USFS Landscape Change Monitoring System v2025-11 (CONUS and OCONUS)

projects/gtac-data-publish/assets/LCMS/Product_Version/2025-11
thông tin

Tập dữ liệu này thuộc một Danh mục nhà xuất bản và không do Google Earth Engine quản lý. Liên hệ với Cục Lâm nghiệp Hoa Kỳ để báo cáo lỗi hoặc xem thêm các tập dữ liệu trong Danh mục của Cục Lâm nghiệp Hoa Kỳ. Tìm hiểu thêm về các Tập dữ liệu của nhà xuất bản.

Chủ sở hữu danh mục
Cục Lâm nghiệp Hoa Kỳ
Phạm vi cung cấp tập dữ liệu
1985-01-01T00:00:00Z–2025-12-31T00:00:00Z
Nhà sản xuất tập dữ liệu
Đoạn mã để tương tác với Earth Engine
ee.ImageCollection("projects/gtac-data-publish/assets/LCMS/Product_Version/2025-11")
Thẻ
change-detection forest fsic-go gtac gtac-data-publish landcover landuse landuse-landcover publisher-dataset redcastle-resources usda usfs

Mô tả

Sản phẩm này là một phần của bộ dữ liệu Hệ thống giám sát thay đổi cảnh quan (LCMS). Tập dữ liệu này cho thấy sự thay đổi theo mô hình LCMS, lớp phủ đất và/hoặc các lớp sử dụng đất cho từng năm, đồng thời bao gồm cả Lục địa Hoa Kỳ (CONUS) cũng như các khu vực bên ngoài CONUS (OCONUS), bao gồm Alaska (AK), Puerto Rico – Quần đảo Virgin thuộc Hoa Kỳ (PRUSVI) và Hawaii (HI).

LCMS là một hệ thống dựa trên hoạt động viễn thám để lập bản đồ và giám sát sự thay đổi cảnh quan trên khắp Hoa Kỳ. Mục tiêu của dự án này là phát triển một phương pháp nhất quán bằng cách sử dụng công nghệ mới nhất và những tiến bộ trong việc phát hiện thay đổi để tạo ra một bản đồ "tốt nhất có thể" về sự thay đổi cảnh quan. Để biết toàn bộ phương pháp LCMS, hãy xem Housman và cộng sự (2026).

Sản phẩm

Đầu ra bao gồm 3 sản phẩm hằng năm: sự thay đổi, độ che phủ đất và việc sử dụng đất. Đầu ra của mô hình thay đổi liên quan cụ thể đến độ che phủ của thảm thực vật và bao gồm sự mất mát chậm, sự mất mát nhanh (cũng bao gồm các thay đổi về thuỷ văn như ngập lụt hoặc khô cằn) và sự gia tăng. Những giá trị này được dự đoán cho từng năm trong chuỗi thời gian Landsat và đóng vai trò là sản phẩm cơ bản cho LCMS. Chúng tôi áp dụng một bộ quy tắc dựa trên các tập dữ liệu phụ trợ để tạo ra sản phẩm thay đổi cuối cùng. Đây là một bản tinh chỉnh/phân loại lại sự thay đổi được mô hình hoá thành 15 lớp cung cấp thông tin rõ ràng về nguyên nhân gây ra sự thay đổi cảnh quan (ví dụ: Loại bỏ cây, Cháy rừng, Gió). Bản đồ lớp phủ mặt đất và bản đồ sử dụng đất mô tả lớp phủ mặt đất ở cấp độ dạng sống và việc sử dụng đất ở cấp độ rộng cho từng năm.

Vì không có thuật toán nào hoạt động hiệu quả nhất trong mọi trường hợp, nên LCMS sử dụng một nhóm các mô hình làm yếu tố dự đoán, giúp cải thiện độ chính xác của bản đồ trên nhiều hệ sinh thái và quy trình thay đổi (Healey và cộng sự, 2018). Nhờ đó, bộ bản đồ về sự thay đổi của LCMS, độ che phủ và việc sử dụng đất đã cung cấp một bức tranh tổng thể về sự thay đổi cảnh quan trên khắp Hoa Kỳ kể từ năm 1985.

Dữ liệu và phương pháp

Các lớp dự đoán cho mô hình LCMS bao gồm đầu ra từ các thuật toán phát hiện thay đổi LandTrendr và CCDC, cũng như thông tin về địa hình. Tất cả các thành phần này đều được truy cập và xử lý bằng Google Earth Engine (Gorelick và cộng sự, 2017).

