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

USFS/GTAC/LCMS/v2024-10
データセットの可用性
1985-01-01T00:00:00Z–2024-12-31T00:00:00Z
データセット プロバイダ
Earth Engine スニペット
ee.ImageCollection("USFS/GTAC/LCMS/v2024-10")
タグ
change-detection forest gtac landcover landuse landuse-landcover redcastle-resources usda usfs
lcms

説明

このプロダクトは、景観変化監視システム（LCMS）データスイートの一部です。各年の LCMS モデリングによる変化、土地被覆、土地利用のクラスを示し、米国本土（CONUS）だけでなく、アラスカ（AK）、プエルトリコ - 米領バージン諸島（PRUSVI）、ハワイ（HI）などの CONUS 外の地域（OCONUS）も対象としています。PRUSVI と HI v2024.10 のデータは 2025 年の夏にリリースされます。現時点では、v2023.9 PRUSVI および HI LCMS データを使用できます（USFS/GTAC/LCMS/v2023-9）。

LCMS は、米国全土の景観変化をマッピングしてモニタリングするためのリモート センシング ベースのシステムです。その目的は、最新のテクノロジーと変化検出の進歩を使用して一貫したアプローチを開発し、景観変化の「利用可能な最良の」地図を作成することです。

出力には、変化、土地被覆、土地利用の 3 つの年次プロダクトが含まれます。変化モデルの出力は植生被覆に特に関連しており、緩やかな減少、急速な減少（浸水や乾燥などの水文変化も含む）、増加が含まれます。これらの値は、Landsat 時系列の各年について予測され、LCMS の基礎となるプロダクトとして機能します。補助データセットに基づいてルールセットを適用し、最終的な変化プロダクトを作成します。これは、モデル化された変化を 15 のクラスに絞り込み/再分類したもので、景観の変化の原因に関する情報を明示的に提供します（例: 木の伐採、山火事、風による損傷など）。土地被覆と土地利用の地図には、各年の生物レベルの土地被覆と広範なレベルの土地利用が示されています。

すべての状況で最適なパフォーマンスを発揮するアルゴリズムはないため、LCMS は予測子としてモデルのアンサンブルを使用し、さまざまな生態系と変化プロセスにわたって地図の精度を向上させています（Healey et al., 2018）。LCMS の変化、土地被覆、土地利用の地図を組み合わせることで、1985 年以降の米国の景観の変化を包括的に把握できます。

LCMS モデルの予測レイヤには、LandTrendr と CCDC の変化検出アルゴリズムの出力と地形情報が含まれます。これらのコンポーネントはすべて、Google Earth Engine を使用してアクセスおよび処理されます（Gorelick et al., 2017）。

LandTrendr の年次コンポジットを作成するために、USGS Collection 2 Landsat Tier 1 と Sentinel 2A、2B Level-1C の大気圏上部反射率データが使用されました。cFmask クラウド マスク アルゴリズム（Foga 他、2017）は、Fmask 2.0（Zhu と Woodcock、2012）の実装（Landsat のみ）、cloudScore（Chastain ら、2019）（Landsat のみ）、s2cloudless（Sentinel-Hub、2021）、Cloud Score plus（Pasquarella 他、2023 年）のみ）は雲をマスクするために使用され、TDOM（Chastain et al.、2019）を使用して、雲の影（Landsat と Sentinel 2）をマスクします。LandTrendr では、年間のメドイドが計算され、各年の雲と雲の影のない値が 1 つの合成にまとめられます。CCDC では、米国本土では米国地質調査所（USGS）の Collection 2 Landsat Tier 1 地表面反射率データが使用され、アラスカ、プエルトリコ、米領バージン諸島、ハワイでは Landsat Tier 1 大気圏上部反射率データが使用されました。

複合時系列は、LandTrendr（Kennedy et al.、2010; Kennedy et al., 2018; Cohen et al., 2018 年）。

