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

資訊

這個資料集屬於發布商目錄，並非由 Google Earth Engine 管理。 如有錯誤或想查看更多資料集，請與美國農業部林務局聯絡。進一步瞭解發布商資料集。

目錄擁有者

美國農業部林務署

資料集開放期間

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

資料集產生者

美國農業部林務署 (USFS) 現場服務與創新中心地理空間辦公室 (FSIC-GO)

Earth Engine 程式碼片段

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

標記

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

說明

樹冠覆蓋率 (TCC) 資料套件由美國農業部森林服務署 (USFS) 製作，是 1985 年至 2025 年的年度遙測地圖輸出內容。這些資料支援美國地質調查局 (USGS) 管理的國家土地覆蓋資料庫 (NLCD) 專案，該專案是多重解析度土地特徵 (MRLC) 聯盟的一部分。這項專案的目標是運用最新技術，製作一致的「最佳可用」樹冠覆蓋率地圖。方法詳見 Heyer 等人 (2025 年) 的研究。地理範圍包括美國本土 (CONUS) 和美國本土以外 (OCONUS) 的區域 (阿拉斯加東南部 (SEAK)、夏威夷 (HI)、波多黎各和美屬維京群島 (PRUSVI))。PRUSVI 和 HI v2025-6 資料將於 2026 年夏季末發布。

產品

TCC 資料套件包含三項產品：

• 科學 TCC：模型直接輸出的原始結果。

• 科學標準差 (SE)：所有迴歸樹預測值的模型標準差。

• NLCD TCC：這項精細產品是根據年度科學 TCC 圖像衍生而來，經過後續處理程序，可減少年際雜訊、凸顯長期趨勢，並遮蓋特定特徵 (例如水和非樹木農業)。

每張圖片都包含資料遮罩波段，其中有三個值，分別代表無資料區域 (0)、已繪製的樹冠覆蓋區域 (1) 和非處理區域 (2)。非處理區域是指研究區域中沒有雲朵或無雲陰影資料的像素。在 TCC 和 SE 圖片中，沒有資料和非處理區域的像素會遭到遮蓋。

資料和方法

我們使用美國森林局森林清查與分析 (FIA) 經照片解讀的 TCC 做為參考資料，為美國本土、東南阿拉斯加、波多黎各和美屬維京群島，以及夏威夷開發訓練資料和隨機森林模型。我們運用了 Google Earth Engine (GEE) (Gorelick 等人，2017) 來處理 LandTrendr 和地形預測因子。3D 高程計畫 (3DEP) (美國地質調查局，2019 年) 的地形資料包括海拔、坡度、坡向正弦值和坡向餘弦值。對於美國本土，我們也納入作物資料層 (CDL) 做為預測因子 (Lin 等人，2022)。

我們使用 USGS Collection 2 Landsat Tier 1 和 Sentinel 2A/2B Level-1C 大氣頂層反射率影像，製作年度中位數合成影像。為確保資料品質，我們套用各種演算法來遮蔽雲朵和陰影，包括 cFmask (Foga 等人，2017; Zhu and Woodcock, 2012)、cloudScore (Chastain et al., 2019)、s2cloudless (Sentinel-Hub，2021)、Cloud Score+ (Pasquarella 等人，2023 年) 和 TDOM (Chastain 等人，2019)。遮蓋雲層後，我們計算出每年中位數，製作出每年一張無雲的合成影像。最後，使用 LandTrendr (Kennedy 等人，2010, 2018; Cohen et al., 2018)。

在美國本土，我們使用 70% 的參考資料進行校正，並使用 30% 的參考資料進行獨立的錯誤評估。考量到美國本土的生態多樣性，我們將建模區域劃分為 54 個圖塊 (480 公里 × 480 公里)。在本地電腦上，我們為每個圖塊建立專屬的隨機森林模型 (Breiman，2001)，並以與中心圖塊周圍 5×5 視窗相交的參考資料訓練模型。接著，我們在 GEE 中部署模型，預測整個區域的 TCC。在美國本土以外的區域，我們使用 80/20 的分割比例，並為每個區域開發單一隨機森林模型。

如需完整的 TCC 方法，請參閱 Heyer 等人 (2025 年) 的研究。

其他資源

• 如要詳細瞭解方法和準確度評估，請參閱「TCC 方法簡介」或「Science of Remote Sensing journal article」。

• 如要下載資料、中繼資料和支援文件，請前往 TCC Geodata Clearinghouse。

如有任何問題或特定資料要求，請傳送電子郵件至 [e-mail]。

頻帶

波段

像素大小：30 公尺 (所有頻帶)

名稱	單位	像素大小	說明
Science_Percent_Tree_Canopy_Cover	%	30 公尺	直接模型輸出的原始資料。每個像素都有每年樹冠覆蓋率的預測平均值。
Science_Percent_Tree_Canopy_Cover_Standard_Error	%	30 公尺	所有迴歸樹的預測值標準差稱為標準誤差。每個像素每年都有標準誤差。
NLCD_Percent_Tree_Canopy_Cover	%	30 公尺	為產生 NLCD 樹冠覆蓋資料，我們會對直接模型輸出內容套用後續處理工作流程，找出非樹木的像素值並設為 0% 樹冠覆蓋。
data_mask		30 公尺	這三個值分別代表沒有資料的區域、已繪製的樹冠覆蓋範圍，以及非處理區域。非處理區域是指研究區域內的像素沒有可用的無雲或無雲影資料，因此無法產生輸出內容。
data_mask 的位元遮罩 位元 0-1：三個值，分別代表無資料區域、對應的樹冠層覆蓋範圍，以及非處理區域。 0：沒有資料 1：樹冠覆蓋率地圖 2：非處理區域

