Эта страница переведена с помощью Cloud Translation API.

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

Доступность набора данных: 1985-01-01T00:00:00Z–2024-12-31T00:00:00Z
Поставщик наборов данных: Геопространственное управление Центра полевых услуг и инноваций Лесной службы Министерства сельского хозяйства США (USFS) (FSIC-GO)

Теги: лес обнаружения изменений gtac landcover landuse landuse-landcover redcastle-resources usda usfs lcms

Описание

Этот продукт входит в набор данных Системы мониторинга изменений ландшафта (LCMS). Он отображает изменения, смоделированные с помощью LCMS, а также классы земельного покрова и/или землепользования для каждого года и охватывает как континентальную часть США (CONUS), так и территории за её пределами (OCONUS), включая Аляску (AK), Пуэрто-Рико и Виргинские острова США (PRUSVI) и Гавайи (HI). Данные PRUSVI и HI версии 2024.10 будут опубликованы в конце лета 2025 года. В настоящее время можно использовать данные PRUSVI и HI версии 2023.9 LCMS (USFS/GTAC/LCMS/v2023-9).

Система дистанционного зондирования (LCMS) предназначена для картирования и мониторинга изменений ландшафтов на территории США. Её цель — разработать последовательный подход, использующий новейшие технологии и достижения в области обнаружения изменений, для создания «наилучшей доступной» карты изменений ландшафтов.

Выходные данные включают три годовых продукта: изменение, земельный покров и землепользование. Выходные данные модели изменений относятся конкретно к растительному покрову и включают медленную потерю, быструю потерю (включая гидрологические изменения, такие как затопление или высыхание) и прирост. Эти значения прогнозируются для каждого года временного ряда Landsat и служат основополагающими продуктами для LCMS. Мы применяем набор правил, основанный на вспомогательных наборах данных, для создания конечного продукта изменений, который представляет собой уточнение/переклассификацию смоделированного изменения до 15 классов, которые явно предоставляют информацию о причине изменения ландшафта (например, удаление деревьев, лесные пожары, ущерб от ветра). Карты земельного покрова и землепользования отображают земельный покров на уровне жизненных форм и землепользование в широком смысле для каждого года.

Поскольку ни один алгоритм не является оптимальным во всех ситуациях, LCMS использует ансамбль моделей в качестве предикторов, что повышает точность карт для различных экосистем и процессов изменений (Healey et al., 2018). Полученный набор карт изменений, почвенно-растительного покрова и землепользования, созданных LCMS, дает целостное представление об изменении ландшафтов в Соединенных Штатах с 1985 года.

Слои-предикторы для модели LCMS включают результаты алгоритмов обнаружения изменений LandTrendr и CCDC, а также информацию о рельефе местности. Доступ к этим компонентам и их обработка осуществляется с помощью Google Earth Engine (Gorelick et al., 2017).

Для создания годовых композитов для LandTrendr использовались данные USGS Collection 2 Landsat Tier 1 и данные Sentinel 2A, 2B Level-1C об отражательной способности верхней части атмосферы. Для маскировки облаков используется алгоритм маскировки облаков cFmask (Foga et al., 2017), который является реализацией Fmask 2.0 (Zhu and Woodcock, 2012) (только Landsat), cloudScore (Chastain et al., 2019) (только Landsat), s2cloudless (Sentinel-Hub, 2021) и Cloud Score plus (Pasquarella et al., 2023) (только Sentinel 2), а для маскировки теней от облаков (Landsat и Sentinel 2) — TDOM (Chastain et al., 2019). Для LandTrendr годовой медоид затем рассчитывается для суммирования значений облачности и безоблачности за каждый год в единый композит. Для CCDC использовались данные об отражательной способности поверхности Landsat Tier 1 из коллекции 2 Геологической службы США (USGS) для континентальной части США и данные об отражательной способности верхней части атмосферы Landsat Tier 1 для Аляски, Перу, Вирджинии и Гавайев.