雲と雲の影のないすべての値も、CCDC アルゴリズム（Zhu と Woodcock、2014 年）を使用して時間的にセグメント化されます。

予測子データには、未加工の複合値、LandTrendr の適合値、ペアワイズ差分、セグメントの期間、変化の大きさ、傾斜、CCDC の正弦波と余弦波の係数（最初の 3 つのハーモニクス）、適合値、ペアワイズ差分、標高、傾斜、方位の正弦波、方位の余弦波、10 m USGS 3D Elevation Program（3DEP）データ（米国地質調査所、2019 年）の地形位置指数（Weiss、2001 年）が含まれます。

参照データは、アナリストが 1984 年から現在までの Landsat データレコードを可視化して解釈するのに役立つウェブベースのツールである TimeSync を使用して収集されます（Cohen 他、2010 年）。

ランダム フォレスト モデル（Breiman、2001）は、TimeSync の参照データと LandTrendr、CCDC、地形指標の予測データを使用して、年間の変化、土地被覆、土地利用クラスを予測するようにトレーニングされました。モデリングの後、補助データセットを使用して一連の確率しきい値とルールセットを設定し、定性的な地図の出力を改善して、誤検出と見落としを減らします。詳しくは、説明に含まれている LCMS メソッドの概要をご覧ください。

参考情報

ご質問や特定のデータ リクエストについては、sm.fs.lcms@usda.gov までお問い合わせください。

バンド

ピクセルサイズ
30 メートル

帯域

名前 ピクセルサイズ 説明
Change メートル

最終的なテーマ別 LCMS 変更プロダクト。各年について、合計 15 個の変更クラスがマッピングされます。基本的に、変化は、調査対象地域ごとに 3 つの個別のバイナリ ランダム フォレスト モデル（緩やかな損失、急速な損失、増加）でモデル化されます。各ピクセルは、指定されたしきい値を超える最も確率の高いモデル化された変化クラスに割り当てられます。各クラスのしきい値を超える値がないピクセルは、Stable クラスに割り当てられます。モデル化された変化クラス、補助データセット（TCC、MTBS、IDS など）、LCMS 土地被覆データを使用するルールセットに従って、15 個の精緻化された変化原因クラスのいずれかが各ピクセルに割り当てられます。使用されるルールセットと補助データセットの詳細については、説明にリンクされている LCMS メソッドの概要をご覧ください。
Land_Cover メートル

最終的なテーマ別 LCMS 土地被覆プロダクト。TimeSync 参照データと Landsat 画像から得られたスペクトル情報を使用して、合計 14 の土地被覆クラスが年単位でマッピングされます。土地被覆は、単一のマルチクラス ランダム フォレスト モデルを使用して予測されます。このモデルは、各クラスの確率の配列（各クラスを「選択」したランダム フォレスト モデル内のツリーの割合）を出力します。最終的なクラスは、確率が最も高い土地利用に割り当てられます。確率が最も高い土地被覆クラスを割り当てる前に、調査地域に応じて、補助データセットを使用した 1 つ以上の確率しきい値とルールセットが適用されました。確率のしきい値とルールセットについて詳しくは、説明欄にリンクされている LCMS メソッドの概要をご覧ください。7 つの土地被覆クラスは、単一の土地被覆を示します。この土地被覆タイプがピクセルの領域の大部分を占め、他のクラスがピクセルの 10% を超えることはありません。男女混合のクラスも 7 つあります。これは、追加の土地被覆分類がピクセルの 10% 以上を占めるピクセルを表します。
Land_Use メートル

最終的なテーマ別 LCMS 土地利用プロダクト。TimeSync 参照データと Landsat 画像から得られたスペクトル情報を使用して、合計 5 つの土地利用クラスが毎年マッピングされます。土地利用は、単一のマルチクラス ランダム フォレスト モデルを使用して予測されます。このモデルは、各クラスの確率の配列（各クラスを「選択」したランダム フォレスト モデル内のツリーの割合）を出力します。最終的なクラスは、確率が最も高い土地利用に割り当てられます。確率が最も高い土地利用クラスを割り当てる前に、補助データセットを使用した一連の確率しきい値とルールセットが適用されました。確率のしきい値とルールセットについて詳しくは、説明欄にリンクされている LCMS メソッドの概要をご覧ください。
Change_Raw_Probability_Slow_Loss メートル