Để tạo ra các thành phần tổng hợp hằng năm cho LandTrendr, chúng tôi đã sử dụng dữ liệu hệ số phản xạ đỉnh khí quyển Cấp 1C của USGS Collection 2 Landsat Tier 1 và Sentinel 2A, 2B. Thuật toán che mây CFmask (Foga và cộng sự, 2017), là một cách triển khai Fmask 2.0 (Zhu và Woodcock, 2012) (chỉ Landsat), cloudScore (Chastain và cộng sự, 2019) (chỉ Landsat), s2cloudless (Sentinel-Hub, 2021) và Cloud Score+ (Pasquarella và cộng sự, 2023) (chỉ Sentinel 2) được dùng để che mây, trong khi TDOM (Chastain và cộng sự, 2019) được dùng để che bóng mây (Landsat và Sentinel 2). Đối với LandTrendr, trung vị hằng năm sẽ được tính toán để tóm tắt các giá trị không có mây và bóng mây của từng năm thành một thành phần duy nhất. Đối với CCDC, dữ liệu hệ số phản xạ bề mặt Landsat Bậc 1 Bộ sưu tập 2 của Cục Khảo sát Địa chất Hoa Kỳ (USGS) được dùng cho CONUS và dữ liệu hệ số phản xạ đỉnh khí quyển Landsat Bậc 1 cho AK, PRUSVI và HI.

Chuỗi thời gian tổng hợp được phân đoạn theo thời gian bằng LandTrendr (Kennedy và cộng sự, 2010; Kennedy et al., 2018; Cohen và cộng sự, 2018).

Tất cả các giá trị không có mây và bóng mây cũng được phân đoạn tạm thời bằng thuật toán CCDC (Zhu và Woodcock, 2014).

Dữ liệu của trình dự đoán bao gồm các giá trị tổng hợp thô, giá trị phù hợp của LandTrendr, chênh lệch theo cặp, thời lượng phân đoạn, độ lớn và độ dốc của sự thay đổi, cũng như hệ số sin và cosin của CCDC (3 hài âm đầu tiên), giá trị phù hợp và chênh lệch theo cặp, cùng với độ cao, độ dốc, sin của hướng, cosin của hướng và chỉ số vị trí địa hình (Weiss, 2001) từ dữ liệu Chương trình độ cao 3D (3DEP) của USGS (Cục Khảo sát địa chất Hoa Kỳ) ở độ phân giải 10 m (Cục Khảo sát địa chất Hoa Kỳ, 2019).

Dữ liệu tham chiếu được thu thập bằng TimeSync, một công cụ dựa trên web giúp các nhà phân tích hình dung và diễn giải bản ghi dữ liệu Landsat từ năm 1984 đến nay (Cohen và cộng sự, 2010).

Các mô hình Rừng ngẫu nhiên (Breiman, 2001) được huấn luyện bằng cách sử dụng dữ liệu tham chiếu từ TimeSync và dữ liệu dự đoán từ LandTrendr, CCDC và các chỉ số địa hình để dự đoán sự thay đổi hằng năm, lớp phủ đất và các lớp sử dụng đất. Sau khi lập mô hình, chúng tôi thiết lập một loạt các ngưỡng xác suất và bộ quy tắc bằng cách sử dụng các tập dữ liệu phụ trợ để cải thiện chất lượng đầu ra của bản đồ và giảm lỗi sai sót. Bạn có thể xem thêm thông tin trong Bản tóm tắt về phương pháp LCMS trong phần Mô tả và trong Housman và cộng sự (2026).

Bạn có thể xem thêm thông tin trong Bản tóm tắt về phương pháp LCMS và bài viết bổ sung về LCMS trong phần Tài nguyên bổ sung bên dưới.

Tài nguyên khác

Liên hệ với SM.FS.lcms@usda.gov nếu bạn có câu hỏi hoặc yêu cầu cụ thể về dữ liệu.

Băng tần

Băng tần

Kích thước pixel: 30 mét (tất cả các dải tần)

Tên Kích thước pixel Mô tả
Change 30 mét

Sản phẩm thay đổi LCMS theo chủ đề cuối cùng. Tổng cộng có 15 lớp thay đổi được lập bản đồ cho mỗi năm. Về cơ bản, sự thay đổi được mô hình hoá bằng 3 mô hình Rừng ngẫu nhiên nhị phân riêng biệt cho từng khu vực nghiên cứu: Mất chậm, Mất nhanh và Tăng. Mỗi pixel được chỉ định cho lớp thay đổi được mô hình hoá có xác suất cao nhất và cũng cao hơn một ngưỡng cụ thể. Mọi pixel không có giá trị nào cao hơn ngưỡng tương ứng của mỗi lớp đều được chỉ định cho lớp Ổn định. Theo một bộ quy tắc sử dụng lớp thay đổi được mô hình hoá, các tập dữ liệu phụ trợ (chẳng hạn như TCC, Monitoring Trends in Burn Severity và Insect and Disease Survey) và dữ liệu về độ che phủ đất của LCMS, một trong 15 lớp nguyên nhân thay đổi được tinh chỉnh sẽ được chỉ định cho mỗi pixel. Hãy xem Bản tóm tắt về phương pháp LCMS được liên kết trong phần Mô tả để biết đầy đủ thông tin chi tiết về bộ quy tắc và các tập dữ liệu phụ được sử dụng.

