- 数据集可用性
- 1985-06-01T00:00:00Z–2023-09-30T00:00:00Z
- 数据集提供商
- 美国农业部林务局 (USFS) 现场服务和创新中心地理空间办公室 (FSIC-GO)
- 标签
说明
此产品是树冠覆盖率 (TCC) 数据套件的一部分。其中包括每个年份的建模 TCC、标准误差 (SE) 和美国国家土地覆盖数据库 (NLCD) 的 TCC 数据。美国农业部林务局 (USFS) 生成的 TCC 数据包含在多分辨率土地特征 (MRLC) 联盟中，该联盟是美国地质调查局 (USGS) 管理的国家土地覆盖数据库 (NLCD) 项目的一部分。
Science TCC 产品和 NLCD TCC 是由 USFS 生成的基于遥感的地图输出。TCC 科学和 NLCD TCC 的目标是开发一种一致的方法，利用 TCC 测绘方面的最新技术和进展，制作美国本土（CONUS）以及阿拉斯加东南部、夏威夷和波多黎各-美属维尔京群岛（OCONUS）的“最佳可用”TCC 地图。OCONUS v2023.5 数据将于 2025 年夏末发布。目前可以使用 v2021.4 OCONUS TCC 数据 (USGS/NLCD_RELEASES/2021_REL/TCC/v2021-4)。
模型输出包括 1985 年至 2023 年的 Science TCC、Science SE 和 NLCD TCC。
*Science TCC 是原始的直接模型输出。
*Science SE 是所有回归树的预测值的模型标准差。
*NLCD TCC 产品会对年度科学 TCC 影像进行进一步的后处理，包括多种掩码处理（水体和非树木农业）以及可减少年际噪声并返回更长时段趋势的处理。
每张图片都包含一个数据掩码波段，其中包含三个值，分别表示无数据区域 (0)、已映射的树冠覆盖区域(1) 和非处理区域 (2)。非处理区域是指研究区域内没有云或无云阴影数据的像素。在 TCC 和 SE 图像中，无数据和非处理区域像素会被遮盖。
由于美国本土 (CONUS) 的面积较大且生态交错带种类繁多，因此 CONUS 建模被分解为 54 个 480x480 公里的图块。对于每个地块，我们使用 2011 年拟合的 LandTrendr、2011 年 CDL 和地形数据构建了一个独特的随机森林模型。所有参考数据（占可用于模型校准的 70%）中与中心图块周围 5x5 窗口内的图块相交的部分都用于训练随机森林模型。然后，将该模型应用到中心图块。对于美国本土以外地区，每个研究区域都应用了一个模型，未使用任何图块。
TCC 模型的预测器层包括 LandTrendr 的输出和地形信息。所有这些组件均使用 Google Earth Engine 进行访问和处理（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）和 s2cloudless（Sentinel-Hub，2021 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。
使用 LandTrendr（Kennedy 等人，2010；Kennedy 等，2018 年；Cohen 等，2018 年）。
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，以及来自 10 米 USGS 3D 的海拔、坡度、坡向正弦和坡向余弦。高程计划 (3DEP) 数据（美国地质调查局，2019 年）用作随机森林 (Breiman, 2001) 模型中的独立预测变量。
参考数据收集自美国森林服务局 (USFS) 森林清查与分析 (FIA) 照片判读的 TCC 数据，用于以像素级方式进行全覆盖 TCC 预测。
其他资源
如需详细了解方法和准确性评估，请参阅 TCC 方法简介；如需下载数据、查看元数据和支持文档，请访问 TCC 地理空间数据交换中心。
AK、PRUSVI 和 HI 数据将于 2025 年夏末发布。之前发布的 v2021.4 AK、PRUSVI 和 HI TCC 数据可供使用 (USGS/NLCD_RELEASES/2021_REL/TCC/v2021-4)
如有任何疑问或具体的数据请求，请发送电子邮件至 sm.fs.tcc@usda.gov 与我们联系。
频段
像素大小
30 米
频段
| 名称 | 单位 | 像素尺寸 | 说明 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Science_Percent_Tree_Canopy_Cover |
% | 米 | 原始直接模型输出。每个像素都有每个年份的平均预测树冠覆盖率值。 |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Science_Percent_Tree_Canopy_Cover_Standard_Error |
% | 米 | 所有回归树的预测值的标准差称为标准误差。每个像素都有每年的标准误差。 |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
NLCD_Percent_Tree_Canopy_Cover |
% | 米 | 为了生成 NLCD 树冠覆盖率，系统会对直接模型输出应用后期处理工作流，以识别非树木像素值并将其设置为零百分比的树冠覆盖率。 |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
data_mask |
米 | 三个值，分别表示无数据区域、已映射的树冠覆盖区域和非处理区域。非处理区域是指研究区域内没有无云或无云阴影数据可用于生成输出的像素。 |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