LCMS の生データから推定された Slow Loss の確率。Slow Loss には、TimeSync 変更プロセスの解釈から次のクラスが含まれます。

  • 構造的衰退 - 人為的または機械的な要因によって引き起こされた生育条件の悪化により、樹木やその他の木本植物が物理的に変化した土地。このような損失は、一般的にスペクトル信号の傾向（NDVI の減少、湿度の減少、SWIR の増加など）を生み出しますが、その傾向は微妙な場合があります。構造的衰退は、木本植物の環境で発生します。原因は、昆虫、病気、干ばつ、酸性雨などである可能性が高いです。構造的衰退には、死亡に至らない落葉イベントが含まれることがあります。たとえば、マイマイガやトウヒのヨトウムシの侵入などです。これらのイベントは 1 ～ 2 年以内に回復する可能性があります。

  • スペクトル減少 - スペクトル信号が 1 つ以上のスペクトル帯域または指標の傾向を示すプロット（NDVI の減少、湿度の減少、SWIR の増加など）。たとえば、a) 森林以外の木本以外の植生が減少傾向を示している場合（NDVI の減少、湿度の減少、SWIR の増加など）、b) 木本植生の減少傾向が木本植生の損失に関連していない場合（成熟した樹冠が閉じて影が増加した場合、樹種構成が針葉樹から広葉樹に変化した場合、乾燥期（より深刻で急激な干ばつとは対照的）に活力が明らかに低下したが、木本物質や葉面積の損失がない場合など）が該当します。
Change_Raw_Probability_Fast_Loss メートル

高速損失の LCMS モデリング確率の生データ。Fast Loss には、TimeSync 変更プロセスの解釈から次のクラスが含まれます。

  • 火災 - 発火原因（自然または人為的）、重大度、土地利用に関係なく、火災によって変化した土地。

  • 収穫 - 人為的な手段で樹木、低木、その他の植生が伐採または除去された森林地。たとえば、皆伐、火災や昆虫の大量発生後のサルベージ伐採、間伐、その他の森林管理処方（保護伐採/種子木伐採など）があります。

  • 機械的 - 森林以外の土地で、樹木、低木、その他の植生が、チェーン、スクレイピング、ブラシソーイング、ブルドーザー、または森林以外の植生を除去するその他の方法によって機械的に切断または除去された土地。

  • 風/氷 - ハリケーン、竜巻、嵐、その他の悪天候（氷嵐による凍雨など）の風によって植生が変化した土地（用途を問わず）。

  • 水文 - 土地利用に関係なく、洪水によって樹木被覆やその他の土地被覆要素が大幅に変化した土地（洪水後の河床とその周辺の砂利と植生の新しい混合など）。

  • 土砂 - 地すべり、雪崩、火山、土石流などに関連する自然物の移動によって変化した土地（用途を問わず）。

  • その他 - スペクトル傾向やその他の裏付けとなる証拠から、撹乱または変化イベントが発生したことが示唆されるが、明確な原因を特定できない、または変化のタイプが上記の変化プロセス カテゴリのいずれにも該当しない土地（用途を問わず）。
Change_Raw_Probability_Gain メートル

LCMS の生データからモデル化した獲得確率。定義: 1 年以上にわたる成長と遷移により植生被覆率が増加している土地。植生の再生に関連するスペクトル変化を示す可能性のあるすべての領域に適用されます。開発された地域では、植生が成熟したり、新たに芝生や造園が設置されたりすることで、成長が生じることがあります。森林では、成長には裸地からの植生の成長だけでなく、中間木や共優勢木、下層の草や低木が優勢木を覆うことも含まれます。森林伐採後に記録された成長/回復セグメントは、森林の再生に伴い、さまざまな土地被覆クラスに移行する可能性があります。これらの変化が成長または回復とみなされるには、スペクトル値が数年間継続して増加傾向線（たとえば、約 20 年間延長すると NDVI の 0.10 単位のオーダーになる正の傾き）に沿っている必要があります。
Land_Cover_Raw_Probability_Trees メートル

