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

USFS/GTAC/LCMS/v2024-10
데이터 세트 사용 가능 기간
1985-01-01T00:00:00Z–2024-12-31T00:00:00Z
데이터 세트 제공업체
Earth Engine 스니펫
ee.ImageCollection("USFS/GTAC/LCMS/v2024-10")
태그
변화 감지 산림 gtac 지표 토지 이용 토지 이용-지표 redcastle-resources usda usfs
lcms

설명

이 제품은 Landscape Change Monitoring System (LCMS) 데이터 모음의 일부입니다. 각 연도의 LCMS 모델링된 변화, 토지 피복, 토지 이용 분류를 보여주며, 미국 본토 (CONUS)와 알래스카 (AK), 푸에르토리코-미국령 버진아일랜드 (PRUSVI), 하와이 (HI)를 비롯한 미국 본토 외 지역 (OCONUS)을 포함합니다. PRUSVI 및 HI v2024.10 데이터는 2025년 여름 말에 출시될 예정입니다. 현재 v2023.9 PRUSVI 및 HI LCMS 데이터를 사용할 수 있습니다 (USFS/GTAC/LCMS/v2023-9).

LCMS는 미국 전역의 지형 변화를 매핑하고 모니터링하는 원격 감지 기반 시스템입니다. 이 프로젝트의 목표는 최신 기술과 변화 감지 기술의 발전을 활용하여 일관된 접근 방식을 개발하여 지형 변화의 '최고의' 지도를 만드는 것입니다.

출력에는 변화, 토지 피복, 토지 이용의 세 가지 연간 제품이 포함됩니다. 변화 모델 출력은 특히 식생 피복과 관련이 있으며 느린 손실, 빠른 손실 (침수 또는 건조와 같은 수문학적 변화도 포함), 증가를 포함합니다. 이러한 값은 Landsat 시계열의 각 연도에 대해 예측되며 LCMS의 기본 제품 역할을 합니다. 보조 데이터 세트를 기반으로 규칙 세트를 적용하여 최종 변경 제품을 만듭니다. 이는 조경 변화의 원인에 관한 정보를 명시적으로 제공하는 15개 클래스로 모델링된 변경사항을 개선/재분류한 것입니다 (예: 나무 제거, 산불, 바람 피해) 토지 피복 및 토지 이용 지도에는 연도별 생물 형태 수준의 토지 피복과 광범위한 수준의 토지 이용이 표시됩니다.

모든 상황에서 가장 우수한 성능을 보이는 알고리즘은 없으므로 LCMS는 모델 앙상블을 예측 변수로 사용하여 다양한 생태계와 변화 과정에서 지도 정확도를 개선합니다(Healey et al., 2018). 결과적으로 LCMS 변화, 토지 피복, 토지 이용 지도 모음은 1985년 이후 미국 전역의 지형 변화를 전체적으로 보여줍니다.

LCMS 모델의 예측 변수 레이어에는 LandTrendr 및 CCDC 변화 감지 알고리즘의 출력과 지형 정보가 포함됩니다. 이러한 구성요소는 모두 Google Earth Engine (Gorelick et al., 2017).

LandTrendr의 연간 컴포지트를 생성하기 위해 USGS Collection 2 Landsat Tier 1 및 Sentinel 2A, 2B Level-1C 대기권 상단 반사율 데이터가 사용되었습니다. cFmask 구름 마스크 알고리즘(Foga et al., 2017)을 사용합니다. 이는 Fmask 2.0 (Zhu and Woodcock, 2012)(Landsat 전용), cloudScore (Chastain et al., 2019) (Landsat 전용), s2cloudless(Sentinel-Hub, 2021), Cloud Score plus (Pasquarella 외, 2023) (Sentinel 2 전용)은 구름을 마스크하는 데 사용되고 TDOM (Chastain et al., 2019)는 구름 그림자를 마스크하는 데 사용됩니다 (Landsat 및 Sentinel 2). LandTrendr의 경우 연간 메도이드가 계산되어 각 연도의 구름 및 구름 그림자 없는 값을 단일 합성으로 요약합니다. CCDC의 경우 미국 지질조사국 (USGS) Collection 2 Landsat Tier 1 표면 반사율 데이터가 미국 본토에 사용되었고, Landsat Tier 1 대기권 상단 반사율 데이터가 알래스카, 푸에르토리코, 미국령 버진아일랜드, 하와이에 사용되었습니다.