Land_Cover 30 mét

Sản phẩm cuối cùng về lớp phủ mặt đất theo chủ đề LCMS. Tổng cộng có 14 lớp phủ mặt đất được lập bản đồ hằng năm bằng cách sử dụng dữ liệu tham chiếu TimeSync và thông tin quang phổ lấy từ hình ảnh Landsat. Lớp phủ mặt đất được dự đoán bằng một mô hình Rừng ngẫu nhiên đa lớp duy nhất, mô hình này xuất ra một mảng các xác suất của từng lớp (tỷ lệ cây trong mô hình Rừng ngẫu nhiên "chọn" từng lớp). Các lớp cuối cùng được chỉ định cho mục đích sử dụng đất có xác suất cao nhất. Trước khi chỉ định lớp phủ bề mặt có xác suất cao nhất, tuỳ thuộc vào khu vực nghiên cứu, một đến một số ngưỡng xác suất và bộ quy tắc sử dụng các tập dữ liệu phụ trợ đã được áp dụng. Bạn có thể xem thêm thông tin về các ngưỡng xác suất và bộ quy tắc trong Bản tóm tắt về phương pháp LCMS được liên kết trong phần mô tả. Bảy lớp độ che phủ đất cho biết một lớp độ che phủ đất duy nhất, trong đó loại độ che phủ đất đó bao phủ phần lớn diện tích của pixel và không có lớp nào khác bao phủ hơn 10% pixel. Ngoài ra còn có 7 lớp học hỗn hợp. Đây là những pixel mà một lớp phủ đất bổ sung chiếm ít nhất 10% pixel.

Land_Use 30 mét

Sản phẩm cuối cùng về việc sử dụng đất theo chủ đề của LCMS. Tổng cộng có 5 loại hình sử dụng đất được lập bản đồ hằng năm bằng cách sử dụng dữ liệu tham chiếu TimeSync và thông tin quang phổ lấy từ hình ảnh Landsat. Việc sử dụng đất được dự đoán bằng một mô hình Rừng ngẫu nhiên đa lớp duy nhất, mô hình này xuất ra một mảng gồm xác suất của từng lớp (tỷ lệ cây trong mô hình Rừng ngẫu nhiên "chọn" từng lớp). Các lớp cuối cùng được chỉ định cho mục đích sử dụng đất có xác suất cao nhất. Trước khi chỉ định lớp sử dụng đất có xác suất cao nhất, một loạt các ngưỡng xác suất và bộ quy tắc sử dụng các tập dữ liệu phụ trợ đã được áp dụng. Bạn có thể xem thêm thông tin về các ngưỡng xác suất và bộ quy tắc trong Bản tóm tắt về phương pháp LCMS được liên kết trong phần mô tả.

Change_Raw_Probability_Slow_Loss 30 mét

Xác suất được mô hình hoá LCMS thô của Tình trạng mất khách hàng chậm. Slow Loss bao gồm các lớp sau đây trong phần diễn giải quy trình thay đổi TimeSync:

  • Suy thoái về cấu trúc – Đất nơi cây cối hoặc thảm thực vật thân gỗ khác bị thay đổi về mặt vật lý do điều kiện sinh trưởng bất lợi do các yếu tố không phải do con người hoặc không phải do cơ học gây ra. Loại tổn thất này thường tạo ra xu hướng trong(các) tín hiệu quang phổ (ví dụ: NDVI giảm, Độ ẩm giảm; SWIR tăng; v.v.) tuy nhiên, xu hướng này có thể không rõ ràng. Tình trạng suy giảm cấu trúc xảy ra trong môi trường thực vật thân gỗ, rất có thể là do côn trùng, bệnh tật, hạn hán, mưa axit, v.v. Tình trạng suy giảm cấu trúc có thể bao gồm các sự kiện rụng lá không dẫn đến tử vong, chẳng hạn như trong trường hợp sâu bướm Gypsy và sâu đục chồi cây vân sam xâm nhập, có thể phục hồi trong vòng 1 hoặc 2 năm.

  • Suy giảm quang phổ – Một biểu đồ trong đó tín hiệu quang phổ cho thấy xu hướng ở một hoặc nhiều dải quang phổ hoặc chỉ số (ví dụ: NDVI giảm, Độ ẩm giảm; SWIR tăng; v.v.). Ví dụ: a) thảm thực vật không phải rừng/không phải cây gỗ cho thấy xu hướng suy giảm (ví dụ: NDVI giảm, Độ ẩm giảm; SWIR tăng; v.v.), hoặc b) thảm thực vật có cây gỗ cho thấy xu hướng suy giảm không liên quan đến việc mất thảm thực vật có cây gỗ, chẳng hạn như khi tán cây trưởng thành khép lại dẫn đến việc tăng bóng đổ, khi thành phần loài thay đổi từ cây lá kim sang cây gỗ cứng hoặc khi một thời kỳ khô hạn (trái ngược với hạn hán nghiêm trọng hơn) gây ra sự suy giảm rõ ràng về sức sống, nhưng không làm mất vật liệu gỗ hoặc diện tích lá.