LCMS の生データからモデル化したツリーの確率。定義: ピクセルの大部分が生きている木または枯死木で構成されている。
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix メートル

背の高い低木と樹木の混合（アラスカのみ）の確率をモデル化した LCMS の生データ。定義: ピクセルの大部分が高さ 1 m を超える低木で構成され、少なくとも 10% が生きた木または枯死木で構成されている。
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix メートル

低コストのモニタリング システム（LCMS）の生データから推定された、低木と樹木の混合の確率。定義: ピクセルの大部分が低木で構成され、少なくとも 10% が生きた木または枯死木で構成されている。
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix メートル

草/広葉樹/ハーブと樹木の混合の LCMS モデル化された確率の未加工データ。定義: ピクセルの大部分が多年生草本、広葉草本、その他の草本植生で構成され、少なくとも 10% が生きた木または枯死木で構成されている。
Land_Cover_Raw_Probability_Barren-and-Trees-Mix メートル

LCMS の未加工のモデル化された Barren と Trees Mix の確率。定義: ピクセルの大部分が、撹乱によって露出した裸地（機械的な伐採や森林伐採によって露出した土壌など）と、砂漠、塩湖、岩の露出地（露天掘りによって露出した鉱物やその他の地質物質を含む）、砂丘、塩性平原、ビーチなどの永続的に不毛な地域で構成されている。土や砂利でできた道路も荒地とみなされ、少なくとも 10% の生きた木または枯れ木で構成されます。
Land_Cover_Raw_Probability_Tall-Shrubs メートル

背の高い低木（アラスカのみ）の確率をモデル化した LCMS の生データ。定義: ピクセルの大部分が高さ 1 m を超える低木で構成されている。
Land_Cover_Raw_Probability_Shrubs メートル

低木に関する LCMS のモデル化された確率の生データ。定義: ピクセルの大部分が低木で構成されている。
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix メートル

草/広葉樹/ハーブと低木混合の LCMS モデル化された確率の生データ。定義: ピクセルの大部分が多年生草本、草本、その他の草本植生で構成され、低木が 10% 以上含まれている。
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix メートル

LCMS の未加工データから推定された Barren and Shrubs Mix の確率。定義: ピクセルの大部分が、撹乱によって露出した裸地（機械的な伐採や森林伐採によって露出した土壌など）と、砂漠、塩湖、岩の露出地（露天掘りによって露出した鉱物やその他の地質物質を含む）、砂丘、塩性平原、ビーチなどの永続的に不毛な地域で構成されている。土や砂利でできた道路も荒地とみなされ、低木が 10% 以上含まれます。
Land_Cover_Raw_Probability_Grass-Forb-Herb メートル

草/広葉樹/ハーブの LCMS モデリング確率の生データ。定義: ピクセルの大部分が多年生草本、キク科植物、その他の草本植物で構成されている。
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix メートル

LCMS でモデル化された、Barren と Grass/Forb/Herb Mix の確率の生データ。定義: ピクセルの大部分が、撹乱によって露出した裸地（機械的な伐採や森林伐採によって露出した土壌など）と、砂漠、塩湖、岩の露出地（露天掘りによって露出した鉱物やその他の地質学的物質を含む）、砂丘、塩性平原、ビーチなどの恒久的に不毛な地域で構成されている。土や砂利でできた道路も不毛とみなされ、少なくとも 10% の多年生草本、キク科植物、その他の草本植生で構成されます。
Land_Cover_Raw_Probability_Barren-or-Impervious メートル

LCMS の未加工のモデル化された確率（Barren または Impervious）。定義: ピクセルの大部分が、1）撹乱によって露出した裸地（機械的な伐採や森林伐採によって露出した土壌など）と、砂漠、塩湖、岩の露頭（露天掘りによって露出した鉱物やその他の地質物質を含む）、砂丘、塩原、ビーチなどの永続的に不毛な地域で構成されている。土や砂利でできた道路も、不毛な土地、または 2）舗装道路、屋根、駐車場など、水が浸透しない人工物と見なされます。
Land_Cover_Raw_Probability_Snow-or-Ice メートル