복합 시계열은 LandTrendr(Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).

모든 클라우드 및 클라우드 그림자 없는 값도 CCDC 알고리즘(Zhu 및 Woodcock, 2014)을 사용하여 시간별로 분류됩니다.

예측 변수 데이터에는 원시 합성 값, LandTrendr 적합 값, 쌍별 차이, 세그먼트 기간, 변화 크기, 기울기, CCDC 사인 및 코사인 계수 (처음 3개 조화), 적합 값, 쌍별 차이와 함께 10m USGS 3D 고도 프로그램 (3DEP) 데이터 (U.S. Geological Survey, 2019)의 고도, 경사, 경사면의 사인, 경사면의 코사인, 지형 위치 지수 (Weiss, 2001)가 포함됩니다.

참조 데이터는 분석가가 1984년부터 현재까지의 Landsat 데이터 기록을 시각화하고 해석하는 데 도움이 되는 웹 기반 도구인 TimeSync를 사용하여 수집됩니다 (Cohen et al., 2010).

랜덤 포레스트 모델 (Breiman, 2001)은 TimeSync의 참조 데이터와 LandTrendr, CCDC, 지형 지수의 예측 변수 데이터를 사용하여 연간 변화, 토지 피복, 토지 이용 분류를 예측하도록 학습되었습니다. 모델링 후 보조 데이터 세트를 사용하여 일련의 확률 기준점과 규칙 세트를 적용하여 정성적 지도 출력을 개선하고 누락을 줄입니다. 자세한 내용은 설명에 포함된 LCMS 방법 개요를 참고하세요.

추가 리소스

질문이나 특정 데이터 요청이 있는 경우 sm.fs.lcms@usda.gov로 문의하세요.

대역

픽셀 크기
30미터

대역

이름 픽셀 크기 설명
Change 미터

최종 주제별 LCMS 변경 제품입니다. 매년 총 15개의 변경 클래스가 매핑됩니다. 기본적으로 변화는 연구 영역별로 느린 손실, 빠른 손실, 이득의 세 가지 개별 이진 랜덤 포레스트 모델로 모델링됩니다. 각 픽셀은 지정된 임계값보다 높고 확률이 가장 높은 모델링된 변경 클래스에 할당됩니다. 각 클래스의 임곗값보다 큰 값이 없는 픽셀은 안정 클래스에 할당됩니다. 모델링된 변경 클래스, 보조 데이터 세트 (예: TCC, MTBS, IDS), LCMS 토지 피복 데이터를 사용하는 규칙 세트에 따라 15개의 세분화된 변경 원인 클래스 중 하나가 각 픽셀에 할당됩니다. 사용된 규칙 세트와 보조 데이터 세트에 관한 자세한 내용은 설명에 링크된 LCMS 방법 개요를 참고하세요.

