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

USFS/GTAC/LCMS/v2024-10
数据集可用性
1985-01-01T00:00:00Z–2024-12-31T00:00:00Z
数据集提供商
Earth Engine 代码段
ee.ImageCollection("USFS/GTAC/LCMS/v2024-10")
标签
change-detection forest gtac landcover landuse landuse-landcover redcastle-resources usda usfs
lcm

说明

此产品是 Landscape Change Monitoring System (LCMS) 数据套件的一部分。该数据集显示了每年 LCMS 模式下的变化、土地覆盖和/或土地利用类别，涵盖美国本土 (CONUS) 以及 CONUS 以外的地区 (OCONUS)，包括阿拉斯加 (AK)、波多黎各-美属维尔京群岛 (PRUSVI) 和夏威夷 (HI)。PRUSVI 和 HI v2024.10 数据将于 2025 年夏末发布。目前，可以使用 v2023.9 PRUSVI 和 HI LCMS 数据 (USFS/GTAC/LCMS/v2023-9)。

LCMS 是一种基于遥感技术的系统，用于绘制和监控美国各地的景观变化。其目标是开发一种一致的方法，利用最新的技术和变更检测方面的进展，制作出“最佳”地貌变化地图。

输出包括三种年度产品：变化、土地覆盖和土地利用。变化模型输出专门针对植被覆盖，包括缓慢损失、快速损失（也包括水文变化，例如淹没或干旱）和增加。这些值是针对 Landsat 时间序列的每一年预测的，是 LCMS 的基础产品。我们应用基于辅助数据集的规则集来创建最终变化产品，该产品是对模型化变化进行细化/重新分类，将其分为 15 个类别，明确提供有关地貌变化原因的信息（例如，树木清理、野火、风灾）。地表覆盖和土地利用地图描绘了每个年份的生命形式级地表覆盖和广义级土地利用情况。

由于没有哪种算法在所有情况下都能表现出色，因此 LCMS 使用模型集成作为预测器，从而提高各种生态系统和变化过程中的地图准确性（Healey 等人，2018 年）。由此产生的一套 LCMS 变化、地表覆盖和土地利用地图可全面展示自 1985 年以来美国各地的地貌变化。

LCMS 模型的预测层包括来自 LandTrendr 和 CCDC 变化检测算法的输出，以及地形信息。这些组件均使用 Google Earth Engine（Gorelick 等人，2017 年）。

为了生成 LandTrendr 的年度合成数据，我们使用了 USGS Collection 2 Landsat Tier 1 和 Sentinel 2A、2B Level-1C 大气层顶部反射率数据。cFmask 云掩盖算法（Foga 等人，2017 年），它是 Fmask 2.0（Zhu 和 Woodcock，2012 年）（仅限 Landsat）、cloudScore（Chastain 等人，2019 年）（仅限 Landsat）、s2cloudless（Sentinel-Hub，2021 年）和 Cloud Score plus（Pasquarella 等人，2023 年）（仅限 Sentinel 2）用于遮盖云，而 TDOM（Chastain 等人，2019 年）用于遮盖云阴影（Landsat 和 Sentinel 2）。对于 LandTrendr，然后计算年度类中心，以将每年的无云和无云阴影值汇总为单个合成值。对于 CCDC，美国地质调查局 (USGS) Collection 2 Landsat Tier 1 地表反射率数据用于美国本土，Landsat Tier 1 大气层顶部反射率数据用于 AK、PRUSVI 和 HI。

使用 LandTrendr（Kennedy 等人，2010；Kennedy 等，2018 年；Cohen 等，2018 年）。

所有无云和无云阴影的值也使用 CCDC 算法（Zhu 和 Woodcock，2014 年）进行时间分段。

预测变量数据包括原始合成值、LandTrendr 拟合值、成对差值、分段持续时间、变化幅度和斜率，以及 CCDC 正弦和余弦系数（前 3 个谐波）、拟合值和成对差值，以及来自 10 米 USGS 3D 高程计划 (3DEP) 数据（美国地质调查局，2019 年）的高程、坡度、坡向正弦、坡向余弦和地形位置指数（Weiss，2001 年）。