雪または氷の確率をモデル化した未加工の LCMS。定義: ピクセルの大部分が雪または氷で構成されている。
Land_Cover_Raw_Probability_Water メートル

水分の生 LCMS モデリング確率。定義: ピクセルの大部分が水で構成されている。
Land_Use_Raw_Probability_Agriculture メートル

農業の LCMS モデルの確率の生データ。定義: 食料、繊維、燃料の生産に使用される土地で、植生がある状態または植生がない状態のいずれかにあるもの。これには、耕作地と未耕作地、牧草地、果樹園、ブドウ園、畜産施設、果物、木の実、ベリーの生産のために植えられた地域が含まれますが、これらに限定されません。主に農業に使用される道路（町から町への公共交通機関に使用されない道路など）は、農業用地と見なされます。
Land_Use_Raw_Probability_Developed メートル

Raw LCMS のモデル化された Developed の確率。定義: 人工構造物（高密度の住宅地、商業地、工業地、鉱山、交通機関など）で覆われた土地、または植生（樹木を含む）と構造物（低密度の住宅地、芝生、レクリエーション施設、墓地、交通機関や公共事業の回廊など）の両方が混在する土地。人間の活動によって機能的に変化した土地も含む。
Land_Use_Raw_Probability_Forest メートル

森林の LCMS モデリング確率の生データ。定義: 植林または自然植生があり、短期的な遷移シーケンスのいずれかの時点で 10% 以上の樹木被覆率を含む（または含む可能性が高い）土地。これには、落葉樹林、常緑樹林、混交林、森林プランテーション、木本湿地が含まれる場合があります。
Land_Use_Raw_Probability_Other メートル

Raw LCMS の「Other」の推定確率。定義: スペクトル傾向やその他の証拠から、撹乱または変化イベントが発生したことが示唆されるが、明確な原因を特定できない、または変化のタイプが上記の変化プロセス カテゴリのいずれにも該当しない土地（用途を問わず）。
Land_Use_Raw_Probability_Rangeland-or-Pasture メートル

LCMS の未加工のモデル化された草地または牧草地の確率。定義: このクラスには、a）草地。植生は、降雨、気温、標高、火災などの自然要因とプロセスによって主に発生する、在来の草、低木、キク科植物、草のような植物の混合物。ただし、限定的な管理には、計画的な焼却や、家畜や野生の草食動物による放牧が含まれる場合がある。または、b）牧草地。植生は、主に自然の草、広葉植物、ハーブが混在する状態から、単一栽培に近い状態を維持するために種がまかれ管理された草種が優占する状態まで、さまざまです。
QA_Bits メートル