Составной временной ряд временно сегментируется с использованием LandTrendr (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).

Все значения без учета облаков и теней от облаков также сегментируются по времени с использованием алгоритма CCDC (Zhu и Woodcock, 2014).

Данные прогноза включают в себя необработанные составные значения, подобранные значения LandTrendr, парные разности, длительность сегмента, величину изменения и наклон, а также коэффициенты синуса и косинуса CCDC (первые 3 гармоники), подобранные значения и парные разности, а также индексы высоты, наклона, синуса экспозиции, косинуса экспозиции и топографического положения (Weiss, 2001) из данных 10-метровой программы высот USGS 3D (3DEP) (Геологическая служба США, 2019).

Справочные данные собираются с помощью TimeSync — веб-инструмента, который помогает аналитикам визуализировать и интерпретировать записи данных Landsat с 1984 года по настоящее время (Cohen et al., 2010).

Модели случайного леса (Breiman, 2001) были обучены с использованием референтных данных TimeSync и данных-предикторов LandTrendr, CCDC, а также индексов рельефа для прогнозирования годовых изменений, почвенного покрова и классов землепользования. После моделирования мы устанавливаем ряд пороговых значений вероятности и наборов правил, используя вспомогательные наборы данных, для улучшения качественных результатов карт и снижения комиссий и пропусков. Более подробную информацию можно найти в кратком описании методов LCMS, включенном в описание.

Дополнительные ресурсы

Более подробный пример кода использования данных LCMS .
LCMS Data Explorer — это веб-приложение, которое предоставляет пользователям возможность просматривать, анализировать, обобщать и загружать данные LCMS.
Более подробную информацию о методах и оценке точности можно найти в документе «Краткое описание методов LCMS» или в Информационном центре геоданных LCMS для загрузки данных, метаданных и сопроводительных документов.
Данные PRUSVI и HI будут опубликованы в конце лета 2025 года. Доступны ранее опубликованные данные PRUSVI и HI LCMS версии 2023.9 (USFS/GTAC/LCMS/v2023-9).

По любым вопросам или запросам конкретных данных обращайтесь по адресу sm.fs.lcms@usda.gov .