参考数据是使用 TimeSync 收集的，这是一种基于 Web 的工具，可帮助分析师直观呈现和解读 1984 年至今的 Landsat 数据记录（Cohen 等人，2010 年）。

使用来自 TimeSync 的参考数据和来自 LandTrendr、CCDC 和地形指数的预测变量数据训练随机森林模型 (Breiman, 2001)，以预测年度变化、土地覆盖和土地利用类别。在完成建模后，我们会使用辅助数据集制定一系列概率阈值和规则集，以改进定性地图输出并减少误报和漏报。如需了解详情，请参阅“说明”中包含的 LCMS 方法简介。

其他资源

如有任何问题或具体的数据请求，请发送电子邮件至 sm.fs.lcms@usda.gov 与我们联系。

频段

像素大小
30 米

频段

名称 像素尺寸 说明
Change 米

最终主题 LCMS 更改产品。每年共映射 15 个变化类别。从根本上讲，对于每个研究区域，我们使用三个单独的二元随机森林模型来模拟变化：缓慢损失、快速损失和增加。每个像素都会分配给概率最高且高于指定阈值的模型变化类别。如果某个像素没有任何值高于相应类别的阈值，则会将其分配给“稳定”类别。根据使用模型化变化类别的规则集、辅助数据集（例如 TCC、MTBS 和 IDS）以及 LCMS 地表覆盖数据，系统会为每个像素分配 15 个精细化变化原因类别之一。如需详细了解规则集和所使用的辅助数据集，请参阅说明中链接的 LCMS 方法简介。
Land_Cover 米

最终主题 LCMS 地表覆盖产品。我们使用 TimeSync 参考数据和从 Landsat 影像中提取的光谱信息，每年绘制总共 14 个地表覆盖类别的地图。地表覆盖是通过单个多类别随机森林模型预测的，该模型会输出一个包含每个类别概率的数组（随机森林模型中“选择”每个类别的树的比例）。最终类别会分配给概率最高的土地用途。在分配概率最高的地表覆盖类别之前，根据研究区域，应用了一个或多个使用辅助数据集的概率阈值和规则集。如需详细了解概率阈值和规则集，请参阅说明中链接的 LCMS 方法简报。七个地表覆盖类别表示单一地表覆盖，其中该地表覆盖类型覆盖了像素的大部分区域，而其他任何类别的覆盖面积均不超过像素的 10%。此外，还有 7 节混合课程。这些像素表示其他地表覆盖类别至少覆盖了像素的 10%。
Land_Use 米

最终专题 LCMS 土地利用产品。我们每年都会使用 TimeSync 参考数据和从 Landsat 影像中提取的光谱信息，绘制总共 5 个土地用途类别的地图。土地利用是使用单个多类别随机森林模型预测的，该模型会输出一个数组，其中包含每个类别的概率（随机森林模型中“选择”每个类别的树的比例）。最终类别会分配给概率最高的土地用途。在分配概率最高的地表覆盖类型之前，我们使用辅助数据集应用了一系列概率阈值和规则集。如需详细了解概率阈值和规则集，请参阅说明中链接的 LCMS 方法简介。
Change_Raw_Probability_Slow_Loss 米

慢速流失的原始 LCMS 建模概率。“缓慢丢失”包括以下来自 TimeSync 更改流程解释的类：

  • 结构性衰退 - 树木或其他木本植被因非人为或非机械因素造成的不利生长条件而发生物理性改变的土地。 此类损失通常会在光谱信号中形成趋势（例如 NDVI 降低、湿度降低、SWIR 升高等），但这种趋势可能并不明显。木本植被环境中的结构性衰退最有可能由昆虫、疾病、干旱、酸雨等引起。结构性衰退可能包括不会导致死亡的落叶事件，例如舞毒蛾和云杉芽虫侵扰，这些事件可能会在 1 或 2 年内恢复。