年間の LCMS プロダクト出力値の発生源に関する補足情報。

クラス テーブルを変更

値 色 説明
1 #ff09f3

Wind
2 #541aff

ハリケーン
3 #e4f5fd

雪または氷のトランジション
4 #cc982e

乾燥
5 #0adaff

浸水
6 #a10018

計画焼却
7 #d54309

Wildfire
8 #fafa4b

機械式土地の変身
9 #afde1c

木の伐採
10 #ffc80d

落葉
11 #a64c28

Southern Pine Beetle
12 #f39268

害虫、病気、干ばつによるストレス
13 #c291d5

その他の損失
14 #00a398

植生の遷移成長
15 #3d4551

Stable
16 #1b1716

Non-Processing Area Mask

Land_Cover クラス テーブル

値 色 説明
1 #004e2b

木
2 #009344

Tall Shrubs & Trees Mix（アラスカ州のみ）
3 #61bb46

低木と樹木のミックス
4 #acbb67

草/広葉草/ハーブと樹木の混合
5 #8b8560

Barren & Trees Mix
6 #cafd4b

背の高い低木（アラスカ州のみ）
7 #f89a1c

低木
8 #8fa55f

草 / 広葉草 / ハーブ / 低木ミックス
9 #bebb8e

荒地と低木の混合
10 #e5e98a

草/広葉草/ハーブ
11 #ddb925

Barren & Grass/Forb/Herb Mix
12 #893f54

裸地または不浸透性
13 #e4f5fd

雪または氷
14 #00b6f0

水
15 #1b1716

Non-Processing Area Mask

Land_Use クラス テーブル

値 色 説明
1 #fbff97

農業
2 #e6558b

先進市場
3 #004e2b

森
4 #9dbac5

その他
5 #a6976a

牧草地または牧場
6 #1b1716

Non-Processing Area Mask

画像プロパティ検出

画像プロパティ

名前 型 説明
study_area STRING

現在、LCMS は米国本土、アラスカ、プエルトリコと米領バージン諸島、ハワイを対象としています。このバージョンには CONUS が含まれています。アラスカ州（AK）、プエルトリコ（PRUSVI）、ハワイ州（HI）のデータは、2025 年の夏にリリースされる予定です。有効な値: 「CONUS, AK」
version STRING

プロダクトのバージョン
startYear INT

商品の開始年
endYear INT

製品の終了年
年 INT

商品の年式

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正確性、信頼性、完全性、有用性、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、いかなる法的責任も負いません。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もありません。データと地図は、所有権、法的説明、境界、法的管轄、公有地または私有地に課せられてい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。自然災害がデータや地図に表示される場合とされない場合があります。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責任はユーザーにあります。

これらのデータは米国政府の資金を使用し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 景観変化監視システム v2024.10（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 景観変化監視システム v2024.10（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 と 2B MSI、Landsat-8 OLI、Landsat-7 ETM の大気圏上部スペクトル特性のセンサー間比較。In Remote Sensing of Environment. Science Direct, 221: 274-285. doi:10.1016/j.rse.2018.11.012

  • Cohen, W. B., Yang, Z.、Kennedy, R.、2010 年。Detecting trends in forest disturbance and recovery using yearly Landsat time series: 2. TimeSync - キャリブレーションと検証のためのツール。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.、Gorelick、N.、2018 年。森林破壊検出用の 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。In Remote Sensing of Environment. Science Direct, 194: 379-390. doi:10.1016/j.rse.2017.03.026

  • 米国地質調査所、2019 年。USGS 3D Elevation Program Digital Elevation Model。2022 年 8 月に https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m にアクセス。

  • 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.、Zhu, Z.、2018 年。Mapping forest change using stacked generalization: An ensemble approach. Remote Sensing of Environment に掲載。Science Direct, 204: 717-728. doi:10.1016/j.rse.2017.09.029

  • Kennedy、R. E., Yang, Z., and 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。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.、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

  • Pasquarella, V. J.、Brown, C. F., Czerwinski, W.、Rucklidge, W. J., 2023 年。Weakly Supervised Video Learning を使用した光学衛星画像の包括的な品質評価。In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2124-2134.

  • Sentinel-Hub、2021 年。Sentinel 2 Cloud Detector。[オンライン]。参照: https://github.com/sentinel-hub/sentinel2-cloud-detector

  • Weiss, A.D.、2001 年。地形位置と地形分析 ポスター発表、ESRI ユーザー カンファレンス、カリフォルニア州サンディエゴ Zhu, Z.、Woodcock, C. E. 2012. Landsat 画像でのオブジェクト ベースの雲と雲の影の検出。118: 83-94。

  • Zhu, Z.、Woodcock, C. E., 2012. Landsat 画像でのオブジェクト 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

  • Zhu, Z.、Woodcock, C. E., 2014 年。利用可能なすべての Landsat データを使用した、土地被覆の継続的な変化検出と分類。In Remote Sensing of Environment. Science Direct, 144: 152-171. doi:10.1016/j.rse.2014.01.011

DOI

Earth Engine で探索する

コードエディタ（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);
コードエディタで開く
このプロダクトは、景観変化監視システム（LCMS）データスイートの一部です。各年の LCMS モデリングによる変化、土地被覆、土地利用のクラスを示し、米国本土（CONUS）と、アラスカ（AK）、プエルトリコ - 米領バージン諸島（PRUSVI）など、CONUS 外の地域（OCONUS）を対象としています。
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