Set data ini adalah bagian dari Katalog Penayang, dan tidak dikelola oleh Google Earth Engine. Hubungi USDA Forest Service untuk melaporkan bug atau melihat set data lainnya dari Katalog USDA Forest Service. Pelajari lebih lanjut set data Penayang.
- Pemilik Katalog
- USDA Forest Service
- Ketersediaan Set Data
- 1985-06-01T00:00:00Z–2025-12-31T00:00:00Z
- Produsen Set Data
- USDA Forest Service (USFS) Field Services and Innovation Center Geospatial Office (FSIC-GO)
- Tag
Deskripsi
Rangkaian data Tree Canopy Cover (TCC), yang diproduksi oleh United States Department of Agriculture, Forest Service (USFS), adalah output peta berbasis penginderaan jauh tahunan yang mencakup tahun 1985-2025. Data ini mendukung project National Land Cover Database (NLCD), yang dikelola oleh US Geological Survey (USGS) sebagai bagian dari konsorsium Multi-Resolution Land Characteristics (MRLC). Project ini bertujuan untuk menggunakan teknologi terbaru guna membuat peta tutupan tajuk pohon yang konsisten dan "terbaik yang tersedia". Metodologi dijelaskan secara mendetail dalam Heyer et al. (2025). Cakupan geografis mencakup wilayah Conterminous United States (CONUS) dan OCONUS (Southeast Alaska (SEAK), Hawaii (HI), Puerto Rico, dan US Virgin Islands (PRUSVI)). Data PRUSVI dan HI v2025-6 akan dirilis pada akhir Musim Panas 2026.
Produk
Rangkaian data TCC mencakup tiga produk:
TCC Sains: Output mentah dan langsung dari model.
Kesalahan standar (SE) sains: Deviasi standar model dari nilai yang diprediksi dari semua pohon regresi.
NLCD TCC: Produk yang disempurnakan yang berasal dari gambar TCC Sains tahunan. Data ini menjalani pasca-pemrosesan untuk mengurangi derau antar-tahunan, menyoroti tren jangka panjang, dan menutupi fitur tertentu (seperti air dan pertanian non-pohon).
Setiap gambar menyertakan band mask data yang memiliki tiga nilai yang merepresentasikan area tanpa data (0), cakupan tajuk pohon yang dipetakan (1), dan area non-pemrosesan (2). Area non-pemrosesan adalah piksel di area studi tanpa data bebas awan atau bayangan awan. Piksel tanpa data dan area non-pemrosesan ditutupi dalam gambar TCC dan SE.
Data dan Metode
Kami mengembangkan data pelatihan dan model random forest untuk CONUS, SEAK, PRUSVI, dan HI menggunakan TCC yang diinterpretasikan dari foto USFS Forest Inventory and Analysis (FIA) sebagai data referensi. Kami memanfaatkan Google Earth Engine (GEE) (Gorelick et al., 2017) untuk memproses LandTrendr dan prediktor medan. Data medan dari 3D Elevation Program (3DEP) (U.S. Geological Survey, 2019) mencakup elevasi, kemiringan, sinus aspek, dan kosinus aspek. Untuk CONUS, kami juga menyertakan Crop Data Layer (CDL) sebagai prediktor (Lin et al., 2022).
Kami menggunakan citra reflektansi puncak atmosfer USGS Collection 2 Landsat Tier 1 dan Sentinel 2A/2B Level-1C untuk menghasilkan komposit medoid tahunan. Untuk memastikan kualitas data, kami menerapkan berbagai algoritma untuk menyamarkan awan dan bayangan, termasuk cFmask (Foga et al., 2017; Zhu dan Woodcock, 2012), cloudScore (Chastain et al., 2019), s2cloudless (Sentinel-Hub, 2021), Cloud Score+ (Pasquarella et al., 2023), dan TDOM (Chastain et al., 2019). Setelah ditutupi, kami menghitung medoid tahunan untuk membuat komposit bebas awan tunggal untuk setiap tahun. Terakhir, deret waktu komposit disegmentasikan secara temporal menggunakan LandTrendr (Kennedy et al., 2010, 2018; Cohen et al., 2018).