Land_Cover 미터

최종 주제별 LCMS 토지 피복 제품입니다. TimeSync 참조 데이터와 Landsat 이미지에서 파생된 스펙트럼 정보를 사용하여 총 14개의 토지 피복 클래스가 매년 매핑됩니다. 토지 피복은 단일 다중 클래스 랜덤 포레스트 모델을 사용하여 예측되며, 이 모델은 각 클래스의 확률 배열을 출력합니다 (랜덤 포레스트 모델 내에서 각 클래스를 '선택'한 트리의 비율). 최종 클래스는 확률이 가장 높은 토지 용도에 할당됩니다. 확률이 가장 높은 토지 피복 클래스를 할당하기 전에 연구 지역에 따라 보조 데이터 세트를 사용하는 하나 이상의 확률 기준점과 규칙 세트가 적용되었습니다. 확률 기준점 및 규칙에 대한 자세한 내용은 설명에 연결된 LCMS 방법 개요를 참고하세요. 7개의 토지 피복 클래스는 단일 토지 피복을 나타냅니다. 이 경우 토지 피복 유형이 픽셀 영역의 대부분을 차지하고 다른 클래스가 픽셀의 10% 이상을 차지하지 않습니다. 혼성 수업도 7개 있습니다. 이는 추가 토지 피복 클래스가 픽셀의 10% 이상을 차지하는 픽셀을 나타냅니다.
Land_Use 미터

최종 주제별 LCMS 토지 이용 제품입니다. 총 5개의 토지 용도 클래스가 TimeSync 참조 데이터와 Landsat 이미지에서 파생된 스펙트럼 정보를 사용하여 매년 매핑됩니다. 토지 이용은 단일 다중 클래스 랜덤 포레스트 모델을 사용하여 예측되며, 이 모델은 각 클래스의 확률 배열을 출력합니다 (랜덤 포레스트 모델 내에서 각 클래스를 '선택'한 트리의 비율). 최종 클래스는 확률이 가장 높은 토지 용도에 할당됩니다. 가능성이 가장 높은 토지 이용 클래스를 할당하기 전에 보조 데이터 세트를 사용하는 일련의 확률 임계값과 규칙 세트가 적용되었습니다. 확률 기준점 및 규칙에 대한 자세한 내용은 설명에 연결된 LCMS 방법 개요를 참고하세요.
Change_Raw_Probability_Slow_Loss 미터

느린 손실의 원시 LCMS 모델링된 확률입니다. 느린 손실에는 TimeSync 변경 프로세스 해석의 다음 클래스가 포함됩니다.

  • 구조적 감소 - 인위적 또는 기계적 요인이 아닌 요인으로 인해 불리한 성장 조건이 발생하여 나무나 기타 목본 식물이 물리적으로 변경된 토지입니다. 이러한 유형의 손실은 일반적으로 스펙트럼 신호에서 추세를 생성해야 합니다(예: NDVI 감소, 습도 감소, SWIR 증가 등). 하지만 추세가 미묘할 수 있습니다. 구조적 감소는 목본 식물 환경에서 발생하며, 이는 곤충, 질병, 가뭄, 산성비 등으로 인한 것일 가능성이 높습니다. 구조적 감소에는 1~2년 이내에 회복될 수 있는 집시나방 및 가문비나무순나방 침입과 같이 사망을 초래하지 않는 낙엽 이벤트가 포함될 수 있습니다.

  • 스펙트럼 감소 - 스펙트럼 신호가 하나 이상의 스펙트럼 대역 또는 지수에서 추세를 보이는 플롯입니다 (예: NDVI 감소, 습도 감소, SWIR 증가 등). 예로는 a) 산림/목본이 아닌 식생이 감소를 나타내는 추세를 보이는 경우 (예: NDVI 감소, 습도 감소, SWIR 증가 등) 또는 b) 목본 식생이 목본 식생의 손실과 관련이 없는 감소 추세를 보이는 경우 (예: 성숙한 나무 수관이 닫혀 그림자가 증가하는 경우, 종 구성이 침엽수에서 활엽수로 바뀌는 경우, 더 강하고 급성인 가뭄이 아닌 건조한 기간으로 인해 활력이 눈에 띄게 감소하지만 목본 물질이나 잎 면적은 손실되지 않는 경우)가 있습니다.
Change_Raw_Probability_Fast_Loss 미터

빠른 손실의 원시 LCMS 모델링된 확률입니다. 빠른 손실에는 TimeSync 변경 프로세스 해석의 다음 클래스가 포함됩니다.