Группы

Размер пикселя
30 метров

Группы

Имя	Размер пикселя	Описание
`Change`	метров	Итоговый тематический продукт изменений LCMS. Всего для каждого года отображается пятнадцать классов изменений. В основе моделирования изменений лежат три отдельные бинарные модели случайного леса для каждой исследуемой области: медленная потеря, быстрая потеря и прирост. Каждый пиксель относится к моделируемому классу изменений с наибольшей вероятностью, превышающей заданный порог. Любой пиксель, значение которого не превышает соответствующего порога для каждого класса, относится к классу «Стабильный». В соответствии с набором правил, использующим моделируемый класс изменений, вспомогательные наборы данных (такие как TCC, MTBS и IDS) и данные о земельном покрове LCMS, каждому пикселю назначается один из 15 уточненных классов причин изменений. Подробную информацию о наборе правил и используемых вспомогательных наборах данных см. в кратком описании методов LCMS, ссылка на которое приведена в описании.
`Land_Cover`	метров	Итоговый тематический продукт LCMS по земельному покрову. Ежегодно на карту наносятся 14 классов земельного покрова с использованием справочных данных TimeSync и спектральной информации, полученной со снимков Landsat. Земельный покров прогнозируется с помощью единой многоклассовой модели случайного леса, которая выводит массив вероятностей каждого класса (доли деревьев в модели случайного леса, которые «выбрали» каждый класс). Окончательные классы присваиваются землепользованию с наибольшей вероятностью. Перед назначением класса земельного покрова с наибольшей вероятностью, в зависимости от исследуемой территории, применялись от одного до нескольких пороговых значений вероятности и наборов правил с использованием вспомогательных наборов данных. Более подробную информацию о пороговых значениях вероятности и наборах правил можно найти в кратком изложении методов LCMS, ссылка на которое приведена в описании. Семь классов земельного покрова представляют собой единый земельный покров, при котором данный тип земельного покрова покрывает большую часть площади пикселя, и ни один другой класс не покрывает более 10% площади пикселя. Существует также семь смешанных классов. Они представляют собой пиксели, в которых дополнительный класс земельного покрова покрывает не менее 10% пикселя.
`Land_Use`	метров	Итоговый тематический продукт землепользования LCMS. Ежегодно картируется 5 классов землепользования с использованием справочных данных TimeSync и спектральной информации, полученной со спутников Landsat. Землепользование прогнозируется с помощью единой многоклассовой модели случайного леса, которая выводит массив вероятностей каждого класса (доли деревьев в модели случайного леса, которые «выбрали» каждый класс). Окончательные классы присваиваются землепользованию с наибольшей вероятностью. Перед назначением класса землепользования с наибольшей вероятностью применялся ряд пороговых значений вероятности и наборов правил с использованием вспомогательных наборов данных. Более подробную информацию о пороговых значениях вероятности и наборах правил можно найти в кратком изложении методов LCMS, ссылка на которое приведена в описании.
`Change_Raw_Probability_Slow_Loss`	метров	Первичная модель вероятности медленной потери, полученная с помощью LCMS. Медленная потеря включает следующие классы из интерпретации процесса изменения TimeSync: Структурный упадок – участок, на котором деревья или другая древесная растительность физически изменены под воздействием неблагоприятных условий роста, вызванных неантропогенными или немеханическими факторами. Этот тип упадка обычно приводит к появлению тенденции в спектральном сигнале (сигналах) (например, снижение NDVI, снижение влажности, увеличение SWIR и т. д.), однако эта тенденция может быть едва заметной. Структурный упадок происходит в среде древесной растительности, чаще всего из-за насекомых, болезней, засухи, кислотных дождей и т. д. Структурный упадок может включать в себя дефолиацию, не приводящую к гибели растений, например, при нашествии непарного шелкопряда и еловой листовертки, которые могут восстановиться в течение 1-2 лет. Спектральный спад — график, на котором спектральный сигнал демонстрирует тенденцию в одном или нескольких спектральных диапазонах или индексах (например, снижение NDVI, снижение влажности; увеличение SWIR и т. д.). Примерами служат случаи, когда: a) нелесная/недревесная растительность демонстрирует тенденцию, указывающую на упадок (например, снижение NDVI, снижение влажности; увеличение SWIR и т. д.), или b) древесная растительность демонстрирует тенденцию к упадку, не связанную с потерей древесной растительности, например, когда смыкаются кроновые деревья, что приводит к усилению затенения, когда видовой состав меняется с хвойных на лиственные породы, или когда сухой период (в отличие от более сильной, более резкой засухи) вызывает видимое снижение жизненного тонуса, но не приводит к потере древесного материала или листовой поверхности.
