קבוצת הנתונים הזו היא חלק מקטלוג של בעלי תוכן דיגיטלי, והוא לא מנוהל על ידי Google Earth Engine. אפשר לפנות אל USDA Forest Service כדי לדווח על באגים או לראות קבוצות נתונים נוספות מקטלוג USDA Forest Service. מידע נוסף על קבוצות נתונים של בעלי תוכן דיגיטלי
- בעלי הקטלוג
- USDA Forest Service
- זמינות קבוצת הנתונים
- 1985-06-01T00:00:00Z–2025-12-31T00:00:00Z
- מפיק מערך הנתונים
- USDA Forest Service (USFS) Field Services and Innovation Center Geospatial Office (FSIC-GO)
- תגים
תיאור
סדרת הנתונים של כיסוי צמרות העצים (TCC), שנוצרה על ידי שירות היערות של משרד החקלאות של ארצות הברית (USFS), כוללת פלט של מפות שנתיות שמבוססות על חישה מרחוק, מהשנים 1985 עד 2025. הנתונים האלה תומכים בפרויקט National Land Cover Database (NLCD), שמנוהל על ידי הסקר הגיאולוגי של ארה"ב (USGS) כחלק מקונסורציום Multi-Resolution Land Characteristics (MRLC). מטרת הפרויקט היא להשתמש בטכנולוגיה העדכנית ביותר כדי ליצור מפה עקבית של כיסוי צמרות העצים, שהיא "הטובה ביותר שזמינה". המתודולוגיה מפורטת במאמר של Heyer et al. (2025). ההיקף הגיאוגרפי כולל את אזורי CONUS ו-OCONUS (דרום-מזרח אלסקה (SEAK), הוואי (HI), פורטו ריקו ואיי הבתולה של ארה"ב (PRUSVI)). נתוני PRUSVI ו-HI v2025-6 יפורסמו בסוף קיץ 2026.
מוצרים
חבילת הנתונים של TCC כוללת שלושה מוצרים:
מדע TCC: הפלט הגולמי והישיר מהמודל.
שגיאת התקן (SE) של המדע: סטיית התקן של המודל של הערכים החזויים מכל עצי הרגרסיה.
NLCD TCC: מוצר משופר שנגזר מתמונות שנתיות של TCC. הוא עובר עיבוד לאחר יצירה כדי להפחית רעשים בין-שנתיים, להדגיש מגמות ארוכות טווח ולהסתיר מאפיינים ספציפיים (כמו מים וחקלאות שאינה מבוססת על עצים).
כל תמונה כוללת פס של מסכת נתונים עם שלושה ערכים שמייצגים אזורים ללא נתונים (0), כיסוי של צל עצים ממופה (1) ואזור ללא עיבוד (2). האזורים שלא עוברים עיבוד הם פיקסלים באזור המחקר ללא נתונים של עננים או צללים של עננים. פיקסלים ללא נתונים ואזורים שלא עוברים עיבוד מוסתרים בתמונות של TCC ו-SE.
נתונים ושיטות
פיתחנו נתוני אימון ומודלים של יערות אקראיים עבור CONUS, SEAK, PRUSVI ו-HI באמצעות נתוני TCC שפוענחו מתמונות של מלאי היערות וניתוח (FIA) של USFS כנתוני הפניה. השתמשנו ב-Google Earth Engine (GEE) (Gorelick et al., 2017) כדי לעבד את LandTrendr ואת התחזיות לגבי השטח. נתוני השטח מתוכנית 3D Elevation Program (3DEP) (U.S. Geological Survey, 2019) כוללים גובה, שיפוע, סינוס של כיוון המדרון וקוסינוס של כיוון המדרון. בנוסף, עבור ארה"ב היבשתית, הוספנו את שכבת נתוני הגידולים (CDL) כמשתנה חיזוי (Lin et al., 2022).
השתמשנו בתמונות של השתקפות בחלק העליון של האטמוספרה ברמה 1C של Landsat Tier 1 Collection 2 ושל Sentinel 2A/2B כדי ליצור קומפוזיציות שנתיות של מדוידים. כדי להבטיח את איכות הנתונים, הפעלנו אלגוריתמים שונים להסרת עננים וצללים, כולל cFmask (Foga et al., 2017; Zhu and Woodcock, 2012), cloudScore (Chastain et al., 2019), s2cloudless (Sentinel-Hub, 2021), Cloud Score+ (Pasquarella et al., 2023) ו-TDOM (Chastain et al., 2019). אחרי ההסרה, חישבנו מדוידים שנתיים כדי ליצור קומפוזיציה אחת ללא עננים לכל שנה. לבסוף, חילקנו את סדרת הזמן של הקומפוזיציה לקטעים לפי זמן באמצעות LandTrendr (Kennedy et al., 2010, 2018; Cohen et al., 2018).