  • 화재: 점화 원인 (자연 또는 인위적), 심각도, 토지 이용과 관계없이 화재로 변경된 토지입니다.

  • 수확 - 인위적인 수단으로 나무, 관목 또는 기타 식물이 잘리거나 제거된 산림입니다. 예로는 개벌, 화재 또는 곤충 발생 후 벌목, 간벌, 기타 산림 관리 처방 (예: 보호림/종자목 벌목)이 있습니다.

  • 기계적 - 나무, 관목 또는 기타 식물이 사슬, 긁기, 덤불 톱질, 불도저 또는 기타 비산림 식물 제거 방법으로 기계적으로 절단되거나 제거된 비산림 토지입니다.

  • 바람/얼음 - 허리케인, 토네이도, 폭풍 및 얼음 폭풍으로 인한 냉각우를 비롯한 기타 심각한 기상 현상으로 인해 식물이 변한 토지 (사용 여부와 관계없음)

  • 수문학 - 토지 이용과 관계없이 홍수로 인해 목본 피복 또는 기타 토지 피복 요소가 크게 변경된 토지 (예: 홍수 후 하천 바닥 안팎의 자갈과 식물의 새로운 혼합물)

  • 잔해 - 산사태, 눈사태, 화산, 토석류 등과 관련된 자연 물질 이동으로 인해 변경된 토지 (용도와 관계없음)

  • 기타 - 스펙트럼 추세 또는 기타 지원 증거에서 교란 또는 변경 이벤트가 발생했음을 나타내지만 명확한 원인을 확인할 수 없거나 변경 유형이 위에 정의된 변경 프로세스 카테고리를 충족하지 않는 토지 (사용 여부와 관계없음)입니다.
Change_Raw_Probability_Gain 미터

획득의 원시 LCMS 모델링된 확률입니다. 1년 이상에 걸쳐 성장과 천이로 인해 식물 피복이 증가한 토지로 정의됩니다. 식물 재성장과 관련된 스펙트럼 변화를 나타낼 수 있는 모든 영역에 적용됩니다. 개발된 지역에서는 식물이 성숙하거나 새로 설치된 잔디와 조경으로 인해 성장할 수 있습니다. 산림에서 성장은 나지에서 식물이 자라는 것과 중간 및 공동 우세 나무 또는 하층의 풀과 관목이 위로 자라는 것을 포함합니다. 산림 벌채 후 기록된 성장/회복 세그먼트는 산림이 재생되면서 다양한 토지 피복 클래스로 전환될 수 있습니다. 이러한 변화가 성장/회복으로 간주되려면 스펙트럼 값이 수년 동안 지속되는 증가 추세선 (예: 20년까지 확장될 경우 NDVI의 0.10 단위 정도가 되는 양의 기울기)을 따라야 합니다.
Land_Cover_Raw_Probability_Trees 미터

원시 LCMS 모델링된 나무 확률입니다. 픽셀의 대부분이 살아 있는 나무 또는 고사한 나무로 구성되어 있습니다.
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix 미터

키 큰 관목과 나무 혼합의 원시 LCMS 모델링 확률입니다 (알래스카만 해당). 정의: 픽셀의 대부분이 높이가 1m를 초과하는 관목으로 구성되어 있으며, 살아 있거나 서 있는 죽은 나무가 10% 이상 포함되어 있습니다.
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix 미터

관목과 나무 혼합의 원시 LCMS 모델링된 확률입니다. 정의: 픽셀의 대부분이 관목으로 구성되어 있으며, 살아 있는 나무 또는 고사한 나무가 10% 이상 포함되어 있습니다.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix 미터

