Cette page a été traduite par l'API Cloud Translation.

USFS Landscape Change Monitoring System v2024.10 (CONUS and OCONUS)

Disponibilité des ensembles de données: 1985-01-01T00:00:00Z–2024-12-31T00:00:00Z
Fournisseur de l'ensemble de données: Bureau géospatial du Centre d'innovation et des services sur le terrain de l'USDA Forest Service (FSIC-GO)

Tags: change-detection forest gtac landcover landuse landuse-landcover redcastle-resources usda usfs
lcms

Description

Ce produit fait partie de la suite de données du système de surveillance des changements de paysage (LCMS, Landscape Change Monitoring System). Il indique les classes de changement, de couverture terrestre et/ou d'utilisation des terres modélisées par LCMS pour chaque année et couvre les États-Unis contigus (CONUS), ainsi que les zones en dehors des CONUS (OCONUS), y compris l'Alaska (AK), Porto Rico et les Îles Vierges américaines (PRUSVI) et Hawaï (HI). Les données PRUSVI et HI v2024.10 seront publiées à la fin de l'été 2025. Pour le moment, les données PRUSVI et HI LCMS de la version 2023.9 peuvent être utilisées (USFS/GTAC/LCMS/v2023-9).

LCMS est un système de télédétection permettant de cartographier et de surveiller les changements de paysage aux États-Unis. Son objectif est de développer une approche cohérente utilisant les dernières technologies et avancées en matière de détection des changements pour produire une carte "la plus précise possible" des changements de paysage.

Les sorties incluent trois produits annuels : les changements, la couverture du sol et l'occupation des sols. Le résultat du modèle de changement concerne spécifiquement la couverture végétale et inclut la perte lente, la perte rapide (qui inclut également les changements hydrologiques tels que l'inondation ou la dessiccation) et le gain. Ces valeurs sont prédites pour chaque année de la série temporelle Landsat et servent de produits de base pour LCMS. Nous appliquons un ensemble de règles basées sur des ensembles de données auxiliaires pour créer le produit de changement final, qui est un affinement/une reclassification du changement modélisé en 15 classes qui fournissent explicitement des informations sur la cause du changement de paysage (par exemple, (abattage d'arbres, incendie de forêt, dommages causés par le vent). Les cartes de couverture et d'utilisation des sols représentent la couverture des sols au niveau des formes de vie et l'utilisation des sols au niveau général pour chaque année.

Étant donné qu'aucun algorithme n'est le plus performant dans toutes les situations, LCMS utilise un ensemble de modèles comme prédicteurs, ce qui améliore la précision des cartes pour un large éventail d'écosystèmes et de processus de changement (Healey et al., 2018). La suite de cartes qui en résulte (modifications de la couverture et de l'utilisation des sols, et couverture des sols) offre une représentation globale des changements de paysage aux États-Unis depuis 1985.

Les couches de prédiction du modèle LCMS incluent les sorties des algorithmes de détection des changements LandTrendr et CCDC, ainsi que des informations sur le terrain. Tous ces composants sont accessibles et traités à l'aide de Google Earth Engine (Gorelick et al., 2017).

Pour produire des composites annuels pour LandTrendr, les données de réflectance au sommet de l'atmosphère de niveau 1C de la collection 2 de l'USGS Landsat Tier 1 et de Sentinel 2A, 2B ont été utilisées. L'algorithme de masquage de nuages cFmask (Foga et al., 2017), qui est une implémentation de Fmask 2.0 (Zhu et Woodcock, 2012) (Landsat uniquement), cloudScore (Chastain et al., 2019) (Landsat uniquement), s2cloudless (Sentinel-Hub, 2021) et Cloud Score plus (Pasquarella et al., 2023) (Sentinel-2 uniquement) sont utilisées pour masquer les nuages, tandis que TDOM (Chastain et al., 2019) est utilisé pour masquer les ombres de nuages (Landsat et Sentinel-2). Pour LandTrendr, le médoïde annuel est ensuite calculé pour résumer les valeurs sans nuages ni ombres de nuages de chaque année en un seul composite. Pour CCDC, les données de réflectance de surface Landsat de niveau 1 de la collection 2 de l'Institut d'études géologiques des États-Unis (USGS) ont été utilisées pour le CONUS, et les données de réflectance au sommet de l'atmosphère Landsat de niveau 1 pour l'Alaska, le PRUSVI et Hawaï.

