modellenmiş olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı çok yıllık otlar, çiçekli bitkiler veya diğer otsu bitki türlerinden oluşur ve en az% 10 oranında çalı içerir. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix |
30 metre | Çorak ve çalı karışımı için modellenmiş ham LCMS olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı, rahatsızlık nedeniyle açığa çıkan çıplak topraktan (ör.mekanik temizleme veya orman hasadı ile açığa çıkan toprak) oluşur. Ayrıca çöller, playa'lar, kaya çıkıntıları (yüzey madenciliği faaliyetleriyle açığa çıkan mineraller ve diğer jeolojik malzemeler dahil), kum tepeleri, tuz düzlükleri ve plajlar gibi sürekli olarak verimsiz alanlar da bu kategoriye girer. Toprak ve çakıldan oluşan yollar da çıplak olarak kabul edilir ve en az% 10 oranında çalı içerir. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Grass-Forb-Herb |
30 metre | Çim/çiçekli bitki/ot olma olasılığının modellenmiş ham LCMS değeri. Şu şekilde tanımlanır: Pikselin büyük bir kısmı çok yıllık otlar, çiçekli bitkiler veya diğer otsu bitki türlerinden oluşur. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix |
30 metre | Barren ve Grass/Forb/Herb Mix'in ham LCMS ile modellenmiş olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı, rahatsızlık nedeniyle açığa çıkan çıplak topraktan (ör.mekanik temizleme veya orman hasadı ile ortaya çıkan toprak) oluşur. Ayrıca çöller, playa'lar, kaya çıkıntıları (yüzey madenciliği faaliyetleriyle açığa çıkan mineraller ve diğer jeolojik malzemeler dahil), kum tepeleri, tuz düzlükleri ve plajlar gibi sürekli olarak verimsiz alanlar da bu kategoriye girer. Toprak ve çakıldan oluşan yollar da çıplak olarak kabul edilir ve en az% 10 oranında çok yıllık otlar, çiçekli bitkiler veya diğer otsu bitki türlerini içerir. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Barren-or-Impervious |
30 metre | Çorak veya Geçirimsiz olma olasılığının modellenmiş ham LCMS'si. Şu şekilde tanımlanır: Pikselin büyük bir kısmı 1.) rahatsızlık nedeniyle açığa çıkan çıplak toprağın (ör. mekanik temizleme veya orman hasadı ile ortaya çıkan toprak) yanı sıra çöller, playa'lar, kaya çıkıntıları (yüzey madenciliği faaliyetleriyle açığa çıkan mineraller ve diğer jeolojik materyaller dahil), kum tepeleri, tuz düzlükleri ve plajlar gibi sürekli olarak verimsiz alanlardan oluşur. Toprak ve çakıldan yapılmış yollar da 1.) çorak olarak kabul edilir veya 2.) suyun nüfuz edemediği insan yapımı malzemeler (ör. asfalt yollar, çatılar ve otoparklar) olarak kabul edilir. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Snow-or-Ice |
30 metre | Kar veya buzun ham LCMS ile modellenmiş olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı kar veya buzdan oluşur. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Cover_Raw_Probability_Water |
30 metre | Su için LCMS'nin ham olarak modellenmiş olasılığı. Şu şekilde tanımlanır: Pikselin büyük bir kısmı sudan oluşur. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Agriculture |
30 metre | Tarım için modellenmiş ham LCMS olasılığı. Şu şekilde tanımlanır: Gıda, lif ve yakıt üretimi için kullanılan, bitki örtüsü olan veya olmayan arazi. Bu kapsamda, ekili ve ekili olmayan tarım arazileri, otlaklar, meyve bahçeleri, bağlar, kapalı hayvancılık tesisleri ve meyve, fındık ya da çilek üretimi için ekilen alanlar yer alır ancak bunlarla sınırlı değildir. Öncelikli olarak tarım amacıyla kullanılan yollar (ör. kasabadan kasabaya toplu taşıma için kullanılmayan yollar) tarım arazisi kullanımı olarak kabul edilir. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Developed |
30 metre | Gelişmiş LCMS'nin modellenmiş ham olasılığı. Şu şekilde tanımlanır: İnsan yapımı yapılarla kaplı arazi (ör. yüksek yoğunluklu konut, ticari, endüstriyel, madencilik veya ulaşım) ya da hem bitki örtüsü (ağaçlar dahil) hem de yapıların (ör. düşük yoğunluklu konut, çimler, rekreasyon tesisleri, mezarlıklar, ulaşım ve kamu hizmeti koridorları vb.) karışımı ve insan faaliyetleriyle işlevsel olarak değiştirilmiş tüm araziler. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Forest |