초본/광엽식물/허브 및 나무 혼합의 원시 LCMS 모델링 확률입니다. 정의: 픽셀의 대부분이 다년생 풀, 광엽초 또는 기타 초본 식물로 구성되어 있으며, 살아 있거나 서 있는 고사목이 10% 이상 포함되어 있습니다.
Land_Cover_Raw_Probability_Barren-and-Trees-Mix 미터

원시 LCMS 모델링된 황무지 및 나무 혼합 확률입니다. 정의: 픽셀의 대부분이 교란으로 노출된 나지 (예: 기계적 벌목이나 산림 수확으로 노출된 토양)와 사막, 플라야, 암석 노출 (표면 광업 활동으로 노출된 광물 및 기타 지질 물질 포함), 모래 언덕, 염전, 해변과 같은 영구적으로 불모지인 지역으로 구성됩니다. 흙과 자갈로 이루어진 도로도 황무지로 간주되며, 살아 있거나 서 있는 고사목이 10% 이상 포함됩니다.
Land_Cover_Raw_Probability_Tall-Shrubs 미터

키 큰 관목의 원시 LCMS 모델링 확률 (알래스카만 해당)입니다. 높이가 1m를 초과하는 관목으로 구성된 픽셀이 대부분입니다.
Land_Cover_Raw_Probability_Shrubs 미터

관목의 원시 LCMS 모델링된 확률입니다. 픽셀의 대부분이 관목으로 구성되어 있습니다.
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix 미터

초본/광엽식물/허브 및 관목 혼합의 원시 LCMS 모델링된 확률입니다. 정의: 픽셀의 대부분이 다년생 풀, 광엽초 또는 기타 형태의 초본 식물로 구성되어 있으며 10% 이상의 관목으로도 구성되어 있습니다.
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix 미터

원시 LCMS 모델링된 황무지 및 관목 혼합 확률입니다. 정의: 픽셀의 대부분이 교란으로 노출된 나지 (예: 기계적 벌목이나 산림 수확으로 노출된 토양)와 사막, 플라야, 암석 노출 (표면 광업 활동으로 노출된 광물 및 기타 지질 물질 포함), 모래 언덕, 염전, 해변과 같은 영구적으로 불모지인 지역으로 구성됩니다. 흙과 자갈로 이루어진 도로도 황무지로 간주되며 관목이 10% 이상 포함됩니다.
Land_Cover_Raw_Probability_Grass-Forb-Herb 미터

초본/잡초/허브의 원시 LCMS 모델링 확률입니다. 정의: 픽셀의 대부분이 다년생 풀, 광대나물 또는 기타 형태의 초본 식물로 구성됩니다.
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix 미터

LCMS 모델링된 불모지 및 잔디/포브/허브 혼합의 원시 확률입니다. 다음과 같이 정의됩니다. 픽셀의 대부분이 교란으로 노출된 나지 (예: 기계적 벌목이나 산림 수확으로 노출된 토양)와 사막, 플라야, 암석 노출 (표면 광업 활동으로 노출된 광물 및 기타 지질 물질 포함), 모래 언덕, 염전, 해변과 같은 영구적으로 불모지인 지역으로 구성됩니다. 흙과 자갈로 만들어진 도로도 황무지로 간주되며, 다년생 풀, 광대나물 또는 기타 형태의 초본 식물이 10% 이상 포함됩니다.
Land_Cover_Raw_Probability_Barren-or-Impervious 미터

원시 LCMS 모델링된 불모지 또는 불투수층의 확률입니다. 다음과 같이 정의됩니다. 픽셀의 대부분이 1) 교란으로 노출된 나지 (예: 기계적 벌목이나 산림 수확으로 노출된 토양)와 사막, 플라야, 암석 노출지 (표면 광업 활동으로 노출된 광물 및 기타 지질 물질 포함), 모래 언덕, 염전, 해변과 같은 영구적으로 불모지인 지역으로 구성됩니다. 흙과 자갈로 만들어진 도로도 불모지 또는 2.) 포장 도로, 옥상, 주차장과 같이 물이 침투할 수 없는 인공 재료로 간주됩니다.
Land_Cover_Raw_Probability_Snow-or-Ice 미터