`Change_Raw_Probability_Fast_Loss`	метров	Вероятность быстрой потери, смоделированная с помощью необработанной LCMS. Быстрая потеря включает следующие классы из интерпретации процесса изменения TimeSync: Пожар — земля, измененная пожаром, независимо от причины возгорания (естественная или антропогенная), интенсивности или характера землепользования. Вырубка леса — лесные угодья, на которых деревья, кустарники или другая растительность были срублены или удалены антропогенным путём. Примерами служат сплошные рубки, рубки после пожаров или нашествий насекомых, прореживание и другие лесохозяйственные мероприятия (например, заготовка пологой/семенной древесины). Механический метод — нелесные земли, на которых деревья, кустарники или другая растительность были механически срезаны или удалены цепями, скребками, кусторезами, бульдозерами или любыми другими методами удаления нелесной растительности. Ветер/лед — земли (независимо от назначения), растительность на которых изменяется под воздействием ветра от ураганов, торнадо, штормов и других суровых погодных явлений, включая ледяной дождь от ледяных бурь. Гидрология — земли, на которых наводнение существенно изменило лесной покров или другие элементы растительного покрова независимо от характера землепользования (например, новые смеси гравия и растительности в руслах рек и вокруг них после наводнения). Мусор — земля (независимо от назначения), измененная естественным перемещением материала, связанным с оползнями, лавинами, вулканами, селевыми потоками и т. д. Прочее - земля (независимо от назначения), где спектральная тенденция или другие подтверждающие данные указывают на то, что произошло нарушение или изменение, но окончательную причину определить невозможно или тип изменения не соответствует ни одной из категорий процесса изменения, определенных выше.
`Change_Raw_Probability_Gain`	метров	Вероятность прироста, смоделированная с помощью необработанной LCMS. Определяется как: Земля, демонстрирующая увеличение растительного покрова из-за роста и сукцессии в течение одного или нескольких лет. Применимо к любым областям, которые могут выражать спектральные изменения, связанные с возобновлением роста растительности. В развитых районах рост может быть результатом созревания растительности и/или новых газонов и озеленения. В лесах рост включает рост растительности с голой земли, а также перекрывание промежуточных и со-доминирующих деревьев и/или нижележащих трав и кустарников. Сегменты роста/восстановления, зарегистрированные после рубки леса, вероятно, будут переходить через различные классы почвенного покрова по мере восстановления леса. Чтобы эти изменения можно было считать ростом/восстановлением, спектральные значения должны близко соответствовать возрастающей линии тренда (например, положительному наклону, который при продлении до ~20 лет будет порядка 0,10 единиц NDVI), которая сохраняется в течение нескольких лет.
`Land_Cover_Raw_Probability_Trees`	метров	Вероятность деревьев, полученная с помощью модели LCMS. Определяется как: большая часть пикселя состоит из живых или стоящих мертвых деревьев.
`Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix`	метров	Первичная модель вероятности LCMS для смеси высоких кустарников и деревьев (только AK). Определяется как: большая часть пикселя состоит из кустарников высотой более 1 м, а также не менее 10% живых или стоящих мертвых деревьев.
`Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix`	метров	Вероятность смешения кустарников и деревьев, полученная с помощью LCMS. Определяется как: большая часть пикселя состоит из кустарников, а также не менее 10% живых или стоящих мертвых деревьев.
`Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix`	метров	Первичная модель вероятности смеси травы, разнотравья, злаков и деревьев, полученная с помощью LCMS. Определяется как: большая часть пикселя состоит из многолетних трав, разнотравья или других форм травянистой растительности, а также содержит не менее 10% живых или стоящих мертвых деревьев.
`Land_Cover_Raw_Probability_Barren-and-Trees-Mix`	метров	Вероятность, полученная в результате моделирования методом LCMS, для смешанного рельефа с пустошью и деревьями. Определяется как: большая часть пикселя состоит из голой почвы, обнажённой в результате нарушения рельефа (например, почвы, обнажённой при механической расчистке или вырубке леса), а также из вечно бесплодных территорий, таких как пустыни, плейи, скальные выходы (включая минералы и другие геологические материалы, обнажённые в результате открытой добычи полезных ископаемых), песчаные дюны, солончаки и пляжи. Дороги из грунта и гравия также считаются бесплодными и содержат не менее 10% живых или стоящих мертвых деревьев.
`Land_Cover_Raw_Probability_Tall-Shrubs`	метров	Первичная модель вероятности высоких кустарников (только AK), полученная с помощью LCMS. Определяется как: большая часть пикселя состоит из кустарников высотой более 1 м.
`Land_Cover_Raw_Probability_Shrubs`	метров	Первичная модель вероятности наличия кустарников, полученная с помощью LCMS. Определяется как: большая часть пикселя состоит из кустарников.
`Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix`	метров	Первичная модель LCMS, моделирующая вероятность наличия смеси травы, разнотравья, трав и кустарников. Определяется как: большая часть пикселя состоит из многолетних трав, разнотравья или других форм травянистой растительности, а также не менее 10% кустарников.
`Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix`	метров	Вероятность, полученная в результате моделирования методом LCMS для смеси пустоши и кустарников. Определяется как: большая часть пикселя состоит из голой почвы, обнажённой в результате нарушения (например, почвы, обнажённой при механической расчистке или вырубке леса), а также из вечно бесплодных участков, таких как пустыни, плейи, скальные выходы (включая минералы и другие геологические материалы, обнажённые в результате открытой добычи полезных ископаемых), песчаные дюны, солончаки и пляжи. Дороги из грунта и гравия также считаются бесплодными и также содержат не менее 10% кустарников.