La série temporelle composite est segmentée temporellement à l'aide de LandTrendr (Kennedy et al., 2010 ; Kennedy et al., 2018 ; Cohen et al., 2018).

Toutes les valeurs sans nuage ni ombre de nuage sont également segmentées temporellement à l'aide de l'algorithme CCDC (Zhu et Woodcock, 2014).

Les données du prédicteur incluent les valeurs composites brutes, les valeurs ajustées LandTrendr, les différences par paires, la durée du segment, l'amplitude et la pente du changement, ainsi que les coefficients sinusoïdaux et cosinusoïdaux CCDC (3 premières harmoniques), les valeurs ajustées et les différences par paires, ainsi que l'altitude, la pente, le sinus de l'aspect, le cosinus de l'aspect et les indices de position topographique (Weiss, 2001) issus des données du programme 3DEP (3D Elevation Program) de l'USGS (U.S. Geological Survey, 2019) à 10 mètres.

Les données de référence sont collectées à l'aide de TimeSync, un outil Web qui aide les analystes à visualiser et à interpréter l'enregistrement des données Landsat de 1984 à aujourd'hui (Cohen et al., 2010).

Des modèles de forêt aléatoire (Breiman, 2001) ont été entraînés à l'aide de données de référence issues de TimeSync et de données de prédiction issues de LandTrendr, CCDC et d'indices de terrain pour prédire les classes de changement annuel, de couverture terrestre et d'utilisation des terres. Après la modélisation, nous établissons une série de seuils de probabilité et d'ensembles de règles à l'aide d'ensembles de données auxiliaires pour améliorer la qualité des cartes et réduire les erreurs de commission et d'omission. Pour en savoir plus, consultez le document "LCMS Methods Brief" inclus dans la description.

Autres ressources

Exemple de code plus détaillé sur l'utilisation des données LCMS.
L'explorateur de données LCMS est une application Web qui permet aux utilisateurs d'afficher, d'analyser, de résumer et de télécharger des données LCMS.
Pour en savoir plus sur les méthodes et l'évaluation de la précision, consultez le résumé des méthodes LCMS. Pour télécharger des données, des métadonnées et des documents d'aide, consultez le Clearinghouse de données géographiques LCMS.
Les données PRUSVI et HI seront publiées à la fin de l'été 2025. Les données PRUSVI et HI LCMS de la version 2023.9 précédemment publiées sont disponibles (USFS/GTAC/LCMS/v2023-9).

Pour toute question ou demande de données spécifiques, contactez sm.fs.lcms@usda.gov.