눈 또는 얼음의 원시 LCMS 모델링 확률입니다. 픽셀의 대부분이 눈이나 얼음으로 구성된 경우로 정의됩니다.
Land_Cover_Raw_Probability_Water 미터

물에 대한 원시 LCMS 모델링 확률입니다. 픽셀의 대부분이 물로 구성되어 있습니다.
Land_Use_Raw_Probability_Agriculture 미터

농업의 원시 LCMS 모델링 확률입니다. 식물이 있거나 없는 상태에서 식량, 섬유, 연료 생산에 사용되는 토지로 정의됩니다. 여기에는 경작지 및 비경작지, 건초지, 과수원, 포도원, 가축 사육 시설, 과일, 견과류 또는 베리 생산을 위해 심은 지역이 포함되나 이에 국한되지 않습니다. 주로 농업용으로 사용되는 도로 (즉, 마을 간 대중교통으로 사용되지 않음)는 농업용 토지 사용으로 간주됩니다.
Land_Use_Raw_Probability_Developed 미터

개발된 원시 LCMS 모델링 확률입니다. 인공 구조물(예: 고밀도 주거, 상업, 산업, 광업 또는 운송)로 덮인 토지 또는 식물 (나무 포함)과 구조물 (예: 저밀도 주거, 잔디, 레크리에이션 시설, 묘지, 운송 및 유틸리티 회랑 등)의 혼합으로 정의되며, 인간 활동에 의해 기능적으로 변경된 토지를 포함합니다.
Land_Use_Raw_Probability_Forest 미터

원시 LCMS 모델링된 산림 확률입니다. 근거리 천이 시퀀스 중에 특정 시점에 10% 이상의 수목 피복을 포함하거나 포함할 가능성이 있는 식재되거나 자연적으로 식물이 자라는 토지로 정의됩니다. 여기에는 낙엽수, 상록수, 혼합 범주의 자연림, 조림지, 목본 습지가 포함될 수 있습니다.
Land_Use_Raw_Probability_Other 미터

기타의 원시 LCMS 모델링 확률입니다. 스펙트럼 추세 또는 기타 지원 증거에서 교란 또는 변경 이벤트가 발생했음을 나타내지만 명확한 원인을 확인할 수 없거나 변경 유형이 위에 정의된 변경 프로세스 카테고리를 충족하지 않는 토지 (용도와 관계없음)로 정의됩니다.
Land_Use_Raw_Probability_Rangeland-or-Pasture 미터

초지 또는 목초지의 원시 LCMS 모델링 확률입니다. 다음과 같이 정의됩니다. 이 클래스에는 a.) 식물이 주로 강수량, 온도, 고도, 화재와 같은 자연적 요인과 과정에서 발생하는 토착 풀, 관목, 다년생 초본, 풀과 같은 식물의 혼합물인 목초지(제한된 관리에는 처방된 연소와 가축 및 야생 초식 동물의 방목이 포함될 수 있음) 또는 b.) 초지: 식생이 혼합된, 주로 자연적인 풀, 광엽 식물, 허브에서 단일 재배를 유지하기 위해 씨를 뿌리고 관리한 풀 종이 지배하는 더 관리된 식생에 이르기까지 다양할 수 있습니다.
QA_Bits 미터

연간 LCMS 제품 출력 값의 출처에 관한 보조 정보입니다.