`Land_Cover_Raw_Probability_Grass-Forb-Herb`	метров	Первичная модель вероятности «трава/разнотравье/трава», полученная с помощью LCMS. Определяется как: большая часть пикселя состоит из многолетних трав, разнотравья или других форм травянистой растительности.
`Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix`	метров	Вероятность, полученная с помощью модели LCMS для бесплодных земель и смешанных злаков/разнотравья. Определяется как: большая часть пикселя состоит из открытой почвы, обнажённой в результате нарушения (например, почвы, обнажённой при механической расчистке или вырубке леса), а также из вечно бесплодных территорий, таких как пустыни, плейи, скальные выходы (включая минералы и другие геологические материалы, обнажённые в результате открытой добычи полезных ископаемых), песчаные дюны, солончаки и пляжи. Дороги, покрытые грунтом и гравием, также считаются бесплодными и содержат не менее 10% многолетних трав, разнотравья или других форм травянистой растительности.
`Land_Cover_Raw_Probability_Barren-or-Impervious`	метров	Вероятность бесплодности или непроницаемости, полученная в результате моделирования методом LCMS. Определяется как: большая часть пикселя состоит из: 1) голой почвы, обнажённой в результате нарушения (например, почвы, обнажённой при механической расчистке или вырубке леса), а также из вечно бесплодных участков, таких как пустыни, песчаные песчаные отмели, скальные выходы (включая минералы и другие геологические материалы, обнажённые в результате открытой добычи полезных ископаемых), песчаные дюны, солончаки и пляжи. Дороги из грунта и гравия также считаются бесплодными; 2) искусственных материалов, не пропускающих воду, таких как асфальтированные дороги, крыши и парковки.
`Land_Cover_Raw_Probability_Snow-or-Ice`	метров	Вероятность снега или льда, смоделированная методом жидкостной хроматографии и масс-спектрометрии (LCMS). Определяется как: большая часть пикселя покрыта снегом или льдом.
`Land_Cover_Raw_Probability_Water`	метров	Первичная модель вероятности присутствия воды, полученная с помощью LCMS. Определяется как: большая часть пикселя состоит из воды.
`Land_Use_Raw_Probability_Agriculture`	метров	Вероятность, полученная с помощью модели LCMS для сельского хозяйства. Определяется как: земли, используемые для производства продуктов питания, волокон и топлива, находящиеся как в заросшем, так и в не заросшем состоянии. Сюда входят, помимо прочего, возделываемые и невозделываемые пахотные земли, сенокосы, сады, виноградники, животноводческие хозяйства с ограниченным содержанием скота и земли, занятые выращиванием фруктов, орехов или ягод. Дороги, используемые преимущественно для сельскохозяйственных целей (т.е. не используемые для общественного транспорта между городами), считаются сельскохозяйственными землями.
`Land_Use_Raw_Probability_Developed`	метров	Первичная модель вероятности освоения, полученная с помощью LCMS. Определяется как: земля, покрытая искусственными сооружениями (например, жилая застройка с высокой плотностью, коммерческая застройка, промышленность, горнодобывающая промышленность или транспорт), или сочетание растительности (включая деревья) и сооружений (например, жилая застройка с низкой плотностью, газоны, зоны отдыха, кладбища, транспортные и коммунальные коридоры и т. д.), включая любые земли, функционально изменённые в результате деятельности человека.
`Land_Use_Raw_Probability_Forest`	метров	Вероятность наличия леса, полученная с помощью модели LCMS. Лес определяется как: земля, засаженная или покрытая естественной растительностью, которая содержит (или, вероятно, будет содержать) 10% или более древесного покрова в какой-то момент в течение ближайшего сукцессионного цикла. Сюда могут входить лиственные, вечнозелёные и/или смешанные категории естественных лесов, лесные плантации и лесистые водно-болотные угодья.
`Land_Use_Raw_Probability_Other`	метров	Первичная модель вероятности «Другое», полученная с помощью LCMS. Определяется как: участок (независимо от назначения), где спектральный тренд или другие подтверждающие данные указывают на то, что произошло нарушение или изменение, но окончательную причину установить невозможно, или тип изменения не соответствует ни одной из категорий процесса изменений, определённых выше.
`Land_Use_Raw_Probability_Rangeland-or-Pasture`	метров	Первичная модель вероятности пастбищ или выпаса, полученная с помощью LCMS. Определяется как: Этот класс включает любую территорию, которая является либо а) пастбищами, где растительность представляет собой смесь местных трав, кустарников, разнотравья и травянистых растений, в основном образующихся под воздействием естественных факторов и процессов, таких как осадки, температура, высота над уровнем моря и пожары, хотя ограниченное управление может включать в себя предписанное выжигание, а также выпас домашних и диких травоядных животных; или б) пастбищами, где растительность может варьироваться от смешанной, в основном естественной травы, разнотравья и злаков до более управляемой растительности с преобладанием видов трав, которые высеваются и выращиваются практически в монокультурном виде.
`QA_Bits`	метров	Дополнительная информация об источнике годовых значений выходных данных LCMS.
Битовая маска для QA_Bits Бит 0: Интерполирован ли пиксель. 0: Интерполированный 1: Не интерполировано Биты 1–5: С какого датчика поступил пиксель. 4: Ландсат 4 5: Ландсат 5 7: Ландсат 7 8: Ландсат 8 9: Ландсат 9 21: Сентинел 2А 22: Сентинел 2Б Биты 6–14: К какому юлианскому дню относится пиксель (1–365).