Bracelets

Taille des pixels
30 mètres

Bandes de fréquences

Nom	Taille des pixels	Description
`Change`	mètres	Produit final de modification thématique du LCMS. Un total de quinze classes de changement sont mappées pour chaque année. Fondamentalement, le changement est modélisé avec trois modèles de forêt aléatoire binaires distincts pour chaque zone d'étude : perte lente, perte rapide et gain. Chaque pixel est attribué à la classe de changement modélisée ayant la probabilité la plus élevée et qui est également supérieure à un seuil spécifié. Tout pixel dont la valeur est inférieure au seuil de chaque classe est attribué à la classe "Stable". En suivant un ensemble de règles utilisant la classe de changement modélisée, des ensembles de données auxiliaires (tels que TCC, MTBS et IDS) et les données de couverture terrestre LCMS, l'une des 15 classes de causes de changement affinées est attribuée à chaque pixel. Pour en savoir plus sur l'ensemble de règles et les ensembles de données auxiliaires utilisés, consultez le document "LCMS Methods Brief" dont le lien figure dans la description.
`Land_Cover`	mètres	Produit final thématique de couverture des sols LCMS. Au total, 14 classes de couverture terrestre sont cartographiées chaque année à l'aide de données de référence TimeSync et d'informations spectrales issues des images Landsat. La couverture terrestre est prédite à l'aide d'un seul modèle de forêt aléatoire multiclasse, qui génère un tableau des probabilités de chaque classe (proportion des arbres au sein du modèle de forêt aléatoire qui ont "choisi" chaque classe). Les classes finales sont attribuées à l'utilisation des terres ayant la probabilité la plus élevée. Avant d'attribuer la classe de couverture terrestre ayant la probabilité la plus élevée, en fonction de la zone d'étude, un ou plusieurs seuils de probabilité et ensembles de règles utilisant des ensembles de données auxiliaires ont été appliqués. Pour en savoir plus sur les seuils de probabilité et les ensembles de règles, consultez le document "LCMS Methods Brief" dont le lien figure dans la description. Sept classes de couverture terrestre indiquent une seule couverture terrestre, où ce type de couverture terrestre couvre la majeure partie de la superficie du pixel et aucune autre classe ne couvre plus de 10 % du pixel. Sept cours mixtes sont également proposés. Il s'agit des pixels dans lesquels une classe de couverture terrestre supplémentaire couvre au moins 10 % du pixel.
`Land_Use`	mètres	Produit final thématique LCMS sur l'utilisation des terres. Un total de cinq classes d'utilisation des sols sont cartographiées chaque année à l'aide de données de référence TimeSync et d'informations spectrales issues des images Landsat. L'utilisation des sols est prédite à l'aide d'un seul modèle de forêt aléatoire multiclasse, qui génère un tableau des probabilités de chaque classe (proportion des arbres au sein du modèle de forêt aléatoire qui ont "choisi" chaque classe). Les classes finales sont attribuées à l'utilisation des terres ayant la probabilité la plus élevée. Avant d'attribuer la classe d'utilisation des terres ayant la probabilité la plus élevée, une série de seuils de probabilité et d'ensembles de règles utilisant des ensembles de données auxiliaires ont été appliqués. Pour en savoir plus sur les seuils de probabilité et les ensembles de règles, consultez le document "LCMS Methods Brief" dont le lien figure dans la description.
`Change_Raw_Probability_Slow_Loss`	mètres	Probabilité modélisée brute de perte lente (LCMS). La perte lente inclut les classes suivantes de l'interprétation du processus de modification TimeSync : Déclin structurel : terre où les arbres ou autre végétation ligneuse sont physiquement altérés par des conditions de croissance défavorables dues à des facteurs non anthropiques ou non mécaniques. Ce type de perte devrait généralement créer une tendance dans les signaux spectraux (par exemple, diminution du NDVI et de l'humidité, augmentation du SWIR, etc.). Toutefois, la tendance peut être subtile. Le déclin structurel se produit dans les environnements de végétation ligneuse, très probablement à cause des insectes, des maladies, de la sécheresse, des pluies acides, etc. Il peut inclure des événements de défoliation qui n'entraînent pas la mortalité, comme les infestations de la spongieuse et de la tordeuse des bourgeons de l'épinette, qui peuvent se rétablir en un ou deux ans. Déclin spectral : graphique où le signal spectral montre une tendance dans une ou plusieurs bandes ou indices spectraux (par exemple, diminution du NDVI, diminution de l'humidité, augmentation du SWIR, etc.). Par exemple, dans les cas suivants : a) la végétation non forestière/non ligneuse présente une tendance suggérant un déclin (par exemple, diminution de l'indice NDVI, diminution de l'humidité, augmentation de l'indice SWIR, etc.) ; b) la végétation ligneuse présente une tendance au déclin qui n'est pas liée à la perte de végétation ligneuse, par exemple lorsque les canopées d'arbres matures se referment, ce qui entraîne une augmentation de l'ombrage, lorsque la composition des espèces passe de conifères à feuillus, ou lorsqu'une période sèche (par opposition à une sécheresse plus forte et plus aiguë) entraîne une diminution apparente de la vigueur, mais aucune perte de matière ligneuse ou de surface foliaire.