באזורים של ארה"ב הרציפה, השתמשנו ב-70% מנתוני הייחוס לכיול וב-30% להערכת שגיאות עצמאית. בהתחשב במגוון האקולוגי של ארה"ב הרציפה, חילקנו את אזור המידול ל-54 משבצות (480 ק"מ × 480 ק"מ). במחשבים מקומיים, בנינו מודל ייחודי של יער אקראי לכל משבצת (Breiman, 2001), ואימנו אותו על נתוני ייחוס שחוצים חלון בגודל 5×5 סביב משבצת המרכז. לאחר מכן פרסנו את המודלים ב-GEE כדי לחזות את כיסוי העננים הכולל. באזורים של ארה"ב הלא רציפה, השתמשנו בחלוקה של 80/20 ופיתחנו מודל יער אקראי יחיד לכל אזור.
המתודולוגיה המלאה של TCC מפורטת במאמר של Heyer et al. (2025).
מקורות מידע נוספים
מידע מפורט על שיטות והערכת דיוק זמין בסקירה של שיטות TCC או במאמר בכתב העת Science of Remote Sensing.
מידע על הורדות נתונים, מטא-נתונים ומסמכי תמיכה זמין במרכז המידע של TCC בנושא נתונים גיאוגרפיים.
בכל שאלה או בקשה ספציפית לנתונים, אפשר לפנות אל SM.FS.TCC@usda.gov.
תחום תדרים
תחום תדרים
גודל הפיקסל: 30 מטרים (כל הפסים)
| שם | יחידות | גודל הפיקסל | תיאור | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Science_Percent_Tree_Canopy_Cover |
% | 30 מטרים | הפלטים הגולמיים של המודל הישיר. לכל פיקסל יש ערך ממוצע של כיסוי צל העצים החזוי לכל שנה. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Science_Percent_Tree_Canopy_Cover_Standard_Error |
% | 30 מטרים | סטיית התקן של הערכים החזויים מכל עצי הרגרסיה שאליהם מתייחסים נקראת שגיאת תקן. לכל פיקסל יש שגיאת תקן לכל שנה. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
NLCD_Percent_Tree_Canopy_Cover |
% | 30 מטרים | כדי ליצור כיסוי של צל עצים ב-NLCD, מפעילים תהליך עבודה של עיבוד שלאחר מכן על הפלט הישיר של המודל, שמזהה ערכי פיקסלים של אזורים ללא עצים ומגדיר אותם לאפס אחוז כיסוי של צל עצים. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
data_mask |
30 מטרים | שלושה ערכים שמייצגים אזורים ללא נתונים, כיסוי צל עצים ממופה ואזור ללא עיבוד. האזור ללא עיבוד הוא אזור שבו אין נתונים זמינים של פיקסלים בתוך אזור המחקר, ללא עננים או צל של עננים, כדי ליצור פלט. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
מאפייני תמונה
מאפייני תמונה
| שם | סוג | תיאור |
|---|---|---|
| study_area | מחרוזת | נכון לעכשיו, נתוני TCC מכסים את ארה"ב היבשתית, דרום-מזרח אלסקה, פוארטו ריקו, איי הבתולה של ארה"ב והוואי. הגרסה הזו מכילה נתונים של ארה"ב היבשתית, אלסקה, פוארטו ריקו, איי הבתולה של ארה"ב והוואי. ערכים אפשריים: CONUS, AK, PRUSVI, HI |
| גרסה | מחרוזת | זוהי הגרסה החמישית של מוצר TCC שפורסמה בקונסורציום MRLC, שהוא חלק ממאגר הנתונים הלאומי של כיסוי הקרקע (NLCD) |
| startYear | INT | 'שנת ההתחלה של המוצר' |
| endYear | INT | 'End year of the product' (שנת הסיום של המוצר) |
| שנה | INT | 'שנת המוצר' |
תנאים והגבלות
תנאים והגבלות
שירות היערות של משרד החקלאות האמריקאי לא נותן אחריות, מפורשת או משתמעת, כולל אחריות לסחירות ולהתאמה למטרה מסוימת, ולא נושא באחריות משפטית או באחריות כלשהי לדיוק, למהימנות, לשלמות או לשימושיות של הנתונים הגיאו-מרחביים האלה, או לשימוש לא תקין או שגוי בנתונים הגיאו-מרחביים האלה. הנתונים הגיאו-מרחביים והמפות או הגרפיקות הקשורות לא מהווים מסמכים משפטיים, והם לא מיועדים לשימוש ככאלה. אסור להשתמש בנתונים ובמפות כדי לקבוע בעלות, תיאורים משפטיים או גבולות, סמכות שיפוט או הגבלות שעשויות לחול על קרקע ציבורית או פרטית. יכול להיות שסכנות טבעיות יופיעו בנתונים ובמפות, ויכול להיות שלא. לכן, משתמשים בקרקע צריכים לנקוט משנה זהירות. הנתונים דינמיים ועשויים להשתנות עם הזמן. באחריות המשתמש לוודא מהן המגבלות של הנתונים הגיאו-מרחביים ולהשתמש בנתונים בהתאם.
