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

informações

Esse conjunto de dados faz parte de um catálogo de editores e não é gerenciado pelo Google Earth Engine. Entre em contato com o Serviço Florestal do USDA para informar bugs ou ver mais conjuntos de dados no catálogo de serviços do Serviço Florestal do USDA. Saiba mais sobre os conjuntos de dados do publisher.

Proprietário do catálogo

Serviço Florestal do USDA

(em inglês)

Disponibilidade do conjunto de dados

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

Produtor de conjunto de dados

USDA Forest Service (USFS) Field Services and Innovation Center Geospatial Office (FSIC-GO)

Snippet do Earth Engine

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

Tags

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

Descrição

O conjunto de dados de cobertura de copas de árvores (TCC, na sigla em inglês), produzido pelo Departamento de Agricultura dos Estados Unidos, Serviço Florestal (USFS, na sigla em inglês), são saídas de mapas anuais baseados em sensoriamento remoto de 1985 a 2025. Esses dados apoiam o projeto do Banco de Dados Nacional de Cobertura da Terra (NLCD, na sigla em inglês), gerenciado pelo Serviço Geológico dos EUA (USGS, na sigla em inglês) como parte do consórcio de Características da Terra de Múltipla Resolução (MRLC, na sigla em inglês). O projeto visa usar a tecnologia mais recente para criar um mapa consistente e "melhor disponível" da cobertura de copas de árvores. A metodologia é detalhada em Heyer et al. (2025). O escopo geográfico inclui as regiões contíguas dos Estados Unidos (CONUS) e OCONUS (Sudeste do Alasca [SEAK], Havaí [HI], Porto Rico e Ilhas Virgens Americanas [PRUSVI]). Os dados de PRUSVI e HI v2025-6 serão lançados no final do verão de 2026.

Produtos

O pacote de dados da TCC inclui três produtos:

• TCC de ciências:as saídas brutas e diretas do modelo.

• Erro padrão de ciência (SE): o desvio padrão do modelo dos valores previstos de todas as árvores de regressão.

• TCC do NLCD:um produto refinado derivado das imagens anuais do TCC de ciência. Ele passa por pós-processamento para reduzir o ruído interanual, destacar tendências de longo prazo e mascarar recursos específicos (como água e agricultura não arbórea).

Cada imagem inclui uma banda de máscara de dados com três valores que representam áreas sem dados (0), cobertura de copa de árvore mapeada (1) e área sem processamento (2). As áreas sem processamento são pixels na área de estudo sem dados de nuvem ou sem sombra de nuvem. Pixels sem dados e área sem processamento são mascarados em imagens de TCC e SE.

Dados e métodos

Desenvolvemos dados de treinamento e modelos de floresta aleatória para CONUS, SEAK, PRUSVI e HI usando o TCC fotointerpretado do Inventário e Análise Florestal (FIA) do USFS como dados de referência. Usamos o Google Earth Engine (GEE) (Gorelick et al., 2017) para processar o LandTrendr e os preditores de terreno. Os dados de terreno do Programa de Elevação 3D (3DEP, na sigla em inglês) (Serviço Geológico dos EUA, 2019) incluem elevação, inclinação, seno de aspecto e cosseno de aspecto. Para os EUA continentais, também incluímos a camada de dados de plantações (CDL, na sigla em inglês) como um preditor (Lin et al., 2022).

Usamos imagens de refletância do topo da atmosfera do USGS Collection 2 Landsat Tier 1 e Sentinel 2A/2B Level-1C para produzir composições anuais de medoides. Para garantir a qualidade dos dados, aplicamos vários algoritmos para mascarar nuvens e sombras, incluindo o cFmask (Foga et al., 2017; Zhu e Woodcock, 2012), cloudScore (Chastain et al., 2019), s2cloudless (Sentinel-Hub, 2021), Cloud Score+ (Pasquarella et al., 2023) e TDOM (Chastain et al., 2019). Depois de mascarados, calculamos medoides anuais para criar um único composto sem nuvens para cada ano. Por fim, a série temporal composta foi segmentada temporalmente usando o LandTrendr (Kennedy et al., 2010, 2018; Cohen et al., 2018).