30 metre | Orman için ham LCMS modellenmiş olasılığı. Şu şekilde tanımlanır: Yakın vadede bir ardışık gelişim sürecinde bir zamanlar% 10 veya daha fazla ağaç örtüsü içeren (veya içermesi muhtemel olan) ekili ya da doğal olarak bitki örtüsüyle kaplı arazi. Bu; doğal orman, orman plantasyonları ve ağaçlı sulak alanların yaprak döken, her dem yeşil ve/veya karışık kategorilerini içerebilir. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Other |
30 metre | Diğer için modellenmiş ham LCMS olasılığı. Şu şekilde tanımlanır: Spektral trendin veya diğer destekleyici kanıtların bir bozulma ya da değişiklik olayının meydana geldiğini gösterdiği ancak kesin nedenin belirlenemediği veya değişiklik türünün yukarıda tanımlanan değişiklik süreci kategorilerinden herhangi birini karşılamadığı arazi (kullanım şeklinden bağımsız olarak). |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Land_Use_Raw_Probability_Rangeland-or-Pasture |
30 metre | LCMS'nin ham verileriyle modellenmiş otlak veya mera olasılığı. Şu şekilde tanımlanır: Bu sınıf, a.) Bitki örtüsünün yağmur, sıcaklık, yükseklik ve yangın gibi doğal faktörler ve süreçlerden büyük ölçüde kaynaklanan yerel otlar, çalılar, çiçekli otlar ve ot benzeri bitkilerden oluştuğu, sınırlı yönetimde ise kontrollü yakma ve evcil ve yabani ot yiyen hayvanların otlatılması gibi uygulamaların yer alabileceği otlaklar; veya b.) Bitki örtüsünün, büyük ölçüde doğal olan karışık otlar, çiçekli bitkiler ve otlardan, neredeyse tek türün korunması için ekilmiş ve yönetilmiş ot türlerinin baskın olduğu daha kontrollü bitki örtüsüne kadar değişebildiği otlak. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
QA_Bits |
30 metre | Yıllık LCMS ürün çıktısı değerlerinin kaynağıyla ilgili ek bilgiler. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Sınıf Tablosunu Değiştir
| Değer | Renk | Açıklama |
|---|---|---|
| 1 | #ff09f3 | Rüzgar |
| 2 | #541aff | Fırtına |
| 3 | #e4f5fd | Kar veya Buz Geçişi |
| 4 | #cc982e | Kurutma |
| 5 | #0adaff | Su baskını |
| 6 | #a10018 | Kontrollü Yangın |
| 7 | #d54309 | Wildfire |
| 8 | #fafa4b | Mekanik Arazi Dönüşümü |
| 9 | #afde1c | Ağaç Kaldırma |
| 10 | #ffc80d | Yaprak dökümü |
| 11 | #a64c28 | Southern Pine Beetle |
| 12 | #f39268 | Böcek ve Hastalık veya Kuraklık Stresi |
| 13 | #c291d5 | Diğer Kayıplar |
| 14 | #00a398 | Bitki Örtüsünün Ardışık Büyümesi |
| 15 | #3d4551 | Kararlı |
| 16 | #1b1716 | İşlenmeyen Alan Maskesi |
Land_Cover Sınıf Tablosu
| Değer | Renk | Açıklama |
|---|---|---|
| 1 | #004e2b | Ağaçlar |
| 2 | #009344 | Tall Shrubs & Trees Mix (Yalnızca Alaska) |
| 3 | #61bb46 | Çalı ve Ağaç Karışımı |
| 4 | #acbb67 | Çimen/Forb/Ot ve Ağaç Karışımı |
| 5 | #8b8560 | Çorak ve Ağaç Karışımı |
| 6 | #cafd4b | Uzun Çalılar (yalnızca Alaska) |
| 7 | #f89a1c | Ağaçlık |
| 8 | #8fa55f | Çim/Çiçek/Ot ve Çalı Karışımı |
| 9 | #bebb8e | Çorak ve Çalı Karışımı |
| 10 | #e5e98a | Çim/Ot/Bitki |
| 11 | #ddb925 | Çorak ve Çim/Çiçek/Ot Karışımı |
| 12 | #893f54 | Çorak veya Geçirimsiz |
| 13 | #e4f5fd | Kar veya buzlanma |
| 14 | #00b6f0 | Su |
| 15 | #1b1716 | İşlenmeyen Alan Maskesi |
Land_Use Sınıf Tablosu
| Değer | Renk | Açıklama |
|---|---|---|
| 1 | #fbff97 | Tarım |
| 2 | #e6558b | Geliştirme |
| 3 | #004e2b | orman |
| 4 | #9dbac5 | Diğer |
| 5 | #a6976a | Otlak veya Mera |
| 6 | #1b1716 | İşlenmeyen Alan Maskesi |
Resim Özellikleri
Görüntü Özellikleri
| Ad | Tür | Açıklama |
|---|---|---|
| study_area | Dize | Bu LCMS sürümü, bitişik ABD eyaletlerini, Alaska'yı, Porto Riko-ABD Virgin Adaları'nı ve Hawaii'yi kapsamaktadır. Olası değerler: "CONUS", "AK", "PRUSVI", "HI" |
| sürüm | Dize | Ürünün sürümü |
| startYear | MÜD | Ürünün piyasaya sürüldüğü yıl |
| endYear | MÜD | Ürünün bitiş yılı |
| yıl | MÜD | Ürünün yılı |
Kullanım Şartları
Kullanım Şartları