Change_Raw_Probability_Fast_Loss 30 mét

Xác suất tổn thất nhanh được mô hình hóa LCMS thô. Mất dữ liệu nhanh bao gồm các lớp sau trong quá trình diễn giải thay đổi TimeSync:

  • Cháy – Đất bị thay đổi do cháy, bất kể nguyên nhân gây cháy (tự nhiên hoặc do con người), mức độ nghiêm trọng hoặc mục đích sử dụng đất.

  • Khai thác – Đất rừng nơi cây, bụi cây hoặc thảm thực vật khác đã bị chặt hoặc loại bỏ bằng các phương tiện do con người tạo ra. Ví dụ: chặt phá hoàn toàn, khai thác gỗ cứu hộ sau khi cháy hoặc dịch hại do côn trùng, tỉa thưa và các quy định khác về quản lý rừng (ví dụ: khai thác gỗ theo phương pháp bảo vệ/gieo hạt).

  • Cơ học – Đất không phải rừng, nơi cây, cây bụi hoặc thảm thực vật khác đã bị chặt hoặc loại bỏ bằng phương pháp cơ học như dùng xích, cào, cưa bụi, ủi hoặc bất kỳ phương pháp nào khác để loại bỏ thảm thực vật không phải rừng.

  • Gió/băng – Đất (bất kể mục đích sử dụng) nơi thảm thực vật bị gió làm thay đổi do bão, lốc xoáy, giông bão và các sự kiện thời tiết khắc nghiệt khác, bao gồm cả mưa đóng băng do bão băng.

  • Thuỷ học – Đất nơi lũ lụt đã làm thay đổi đáng kể lớp phủ gỗ hoặc các yếu tố khác của lớp phủ đất bất kể mục đích sử dụng đất (ví dụ: hỗn hợp mới của sỏi và thảm thực vật trong và xung quanh lòng suối sau lũ lụt).

  • Mảnh vụn – Đất (bất kể mục đích sử dụng) bị thay đổi do sự di chuyển của vật liệu tự nhiên liên quan đến lở đất, tuyết lở, núi lửa, dòng chảy mảnh vụn, v.v.

  • Khác – Đất (bất kể mục đích sử dụng) nơi xu hướng quang phổ hoặc bằng chứng hỗ trợ khác cho thấy đã xảy ra sự kiện thay đổi hoặc xáo trộn nhưng không thể xác định nguyên nhân chính xác hoặc loại thay đổi không đáp ứng bất kỳ danh mục quy trình thay đổi nào được xác định ở trên.

Change_Raw_Probability_Gain 30 mét

Xác suất tăng trưởng được mô hình hoá của LCMS thô. Được định nghĩa là: Đất có độ che phủ thực vật tăng lên do sự phát triển và kế thừa trong một hoặc nhiều năm. Áp dụng cho mọi khu vực có thể thể hiện sự thay đổi về quang phổ liên quan đến sự tái sinh của thảm thực vật. Ở những khu vực đã phát triển, sự tăng trưởng có thể là do thảm thực vật trưởng thành và/hoặc bãi cỏ và cảnh quan mới được lắp đặt. Trong rừng, sự tăng trưởng bao gồm sự tăng trưởng của thảm thực vật từ đất trống, cũng như sự vượt trội của cây trung gian và cây đồng chủ đạo và/hoặc cỏ và cây bụi ở tầng thấp hơn. Các phân đoạn Tăng trưởng/Phục hồi được ghi lại sau khi thu hoạch rừng có thể sẽ chuyển đổi qua các lớp phủ đất khác nhau khi rừng tái sinh. Để những thay đổi này được coi là tăng trưởng/hồi phục, các giá trị phổ phải tuân thủ chặt chẽ đường xu hướng tăng (ví dụ: độ dốc dương sẽ có giá trị khoảng 0,10 đơn vị NDVI nếu kéo dài đến khoảng 20 năm) và duy trì trong vài năm.

Land_Cover_Raw_Probability_Trees 30 mét

Xác suất được mô hình hoá của Cây theo LCMS thô. Được định nghĩa là: Phần lớn pixel bao gồm cây còn sống hoặc cây chết đứng.

Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix 30 mét

Xác suất được mô hình hoá LCMS thô của Hỗn hợp cây bụi và cây cao (Chỉ ở Alaska). Được xác định là: Phần lớn pixel bao gồm các bụi cây cao hơn 1 mét và cũng bao gồm ít nhất 10% cây còn sống hoặc cây chết đứng.

Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix 30 mét

Xác suất thô được mô hình hoá của LCMS về hỗn hợp cây bụi và cây. Được định nghĩa là: Phần lớn pixel bao gồm cây bụi và cũng bao gồm ít nhất 10% cây còn sống hoặc cây chết đứng.

Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix 30 mét

Xác suất được mô hình hoá LCMS thô của hỗn hợp Cỏ/Cây thân thảo/Thảo dược và Cây. Được xác định là: Phần lớn pixel bao gồm các loại cỏ lâu năm, cây thân thảo hoặc các dạng thực vật thân thảo khác và cũng bao gồm ít nhất 10% cây còn sống hoặc cây chết đứng.

Land_Cover_Raw_Probability_Barren-and-Trees-Mix 30 mét

Xác suất được mô hình hoá LCMS thô của hỗn hợp Đất cằn và Cây. Được định nghĩa là: Phần lớn pixel bao gồm đất trống do hoạt động gây xáo trộn (ví dụ: đất do hoạt động dọn dẹp cơ học hoặc khai thác rừng làm lộ ra), cũng như các khu vực cằn cỗi quanh năm như sa mạc, hồ nước mặn, đá lộ thiên (bao gồm cả khoáng chất và các vật liệu địa chất khác do hoạt động khai thác mỏ lộ thiên làm lộ ra), cồn cát, vùng đất mặn và bãi biển. Đường làm bằng đất và sỏi cũng được coi là đất cằn và cũng có ít nhất 10% cây còn sống hoặc cây chết đứng.

Land_Cover_Raw_Probability_Tall-Shrubs 30 mét

Xác suất thô được mô hình hoá của LCMS đối với Cây bụi cao (Chỉ ở Alaska). Được xác định là: Phần lớn pixel bao gồm các bụi cây cao hơn 1 mét.

Land_Cover_Raw_Probability_Shrubs 30 mét

Xác suất được mô hình hoá LCMS thô của Cây bụi. Được xác định là: Phần lớn pixel bao gồm cây bụi.

Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix 30 mét

Xác suất thô được mô hình hoá theo LCMS của hỗn hợp Cỏ/Cây thân thảo/Thảo dược và Cây bụi. Được định nghĩa là: Phần lớn pixel bao gồm các loại cỏ lâu năm, cây thân thảo hoặc các dạng thực vật thân thảo khác và cũng bao gồm ít nhất 10% cây bụi.

Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix 30 mét

Xác suất được mô hình hoá LCMS thô của hỗn hợp đất trống và cây bụi. Được định nghĩa là: Phần lớn pixel bao gồm đất trống do hoạt động gây xáo trộn (ví dụ: đất do hoạt động dọn dẹp cơ học hoặc khai thác rừng làm lộ ra), cũng như các khu vực cằn cỗi quanh năm như sa mạc, hồ nước mặn, đá lộ thiên (bao gồm cả khoáng chất và các vật liệu địa chất khác do hoạt động khai thác mỏ lộ thiên làm lộ ra), cồn cát, vùng đất mặn và bãi biển. Đường làm bằng đất và sỏi cũng được coi là cằn cỗi và cũng có ít nhất 10% là cây bụi.

Land_Cover_Raw_Probability_Grass-Forb-Herb 30 mét

Xác suất thô được mô hình hoá của LCMS đối với Cỏ/Cây thân thảo/Thảo dược. Được xác định là: Phần lớn điểm ảnh bao gồm các loại cỏ lâu năm, cây thân thảo hoặc các dạng thực vật thân thảo khác.

Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix 30 mét

Xác suất thô được mô hình hoá theo LCMS của Đất cằn và Hỗn hợp cỏ/cây thân thảo/thảo dược. Được xác định là: Phần lớn pixel bao gồm đất trống do hoạt động gây xáo trộn (ví dụ: đất do hoạt động dọn dẹp bằng máy móc hoặc khai thác rừng làm lộ ra), cũng như các khu vực cằn cỗi quanh năm như sa mạc, hồ nước mặn, đá lộ thiên (bao gồm cả khoáng chất và các vật liệu địa chất khác do hoạt động khai thác mỏ lộ thiên làm lộ ra), cồn cát, vùng đất mặn và bãi biển. Đường làm bằng đất và sỏi cũng được coi là đất cằn và cũng bao gồm ít nhất 10% cỏ lâu năm, cây thân thảo hoặc các dạng thực vật thân thảo khác.

