USFS Tree Canopy Cover v2023-5 (CONUS and OCONUS)

USGS/NLCD_RELEASES/2023_REL/TCC/v2023-5
Dataset-Verfügbarkeit
1985-06-01T00:00:00Z–2023-09-30T00:00:00Z
Dataset-Anbieter
Earth Engine-Snippet
ee.ImageCollection("USGS/NLCD_RELEASES/2023_REL/TCC/v2023-5")
Tags
forest gtac landuse-landcover redcastle-resources usda usfs usgs

Beschreibung

Übersicht

Die vom United States Department of Agriculture, Forest Service (USFS) erstellte Datensuite „Tree Canopy Cover“ (TCC) umfasst jährliche, auf Fernerkundung basierende Kartenausgaben für den Zeitraum 1985 bis 2023. Diese Daten unterstützen das NLCD-Projekt (National Land Cover Database), das vom US Geological Survey (USGS) als Teil des MRLC-Konsortiums (Multi-Resolution Land Characteristics) verwaltet wird. Ziel des Projekts ist es, mit den neuesten Technologien eine einheitliche Karte der durch Baumbestand überschirmten Fläche zu erstellen, die den aktuellen Stand der Technik widerspiegelt. Der geografische Umfang umfasst die kontinentalen USA (CONUS) und die OCONUS-Regionen (Südost-Alaska (SEAK), Hawaii, Puerto Rico und die Amerikanischen Jungferninseln (PRUSVI)).

Produkte

Die TCC-Datensuite umfasst drei Produkte:

  • Wissenschaftliche TCC:Die direkten Rohausgaben des Modells.

  • Standardfehler (SE): Die Standardabweichung der vorhergesagten Werte aus allen Regressionsbäumen.

  • NLCD TCC:Ein verfeinertes Produkt, das aus den jährlichen Science TCC-Bildern abgeleitet wird. Die Daten werden nachbearbeitet, um das Rauschen zwischen den Jahren zu reduzieren, langfristige Trends hervorzuheben und bestimmte Merkmale (z. B. Wasser und Landwirtschaft, die nicht auf Bäumen basiert) zu maskieren.

Jedes Bild enthält ein Datenmaskenband mit drei Werten, die Bereiche ohne Daten (0), kartierte Baumkronenbedeckung(1) und Bereiche ohne Verarbeitung (2) darstellen. Die Bereiche ohne Verarbeitung sind Pixel im Untersuchungsgebiet, für die keine Daten ohne Wolken oder Wolkenschatten verfügbar sind. Pixel ohne Daten und Pixel, die nicht zum Verarbeitungsbereich gehören, werden in TCC- und SE-Bildern maskiert.

Daten und Methoden

Wir haben Trainingsdaten und Random Forest-Modelle für CONUS, SEAK, PRUSVI und HAWAII mit den vom USFS Forest Inventory and Analysis (FIA) fotointerpretierten TCC als Referenzdaten entwickelt. Wir haben Google Earth Engine (GEE) genutzt (Gorelick et al., 2017) zum Verarbeiten angepasster LandTrendr- und Geländevariablen. Geländedaten aus dem 3D Elevation Program (3DEP) (U.S. Geological Survey, 2019) umfassen Höhe, Neigung, Sinus des Aspekts und Kosinus des Aspekts. Für die kontinentalen USA haben wir auch die Crop Data Layer (CDL) als Vorhersagevariable einbezogen (Lin et al., 2022).

Wir haben USGS Collection 2 Landsat Tier 1- und Sentinel 2A/2B Level-1C-Bilder mit Reflexionsdaten aus der obersten Schicht der Atmosphäre verwendet, um jährliche Medoid-Composites zu erstellen. Um die Datenqualität zu gewährleisten, haben wir verschiedene Algorithmen angewendet, um Wolken und Schatten zu maskieren, darunter cFmask (Foga et al., 2017; Zhu und Woodcock, 2012), cloudScore (Chastain et al., 2019), s2cloudless (Sentinel-Hub, 2021), Cloud Score+ (Pasquarella et al., 2023) und TDOM (Chastain et al., 2019). Nach dem Maskieren haben wir jährliche Medoide berechnet, um für jedes Jahr ein einzelnes wolkenloses Composite zu erstellen. Schließlich wurde die zusammengesetzte Zeitreihe mit LandTrendr zeitlich segmentiert (Kennedy et al., 2010, 2018; Cohen et al., 2018).