USDA Orman Hizmetleri, ticari elverişlilik ve belirli bir amaca uygunluk garantileri dahil olmak üzere açık veya zımni hiçbir garanti vermez, bu coğrafi verilerin doğruluğu, güvenilirliği, eksiksizliği veya kullanışlılığı ya da bu coğrafi verilerin uygunsuz veya yanlış kullanımı konusunda herhangi bir yasal yükümlülük ya da sorumluluk üstlenmez. Bu coğrafi veriler ve ilgili haritalar veya grafikler yasal belgeler değildir ve bu şekilde kullanılmak üzere tasarlanmamıştır. Veriler ve haritalar; mülkiyet, sahiplik, yasal açıklamalar veya sınırlar, yasal yetki alanı ya da kamuya ait ya da özel arazilerde geçerli olabilecek kısıtlamaları belirlemek için kullanılamaz. Doğal tehlikeler verilerde ve haritalarda gösterilebilir veya gösterilmeyebilir. Arazi kullanıcıları gerekli önlemleri almalıdır. Veriler dinamiktir ve zaman içinde değişebilir. Kullanıcı, coğrafi verilerin sınırlamalarını doğrulamak ve verileri buna göre kullanmakla sorumludur.
Bu veriler ABD hükümetinin sağladığı fonlar kullanılarak toplanmıştır ve ek izin veya ücret olmadan kullanılabilir. Bu verileri bir yayında, sunumda veya başka bir araştırma ürününde kullanırsanız lütfen aşağıdaki alıntıyı kullanın:
USDA Forest Service. 2026. USFS Landscape Change Monitoring System v2025.11 (Conterminous United States and Outer Conterminous United States). Salt Lake City, Utah.
Alıntılar
USDA Forest Service. 2026. USFS Landscape Change Monitoring System v2025.11 (Conterminous United States and Outer Conterminous United States). 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., and Tenneson, K., 2019. Empirical cross sensor comparison of Sentinel-2A and 2B MSI, Landsat-8 OLI, and Landsat-7 ETM top of atmosphere spectral characteristics over the conterminous United States. In Remote Sensing of Environment. Science Direct, 221: 274-285. doi:10.1016/j.rse.2018.11.012
Cohen, W. B., Yang, Z., and Kennedy, R., 2010. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 2. TimeSync - Kalibrasyon ve doğrulama araçları. In Remote Sensing of Environment. Science Direct, 114(12): 2911-2924. doi:10.1016/j.rse.2010.07.010
Cohen, W. B., Yang, Z., Healey, S. P., Kennedy, R. E., ve Gorelick, N., 2018. A LandTrendr multispectral ensemble for forest disturbance detection. 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. Cloud detection algorithm comparison and validation for operational Landsat data products. In Remote Sensing of Environment. Science Direct, 194: 379-390. doi:10.1016/j.rse.2017.03.026
U.S. Geological Survey, 2019. USGS 3D Elevation Program Digital Elevation Model, accessed August 2022 at https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m
Healey, S. P., Cohen, W. B., Yang, Z., Kenneth Brewer, C., Brooks, E. B., Gorelick, N., Hernandez, A. J., Huang, C., Joseph Hughes, M., Kennedy, R. E., Loveland, T. R., Moisen, G. G., Schroeder, T. A., Stehman, S. V., Vogelmann, J. E., Woodcock, C. E., Yang, L., and Zhu, Z., 2018. Yığılmış genelleme kullanarak orman değişikliğini eşleme: Bir topluluk yaklaşımı. In Remote Sensing of Environment. Science Direct, 204: 717-728. doi:10.1016/j.rse.2017.09.029
Housman, I. W., Healey, S. P., Heyer, J., Hardwick, E., Yang, Z., Ross, J., ve Megown, K. (2026). ABD'de 1985'ten günümüze değişen arazi örtüsü, arazi kullanımı ve orman durumunun eş zamanlı haritaları. Scientific Data. doi:10.1038/s41597-026-06743-0
Kennedy, R. E., Yang, Z., and Cohen, W. B., 2010. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 1. LandTrendr - Temporal segmentation algorithms. 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. ve Healey, S. 2018. Implementation of the LandTrendr Algorithm on Google Earth Engine. In Remote Sensing. MDPI, 10(5): 691. doi:10.3390/rs10050691
Pasquarella, V. J., Brown, C. F., Czerwinski, W., and Rucklidge, W. J., 2023. Zayıf denetimli video öğrenimi kullanılarak optik uydu görüntülerinin kapsamlı kalite değerlendirmesi. IEEE/CVF Bilgisayar Görüşü ve Kalıp Tanıma Konferansı Bildirileri'nde. 2124-2134 doi:10.1109/CVPRW59228.2023.00206.