Para o CONUS, usamos 70% dos dados de referência para calibragem e 30% para avaliação independente de erros. Devido à diversidade ecológica do CONUS, dividimos a área de modelagem em 54 blocos (480 km × 480 km). Em computadores locais, criamos um modelo exclusivo de floresta aleatória para cada bloco (Breiman, 2001), treinando-o com dados de referência que se cruzam em uma janela de 5x5 ao redor do bloco central. Em seguida, os modelos foram implantados no GEE para prever a cobertura de árvores de ponta a ponta. Para as regiões OCONUS, usamos uma divisão de 80/20 e desenvolvemos um único modelo de floresta aleatória para cada região.

Para conferir a metodologia completa de TCC, consulte Heyer et al. (2025).

Additional Resources

• Consulte o resumo dos métodos de TCC ou o artigo acadêmico do periódico Science of Remote Sensing para informações detalhadas sobre métodos e avaliação de acurácia.

• Consulte o TCC Geodata Clearinghouse (link em inglês) para downloads de dados, metadados e documentos de suporte.

Entre em contato com [e-mail] se tiver dúvidas ou solicitações de dados específicas.

Bandas

Bandas

Tamanho do pixel: 30 metros (todas as bandas)

Nome	Unidades	Tamanho do pixel	Descrição
Science_Percent_Tree_Canopy_Cover	%	30 metros	As saídas brutas do modelo direto. Cada pixel tem um valor médio previsto de cobertura de áreas verdes para cada ano.
Science_Percent_Tree_Canopy_Cover_Standard_Error	%	30 metros	O desvio padrão dos valores previstos de todas as árvores de regressão é chamado de erro padrão. Cada pixel tem um erro padrão para cada ano.
NLCD_Percent_Tree_Canopy_Cover	%	30 metros	Para produzir a cobertura de copas de árvores do NLCD, um fluxo de trabalho de pós-processamento é aplicado à saída direta do modelo, que identifica e define valores de pixels sem árvores como zero por cento de cobertura de copas de árvores.
data_mask		30 metros	Três valores que representam áreas sem dados, cobertura de áreas verdes mapeadas e área não processada. A área de não processamento é onde os pixels na área de estudo não têm dados disponíveis sem nuvens ou sombras de nuvens para produzir uma saída.
Bitmask para data_mask Bits 0 a 1: três valores que representam áreas sem dados, cobertura de áreas verdes mapeadas e área não processada. 0: sem dados 1: Cobertura de áreas verdes mapeada 2: área sem processamento

Propriedades de imagens

Propriedades da imagem

Nome	Tipo	Descrição
study_area	STRING	No momento, o TCC abrange CONUS, sudeste do Alasca, Porto Rico, Ilhas Virgens Americanas e Havaí. Essa versão contém dados para CONUS, AK, PRUSVI e HI. Valores possíveis: "CONUS", "AK", "PRUSVI", "HI"
version	STRING	Esta é a quinta versão do produto TCC lançada no consórcio MRLC, que faz parte do National Land Cover Database (NLCD).
startYear	INT	"Ano de início do produto"
endYear	INT	"Ano de término do produto"
ano	INT	"Ano do produto"

Termos de Uso

Termos de Uso

O Serviço Florestal do USDA não oferece garantia, expressa ou implícita, incluindo garantias de comercialização e adequação a uma finalidade específica, nem assume qualquer responsabilidade legal pela precisão, confiabilidade, integridade ou utilidade desses dados geoespaciais ou pelo uso inadequado ou incorreto deles. Esses dados geoespaciais e mapas ou gráficos relacionados não são documentos legais e não devem ser usados como tal. Os dados e mapas não podem ser usados para determinar título, propriedade, descrições ou limites legais, jurisdição legal ou restrições que possam estar em vigor em terras públicas ou privadas. Os riscos naturais podem ou não ser retratados nos dados e mapas, e os usuários da terra devem ter cautela. Os dados são dinâmicos e podem mudar com o tempo. O usuário é responsável por verificar as limitações dos dados geoespaciais e usá-los de acordo.