Für die kontinentalen USA haben wir 70% der Referenzdaten für die Kalibrierung und 30% für die unabhängige Fehlerbewertung verwendet. Angesichts der ökologischen Vielfalt der kontinentalen USA haben wir das Modellierungsgebiet in 54 Kacheln (480 km × 480 km) unterteilt. Auf lokalen Computern haben wir für jede Kachel ein eigenes Random Forest-Modell erstellt (Breiman, 2001) und es mit Referenzdaten trainiert, die sich mit einem 5×5-Fenster um die Mittelkachel überschneiden. Die Modelle wurden dann in GEE bereitgestellt, um die TCC für die gesamte Fläche vorherzusagen. Für OCONUS-Regionen haben wir ein 80/20-Split verwendet und für jede Region ein einzelnes Random Forest-Modell entwickelt.

Zusätzliche Ressourcen

Bei Fragen oder spezifischen Datenanfragen wenden Sie sich bitte an [sm.fs.tcc@usda.gov].

Bänder

Pixelgröße
30 Meter

Bänder

Name Einheiten Pixelgröße Beschreibung
Science_Percent_Tree_Canopy_Cover % Meter

Die Rohausgaben des direkten Modells. Jedes Pixel hat für jedes Jahr einen durchschnittlichen vorhergesagten Wert für die durch Baumbestand überschirmte Fläche.
Science_Percent_Tree_Canopy_Cover_Standard_Error % Meter

Die Standardabweichung der vorhergesagten Werte aus allen Regressionsbäumen bezeichnen wir als Standardfehler. Jeder Pixel hat einen Standardfehler für jedes Jahr.
NLCD_Percent_Tree_Canopy_Cover % Meter

Um die NLCD-Baumkronenabdeckung zu erstellen, wird ein Nachbearbeitungs-Workflow auf die direkte Modellausgabe angewendet, der Pixelwerte ohne Bäume identifiziert und auf null Prozent Baumkronenabdeckung setzt.

data_mask Meter

Drei Werte, die Bereiche ohne Daten, die kartierte Baumkronenbedeckung und den Bereich ohne Verarbeitung darstellen. Im Bereich ohne Verarbeitung sind für Pixel innerhalb des Untersuchungsgebiets keine Daten ohne Wolken oder Wolkenschatten verfügbar, um eine Ausgabe zu erstellen.

Bildattribute

Bildeigenschaften

Name Typ Beschreibung
study_area STRING

TCC deckt derzeit die kontinentalen USA, Südost-Alaska, Puerto Rico, die US-Jungferninseln und Hawaii ab. Diese Version enthält Daten für CONUS, AK, PRUSVI und HAWAII. Mögliche Werte: „CONUS, AK, PRUSVI, HAWAII“
Version STRING

Dies ist die fünfte Version des TCC-Produkts, das im MRLC-Konsortium veröffentlicht wurde und Teil der National Land Cover Database (NLCD) ist.
startYear INT

„Startjahr des Produkts“
endYear INT

„Endjahr des Produkts“
Jahr INT

„Jahr des Produkts“

Nutzungsbedingungen

Nutzungsbedingungen

Der USDA Forest Service übernimmt keine ausdrückliche oder stillschweigende Gewährleistung, einschließlich der Gewährleistung der Marktgängigkeit und der Eignung für einen bestimmten Zweck, und übernimmt keine rechtliche Haftung oder Verantwortung für die Richtigkeit, Zuverlässigkeit, Vollständigkeit oder Nützlichkeit dieser Geodaten oder für die unsachgemäße oder falsche Verwendung dieser Geodaten. Diese Geodaten und zugehörigen Karten oder Grafiken sind keine rechtlichen Dokumente und sind nicht als solche gedacht. Die Daten und Karten dürfen nicht verwendet werden, um Eigentumsrechte, rechtliche Beschreibungen oder Grenzen, Gerichtsbarkeiten oder Einschränkungen zu ermitteln, die für öffentliches oder privates Land gelten. Naturgefahren werden möglicherweise in den Daten und Karten dargestellt. Landnutzer sollten Vorsicht walten lassen. Die Daten sind dynamisch und können sich im Laufe der Zeit ändern. Der Nutzer ist dafür verantwortlich, die Einschränkungen der Geodaten zu überprüfen und die Daten entsprechend zu verwenden.