圖片屬性

影像屬性

名稱	類型	說明
study_area	STRING	TCC 目前涵蓋美國本土、阿拉斯加東南部、波多黎各、美屬維京群島和夏威夷。這個版本包含美國本土、阿拉斯加、波多黎各、美屬維京群島和夏威夷的資料。可能的值：「CONUS」、「AK」、「PRUSVI」、「HI」
版本	STRING	這是 MRLC 聯盟發布的第五版 TCC 產品，屬於全國土地覆蓋資料庫 (NLCD) 的一部分
startYear	INT	「產品的開始年份」
endYear	INT	「產品結束年份」
年	INT	「產品年份」

使用條款

使用條款

美國農業部林務署不提供任何明示或默示擔保，包括適售性和特定用途適用性的擔保，也不對這些地理空間資料的準確性、可靠性、完整性或實用性，或對這些地理空間資料的不當或錯誤使用承擔任何法律責任或義務。這些地理空間資料和相關地圖或圖像並非法律文件，也不適用於法律用途。這些資料和地圖不得用於判斷公共或私人土地的權利、所有權、法律說明或界線、法律管轄權，或可能存在的限制。資料和地圖可能顯示或未顯示自然災害，土地使用者應謹慎行事。資料是動態的，可能會隨時間變更。使用者有責任驗證地理空間資料的限制，並據此使用資料。

這些資料是透過美國政府的資金收集而來，可免費使用，不需額外權限。如要在出版品、簡報或其他研究產品中使用這些資料，請加註以下引用內容：

美國農業部林務署。2025 年。USFS 樹冠覆蓋率 v2025.6 (美國本土和美國本土外)。猶他州鹽湖城。

參考資料

參考資料：

• 美國農業部林務署。2025 年。USFS 樹冠覆蓋率 v2025.6 (美國本土和美國本土以外地區)。 猶他州鹽湖城。

• Breiman, L.、2001 年。隨機森林。在機器學習中。Springer，45：5-32 doi:10.1023/A:1010933404324

• Chastain, R.、Housman, I.、Goldstein, J.、Finco, M. 和 Tenneson, K.，2019 年。 Empirical cross sensor comparison of Sentinel-2A and 2B MSI, Landsat-8 OLI, and Landsat-7 ETM top of atmosphere spectral characteristics over the conterminous United States. In 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. 和 Gorelick, N.，2018 年。 用於偵測森林干擾的 LandTrendr 多光譜集成。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。比較及驗證雲端偵測演算法，適用於作業 Landsat 資料產品。In 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)。每年繪製全國樹冠層覆蓋地圖：採用新穎的工作流程，具備時間轉移性，並提升不確定性量化結果。Science of Remote Sensing, 100301. doi:10.1016/j.srs.2025.100301

• Kennedy, R. E.、Yang, Z. 和 Cohen, W. B. 2010 年。 使用 Landsat 每年時間序列資料偵測森林干擾和復原趨勢：1. LandTrendr - 時間區隔演算法。In 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. 和 Healey, S.，2018 年。 在 Google Earth Engine 上實作 LandTrendr 演算法。在遙感中，MDPI, 10(5): 691 doi:10.3390/rs10050691

• Lin, L.；Di, L.；Zhang, C.；Guo, L.；Di, Y.；Li, H.；Yang, A. 2022 年。使用時空決策樹演算法驗證及修正農地資料層。科學資料。9(1): 63. doi:10.1038/s41597-022-01169-w

• Pasquarella, V. J.、Brown, C. F.、Czerwinski, W. 和 Rucklidge, W. J. 2023 年。Comprehensive Quality Assessment of Optical Satellite Imagery Using Weakly Supervised Video Learning. 收錄於 IEEE/CVF 電腦視覺與模式辨識會議論文集。2124-2134. doi:10.1109/CVPRW59228.2023.00206

• Sentinel-Hub，2021 年。Sentinel 2 Cloud Detector。[線上]。網址：https://github.com/sentinel-hub/sentinel2-cloud-detector

• 美國地質調查局，2019 年。USGS 3D Elevation Program Digital Elevation Model，2022 年 8 月存取自 https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m

• Zhu, Z. 和 Woodcock, C. E.、2012 年。在 Landsat 影像中偵測雲朵和雲影。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

使用 Earth Engine 探索

重要事項： Earth Engine 平台可對地理空間資料集進行 PB 等級的科學分析和圖表/影像作業，適合用於促進公共福祉，或供企業和政府使用。 Earth Engine 可免費用於研究、教育和非營利用途。如有意使用，請申請 Earth Engine 權限。

程式碼編輯器 (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);

在程式碼編輯器開啟

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

樹冠覆蓋 (TCC) 資料套件由美國農業部森林服務局 (USFS) 製作，是 1985 年至 2025 年的年度遙測地圖輸出內容。這些資料支援美國地質調查局 (USGS) 管理的國家土地覆蓋資料庫 (NLCD) 專案，屬於…

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