Land_Cover_Raw_Probability_Barren-or-Impervious 30 mét

Xác suất thô được mô hình hoá của LCMS về Đất trống hoặc Đất không thấm nước. Được định nghĩa là: Phần lớn pixel bao gồm 1.) đất trống do hoạt động gây xáo trộn (ví dụ: đất do hoạt động dọn dẹp cơ học hoặc khai thác rừng làm lộ ra), cũng như các khu vực cằn cỗi quanh năm như sa mạc, hồ nước mặn, đá lộ thiên (bao gồm cả khoáng chất và các vật liệu địa chất khác do hoạt động khai thác mỏ lộ thiên làm lộ ra), cồn cát, vùng đất mặn và bãi biển. Đường làm bằng đất và sỏi cũng được coi là đất cằn hoặc 2.) vật liệu nhân tạo mà nước không thể thấm qua, chẳng hạn như đường trải nhựa, mái nhà và bãi đỗ xe.

Land_Cover_Raw_Probability_Snow-or-Ice 30 mét

Xác suất được mô hình hoá thô của LCMS về Tuyết hoặc Băng. Được xác định là: Phần lớn pixel được tạo thành từ tuyết hoặc băng.

Land_Cover_Raw_Probability_Water 30 mét

Xác suất được mô hình hoá thô của LCMS về Nước. Được định nghĩa là: Phần lớn pixel bao gồm nước.

Land_Use_Raw_Probability_Agriculture 30 mét

Xác suất thô được mô hình hoá của LCMS về Nông nghiệp. Được định nghĩa là: Đất được dùng để sản xuất thực phẩm, sợi và nhiên liệu, ở trạng thái có hoặc không có thảm thực vật. Điều này bao gồm nhưng không giới hạn ở đất trồng trọt và đất chưa trồng trọt, đất trồng cỏ khô, vườn cây ăn quả, vườn nho, hoạt động chăn nuôi gia súc trong không gian hạn chế và khu vực trồng để sản xuất trái cây, các loại hạt hoặc quả mọng. Đường chủ yếu dùng cho mục đích nông nghiệp (tức là không dùng cho phương tiện công cộng đi từ thị trấn này sang thị trấn khác) được coi là đất nông nghiệp.

Land_Use_Raw_Probability_Developed 30 mét

Xác suất thô được mô hình hoá của LCMS về trạng thái Đã phát triển. Được định nghĩa là: Đất có công trình nhân tạo (ví dụ: khu dân cư mật độ cao, thương mại, công nghiệp, khai thác mỏ hoặc giao thông vận tải), hoặc hỗn hợp cả thảm thực vật (bao gồm cả cây) và công trình (ví dụ: khu dân cư mật độ thấp, bãi cỏ, cơ sở giải trí, nghĩa trang, hành lang giao thông vận tải và tiện ích, v.v.), bao gồm cả bất kỳ vùng đất nào bị thay đổi chức năng do hoạt động của con người.

Land_Use_Raw_Probability_Forest 30 mét

Xác suất được mô hình hoá LCMS thô của Rừng. Được định nghĩa là: Đất được trồng hoặc có thảm thực vật tự nhiên và có (hoặc có khả năng có) khu phực tán cây bao phủ từ 10% trở lên tại một thời điểm nào đó trong chuỗi diễn thế ngắn hạn. Điều này có thể bao gồm các danh mục rừng tự nhiên, rừng trồng và đất ngập nước có cây gỗ, bao gồm cả rừng rụng lá, rừng thường xanh và/hoặc rừng hỗn hợp.

Land_Use_Raw_Probability_Other 30 mét

Xác suất được mô hình hoá LCMS thô của Lựa chọn khác. Được xác định là: Đất (bất kể mục đích sử dụng) mà xu hướng quang phổ hoặc bằng chứng hỗ trợ khác cho thấy đã xảy ra sự kiện xáo trộn hoặc thay đổi nhưng không thể xác định nguyên nhân chính xác hoặc loại thay đổi không đáp ứng bất kỳ danh mục quy trình thay đổi nào được xác định ở trên.

Land_Use_Raw_Probability_Rangeland-or-Pasture 30 mét

Xác suất thô được mô hình hoá theo LCMS của Đất đồng cỏ hoặc Đất chăn thả. Được xác định là: Lớp này bao gồm mọi khu vực là a.) Đất chăn thả, nơi thảm thực vật là hỗn hợp của các loại cỏ, cây bụi, cây thân thảo và cây giống cỏ bản địa, phần lớn xuất phát từ các yếu tố và quy trình tự nhiên như lượng mưa, nhiệt độ, độ cao và lửa, mặc dù hoạt động quản lý hạn chế có thể bao gồm đốt có kiểm soát cũng như hoạt động chăn thả của động vật ăn cỏ hoang dã và vật nuôi; hoặc b.) Đồng cỏ, nơi thảm thực vật có thể bao gồm nhiều loại cỏ, cây thân thảo và thảo mộc tự nhiên đến thảm thực vật được quản lý nhiều hơn, chủ yếu là các loài cỏ được gieo hạt và quản lý để duy trì gần như độc canh.

QA_Bits 30 mét

Thông tin bổ sung về nguồn gốc của các giá trị đầu ra của sản phẩm LCMS hằng năm.