`Change_Raw_Probability_Fast_Loss`	mètres	Probabilité modélisée brute de perte rapide (LCMS). La perte rapide inclut les classes suivantes de l'interprétation du processus de modification TimeSync : Incendie : terre modifiée par le feu, quelle que soit la cause de l'allumage (naturelle ou anthropique), la gravité ou l'utilisation des terres. Exploitation : terre forestière où des arbres, des arbustes ou d'autres végétaux ont été coupés ou enlevés par des moyens anthropiques. Il peut s'agir, par exemple, de coupes à blanc, de récupération de bois après un incendie ou une infestation d'insectes, d'éclaircies et d'autres prescriptions de gestion forestière (par exemple, la récolte de bois de protection/de semenciers). Mécanique : terres non forestières où des arbres, des arbustes ou d'autres végétaux ont été coupés ou enlevés mécaniquement par chaînage, raclage, coupe-broussailles, bulldozer ou toute autre méthode d'élimination de la végétation non forestière. Vent/glace : terres (quelle que soit leur utilisation) où la végétation est altérée par le vent lors d'ouragans, de tornades, de tempêtes et d'autres événements météorologiques extrêmes, y compris la pluie verglaçante lors de tempêtes de verglas. Hydrologie : terres où les inondations ont considérablement modifié la couverture arborée ou d'autres éléments de couverture des sols, quelle que soit l'utilisation des terres (par exemple, de nouveaux mélanges de gravier et de végétation dans et autour des lits de cours d'eau après une inondation). Débris : terrain (quelle que soit son utilisation) modifié par le mouvement de matériaux naturels associés aux glissements de terrain, aux avalanches, aux volcans, aux coulées de débris, etc. Autre : terre (quelle que soit son utilisation) où la tendance spectrale ou d'autres preuves suggèrent qu'une perturbation ou un événement de changement s'est produit, mais dont la cause définitive ne peut pas être déterminée ou dont le type de changement ne correspond à aucune des catégories de processus de changement définies ci-dessus.
`Change_Raw_Probability_Gain`	mètres	Probabilité de gain modélisée brute du LCMS. Définition : terres présentant une augmentation du couvert végétal en raison de la croissance et de la succession sur une ou plusieurs années. Applicable à toutes les zones susceptibles d'exprimer un changement spectral associé à la repousse de la végétation. Dans les zones développées, la croissance peut résulter de la maturation de la végétation et/ou de l'installation de nouvelles pelouses et de nouveaux aménagements paysagers. Dans les forêts, la croissance comprend la croissance de la végétation à partir de sols nus, ainsi que le dépassement des arbres intermédiaires et codominants et/ou des herbes et arbustes situés plus bas. Les segments de croissance/récupération enregistrés après la récolte forestière passeront probablement par différentes classes de couverture terrestre à mesure que la forêt se régénérera. Pour que ces changements soient considérés comme une croissance/une reprise, les valeurs spectrales doivent suivre de près une tendance à la hausse (par exemple, une pente positive qui, si elle était prolongée sur environ 20 ans, serait de l'ordre de 0,10 unité de NDVI) qui persiste pendant plusieurs années.
`Land_Cover_Raw_Probability_Trees`	mètres	Probabilité modélisée brute de LCMS pour les arbres. Définition : la majorité du pixel est constituée d'arbres vivants ou morts sur pied.
`Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix`	mètres	Probabilité modélisée brute de LCMS pour le mélange d'arbustes et d'arbres de grande taille (Alaska uniquement). Définition : la majorité du pixel est constituée d'arbustes de plus d'un mètre de haut et d'au moins 10 % d'arbres vivants ou morts sur pied.
`Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix`	mètres	Probabilité modélisée brute de LCMS pour le mélange d'arbustes et d'arbres. Définition : la majorité du pixel est composée d'arbustes et d'au moins 10 % d'arbres vivants ou morts sur pied.
`Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix`	mètres	Probabilité modélisée brute du LCMS pour le mélange d'herbes/plantes herbacées/arbres. Définition : la majorité du pixel est composée de graminées vivaces, de plantes herbacées ou d'autres formes de végétation herbacée, et d'au moins 10 % d'arbres vivants ou morts sur pied.
`Land_Cover_Raw_Probability_Barren-and-Trees-Mix`	mètres	Probabilité modélisée brute de la couverture terrestre LCMS pour les zones "Barren" (Dénudé) et "Trees Mix" (Forêt mixte). Définition : la majorité du pixel est constituée de sol nu exposé par des perturbations (par exemple, sol découvert par défrichage mécanique ou exploitation forestière), ainsi que de zones stériles pérennes telles que les déserts, les playas, les affleurements rocheux (y compris les minéraux et autres matériaux géologiques exposés par les activités minières de surface), les dunes de sable, les salines et les plages. Les routes en terre et en gravier sont également considérées comme stériles et comprennent également au moins 10 % d'arbres vivants ou morts sur pied.
`Land_Cover_Raw_Probability_Tall-Shrubs`	mètres	Probabilité brute modélisée par LCMS pour les arbustes de grande taille (Alaska uniquement). Définition : la majorité du pixel est constituée d'arbustes de plus d'un mètre de haut.
`Land_Cover_Raw_Probability_Shrubs`	mètres	Probabilité modélisée brute de la couverture terrestre LCMS pour les arbustes. Définition : la majorité du pixel est composée d'arbustes.
`Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix`	mètres	Probabilité modélisée brute de la couverture terrestre LCMS pour le mélange d'herbes, de plantes herbacées et d'arbustes. Définition : la majorité du pixel est composée de graminées vivaces, de plantes herbacées ou d'autres formes de végétation herbacée, et d'au moins 10 % d'arbustes.
`Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix`	mètres	Probabilité modélisée brute de la couverture terrestre LCMS pour le mélange de zones dénudées et d'arbustes. Définition : la majorité du pixel est constituée de sol nu exposé par des perturbations (par exemple, sol découvert par défrichage mécanique ou exploitation forestière), ainsi que de zones stériles pérennes telles que les déserts, les playas, les affleurements rocheux (y compris les minéraux et autres matériaux géologiques exposés par les activités minières de surface), les dunes de sable, les salines et les plages. Les routes en terre et en gravier sont également considérées comme arides et sont composées d'au moins 10 % d'arbustes.