Esses dados foram coletados com financiamento do governo dos EUA e podem ser usados sem permissões ou taxas adicionais. Se você usar esses dados em uma publicação, apresentação ou outro produto de pesquisa, use a seguinte citação:

USDA Forest Service. 2025. Cobertura de áreas verdes da USFS v2025.6 (Estados Unidos contíguos e Estados Unidos contíguos externos). Salt Lake City, Utah.

Citações

Citações:

• USDA Forest Service. 2025. Cobertura de áreas verdes da USFS v2025.6 (Estados Unidos contíguos e Estados Unidos contíguos externos). Salt Lake City, Utah.

• Breiman, L., 2001. Florestas aleatórias. Em machine learning. Springer, 45: 5-32 doi:10.1023/A:1010933404324

• Chastain, R., Housman, I., Goldstein, J., Finco, M., and Tenneson, K., 2019. Comparação empírica entre sensores das características espectrais do topo da atmosfera do Sentinel-2A e 2B MSI, do Landsat-8 OLI e do Landsat-7 ETM nos Estados Unidos contíguos. Em 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., e Gorelick, N., 2018. Um conjunto multiespectral do LandTrendr para detecção de distúrbios florestais. Em 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. Comparação e validação de algoritmos de detecção de nuvens para produtos de dados operacionais do Landsat. Em 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., e Bogle, M. S. (2025). Mapeamento anual da cobertura da copa das árvores em todo o país: um novo fluxo de trabalho com capacidade de transferência temporal e melhor quantificação da incerteza. Science of Remote Sensing, 100301. doi:10.1016/j.srs.2025.100301

• Kennedy, R. E., Yang, Z., and Cohen, W. B., 2010. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 1. LandTrendr: algoritmos de segmentação temporal. Em 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., and Healey, S., 2018. Implementação do algoritmo LandTrendr no Google Earth Engine. Em sensoriamento remoto. MDPI, 10(5): 691 doi:10.3390/rs10050691

• Lin, L.; Di, L.; Zhang, C.; Guo, L.; Di, Y.; Li, H.; Yang, A. 2022. Validação e refinamento da camada de dados de lavouras usando um algoritmo de árvore de decisão espaço-temporal. 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. Avaliação abrangente da qualidade de imagens de satélite ópticas usando aprendizado de vídeo com supervisão fraca. Anais da Conferência IEEE/CVF sobre Visão Computacional e Reconhecimento de Padrões. 2124-2134. doi:10.1109/CVPRW59228.2023.00206

• Sentinel-Hub, 2021. Detector de nuvens do Sentinel 2. [Online]. Disponível em: https://github.com/sentinel-hub/sentinel2-cloud-detector

• U.S. Geological Survey, 2019. Modelo digital de elevação do programa de elevação 3D do USGS, acessado em agosto de 2022 em https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m

• Zhu, Z., and Woodcock, C. E., 2012. Detecção de nuvens e sombras de nuvens com base em objetos em imagens do Landsat. Em Remote Sensing of Environment. Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028

Identificadores 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

Explore com o Earth Engine

Importante: o Earth Engine é uma plataforma para análise científica e visualização de petabytes de conjuntos de dados geoespaciais, tanto para benefício público quanto para usuários empresariais e governamentais. A plataforma pode ser usada sem custo financeiro para pesquisa, educação e objetivos sem fins lucrativos. Para começar, cadastre-se para ter acesso ao Earth Engine.

Editor de código (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);

Abrir no editor de código

Cobertura da copa das árvores da USFS v2025-6 (CONUS e OCONUS)

O conjunto de dados de cobertura de copa de árvores (TCC, na sigla em inglês), produzido pelo Serviço Florestal do Departamento de Agricultura dos Estados Unidos (USFS, na sigla em inglês), é composto por saídas de mapas anuais baseados em sensoriamento remoto de 1985 a 2025. Esses dados apoiam o projeto do National Land Cover Database (NLCD), gerenciado pelo Serviço Geológico dos EUA (USGS) como parte do …

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