Thay đổi bảng phân loại

Giá trị Màu Mô tả
1 #ff09f3

Gió

2 #541aff

Bão tố

3 #e4f5fd

Hiệu ứng chuyển cảnh tuyết hoặc băng

4 #cc982e

Sự làm khô

5 #0adaff

Ngập lụt

6 #a10018

Đám cháy có kiểm soát

7 #d54309

Cháy rừng

8 #fafa4b

Biến đổi cơ học đối với đất

9 #afde1c

Loại bỏ cây

10 #ffc80d

Rụng lá

11 #a64c28

Bọ cánh cứng thông phương Nam

12 #f39268

Côn trùng và bệnh tật hoặc hạn hán

13 #c291d5

Tổn thất khác

14 #00a398

Sự phát triển kế tiếp của thảm thực vật

15 #3d4551

Ổn định

16 #1b1716

Mặt nạ vùng không xử lý

Bảng phân loại Land_Cover

Giá trị Màu Mô tả
1 #004e2b

Cây

2 #009344

Hỗn hợp cây bụi và cây cao (Chỉ ở Alaska)

3 #61bb46

Tuyển tập cây bụi và cây

4 #acbb67

Hỗn hợp cỏ/cây thân thảo/thảo mộc và cây

5 #8b8560

Cảnh vật cằn cỗi và Tuyển tập

6 #cafd4b

Cây bụi cao (Chỉ ở Alaska)

7 #f89a1c

Cây bụi

8 #8fa55f

Hỗn hợp cỏ/cây thân thảo/cây thuốc và cây bụi

9 #bebb8e

Hỗn hợp đất cằn và cây bụi

10 #e5e98a

Cỏ/Cây thân thảo/Thảo mộc

11 #ddb925

Hỗn hợp đất cằn và cỏ/cây thân thảo/thảo mộc

12 #893f54

Cằn cỗi hoặc Không thấm nước

13 #e4f5fd

Tuyết hoặc băng

14 #00b6f0

Nước

15 #1b1716

Mặt nạ vùng không xử lý

Bảng phân loại Land_Use

Giá trị Màu Mô tả
1 #fbff97

Nông nghiệp

2 #e6558b

Đã phát triển

3 #004e2b

Rừng

4 #9dbac5

Khác

5 #a6976a

Đồng cỏ hoặc bãi chăn thả

6 #1b1716

Mặt nạ vùng không xử lý

Thuộc tính hình ảnh

Thuộc tính hình ảnh

Tên Loại Mô tả
study_area STRING

Phiên bản LCMS này bao gồm Hoa Kỳ lục địa, Alaska, Puerto Rico – Quần đảo Virgin thuộc Hoa Kỳ và Hawaii. Các giá trị có thể là: "CONUS", "AK", "PRUSVI", "HI"

phiên bản STRING

Phiên bản của sản phẩm

startYear SLC

Năm bắt đầu của sản phẩm

endYear SLC

Năm kết thúc của sản phẩm

năm SLC

Năm sản xuất sản phẩm

Điều khoản sử dụng

Điều khoản sử dụng

Cục Lâm nghiệp Hoa Kỳ không bảo đảm (dù rõ ràng hay ngụ ý), bao gồm cả việc bảo đảm khả năng bán được và tính phù hợp cho một mục đích cụ thể, cũng như không chịu trách nhiệm pháp lý hoặc trách nhiệm đối với tính chính xác, độ tin cậy, tính hoàn chỉnh hoặc tính hữu ích của dữ liệu không gian địa lý này, hoặc đối với việc sử dụng dữ liệu không gian địa lý này không đúng cách hoặc không chính xác. Những dữ liệu không gian địa lý và bản đồ hoặc đồ hoạ liên quan này không phải là tài liệu pháp lý và không được dùng làm tài liệu pháp lý. Bạn không được sử dụng dữ liệu và bản đồ để xác định tiêu đề, quyền sở hữu, nội dung mô tả pháp lý hoặc ranh giới, phạm vi pháp lý hoặc các hạn chế có thể áp dụng đối với đất công hoặc đất tư. Dữ liệu và bản đồ có thể mô tả hoặc không mô tả các mối nguy hiểm tự nhiên, đồng thời người dùng đất cần thận trọng. Dữ liệu này mang tính linh hoạt và có thể thay đổi theo thời gian. Người dùng có trách nhiệm xác minh các giới hạn của dữ liệu không gian địa lý và sử dụng dữ liệu cho phù hợp.

Những dữ liệu này được thu thập bằng nguồn vốn của Chính phủ Hoa Kỳ và có thể được sử dụng mà không cần có thêm quyền hoặc trả thêm phí. Nếu bạn sử dụng những dữ liệu này trong một ấn phẩm, bản trình bày hoặc sản phẩm nghiên cứu khác, vui lòng sử dụng thông tin trích dẫn sau:

Cục Lâm nghiệp Hoa Kỳ. 2026. Hệ thống giám sát thay đổi cảnh quan của USFS phiên bản 2025.11 (Hoa Kỳ lục địa và Hoa Kỳ lục địa bên ngoài). Thành phố Salt Lake, Utah.

