USFS Tree Canopy Cover v2025-6 (CONUS and OCONUS)

情報

このデータセットはパブリッシャー カタログの一部であり、Google Earth Engine によって管理されていません。バグについては USDA Forest Service にお問い合わせください。USDA Forest Service カタログでその他のデータセットを表示することもできます。詳しくは、パブリッシャー データセットについての説明をご覧ください。

カタログ オーナー

米国農務省森林局

利用可能なデータセットの期間

1985-06-01T00:00:00Z–2025-12-31T00:00:00Z

データセット プロデューサー

米国農務省森林局（USFS）フィールド サービスおよびイノベーション センター地理空間オフィス（FSIC-GO）

Earth Engine スニペット

ee.ImageCollection("projects/gtac-data-publish/assets/TCC/Product_Version/2025-6")

タグ

forest gtac gtac-data-publish landuse-landcover publisher-dataset redcastle-resources usda usfs usgs

説明

米国農務省林野部（USFS）が作成した Tree Canopy Cover（TCC）データスイートは、1985 年から 2025 年までの年次リモート センシング ベースの地図出力です。これらのデータは、米国地質調査所（USGS）がマルチ解像度土地特性（MRLC）コンソーシアムの一環として管理している National Land Cover Database（NLCD）プロジェクトをサポートしています。このプロジェクトでは、最新のテクノロジーを使用して、樹木エリアの割合の「最良の」地図を継続的に作成することを目指しています。手法については、Heyer 他（2025 年）で詳しく説明しています。地理的範囲には、米国本土（CONUS）と OCONUS 地域（アラスカ南東部（SEAK）、ハワイ（HI）、プエルトリコ、米領バージン諸島（PRUSVI））が含まれます。PRUSVI と HI v2025-6 のデータは 2026 年の夏にリリースされます。

プロダクト

TCC データスイートには次の 3 つのプロダクトが含まれています。

• Science TCC: モデルからの未加工の直接出力。

• 科学標準誤差（SE）: すべての回帰木から予測された値のモデル標準偏差。

• NLCD TCC: 年間の Science TCC 画像から派生した精製されたプロダクト。年間のノイズを減らし、長期的な傾向を強調し、特定の機能（水や樹木以外の農業など）をマスクするために、後処理が行われます。

各画像には、データなしの領域（0）、マッピングされた樹冠被覆（1）、処理なしの領域（2）を表す 3 つの値を持つデータマスクバンドが含まれています。処理なしの領域は、雲や雲の影のないデータを含む調査領域のピクセルです。データなしのピクセルと処理なしの領域は、TCC 画像と SE 画像でマスクされます。

データと方法

米国森林局の森林インベントリと分析（FIA）の写真判読による TCC を参照データとして使用して、CONUS、SEAK、PRUSVI、HI のトレーニング データとランダム フォレスト モデルを開発しました。Google Earth Engine（GEE）（Gorelick et al., 2017）を使用して、LandTrendr と地形予測子を処理します。3D 標高プログラム（3DEP）（米国地質調査所、2019 年）の地形データには、標高、傾斜、斜面の正弦、斜面の余弦が含まれます。CONUS では、予測変数として Crop Data Layer（CDL）も追加しました（Lin et al., 2022 年）。

USGS Collection 2 Landsat Tier 1 と Sentinel 2A/2B Level-1C の大気圏上部反射率画像を使用して、年間のメドイド合成を作成しました。データ品質を確保するため、cFmask（Foga 他、2017 年、Zhu と Woodcock、2012 年）、cloudScore（Chastain 他、2019 年）、s2cloudless（Sentinel-Hub、2021 年）、Cloud Score+（Pasquarella 他、2023 年）、TDOM（Chastain 他、2019 年）など、さまざまなアルゴリズムを適用して雲と影をマスクしました。マスク処理後、年間のメドイドを計算して、各年の雲のない単一の合成を作成しました。最後に、LandTrendr（Kennedy 他、2010 年、2018 年、Cohen 他、2018 年）を使用して、合成時系列を時間的にセグメント化しました。