  • 光谱衰减 - 一种图，其中光谱信号显示一个或多个光谱波段或指数（例如 NDVI 降低、湿度降低、SWIR 升高，等等）的趋势。例如，在以下情况下：a) 非森林/非木本植被呈现出表明衰退的趋势（例如，NDVI 降低、湿度降低、SWIR 升高等）；或者 b) 木本植被呈现出与木本植被损失无关的衰退趋势，例如，成熟的树冠闭合导致阴影增加、物种组成从针叶树变为阔叶树，或者干旱期（而非更严重、更急性的干旱）导致活力明显下降，但没有木本物质或叶面积损失。
Change_Raw_Probability_Fast_Loss 米

快速损失的原始 LCMS 建模概率。快速丢失包括以下来自 TimeSync 更改流程解释的类：

  • 火灾 - 因火灾而改变的土地，无论起火原因（自然或人为）、严重程度或土地用途如何。

  • 采伐 - 通过人为手段砍伐或移除树木、灌木或其他植被的林地。例如，皆伐、火灾或虫害爆发后的抢救性伐木、疏伐和其他森林管理措施（例如，庇护林/留种树采伐）。

  • 机械 - 通过链锯、刮除、灌木锯、推土机或任何其他非森林植被清除方法，机械地砍伐或移除树木、灌木或其他植被的非森林土地。

  • 风/冰 - 陆地（无论是否使用），植被因飓风、龙卷风、风暴和其他恶劣天气事件（包括冰暴造成的冻雨）而发生改变。

  • 水文 - 无论土地用途如何，洪水已显著改变木本植被或其他土地覆盖要素的土地（例如，洪水过后河床内及周围出现新的砾石和植被混合物）。

  • 碎屑 - 土地（无论用途如何）因与滑坡、雪崩、火山、泥石流等相关的自然物质移动而发生改变。

  • 其他 - 光谱趋势或其他支持性证据表明发生了扰动或变化事件，但无法确定确切原因，或者变化类型不符合上述任何变化过程类别。
Change_Raw_Probability_Gain 米

增益的原始 LCMS 建模概率。定义：由于生长和演替，植被覆盖率在一年或一年以上的时间内有所增加的土地。适用于可能表现出与植被再生相关的光谱变化的任何区域。在发达地区，增长可能源于成熟的植被和/或新安装的草坪和景观。在森林中，生长包括从裸露地面开始的植被生长，以及中等高度和共同优势树木和/或低矮的草和灌木的生长。在森林采伐后记录的增长/恢复区段可能会随着森林的再生而经历不同的土地覆盖类别。若要将这些变化视为增长/恢复，光谱值应紧密遵循持续数年的增长趋势线（例如，正斜率，如果延长到约 20 年，则 NDVI 的数量级为 0.10 个单位）。
Land_Cover_Raw_Probability_Trees 米

树的原始 LCMS 建模概率。定义为：像素的大部分由活树或枯立木组成。
Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix 米

原始 LCMS 建模的灌木和树木混合（仅限阿拉斯加）概率。定义为：像素的大部分由高度超过 1 米的灌木组成，并且至少包含 10% 的活树或枯立木。
Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix 米

灌木和树木混合的原始 LCMS 建模概率。定义为：像素的大部分由灌木组成，并且至少包含 10% 的活树或枯立木。
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix 米

草/禾草/草本植物和树木混合的原始 LCMS 建模概率。定义为：像素的大部分由多年生草、草本植物或其他草本植被组成，并且至少有 10% 的活树或枯立木。
Land_Cover_Raw_Probability_Barren-and-Trees-Mix 米

贫瘠土地和树木混合的原始 LCMS 建模概率。定义为：像素的大部分由扰动暴露的裸土（例如，机械清理或森林采伐暴露的土壤）以及常年贫瘠的区域（例如沙漠、干盐湖、岩石露头 [包括因露天采矿活动而暴露的矿物和其他地质材料]、沙丘、盐碱滩和海滩）组成。由泥土和碎石铺成的道路也被视为贫瘠土地，并且至少包含 10% 的活树或枯立木。
Land_Cover_Raw_Probability_Tall-Shrubs 米