`Land_Cover_Raw_Probability_Grass-Forb-Herb`	mètres	Probabilité brute modélisée par LCMS pour Grass/Forb/Herb. Définition : la majorité du pixel est composée de graminées vivaces, de plantes herbacées ou d'autres formes de végétation herbacée.
`Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix`	mètres	Probabilité modélisée brute LCMS de la catégorie "Barren" (Stérile) et de la catégorie "Grass/Forb/Herb Mix" (Mélange d'herbes/plantes herbacées/plantes à feuilles larges). Définition : la majorité du pixel est constituée de sol nu exposé par des perturbations (par exemple, sol découvert par défrichage mécanique ou exploitation forestière), ainsi que de zones pérennes stériles telles que les déserts, les playas, les affleurements rocheux (y compris les minéraux et autres matériaux géologiques exposés par les activités minières de surface), les dunes de sable, les salines et les plages. Les routes en terre et en gravier sont également considérées comme arides et sont également composées d'au moins 10 % de graminées vivaces, de plantes herbacées ou d'autres formes de végétation herbacée.
`Land_Cover_Raw_Probability_Barren-or-Impervious`	mètres	Probabilité brute modélisée par LCMS de la catégorie "Stérile ou imperméable". Définition : la majorité du pixel est composée de 1) sol nu exposé par une perturbation (par exemple, sol découvert par un défrichage mécanique ou une exploitation forestière), ainsi que de zones pérennes stériles telles que les déserts, les playas, les affleurements rocheux (y compris les minéraux et autres matériaux géologiques exposés par les activités minières de surface), les dunes de sable, les salines et les plages. Les routes en terre et en gravier sont également considérées comme stériles ou 2) les matériaux artificiels que l'eau ne peut pas pénétrer, tels que les routes pavées, les toits et les parkings.
`Land_Cover_Raw_Probability_Snow-or-Ice`	mètres	Probabilité brute modélisée par LCMS de neige ou de verglas. Définition : la majorité du pixel est constituée de neige ou de glace.
`Land_Cover_Raw_Probability_Water`	mètres	Probabilité modélisée brute de présence d'eau dans LCMS. Définition : la majorité du pixel est constituée d'eau.
`Land_Use_Raw_Probability_Agriculture`	mètres	Probabilité modélisée brute de la catégorie "Agriculture" dans LCMS. Définition : terres utilisées pour la production d'aliments, de fibres et de combustibles, qu'elles soient végétalisées ou non. Cela inclut, sans s'y limiter, les terres cultivées et non cultivées, les prairies, les vergers, les vignobles, les élevages intensifs et les zones plantées pour la production de fruits, de noix ou de baies. Les routes utilisées principalement à des fins agricoles (c'est-à-dire non utilisées pour les transports en commun d'une ville à une autre) sont considérées comme des terres agricoles.
`Land_Use_Raw_Probability_Developed`	mètres	Probabilité brute de développement modélisée par LCMS. Défini comme : terres recouvertes de structures artificielles (par exemple, zones résidentielles, commerciales, industrielles, minières ou de transport à forte densité), ou un mélange de végétation (y compris des arbres) et de structures (par exemple, zones résidentielles à faible densité, pelouses, installations récréatives, cimetières, corridors de transport et de services publics, etc.), y compris toute terre fonctionnellement modifiée par l'activité humaine.
`Land_Use_Raw_Probability_Forest`	mètres	Probabilité modélisée brute de la forêt par LCMS. Définition : terre plantée ou naturellement végétalisée, qui contient (ou est susceptible de contenir) une couverture arborée de 10 % ou plus à un moment donné au cours d'une séquence de succession à court terme. Cela peut inclure des catégories de forêts naturelles, de plantations forestières et de zones humides boisées (feuillus, conifères et/ou mixtes).
`Land_Use_Raw_Probability_Other`	mètres	Probabilité modélisée brute de la catégorie "Autre" dans LCMS. Définition : terres (quelle que soit leur utilisation) où la tendance spectrale ou d'autres preuves suggèrent qu'un événement de perturbation ou de changement s'est produit, mais dont la cause définitive ne peut pas être déterminée ou dont le type de changement ne correspond à aucune des catégories de processus de changement définies ci-dessus.
`Land_Use_Raw_Probability_Rangeland-or-Pasture`	mètres	Probabilité brute modélisée par LCMS pour les prairies ou les pâturages. Définition : cette classe inclut toute zone qui est a.) Les terres de parcours, où la végétation est un mélange d'herbes, d'arbustes, de plantes herbacées et de plantes graminoïdes indigènes, qui proviennent en grande partie de facteurs et de processus naturels tels que les précipitations, la température, l'altitude et les incendies, bien qu'une gestion limitée puisse inclure des brûlages dirigés ainsi que le pâturage par des herbivores domestiques et sauvages ; ou b.) Pâturage, où la végétation peut aller de graminées, de plantes herbacées et d'herbes mixtes et largement naturelles à une végétation plus gérée dominée par des espèces de graminées qui ont été semées et gérées pour maintenir une quasi-monoculture.
`QA_Bits`	mètres	Informations complémentaires sur l'origine des valeurs annuelles de production de produits LCMS.
Masque de bits pour QA_Bits Bit 0 : indique si le pixel est interpolé. 0 : Interpolé 1 : Non interpolé Bits 1 à 5 : capteur d'origine du pixel. 4 : Landsat 4 5 : Landsat 5 7 : Landsat 7 8 : Landsat 8 9 : Landsat 9 21 : Sentinel 2A 22 : Sentinel 2B Bits 6 à 14 : jour julien d'origine du pixel (de 1 à 365).