米国本土では、参照データの 70% をキャリブレーションに使用し、30% を独立した誤差評価に使用しました。CONUS の生態系の多様性を考慮して、モデリング領域を 54 個のタイル（480 km × 480 km）に分割しました。ローカル コンピュータでは、タイルごとに一意のランダム フォレスト モデルを構築し（Breiman、2001）、中心タイルの周囲の 5×5 ウィンドウと交差する参照データでトレーニングしました。その後、モデルは GEE にデプロイされ、壁から壁までの TCC を予測しました。OCONUS リージョンでは、80/20 の分割を使用し、リージョンごとに単一のランダム フォレスト モデルを開発しました。

TCC の方法論の詳細については、Heyer et al.（2025）をご覧ください。

参考情報

• 方法と精度評価の詳細については、TCC メソッドの概要または Science of Remote Sensing 学術論文をご覧ください。

• データのダウンロード、メタデータ、サポート ドキュメントについては、TCC Geodata Clearinghouse をご覧ください。

ご不明な点や特定のデータ リクエストについては、[e-mail] までお問い合わせください。

バンド

バンド

ピクセルサイズ: 30 メートル（すべてのバンド）

名前	単位	ピクセルサイズ	説明
Science_Percent_Tree_Canopy_Cover	%	30 メートル	未加工の直接モデルの出力。各ピクセルには、各年の樹木エリアの平均予測値があります。
Science_Percent_Tree_Canopy_Cover_Standard_Error	%	30 メートル	参照するすべての回帰木の予測値の標準偏差を標準誤差と呼びます。各ピクセルには、各年の標準誤差があります。
NLCD_Percent_Tree_Canopy_Cover	%	30 メートル	NLCD の樹冠被覆率を生成するために、直接モデル出力に後処理ワークフローが適用され、樹木のないピクセルの値が特定されて 0% の樹冠被覆率に設定されます。
data_mask		30 メートル	データなしのエリア、マッピングされた樹木被覆、処理対象外のエリアを表す 3 つの値。非処理領域は、出力の生成に使用できる雲や雲の影のないデータが調査領域内のピクセルにない領域です。
data_mask のビットマスク ビット 0 ～ 1: データなしのエリア、マッピングされた樹冠被覆、処理なしのエリアを表す 3 つの値。 0: データなし 1: マッピングされた樹木エリアの割合 2: 非処理エリア

画像プロパティ検出

画像プロパティ

名前	タイプ	説明
study_area	STRING	現在、TCC は米国本土、アラスカ南東部、プエルトリコ、米領バージン諸島、ハワイを対象としています。このバージョンには、CONUS、AK、PRUSVI、HI のデータが含まれています。使用可能な値: 'CONUS'、'AK'、'PRUSVI'、'HI'
version	STRING	これは、National Land Cover Database（NLCD）の一部である MRLC コンソーシアムでリリースされた TCC プロダクトの第 5 バージョンです。
startYear	INT	'商品の開始年'
endYear	INT	「商品の終了年」
年	INT	「商品の年」

利用規約

利用規約

米国農務省森林局は、商品性や特定目的への適合性に関する保証を含め、明示または黙示を問わず、いかなる保証も行いません。また、これらの地理空間データの精度、信頼性、完全性、ユーティリティ、またはこれらの地理空間データの不適切な使用や誤った使用について、法的責任や義務を負いません。これらの地理空間データと関連する地図やグラフィックは法的文書ではなく、法的文書として使用することを意図したものではありません。データと地図は、所有権、法的説明、境界、地域の適用法令、公有地または私有地に課せられる可能性のある制限を判断するために使用することはできません。データと地図に自然災害が示されている場合も示されていない場合もあります。土地の利用者は十分な注意を払う必要があります。データは動的であり、時間の経過とともに変化する可能性があります。地理空間データの制限事項を確認し、それに応じてデータを使用するのはユーザーの責任です。

これらのデータは米国政府の資金援助を受けて収集されたもので、追加の権限や料金なしで使用できます。これらのデータを出版物、プレゼンテーション、その他の研究成果物で使用する場合は、次の引用を使用してください。