Untuk CONUS, kami menggunakan 70% data referensi untuk kalibrasi dan 30% untuk penilaian kesalahan independen. Mengingat keragaman ekologis CONUS, kami membagi area pemodelan menjadi 54 petak (480 km × 480 km). Di komputer lokal, kami membuat model random forest unik untuk setiap petak (Breiman, 2001), melatihnya dengan data referensi yang berpotongan dengan jendela 5x5 di sekitar petak tengah. Kemudian, model tersebut di-deploy di GEE untuk memprediksi TCC di seluruh area. Untuk wilayah OCONUS, kami menggunakan pembagian 80/20, dan mengembangkan satu model random forest untuk setiap wilayah.
Untuk mengetahui metodologi TCC lengkap, lihat Heyer et al. (2025).
Referensi Tambahan
Lihat TCC Methods Brief atau artikel jurnal Science of Remote Sensing untuk mengetahui informasi mendetail tentang metode dan penilaian akurasi.
Lihat TCC Geodata Clearinghouse untuk mendownload data, metadata, dan dokumen dukungan.
Hubungi SM.FS.TCC@usda.gov jika ada pertanyaan atau permintaan data tertentu.
Band
Band
Ukuran piksel: 30 meter (semua band)
| Nama | Unit | Ukuran Piksel | Deskripsi | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Science_Percent_Tree_Canopy_Cover |
% | 30 meter | Output model langsung mentah. Setiap piksel memiliki nilai rata-rata cakupan kanopi pohon yang diprediksi untuk setiap tahun. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Science_Percent_Tree_Canopy_Cover_Standard_Error |
% | 30 meter | Simpangan baku nilai yang diprediksi dari semua pohon regresi yang kita sebut sebagai kesalahan baku. Setiap piksel memiliki kesalahan baku untuk setiap tahun. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
NLCD_Percent_Tree_Canopy_Cover |
% | 30 meter | Untuk menghasilkan cakupan kanopi pohon NLCD, alur kerja pasca-pemrosesan diterapkan pada output model langsung yang mengidentifikasi dan menetapkan nilai piksel non-pohon ke nol persen cakupan kanopi pohon. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
data_mask |
30 meter | Tiga nilai yang merepresentasikan area tanpa data, cakupan kanopi pohon yang dipetakan, dan area non-pemrosesan. Area non-pemrosesan adalah area tempat piksel dalam area studi tidak memiliki data bebas awan atau bayangan awan yang tersedia untuk menghasilkan output. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Properti Gambar
Properti Gambar
| Nama | Jenis | Deskripsi |
|---|---|---|
| study_area | STRING | TCC saat ini mencakup CONUS, Alaska Tenggara, Puerto Riko-Kepulauan Virgin AS, dan Hawaii. Versi ini berisi data untuk CONUS, AK, PRUSVI, dan HI. Kemungkinan nilai: 'CONUS', 'AK', 'PRUSVI', 'HI' |
| versi | STRING | Ini adalah produk TCC versi kelima yang dirilis dalam konsorsium MRLC yang merupakan bagian dari National Land Cover Database (NLCD) |
| startYear | INT | 'Tahun mulai produk' |
| endYear | INT | 'Tahun akhir produk' |
| tahun | INT | 'Tahun produk' |
Persyaratan Penggunaan
Persyaratan Penggunaan
USDA Forest Service tidak memberikan jaminan, baik tersurat maupun tersirat, termasuk jaminan kelayakan untuk diperdagangkan dan kesesuaian untuk tujuan tertentu, serta tidak memikul kewajiban atau tanggung jawab hukum apa pun atas akurasi, keandalan, kelengkapan, atau kegunaan data geospasial ini, atau atas penggunaan data geospasial ini yang tidak tepat atau salah. Data geospasial ini dan peta atau grafik terkait bukan merupakan dokumen hukum dan tidak dimaksudkan untuk digunakan sebagai dokumen hukum. Data dan peta tidak boleh digunakan untuk menentukan hak atas tanah, kepemilikan, deskripsi atau batas hukum, yurisdiksi hukum, atau batasan yang mungkin berlaku di lahan publik atau pribadi. Bahaya alam mungkin atau mungkin tidak digambarkan dalam data dan peta, dan pengguna lahan harus berhati-hati. Data bersifat dinamis dan dapat berubah seiring waktu. Pengguna bertanggung jawab untuk memverifikasi batasan data geospasial dan menggunakan data tersebut dengan tepat.