Diese Daten wurden mit Mitteln der US-Regierung erhoben und können ohne zusätzliche Berechtigungen oder Gebühren verwendet werden. Wenn Sie diese Daten in einer Publikation, Präsentation oder einem anderen Forschungsprodukt verwenden, geben Sie bitte die folgende Quelle an:

USDA Forest Service. 2025) USFS Tree Canopy Cover v2023.5 (zusammenhängende USA und äußere zusammenhängende USA). Salt Lake City, Utah.

Zitationen

Zitate:

  • USDA Forest Service. 2025) USFS Tree Canopy Cover v2023.5 (zusammenhängende USA und angrenzende USA). Salt Lake City, Utah.

  • Breiman, L., 2001. Random Forests. Maschinelles Lernen Springer, 45: 5-32 doi:10.1023/A:1010933404324

  • Chastain, R., Housman, I., Goldstein, J., Finco, M. und Tenneson, K., 2019. Empirical cross sensor comparison of Sentinel-2A and 2B MSI, Landsat-8 OLI, and Landsat-7 ETM top of atmosphere spectral characteristics over the conterminous United States. 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. und Gorelick, N., 2018. Ein multispektrales LandTrendr-Ensemble zur Erkennung von Waldstörungen. 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. Vergleich und Validierung von Algorithmen zur Erkennung von Wolken für operationelle Landsat-Datenprodukte. In: Remote Sensing of Environment. Science Direct, 194: 379–390 doi:10.1016/j.rse.2017.03.026

  • Kennedy, R. E., Yang, Z., and Cohen, W. B., 2010. Erkennen von Trends bei Waldstörungen und ‑erholung anhand jährlicher Landsat-Zeitreihen: 1. LandTrendr – Algorithmen für die zeitliche Segmentierung. 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. und Healey, S., 2018. Implementierung des LandTrendr-Algorithmus in Google Earth Engine. In Remote Sensing. MDPI, 10(5): 691 doi:10.3390/rs10050691

  • Lin, L.; Di, L.; Zhang, C.; Guo, L.; Di, Y.; Li, H.; Yang, A. 2022. Validierung und Verfeinerung der Datenebene für Ackerland mithilfe eines räumlich-zeitlichen Entscheidungsbaumalgorithmus. Wissenschaftliche Daten. 9(1): 63. doi:10.3390/rs10050691

  • Pasquarella, V. J., Brown, C. F., Czerwinski, W. und Rucklidge, W. J., 2023. Umfassende Qualitätsbewertung von optischen Satellitenbildern mit schwach überwachtem Videolernen. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2124–2134. doi:10.1109/cvprw59228.2023.00206

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

  • U.S. Geological Survey, 2019 USGS 3D Elevation Program Digital Elevation Model, abgerufen im August 2022 unter https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m

  • Zhu, Z. und Woodcock, C. E., 2012. Objektbasierte Erkennung von Wolken und Wolkenschatten in Landsat-Bildern. In: Remote Sensing of Environment. Science Direct, 118: 83–94 doi:10.1016/j.rse.2011.10.028

DOIs

Die Earth Engine nutzen

Code-Editor (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"') // CONUS, AK, HAWAII, PRUSVI 
               .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);
Im Code-Editor öffnen
Übersicht Die vom United States Department of Agriculture, Forest Service (USFS) erstellte Datensuite „Tree Canopy Cover“ (TCC) umfasst jährliche, auf Fernerkundung basierende Kartenausgaben für den Zeitraum 1985 bis 2023. Diese Daten unterstützen das NLCD-Projekt (National Land Cover Database), das vom US Geological Survey (USGS) im Rahmen von …
USGS/NLCD_RELEASES/2023_REL/TCC/v2023-5, forest,gtac,landuse-landcover,redcastle-resources,usda,usfs,usgs
1985-06-01T00:00:00Z/2023-09-30T00:00:00Z
20.38379 -135.286387 52.459364 -56.446306
Google Earth Engine