米国農務省森林局。2025 年 4 月。USFS Tree Canopy Cover v2025.6（米国本土および米国本土外）。ユタ州ソルトレイクシティ。

引用

引用:

• 米国農務省森林局。2025 年 4 月。USFS Tree Canopy Cover v2025.6（米国本土および米国本土外）。ユタ州ソルトレイクシティ。

• Breiman, L.、2001 年。ランダム フォレスト。ML。Springer、45: 5 ～ 32 doi:10.1023/A:1010933404324

• Chastain, R.、Housman, I.、Goldstein, J.、Finco, M.、Tenneson, K.、2019 年。 米国本土における Sentinel-2A および 2B MSI、Landsat-8 OLI、Landsat-7 ETM の大気圏上端のスペクトル特性のセンサー間比較。環境のリモート センシング。Science Direct, 221: 274-285 doi:10.1016/j.rse.2018.11.012

• Cohen, W. B., Yang, Z.、Healey, S. P.、Kennedy, R. E.、Gorelick, N.、2018 年。 森林破壊の検出のための LandTrendr マルチスペクトル アンサンブル。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 年。運用 Landsat データ プロダクトの雲検出アルゴリズムの比較と検証。Remote Sensing of Environment に掲載。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). 全国の樹冠被覆率の年次マッピング: 時間的転送可能性と不確実性の定量化の改善を備えた新しいワークフロー。Science of Remote Sensing, 100301. doi:10.1016/j.srs.2025.100301

• Kennedy, R. E., Yang, Z.、Cohen, W. B., 2010 年。Landsat の年次時系列データを使用した森林の撹乱と回復の傾向の検出: 1. LandTrendr - 時間セグメンテーション アルゴリズム。Remote Sensing of Environment に掲載。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.、Healey, S.、2018 年。Google Earth Engine での LandTrendr アルゴリズムの実装。リモート センシング。MDPI、10(5): 691 doi:10.3390/rs10050691

• Lin, L.; Di, L.; Zhang, C.; Guo, L.; Di, Y.; Li, H.; Yang, A. 2022. Validation and refinement of cropland data layer using a spatial-temporal decision tree algorithm. Scientific Data. 9(1): 63. doi:10.1038/s41597-022-01169-w

• Pasquarella, V. J., Brown, C. F., Czerwinski, W.、Rucklidge, W. J., 2023 年。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 年。Sentinel 2 Cloud Detector。[オンライン]。 https://github.com/sentinel-hub/sentinel2-cloud-detector で入手可能

• 米国地質調査所、2019 年。USGS 3D 標高プログラム デジタル標高モデル。2022 年 8 月に https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m でアクセス

• Zhu, Z.、Woodcock, C. E., 2012 年。Landsat 画像におけるオブジェクト ベースの雲と雲の影の検出。In 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

Earth Engine で探索する

重要: Earth Engine は、公共の利益のため、および、ビジネス ユーザーや政府機関のユーザーのための、地理空間データセットのペタバイト規模の科学的分析と可視化を目的としたプラットフォームです。Earth Engine は、研究、教育、非営利目的の場合は無料でご使用いただけます。まず、Earth Engine への登録を行ってください。

コードエディタ（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);

コードエディタで開く

USFS Tree Canopy Cover v2025-6（CONUS と OCONUS）

米国農務省林野部（USFS）が作成した Tree Canopy Cover（TCC）データスイートは、1985 年から 2025 年までの年次リモート センシング ベースの地図出力です。これらのデータは、米国地質調査所（USGS）が … の一環として管理している National Land Cover Database（NLCD）プロジェクトをサポートしています。

projects/gtac-data-publish/assets/TCC/Product_Version/2025-6, forest,gtac,gtac-data-publish,landuse-landcover,publisher-dataset,redcastle-resources,usda,usfs,usgs

1985-06-01T00:00:00Z/2025-12-31T00:00:00Z

20.38379 -135.286387 52.459364 -56.446306

Google Earth Engine

https://developers.google.com/earth-engine/datasets

• https://doi.org/10.3390/rs10050691
• https://doi.org/10.3390/rs10050691