Data ini dikumpulkan menggunakan pendanaan dari Pemerintah AS dan dapat digunakan tanpa izin atau biaya tambahan. Jika Anda menggunakan data ini dalam publikasi, presentasi, atau produk riset lainnya, harap gunakan kutipan berikut:
USDA Forest Service. 2025. USFS Tree Canopy Cover v2025.6 (Conterminous United States and Outer Conterminous United States). Salt Lake City, Utah.
Kutipan
USDA Forest Service. 2025. USFS Tree Canopy Cover v2025.6 (Conterminous United States and Outer Conterminous United States). Salt Lake City, Utah.
Breiman, L., 2001. Random Forest. Dalam Machine Learning. Springer, 45: 5-32 doi:10.1023/A:1010933404324
Chastain, R., Housman, I., Goldstein, J., Finco, M., dan Tenneson, K., 2019. Perbandingan empiris lintas sensor Sentinel-2A dan 2B MSI, Landsat-8 OLI, dan Landsat-7 ETM karakteristik spektral atas atmosfer di seluruh Amerika Serikat. Dalam 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., dan Gorelick, N., 2018. Ensemble multispektral LandTrendr untuk deteksi gangguan hutan. Dalam 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. Perbandingan dan validasi algoritma deteksi awan untuk produk data Landsat operasional. Dalam 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). Pemetaan tutupan kanopi pohon nasional tahunan: Alur kerja baru dengan kemampuan transfer temporal dan peningkatan kuantifikasi ketidakpastian. Science of Remote Sensing, 100301. doi:10.1016/j.srs.2025.100301
Kennedy, R. E., Yang, Z., dan Cohen, W. B., 2010. Mendeteksi tren gangguan dan pemulihan hutan menggunakan deret waktu Landsat tahunan: 1. LandTrendr - Algoritma segmentasi temporal. Dalam 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., dan Healey, S., 2018. Penerapan Algoritma LandTrendr di Google Earth Engine. Dalam Penginderaan Jauh. MDPI, 10(5): 691 doi:10.3390/rs10050691
Lin, L.; Di, L.; Zhang, C.; Guo, L.; Di, Y.; Li, H.; Yang, A. 2022. Validasi dan penyempurnaan lapisan data lahan pertanian menggunakan algoritma pohon keputusan spasial-temporal. Data Ilmiah. 9(1): 63. doi:10.1038/s41597-022-01169-w
Pasquarella, V. J., Brown, C. F., Czerwinski, W., dan Rucklidge, W. J., 2023. Comprehensive Quality Assessment of Optical Satellite Imagery Using Weakly Supervised Video Learning. Dalam Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2124-2134. doi:10.1109/CVPRW59228.2023.00206
Sentinel-Hub, 2021. Detektor Awan Sentinel 2. [Online]. Tersedia di: https://github.com/sentinel-hub/sentinel2-cloud-detector
U.S. Geological Survey, 2019. Model Ketinggian Digital Program Ketinggian 3D USGS, diakses Agustus 2022 di https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m
Zhu, Z., dan Woodcock, C. E., 2012. Deteksi awan dan bayangan awan berbasis objek dalam gambar Landsat. Dalam Remote Sensing of Environment. Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028
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
Mengeksplorasi dengan Earth Engine
Editor Kode (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);