Modifier le tableau des cours

Valeur	Couleur	Description
1	#ff09f3	Vent
2	#541aff	Ouragan
3	#e4f5fd	Transition neige ou verglas
4	#cc982e	Dessiccation
5	#0adaff	Inondation
6	#a10018	Feu prescrit
7	#d54309	Wildfire
8	#fafa4b	Transformation mécanique des terres
9	#afde1c	Abattage d'arbres
10	#ffc80d	Défoliation
11	#a64c28	Scarabée du pin du Sud
12	#f39268	Stress lié aux insectes, aux maladies ou à la sécheresse
13	#c291d5	Autre perte
14	#00a398	Croissance successionnelle de la végétation
15	#3d4551	Stable
16	#1b1716	Masque de zone non traitée

Tableau des classes de couverture terrestre

Valeur	Couleur	Description
1	#004e2b	Arbres
2	#009344	Mélange d'arbustes et d'arbres de grande taille (Alaska uniquement)
3	#61bb46	Mélange d'arbustes et d'arbres
4	#acbb67	Mélange d'herbes, de plantes herbacées et d'arbres
5	#8b8560	Barren & Trees Mix
6	#cafd4b	Arbustes hauts (AK uniquement)
7	#f89a1c	Arbustes
8	#8fa55f	Mélange d'herbes, de plantes herbacées et d'arbustes
9	#bebb8e	Mélange de zones arides et d'arbustes
10	#e5e98a	Graminées/Plantes herbacées
11	#ddb925	Mélange de plantes herbacées/à feuilles larges/graminées pour zones arides
12	#893f54	Stérile ou imperméable
13	#e4f5fd	Neige ou verglas
14	#00b6f0	Eau
15	#1b1716	Masque de zone non traitée