Изменить таблицу классов

Ценить	Цвет	Описание
1	#ff09f3	Ветер
2	#541aff	Ураган
3	#e4f5fd	Переход снега или льда
4	#cc982e	Высушивание
5	#0adaff	Наводнение
6	#a10018	Предписанный огонь
7	#d54309	Лесной пожар
8	#fafa4b	Механическое преобразование земель
9	#afde1c	Удаление деревьев
10	#ffc80d	Дефолиация
11	#a64c28	Южный сосновый короед
12	#f39268	Стресс от насекомых, болезней или засухи
13	#c291d5	Другие потери
14	#00a398	Сукцессионный рост растительности
15	#3d4551	Стабильный
16	#1b1716	Маска необрабатываемой области

Таблица классов Land_Cover

Ценить	Цвет	Описание
1	#004e2b	Деревья
2	#009344	Смесь высоких кустарников и деревьев (только для AK)
3	#61bb46	Смесь кустарников и деревьев
4	#acbb67	Смесь травы/разнотравья/трав и деревьев
5	#8b8560	Смесь пустоши и деревьев
6	#cafd4b	Высокие кустарники (только AK)
7	#f89a1c	Кустарники
8	#8fa55f	Смесь трав/разнотравья/трав и кустарников
9	#bebb8e	Смесь для пустоши и кустарников
10	#e5e98a	Трава/Разнотравье/Трава
11	#ddb925	Смесь пустоши и травы/разнотравья/травянистых растений
12	#893f54	Бесплодный или непроницаемый
13	#e4f5fd	Снег или лед
14	#00b6f0	Вода
15	#1b1716	Маска необрабатываемой области