图片属性
图片属性
| 名称 | 类型 | 说明 |
|---|---|---|
| study_area | STRING | TCC 目前覆盖美国本土、阿拉斯加东南部、波多黎各-美属维尔京群岛和夏威夷。此版本包含 CONUS。SEAK、PRUSVI 和 HI 的数据将于 2025 年夏末发布。 可能的值：'CONUS' |
| 版本 | STRING | 这是 MRLC 联盟发布的第五个 TCC 产品，属于美国国家土地覆盖数据库 (NLCD) |
| startYear | INT | “商品的开始年份” |
| endYear | INT | “商品结束年份” |
| 年 | INT | “商品年份” |
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。美国森林服务局树冠覆盖率 v2023.5（美国本土和美国本土以外的地区）。犹他州盐湖城。
引用
美国农业部林务局。2025 年。美国林务局树冠覆盖率 v2023.5（美国本土和美国本土以外的地区）。 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。 对美国本土上空 Sentinel-2A 和 2B MSI、Landsat-8 OLI 和 Landsat-7 ETM 大气层顶部光谱特征的实证跨传感器比较。In Remote Sensing of Environment. Science Direct，221：274-285 doi:10.1016/j.rse.2018.11.012
Cohen, W. B., Yang, Z.、Healey, S. P., Kennedy, R. E. 和 Gorelick, N.，2018 年。 用于森林扰动检测的 LandTrendr 多光谱集成。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。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，访问时间为 2022 年 8 月，网址为 https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m
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
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
Zhu, Z. 和 Woodcock, C. E., 2012 年。 Landsat 影像中基于对象进行的云和云阴影检测。In Remote Sensing of Environment. Science Direct，118：83-94 doi:10.1016/j.rse.2011.10.028
DOI
使用 Earth Engine 探索
代码编辑器 (JavaScript)
// Import the tree canopy cover collection var dataset = ee.ImageCollection('USGS/NLCD_RELEASES/2023_REL/TCC/v2023-5'); //Filter collection to 2021 and CONUS study area var tcc = dataset.filter(ee.Filter.calendarRange(2023, 2023,'year')) // range: [1985, 2023] .filter('study_area == "CONUS"') .first(); // TCC palette var tcc_palette = [ 'CDA066', 'D7C29E', 'C2D096', 'B7D692', 'ADDD8E', '78C679', '5CB86B', '41AB5D', '39A156', '329750', '238443', '11763D', '006837', '004529' ] // SE palette var se_palette = [ '000000', 'FFFFFF', ] // Display images on map Map.addLayer(tcc.select('data_mask'), {min:0,max:2}, 'Data Mask',false); Map.addLayer(tcc.select('Science_Percent_Tree_Canopy_Cover'), {min:0,max:60,palette:tcc_palette}, 'Science Percent Tree Canopy Cover'); Map.addLayer(tcc.select('Science_Percent_Tree_Canopy_Cover_Standard_Error'), {min:0,max:4000,palette:se_palette}, 'Science Percent Tree Canopy Cover Standard Error'); Map.addLayer(tcc.select('NLCD_Percent_Tree_Canopy_Cover'), {min:0,max:60,palette:tcc_palette}, 'NLCD Percent Tree Canopy Cover'); Map.setCenter(-98.58, 38.14, 4);