Tableau des classes d'utilisation des terres

Valeur	Couleur	Description
1	#fbff97	Agriculture
2	#e6558b	Développé
3	#004e2b	Forêt
4	#9dbac5	Autre
5	#a6976a	Pâturage
6	#1b1716	Masque de zone non traitée

Propriétés des images

Propriétés de l'image

Nom	Type	Description
study_area	STRING	Le LCMS couvre actuellement les États-Unis contigus, l'Alaska, Porto Rico et les îles Vierges américaines, et Hawaï. Cette version contient CONUS. Les données pour l'Alaska, le PRUSVI et Hawaï seront publiées à la fin de l'été 2025. Valeurs possibles : "CONUS, AK"
version	STRING	Version du produit
startYear	INT	Année de début du produit
endYear	INT	Année de fin du produit
année	INT	Année du produit

Conditions d'utilisation

Conditions d'utilisation

Le service forestier de l'USDA ne fournit aucune garantie, explicite ou implicite, y compris les garanties de qualité marchande et d'adéquation à un usage particulier, et n'assume aucune responsabilité légale quant à l'exactitude, la fiabilité, l'exhaustivité ou l'utilité de ces données géospatiales, ni quant à leur utilisation inappropriée ou incorrecte. Ces données géospatiales et les cartes ou graphiques associés ne sont pas des documents juridiques et ne sont pas destinés à être utilisés comme tels. Les données et les cartes ne peuvent pas être utilisées pour déterminer le titre, la propriété, les descriptions ou les limites légales, la juridiction légale ni les restrictions qui peuvent être en place sur les terrains publics ou privés. Les risques naturels peuvent ou non être représentés sur les données et les cartes. Les utilisateurs des terres doivent faire preuve de prudence. Les données sont dynamiques et peuvent changer au fil du temps. Il incombe à l'utilisateur de vérifier les limites des données géospatiales et de les utiliser en conséquence.

Ces données ont été collectées grâce à des fonds du gouvernement américain et peuvent être utilisées sans autorisation ni frais supplémentaires. Si vous utilisez ces données dans une publication, une présentation ou un autre produit de recherche, veuillez utiliser la citation suivante :

Services forestiers américains (USDA). 2025. USFS Landscape Change Monitoring System v2024.10 (États-Unis contigus et États-Unis contigus extérieurs). Salt Lake City, Utah.