高灌木（仅限阿拉斯加）的原始 LCMS 建模概率。定义为：像素的大部分由高度超过 1 米的灌木组成。
Land_Cover_Raw_Probability_Shrubs 米

灌木的原始 LCMS 建模概率。定义为：像素的大部分由灌木组成。
Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix 米

草类/禾草类/草本植物和灌木混合物的原始 LCMS 建模概率。定义为：像素的大部分由多年生草、草本植物或其他草本植被组成，并且至少有 10% 由灌木组成。
Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix 米

贫瘠和灌木混合的原始 LCMS 建模概率。定义为：像素的大部分由扰动暴露的裸土（例如，机械清理或森林采伐暴露的土壤）以及常年贫瘠的区域（例如沙漠、干盐湖、岩石露头 [包括因露天采矿活动而暴露的矿物和其他地质材料]、沙丘、盐碱滩和海滩）组成。由泥土和碎石铺成的道路也被视为贫瘠土地，并且至少包含 10% 的灌木。
Land_Cover_Raw_Probability_Grass-Forb-Herb 米

草类/草本植物/草本的原始 LCMS 建模概率。定义为：像素的大部分由多年生草、草本植物或其他形式的草本植被组成。
Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix 米

贫瘠土地和草/禾草/草本植物混合物的原始 LCMS 建模概率。定义为：像素的大部分由扰动（例如机械清理或森林采伐导致土壤裸露）暴露的裸土以及常年贫瘠的区域（例如沙漠、干盐湖、露岩（包括地表采矿活动暴露的矿物和其他地质材料）、沙丘、盐碱滩和海滩）组成。由泥土和碎石铺成的道路也被视为贫瘠土地，并且至少包含 10% 的多年生草、草本植物或其他草本植被。
Land_Cover_Raw_Probability_Barren-or-Impervious 米

贫瘠或不透水地表的原始 LCMS 建模概率。定义为：像素的大部分由以下部分组成：1.) 因扰动而暴露的裸土（例如因机械清理或森林采伐而暴露的土壤），以及常年贫瘠的区域，例如沙漠、干盐湖、露岩（包括因露天采矿活动而暴露的矿物和其他地质材料）、沙丘、盐碱滩和海滩。由泥土和碎石铺成的道路也被视为贫瘠的土地；2.) 水无法渗透的人造材料，例如铺砌的道路、屋顶和停车场。
Land_Cover_Raw_Probability_Snow-or-Ice 米

雪或冰的原始 LCMS 建模概率。定义为：像素的大部分由雪或冰组成。
Land_Cover_Raw_Probability_Water 米

水的原始 LCMS 建模概率。定义为：像素的大部分由水组成。
Land_Use_Raw_Probability_Agriculture 米

农业的原始 LCMS 建模概率。定义为：用于生产食物、纤维和燃料的土地，处于植被覆盖状态或无植被状态。这包括但不限于耕种和未耕种的农田、草料地、果园、葡萄园、圈养牲畜作业区，以及种植水果、坚果或浆果的生产区。主要用于农业用途（即不用于城镇间的公共交通）的道路被视为农业用地。
Land_Use_Raw_Probability_Developed 米

“已开发”的原始 LCMS 建模概率。定义为：被人造结构（例如高密度住宅、商业、工业、采矿或运输）覆盖的土地，或植被（包括树木）和结构（例如低密度住宅、草坪、休闲设施、墓地、运输和公用事业走廊等）的混合物，包括因人类活动而发生功能性改变的任何土地。
Land_Use_Raw_Probability_Forest 米

Forest 的原始 LCMS 建模概率。定义为：已种植或自然长有植被的土地，在近期演替序列中的某个时间点，其树木覆盖率达到（或可能达到）10% 或更高。这可能包括落叶林、常绿林和/或混合类别的天然林、人工林和木本湿地。
Land_Use_Raw_Probability_Other 米