Trích dẫn

Trích dẫn:
  • Cục Lâm nghiệp Hoa Kỳ. 2026. Hệ thống giám sát thay đổi cảnh quan của USFS phiên bản 2025.11 (Hoa Kỳ lục địa và Hoa Kỳ lục địa bên ngoài). Thành phố Salt Lake, Utah.

  • Breiman, L., 2001. Rừng ngẫu nhiên. Trong công nghệ học máy. Springer, 45: 5-32. doi:10.1023/A:1010933404324

  • Chastain, R., Housman, I., Goldstein, J., Finco, M., và Tenneson, K., 2019. So sánh thực nghiệm giữa các cảm biến của MSI Sentinel-2A và 2B, OLI Landsat-8 và các đặc điểm quang phổ đỉnh khí quyển ETM Landsat-7 trên khắp Hoa Kỳ lục địa. Trong Remote Sensing of Environment. Science Direct, 221: 274-285. doi:10.1016/j.rse.2018.11.012

  • Cohen, W. B., Yang, Z., và Kennedy, R., 2010. Phát hiện xu hướng về tình trạng xáo trộn và phục hồi rừng bằng cách sử dụng chuỗi thời gian Landsat hằng năm: 2. TimeSync – Công cụ để hiệu chuẩn và xác thực. Trong 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. và Gorelick, N., 2018. Một tổ hợp đa phổ LandTrendr để phát hiện tình trạng xáo trộn rừng. Trong 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. So sánh và xác thực thuật toán phát hiện đám mây cho các sản phẩm dữ liệu Landsat hoạt động. Trong Remote Sensing of Environment. Science Direct, 194: 379-390. doi:10.1016/j.rse.2017.03.026

  • Cục Khảo sát Địa chất Hoa Kỳ, năm 2019. Mô hình độ cao kỹ thuật số của Chương trình độ cao 3D của Cục Khảo sát Địa chất Hoa Kỳ, truy cập vào tháng 8 năm 2022 tại 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. và Zhu, Z., 2018. Lập bản đồ sự thay đổi của rừng bằng cách sử dụng phương pháp tổng quát hoá xếp chồng: Một phương pháp kết hợp. Trong 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., và Megown, K. (2026). Bản đồ trùng khớp về sự thay đổi của độ che phủ đất, việc sử dụng đất và tình trạng rừng ở Hoa Kỳ, từ năm 1985 đến nay. Scientific Data. doi:10.1038/s41597-026-06743-0

  • Kennedy, R. E., Yang, Z. và Cohen, W. B., 2010. Phát hiện xu hướng về tình trạng suy thoái và phục hồi rừng bằng cách sử dụng chuỗi thời gian Landsat hằng năm: 1. LandTrendr – Thuật toán phân đoạn theo thời gian. Trong 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., và Healey, S. 2018. Triển khai Thuật toán LandTrendr trên Google Earth Engine. Trong lĩnh vực Viễn thám. MDPI, 10(5): 691. doi:10.3390/rs10050691

  • Pasquarella, V. J., Brown, C. F., Czerwinski, W. và Rucklidge, W. J., 2023. Đánh giá toàn diện chất lượng hình ảnh vệ tinh quang học bằng phương pháp học video có giám sát yếu. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2124-2134 doi:10.1109/CVPRW59228.2023.00206.

  • Sentinel-Hub, 2021. Trình phát hiện đám mây Sentinel 2. [Trực tuyến]. Có tại: https://github.com/sentinel-hub/sentinel2-cloud-detector

  • Weiss, A.D., 2001. Phân tích vị trí địa hình và địa hình Poster Presentation, ESRI Users Conference, San Diego, CAZhu, Z., và Woodcock, C. E. 2012. Phát hiện đám mây và bóng mây dựa trên đối tượng trong hình ảnh Landsat. 118: 83-94.

  • Zhu, Z. và Woodcock, C. E., 2012. Phát hiện đám mây và bóng mây dựa trên đối tượng trong hình ảnh Landsat. Trong Remote Sensing of Environment. Science Direct, 118: 83-94. doi:10.1016/j.rse.2011.10.028

  • Zhu, Z. và Woodcock, C. E., 2014. Liên tục phát hiện thay đổi và phân loại mức độ bao phủ đất bằng cách sử dụng tất cả dữ liệu Landsat hiện có. Trong Remote Sensing of Environment. Science Direct, 144: 152-171. doi:10.1016/j.rse.2014.01.011

DOI

Khám phá bằng Earth Engine

Trình chỉnh sửa mã (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);
Mở trong Trình soạn thảo mã