Citations

Services forestiers américains (USDA). 2025. Système de surveillance des changements de paysage de l'USFS v2024.10 (États-Unis contigus et États-Unis contigus extérieurs). Salt Lake City, Utah.
Breiman, L., 2001. Forêts aléatoires. Dans le machine learning. Springer, 45: 5-32. doi:10.1023/A:1010933404324
Chastain, R., Housman, I., Goldstein, J., Finco, M., et Tenneson, K., 2019. Comparaison empirique multisensorielle des caractéristiques spectrales au sommet de l'atmosphère des instruments MSI Sentinel-2A et 2B, OLI Landsat-8 et ETM Landsat-7 sur l'ensemble des États-Unis contigus. In Remote Sensing of Environment. Science Direct, 221: 274-285. doi:10.1016/j.rse.2018.11.012
Cohen, W. B. Yang, Z., et Kennedy, R., 2010. Détection des tendances de perturbation et de récupération des forêts à l'aide de séries temporelles Landsat annuelles : 2. TimeSync : outils de calibration et de validation. In Remote Sensing of Environment. Science Direct, 114(12): 2911-2924. doi:10.1016/j.rse.2010.07.010
Cohen, W. B. Yang, Z., Healey, S. P., Kennedy, R. E., et Gorelick, N., 2018. Ensemble multispectral LandTrendr pour la détection des perturbations forestières. 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. Comparaison et validation des algorithmes de détection des nuages pour les produits de données Landsat opérationnels. In Remote Sensing of Environment. Science Direct, 194 : 379-390. doi:10.1016/j.rse.2017.03.026
U.S. Geological Survey, 2019. Modèle numérique d'élévation du programme 3D Elevation de l'USGS, consulté en août 2022 sur https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m
Healey, S. P., Cohen, W. B. Yang, Z., Kenneth Brewer, C., Brooks, E. B. Gorelick, N., Hernandez, A. J., Huang, C., Joseph Hughes, M., Kennedy, R. E., Loveland, T. R. Moisen, G. G., Schroeder, T. A., Stehman, S. V., Vogelmann, J. E., Woodcock, C. E., Yang, L., et Zhu, Z., 2018. Cartographie des changements forestiers à l'aide de la généralisation empilée : une approche d'ensemble. In Remote Sensing of Environment. Science Direct, 204: 717-728. doi:10.1016/j.rse.2017.09.029
Kennedy, R. E., Yang, Z., et Cohen, W. B. 2010. Détecter les tendances des perturbations et de la régénération des forêts à l'aide de séries temporelles Landsat annuelles : 1. LandTrendr : algorithmes de segmentation temporelle. 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., et Healey, S. 2018. Implémentation de l'algorithme LandTrendr sur Google Earth Engine. In Remote Sensing. MDPI, 10(5): 691. doi:10.3390/rs10050691
Pasquarella, V. J., Brown, C. F., Czerwinski, W., et Rucklidge, W. J., 2023. Évaluation complète de la qualité des images satellite optiques à l'aide de l'apprentissage vidéo faiblement supervisé. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2124-2134.
Sentinel-Hub, 2021. Détecteur de nuages Sentinel 2. [En ligne]. Disponible à l'adresse suivante : https://github.com/sentinel-hub/sentinel2-cloud-detector
Weiss, A.D., 2001. Analyse de la position topographique et des formes de relief Présentation par affiche, ESRI Users Conference, San Diego, CAZhu, Z., et Woodcock, C. E. vers 2012. Détection des nuages et des ombres de nuages basée sur les objets dans les images Landsat. 118 : 83-94.
Zhu, Z. et Woodcock, C. E., vers 2012. Détection des nuages et des ombres de nuages basée sur les objets dans les images Landsat. In Remote Sensing of Environment. Science Direct, 118 : 83-94. doi:10.1016/j.rse.2011.10.028
Zhu, Z. et Woodcock, C. E., 2014. Détection et classification continues des changements de couverture terrestre à l'aide de toutes les données Landsat disponibles. In Remote Sensing of Environment. Science Direct, 144: 152-171. doi:10.1016/j.rse.2014.01.011

DOI

Explorer avec Earth Engine

Éditeur de code (JavaScript)

var dataset = ee.ImageCollection('USFS/GTAC/LCMS/v2024-10');

var lcms = dataset.filterDate('2022', '2023')  // range: [1985, 2024]
               .filter('study_area == "CONUS"')  // or "AK" 
               .first();

Map.addLayer(lcms.select('Land_Cover'), {}, 'Land Cover');
Map.addLayer(lcms.select('Land_Use'), {}, 'Land Use');
Map.addLayer(lcms.select('Change'), {}, 'Vegetation Change', false);

Map.setCenter(-98.58, 38.14, 4);

Ouvrir dans l'éditeur de code

USFS Landscape Change Monitoring System v2024.10 (CONUS and OCONUS)

Ce produit fait partie de la suite de données du système de surveillance des changements de paysage (LCMS, Landscape Change Monitoring System). Il indique les classes de changement, de couverture terrestre et/ou d'utilisation des terres modélisées par LCMS pour chaque année et couvre les États-Unis continentaux (CONUS), ainsi que les zones en dehors des États-Unis continentaux (OCONUS), y compris l'Alaska (AK), Porto Rico et les Îles Vierges américaines (PRUSVI), et…

USFS/GTAC/LCMS/v2024-10, change-detection,forest,gtac,landcover,landuse,landuse-landcover,redcastle-resources,usda,usfs

1985-01-01T00:00:00Z/2024-12-31T00:00:00Z

20.38379 -135.286387 52.459364 -56.446306

Google Earth Engine

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

USFS Landscape Change Monitoring System v2024.10 (CONUS and OCONUS) Restez organisé à l'aide des collections Enregistrez et classez les contenus selon vos préférences.

Description

Bracelets

Propriétés des images

Conditions d'utilisation

Citations

DOI

Explorer avec Earth Engine

Éditeur de code (JavaScript)

USFS Landscape Change Monitoring System v2024.10 (CONUS and OCONUS)