其他类别的原始 LCMS 建模概率。定义为：光谱趋势或其他支持性证据表明发生了扰动或变化事件，但无法确定确切原因或变化类型不符合上述任何变化过程类别的土地（无论用途如何）。
Land_Use_Raw_Probability_Rangeland-or-Pasture 米

Rangeland 或 Pasture 的原始 LCMS 建模概率。定义为：此类包括以下任何区域：a.) 牧草地，其中植被是本地草类、灌木、草本植物和类草植物的混合体，主要由降雨、温度、海拔和火灾等自然因素和过程产生，尽管有限的管理可能包括规定燃烧以及家养和野生草食动物的放牧；或 b.) 牧场，植被可能包括混合的、主要为天然草类、草本植物和药草的植被，也可能包括经过管理、以播种和管理来维持近乎单一栽培的草类为主的植被。
QA_Bits 米

有关年度 LCMS 产品输出值来源的辅助信息。

更改课程表

值 颜色 说明
1 #ff09f3

WIND
2 #541aff

飓风
3 #e4f5fd

下雪或结冰过渡
4 #cc982e

干燥
5 #0adaff

洪灾
6 #a10018

计划烧除
7 #d54309

Wildfire
8 #fafa4b

机械土地改造
9 #afde1c

伐木
10 #ffc80d

落叶
11 #a64c28

南方松树皮甲
12 #f39268

虫害、病害或干旱胁迫
13 #c291d5

其他损失
14 #00a398

植被演替生长
15 #3d4551

稳定
16 #1b1716

非处理区域遮罩

地表覆盖类别表

值 颜色 说明
1 #004e2b

树
2 #009344

高灌木和树木混合 (仅限 AK)
3 #61bb46

灌木和树木混合
4 #acbb67

草/草本植物/香草和树木混合
5 #8b8560

荒地与树木混合
6 #cafd4b

高灌木（仅限 AK）
7 #f89a1c

灌木

8 #8fa55f

草类/草本植物/灌木混合
9 #bebb8e

贫瘠土地和灌木丛混合
10 #e5e98a

草类/草本植物/药草
11 #ddb925

贫瘠土地和草/草本植物/香草混合
12 #893f54

贫瘠或不透水
13 #e4f5fd

下雪或结冰
14 #00b6f0

水
15 #1b1716

非处理区域遮罩

土地利用类别表

值 颜色 说明
1 #fbff97

农业
2 #e6558b

开发
3 #004e2b

森林
4 #9dbac5

其他
5 #a6976a

草地或牧场
6 #1b1716

非处理区域遮罩

图片属性

图片属性

名称 类型 说明
study_area STRING

LCMS 目前覆盖美国本土、阿拉斯加、波多黎各-美属维尔京群岛和夏威夷。此版本包含 CONUS。阿拉斯加、普鲁斯维和夏威夷的数据将于 2025 年夏末发布。 可能的值：'CONUS, AK'
版本 STRING

产品版本
startYear INT

商品的开始年份
endYear INT

商品的结束年份
年 INT

商品的年份

使用条款

使用条款

美国农业部林务局不提供任何明示或暗示的保证，包括适销性和针对特定用途的适用性保证，也不对这些地理空间数据的准确性、可靠性、完整性或实用性承担任何法律责任或义务，也不对这些地理空间数据的滥用或误用承担任何法律责任或义务。这些地理空间数据和相关地图或图形不是法律文件，也不打算用作法律文件。不得使用这些数据和地图来确定产权、所有权、法律说明或边界、法律管辖权，或可能对公共土地或私人土地施加的限制。 数据和地图上可能会显示自然灾害，也可能不会显示，土地使用者应格外谨慎。这些数据是动态的，可能会随时间而变化。用户有责任验证地理空间数据的限制，并相应地使用这些数据。

这些数据是使用美国政府的资金收集的，可以免费使用，无需获得额外权限。如果您在出版物、演示或其他研究产品中使用这些数据，请使用以下引用：

美国农业部林务局。2025 年。USFS Landscape Change Monitoring System v2024.10（美国本土和美国本土外地区）。犹他州盐湖城。