클래스 테이블 변경

값 색상 설명
1 #ff09f3

Windows
2 #541aff

허리케인
3 #e4f5fd

눈 또는 얼음 전환
4 #cc982e

건조
5 #0adaff

침수
6 #a10018

처방 화입
7 #d54309

산불
8 #fafa4b

기계적 토지 변환
9 #afde1c

나무 제거
10 #ffc80d

낙엽
11 #a64c28

남부 소나무 딱정벌레
12 #f39268

곤충, 질병 또는 가뭄 스트레스
13 #c291d5

기타 손실
14 #00a398

식생 천이
15 #3d4551

정식
16 #1b1716

비처리 영역 마스크

Land_Cover Class Table

값 색상 설명
1 #004e2b

나무
2 #009344

Tall Shrubs & Trees Mix (알래스카만 해당)
3 #61bb46

관목 및 나무 믹스
4 #acbb67

잔디/포브/허브 및 나무 혼합
5 #8b8560

황무지 및 나무 믹스
6 #cafd4b

키 큰 관목 (알래스카만 해당)
7 #f89a1c

관목
8 #8fa55f

풀/포브/허브 및 관목 혼합
9 #bebb8e

황무지 및 관목 믹스
10 #e5e98a

잔디/초본/허브
11 #ddb925

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

황무지 또는 불투수
13 #e4f5fd

눈 또는 얼음
14 #00b6f0

물
15 #1b1716

비처리 영역 마스크

Land_Use Class Table

값 색상 설명
1 #fbff97

농업
2 #e6558b

개발
3 #004e2b

숲
4 #9dbac5

기타
5 #a6976a

목초지 또는 초지
6 #1b1716

비처리 영역 마스크

이미지 속성

이미지 속성

이름 유형 설명
study_area 문자열

LCMS는 현재 미국 본토, 알래스카, 푸에르토리코-미국령 버진아일랜드, 하와이를 지원합니다. 이 버전에는 CONUS가 포함되어 있습니다. AK, PRUSVI, HI 데이터는 2025년 여름이 끝날 무렵에 공개됩니다. 가능한 값: 'CONUS, AK'
version 문자열

제품 버전
startYear INT

제품의 시작 연도
endYear INT

제품의 종료 연도
년 INT

제품의 연도

이용약관

이용약관

USDA 산림청은 상품성 및 특정 목적에 대한 적합성 보증을 포함하여 명시적 또는 묵시적 보증을 하지 않으며, 이러한 지리 공간 데이터의 정확성, 신뢰성, 완전성 또는 유용성 또는 이러한 지리 공간 데이터의 부적절하거나 잘못된 사용에 대해 법적 책임이나 책임을 지지 않습니다. 이러한 지리 공간 데이터 및 관련 지도 또는 그래픽은 법적 문서가 아니며 법적 문서로 사용하기 위한 것이 아닙니다. 데이터와 지도는 공공 또는 사유지에 적용될 수 있는 소유권, 소유자, 법적 설명 또는 경계, 법적 관할권 또는 제한사항을 확인하는 데 사용할 수 없습니다. 자연 재해가 데이터와 지도에 묘사될 수도 있고 그렇지 않을 수도 있으므로 토지 사용자는 적절한 주의를 기울여야 합니다. 데이터는 동적이며 시간이 지남에 따라 변경될 수 있습니다. 사용자는 지리 공간 데이터의 제한사항을 확인하고 그에 따라 데이터를 사용할 책임이 있습니다.

이 데이터는 미국 정부의 지원을 받아 수집되었으며 추가 권한이나 수수료 없이 사용할 수 있습니다. 간행물, 프레젠테이션 또는 기타 연구 제품에 이 데이터를 사용하는 경우 다음 인용을 사용하세요.