Таблица классов землепользования

Ценить	Цвет	Описание
1	#fbff97	Сельское хозяйство
2	#e6558b	Развитый
3	#004e2b	Лес
4	#9dbac5	Другой
5	#a6976a	Пастбища или пастбища
6	#1b1716	Маска необрабатываемой области

Свойства изображения

Свойства изображения

Имя	Тип	Описание
область_исследования	НИТЬ	В настоящее время LCMS охватывает территорию США, Аляску, Пуэрто-Рико, Американские Виргинские острова и Гавайи. Эта версия содержит информацию о CONUS. Данные по AK, PRUSVI и HI будут опубликованы в конце лета 2025 года. Возможные значения: «CONUS, AK».
версия	НИТЬ	Версия продукта
начало года	ИНТ	Год начала продукта
конец года	ИНТ	Конечный год продукта
год	ИНТ	Год выпуска продукта

Условия эксплуатации

Условия эксплуатации

Лесная служба Министерства сельского хозяйства США не предоставляет никаких гарантий, явных или подразумеваемых, включая гарантии товарной пригодности и пригодности для определенной цели, и не принимает на себя никакой юридической ответственности за точность, надежность, полноту или полезность этих геопространственных данных, а также за ненадлежащее или некорректное использование этих геопространственных данных. Эти геопространственные данные и связанные с ними карты или графические изображения не являются юридическими документами и не предназначены для использования в качестве таковых. Данные и карты не могут быть использованы для определения права собственности, правового описания или границ, правовой юрисдикции или ограничений, которые могут действовать на государственных или частных землях. Стихийные бедствия могут быть или не быть изображены на данных и картах, и землепользователи должны проявлять должную осторожность. Данные являются динамичными и могут меняться со временем. Пользователь несет ответственность за проверку ограничений геопространственных данных и использование данных соответствующим образом.

Эти данные были собраны при финансовой поддержке правительства США и могут быть использованы без дополнительных разрешений или сборов. При использовании этих данных в публикации, презентации или другом исследовательском продукте, пожалуйста, используйте следующую ссылку:

Лесная служба Министерства сельского хозяйства США. 2025. Система мониторинга изменений ландшафта Лесной службы США, версия 2024.10 (территория США и прилегающие территории США). Солт-Лейк-Сити, штат Юта.