引用

引用：

  • 美国农业部林务局。2025 年。USFS Landscape Change Monitoring System v2024.10（美国本土和美国本土外地区）。犹他州盐湖城。

  • Breiman, L.，2001 年。随机森林。在机器学习中。Springer, 45: 5-32. doi:10.1023/A:1010933404324

  • Chastain, R.、Housman, I.、Goldstein, J.，Finco, M. 和 Tenneson, K.，2019 年。 美国本土上空 Sentinel-2A 和 2B MSI、Landsat-8 OLI 以及 Landsat-7 ETM 大气层顶部光谱特征的经验性跨传感器比较。发表于《Remote Sensing of Environment》。Science Direct，221：274-285。doi:10.1016/j.rse.2018.11.012

  • Cohen, W. B., Yang, Z. 和 Kennedy, R.，2010 年。利用年度 Landsat 时序检测森林扰动和恢复趋势：2. TimeSync - 用于校准和验证的工具。发表于《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. 和 Gorelick, N.， 2018 年。一种用于森林扰动检测的 LandTrendr 多光谱集成模型。 发表于《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。针对运行中的 Landsat 数据产品进行云检测算法比较和验证。发表于《Remote Sensing of Environment》。Science Direct，194：379-390。 doi:10.1016/j.rse.2017.03.026

  • 美国地质调查局，2019 年。USGS 3D 高程计划数字高程模型，于 2022 年 8 月访问，网址为 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. 和 Zhu, Z.，2018 年。使用堆叠泛化方法绘制森林变化图：一种集成方法。发表于《Remote Sensing of Environment》。Science Direct，204：717-728。 doi：10.1016/j.rse.2017.09.029

  • Kennedy, R. E., Yang, Z. 和 Cohen, W. B., 2010 年。使用年度 Landsat 时序数据检测森林扰动和恢复趋势：1. LandTrendr - 时间分割算法。发表于《Remote Sensing of Environment》。Science Direct，114(12)：2897-2910。doi:10.1016/j.rse.2010.07.008

  • Kennedy, R.、Yang, Z.、Gorelick, N.，Braaten, J.、Cavalcante, L.， Cohen, W. 和 Healey, S. 2018 年。在 Google Earth Engine 上实现 LandTrendr 算法。In Remote Sensing. MDPI，10(5)：691。doi:10.3390/rs10050691

  • Pasquarella, V. J.、Brown, C. F.、Czerwinski, W. 和 Rucklidge, W. J. 2023 年。 使用弱监督视频学习对光学卫星影像进行全面质量评估。In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2124-2134。

  • Sentinel-Hub，2021 年。Sentinel 2 Cloud Detector。[在线]。可在以下网址获取： https://github.com/sentinel-hub/sentinel2-cloud-detector

  • Weiss, A.D.，2001 年。地形位置和地貌分析，海报演示，ESRI 用户大会，圣地亚哥，加利福尼亚州，Zhu, Z.，和伍德科克，C. E. 2012。Landsat 影像中基于对象进行的云和云阴影检测。118：83-94。

  • Zhu, Z. 和 Woodcock, C. E., 2012。Landsat 影像中基于对象进行的云和云阴影检测。发表于《Remote Sensing of Environment》。Science Direct，118：83-94。doi:10.1016/j.rse.2011.10.028

  • Zhu, Z. 和 Woodcock, C. E., 2014 年。使用所有可用的 Landsat 数据对土地覆盖进行持续的变更检测和分类。 发表于《Remote Sensing of Environment》。Science Direct，144：152-171。 doi:10.1016/j.rse.2014.01.011

DOI

使用 Earth Engine 探索

代码编辑器 (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);
在代码编辑器中打开
此产品是 Landscape Change Monitoring System (LCMS) 数据套件的一部分。它显示了每个年份的 LCMS 建模变化、土地覆盖和/或土地利用类别，涵盖美国本土 (CONUS) 以及 CONUS 以外的地区 (OCONUS)，包括阿拉斯加 (AK)、波多黎各-美属维尔京群岛 (PRUSVI) 和…
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