USDA 산림청 4월 USFS Landscape Change Monitoring System v2024.10(미국 본토 및 미국 본토 외 지역) 솔트레이크시티, 유타주

인용

인용:

  • USDA 산림청 4월 USFS Landscape Change Monitoring System v2024.10 (미국 본토 및 미국 본토 외 지역) 솔트레이크시티, 유타주

  • Breiman, L., 2001. 랜덤 포레스트 머신러닝 Springer, 45: 5-32. doi:10.1023/A:1010933404324

  • Chastain, R., Housman, I., Goldstein, J., Finco, M., and Tenneson, K., 2019년. 미국 본토에서 Sentinel-2A 및 2B MSI, Landsat-8 OLI, Landsat-7 ETM 대기권 상단 스펙트럼 특성의 실증적 교차 센서 비교 In Remote Sensing of Environment. Science Direct, 221: 274-285. doi:10.1016/j.rse.2018.11.012

  • Cohen, W. B., Yang, Z., and Kennedy, R., 2010. 연간 Landsat 시계열을 사용한 산림 교란 및 회복 추세 감지: 2. TimeSync - 교정 및 검증 도구입니다. 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., and Gorelick, N., 2018년. 산림 교란 감지를 위한 LandTrendr 다중 스펙트럼 앙상블입니다. 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. 운영 Landsat 데이터 제품의 구름 감지 알고리즘 비교 및 검증 In Remote Sensing of Environment. Science Direct, 194: 379-390. doi:10.1016/j.rse.2017.03.026

  • U.S. Geological Survey, 2019. USGS 3D 고도 프로그램 디지털 고도 모델, 2022년 8월에 https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m에서 액세스함

  • Healey, S. P., Cohen, W. B., Yang, Z., Kenneth Brewer, C., Brooks, E. B., Gorelick, N., Hernandez, A. J., Huang, C., 조셉 휴즈, 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., 2018년. 스택 일반화를 사용한 산림 변화 매핑: 앙상블 접근 방식 In Remote Sensing of Environment. Science Direct, 204: 717-728. doi:10.1016/j.rse.2017.09.029

  • Kennedy, R. E., Yang, Z., Cohen, W. B., 2010. 연간 Landsat 시계열을 사용한 산림 교란 및 회복 추세 감지: 1. LandTrendr - 시간 세분화 알고리즘입니다. 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. 2018년. Google Earth Engine에서 LandTrendr 알고리즘 구현 원격 감지 MDPI, 10(5): 691. doi:10.3390/rs10050691

  • Pasquarella, V. J., Brown, C. F., Czerwinski, W., and Rucklidge, W. J., 2023. 약한 지도 학습 동영상 학습을 사용한 광학 위성 이미지의 포괄적인 품질 평가 In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2124~2134.

  • Sentinel-Hub, 2021. Sentinel 2 Cloud Detector [온라인]. 링크: https://github.com/sentinel-hub/sentinel2-cloud-detector

  • Weiss, A.D., 2001. 지형 위치 및 지형 분석 포스터 발표, ESRI 사용자 컨퍼런스, 샌디에고, CAZhu, Z., 및 Woodcock, C. E. 2012. Landsat 이미지의 객체 기반 구름 및 구름 그림자 감지 118: 83-94.

  • Zhu, Z., and Woodcock, C. E., 2012. Landsat 이미지의 객체 기반 구름 및 구름 그림자 감지 In Remote Sensing of Environment. Science Direct, 118: 83-94. doi:10.1016/j.rse.2011.10.028

  • Zhu, Z., and Woodcock, C. E., 2014년. 사용 가능한 모든 Landsat 데이터를 사용하여 토지 피복을 지속적으로 변경 감지하고 분류합니다. In Remote Sensing of Environment. Science Direct, 144: 152~171. doi:10.1016/j.rse.2014.01.011

DOI

Earth Engine으로 탐색하기

코드 편집기(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);
코드 편집기에서 열기
이 제품은 Landscape Change Monitoring System (LCMS) 데이터 모음의 일부입니다. 각 연도의 LCMS 모델링된 변화, 토지 피복, 토지 이용 클래스를 보여주며, 미국 본토 (CONUS)와 알래스카 (AK), 푸에르토리코-미국령 버진아일랜드 (PRUSVI) 등 미국 본토 외부 지역 (OCONUS)을 포함합니다.
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