Цитаты

Лесная служба Министерства сельского хозяйства США. 2025. Система мониторинга изменений ландшафта Лесной службы США, версия 2024.10 (территория США и прилегающие территории США). Солт-Лейк-Сити, штат Юта.
Брейман, Л., 2001. Случайные леса. В машинном обучении. Springer, 45: 5-32. doi:10.1023/A:1010933404324
Честейн, Р., Хаусман, И., Голдштейн, Дж., Финко, М. и Теннесон, К., 2019. Эмпирическое сравнение спектральных характеристик верхней части атмосферы спутников Sentinel-2A и 2B MSI, Landsat-8 OLI и Landsat-7 ETM над территорией США. В кн.: Дистанционное зондирование окружающей среды. Science Direct, 221: 274–285. doi:10.1016/j.rse.2018.11.012
Коэн, У. Б., Янг, З. и Кеннеди, Р., 2010. Выявление тенденций в нарушении и восстановлении лесов с использованием ежегодных временных рядов Landsat: 2. TimeSync — инструменты калибровки и проверки. В книге «Дистанционное зондирование окружающей среды». Science Direct, 114(12): 2911–2924. doi:10.1016/j.rse.2010.07.010
Коэн, У. Б., Янг, З., Хили, С. П., Кеннеди, Р. Э. и Горелик, Н., 2018. Многоспектральный ансамбль LandTrendr для обнаружения нарушений в лесах. В кн.: Дистанционное зондирование окружающей среды. Science Direct, 205: 131–140. doi:10.1016/j.rse.2017.11.015
Фога, С., Скарамуцца, П.Л., Го, С., Чжу, З., Дилли, Р.Д., Бекманн, Т., Шмидт, Г.Л., Дуайер, Дж.Л., Хьюз, М.Дж., Лауэ, Б., 2017. Сравнение и валидация алгоритмов обнаружения облаков для оперативных данных Landsat. В книге «Дистанционное зондирование окружающей среды». Science Direct, 194: 379–390. doi:10.1016/j.rse.2017.03.026
Геологическая служба США, 2019 г. Цифровая модель рельефа 3D-программы USGS Elevation Program, дата обращения: август 2022 г., https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m
Healey, SP, Cohen, WB, Yang, Z., Kenneth Brewer, C., Brooks, EB, Gorelick, N., Hernandez, AJ, Huang, C., Joseph Hughes, M., Kennedy, RE, Loveland, TR, Moisen, GG, Schroeder, TA, Stehman, SV, Vogelmann, JE, Woodcock, CE, Yang, L., and Zhu, Z., 2018. Картографирование изменений лесов с использованием стековой генерализации: ансамблевый подход. В книге «Дистанционное зондирование окружающей среды». Science Direct, 204: 717–728. doi:10.1016/j.rse.2017.09.029
Кеннеди, Р.Э., Янг, З. и Коэн, У.Б., 2010. Выявление тенденций в нарушении и восстановлении лесов с использованием ежегодных временных рядов Landsat: 1. LandTrendr — алгоритмы временной сегментации. В книге «Дистанционное зондирование окружающей среды». Science Direct, 114(12): 2897–2910. doi:10.1016/j.rse.2010.07.008
Кеннеди, Р., Янг, З., Горелик, Н., Браатен, Дж., Кавальканте, Л., Коэн, У. и Хили, С. 2018. Реализация алгоритма LandTrendr в Google Earth Engine. В разделе «Дистанционное зондирование». MDPI, 10(5): 691. doi:10.3390/rs10050691
Паскуарелла, В.Дж., Браун, К.Ф., Червински, В. и Раклидж, У.Дж., 2023. Комплексная оценка качества оптических спутниковых изображений с использованием слабо контролируемого видеообучения. В материалах конференции IEEE/CVF по компьютерному зрению и распознаванию образов. 2124–2134.
Sentinel-Hub, 2021. Sentinel 2 Cloud Detector. [Онлайн]. Доступно по адресу: https://github.com/sentinel-hub/sentinel2-cloud-detector
Вайс, А.Д., 2001. Постерная презентация по топографическому положению и анализу рельефа, Конференция пользователей ESRI, Сан-Диего, CAZhu, Z., и Woodcock, CE, 2012. Объектно-ориентированное обнаружение облаков и теней облаков на снимках Landsat. 118: 83-94.
Чжу, З. и Вудкок, К.Э., 2012. Объектное обнаружение облаков и их теней на снимках Landsat. В кн.: Дистанционное зондирование окружающей среды. Science Direct, 118: 83–94. doi:10.1016/j.rse.2011.10.028
Чжу, З. и Вудкок, К.Э., 2014. Непрерывное обнаружение изменений и классификация почвенно-растительного покрова с использованием всех доступных данных Landsat. В кн.: Дистанционное зондирование окружающей среды. Science Direct, 144: 152–171. doi:10.1016/j.rse.2014.01.011

DOI

Исследуйте с Earth Engine

Редактор кода (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);

Открыть в редакторе кода

Система мониторинга изменений ландшафта USFS v2024.10 (CONUS и OCONUS)

Этот продукт входит в набор данных Системы мониторинга изменений ландшафта (LCMS). Он отображает смоделированные с помощью LCMS изменения, классы земельного покрова и/или землепользования для каждого года и охватывает как континентальную часть США (CONUS), так и территории за её пределами (OCONUS), включая Аляску (AK), Пуэрто-Рико и Американские Виргинские острова (PRUSVI) и…

USFS/GTAC/LCMS/v2024-10, обнаружение изменений, лес, gtac, земной покров, землепользование, земной покров, ресурсы redcastle, 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) Оптимизируйте свои подборки Сохраняйте и классифицируйте контент в соответствии со своими настройками.