הנתונים האלה נאספו במימון ממשלת ארה"ב, ואפשר להשתמש בהם ללא הרשאות או עמלות נוספות. אם אתם משתמשים בנתונים האלה בפרסום, במצגת או במוצר מחקר אחר, עליכם לציין את המקור הבא:
שירות היערות של משרד החקלאות האמריקאי (USDA). 2025. USFS Tree Canopy Cover v2025.6 (Conterminous United States and Outer Conterminous United States). סולט לייק סיטי, יוטה.
ציטוטים ביבליוגרפיים
שירות היערות של משרד החקלאות האמריקאי (USDA). 2025. USFS Tree Canopy Cover v2025.6 (Conterminous United States and Outer Conterminous United States). סולט לייק סיטי, יוטה.
Breiman, L., 2001. Random Forests. ב-Machine Learning. Springer, 45: 5-32 doi:10.1023/A:1010933404324
Chastain, R., Housman, I., Goldstein, J., Finco, M., and Tenneson, K., 2019. השוואה אמפירית בין חיישנים של Sentinel-2A ו-2B MSI, Landsat-8 OLI ו-Landsat-7 ETM, של מאפיינים ספקטרליים בחלק העליון של האטמוספירה מעל ארצות הברית הרציפה. בחישה מרחוק של הסביבה. Science Direct, 221: 274-285 doi:10.1016/j.rse.2018.11.012
Cohen, W. B., יאנג, ז. (Yang, Z.), Healey, S. P., קנדי, ר. E., and Gorelick, N., 2018. LandTrendr multispectral ensemble לזיהוי הפרעות ביערות. בחישה מרחוק של הסביבה. 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., יוז, מ.ג'יי (Hughes, M.J.), Laue, B., 2017. השוואה ואימות של אלגוריתם לזיהוי עננים במוצרי נתונים תפעוליים של Landsat. ב-Remote Sensing of Environment. Science Direct, 194: 379-390 doi:10.1016/j.rse.2017.03.026
Heyer, J., Schleeweis, K., Ruefenacht, B., Housman, I., Zhiqiang, Y., Ryerson, D., Reischmann, J., Megown, K., & Bogle, M. S. (2025). מיפוי שנתי של כיסוי צל העצים ברמה הלאומית: תהליך עבודה חדשני עם יכולת העברה זמנית ושיפור בכימות אי הוודאות. Science of Remote Sensing, 100301. doi:10.1016/j.srs.2025.100301
קנדי, ר. E., Yang, Z., and Cohen, W. B., 2010. זיהוי מגמות בהפרעות ביערות ובהתאוששות שלהם באמצעות סדרות זמן שנתיות של Landsat: 1. LandTrendr – אלגוריתמים לפילוח זמני. ב-Remote Sensing of Environment. Science Direct, 114(12): 2897-2910 doi:10.1016/j.rse.2010.07.008
Kennedy, R., יאנג, ז. (Yang, Z.), Gorelick, N., Braaten, J., Cavalcante, L., Cohen, W., and Healey, S., 2018. הטמעה של אלגוריתם LandTrendr ב-Google Earth Engine. בחישה מרחוק. MDPI, 10(5): 691 doi:10.3390/rs10050691
Lin, L.; Di, L.; Zhang, C.; Guo, L.; Di, Y.; Li, H.; Yang, A. 2022. אימות ושיפור של שכבת הנתונים של שטחי גידול באמצעות אלגוריתם של עץ החלטות מרחבי-זמני. Scientific Data. 9(1): 63. doi:10.1038/s41597-022-01169-w
Pasquarella, V. J., Brown, C. F., Czerwinski, W., and Rucklidge, W. J., 2023. Comprehensive Quality Assessment of Optical Satellite Imagery Using Weakly Supervised Video Learning. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2124-2134. doi:10.1109/CVPRW59228.2023.00206
Sentinel-Hub, 2021. Sentinel 2 Cloud Detector. [אונליין]. זמין בכתובת: https://github.com/sentinel-hub/sentinel2-cloud-detector
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
Zhu, Z., and Woodcock, C. E., 2012. זיהוי עננים וצללים של עננים בתמונות Landsat על בסיס אובייקטים. בחישה מרחוק של הסביבה. Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028
מזהי 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/10.1016/j.srs.2025.100301
- https://doi.org/10.1023/A:1010933404324
- https://doi.org/10.1038/s41597-022-01169-w
- https://doi.org/10.1109/CVPRW59228.2023.00206
- https://doi.org/10.3390/rs10050691
סיור עם פלטפורמת Earth Engine
עורך קוד (JavaScript)
// Import the tree canopy cover collection var dataset = ee.ImageCollection('projects/gtac-data-publish/assets/TCC/Product_Version/2025-6'); //Filter collection to year 2024 and study areas specified in list var tcc = dataset.filter(ee.Filter.calendarRange(2024, 2024,'year')) // range: [1985, 2025] .filter(ee.Filter.inList('study_area', ['AK', 'CONUS'])) // CONUS, AK, .mosaic(); // 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);