Sentinel-Hub, 2021. Sentinel 2 Cloud Detector. [Online]. Available at: https://github.com/sentinel-hub/sentinel2-cloud-detector
Weiss, A.D., 2001. Topografik konum ve yer şekilleri analizi Poster Sunumu, ESRI Kullanıcıları Konferansı, San Diego, CAZhu, Z., ve Woodcock, C. E. 2012. Object-based cloud and cloud shadow detection in Landsat imagery. 118: 83-94.
Zhu, Z., and Woodcock, C. E., 2012. Object-based cloud and cloud shadow detection in Landsat imagery. In Remote Sensing of Environment. Science Direct, 118: 83-94. doi:10.1016/j.rse.2011.10.028
Zhu, Z., and Woodcock, C. E., 2014. Mevcut tüm Landsat verileri kullanılarak arazi örtüsünün sürekli olarak değişimi tespit edilir ve sınıflandırılır. In Remote Sensing of Environment. Science Direct, 144: 152-171. doi:10.1016/j.rse.2014.01.011
DOI'lar
- https://doi.org/10.1016/j.rse.2010.07.008
- https://doi.org/10.1016/j.rse.2010.07.010
- https://doi.org/10.1016/j.rse.2011.10.028
- https://doi.org/10.1016/j.rse.2014.01.011
- https://doi.org/10.1016/j.rse.2017.03.026
- https://doi.org/10.1016/j.rse.2017.09.029
- 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/s41597-026-06743-0
- https://doi.org/10.1109/CVPRW59228.2023.00206
- https://doi.org/10.3390/rs10050691
Earth Engine ile keşfetme
Kod Düzenleyici (JavaScript)
var dataset = ee.ImageCollection('projects/gtac-data-publish/assets/LCMS/Product_Version/2025-11'); var lcms = dataset.filterDate('2023', '2024') // range: [1985, 2025] .filter(ee.Filter.inList('study_area', ['AK', 'CONUS', 'HI', 'PRUSVI'])) // AK, CONUS, HI, PRUSVI .mosaic(); // LCMS Change product visualization parameters var changeViz = { min: [1.0], max: [16.0], palette: [ 'ff09f3', '541aff', 'e4f5fd', 'cc982e', '0adaff', 'a10018', 'd54309', 'fafa4b', 'afde1c', 'ffc80d', 'a64c28', 'f39268', 'c291d5', '00a398', '3d4551', '1b1716', ], bands: ['Change'], }; // LCMS Land Cover product visualization parameters var lcViz = { min: [1.0], max: [15.0], palette: [ '004e2b', '009344', '61bb46', 'acbb67', '8b8560', 'cafd4b', 'f89a1c', '8fa55f', 'bebb8e', 'e5e98a', 'ddb925', '893f54', 'e4f5fd', '00b6f0', '1b1716', ], bands: ['Land_Cover'], }; // LCMS Land Use product visualization parameters var luViz = { min: [1.0], max: [6.0], palette: [ 'fbff97', 'e6558b', '004e2b', '9dbac5', 'a6976a', '1b1716', ], bands: ['Land_Use'], }; Map.addLayer(lcms.select('Land_Cover'), lcViz, 'Land Cover'); Map.addLayer(lcms.select('Land_Use'), luViz, 'Land Use'); Map.addLayer(lcms.select('Change'), changeViz, 'Vegetation Change', false); Map.setCenter(-98.58, 38.14, 4);