- Disponibilidad del conjunto de datos
- 1985-06-01T00:00:00Z–2023-09-30T00:00:00Z
- Proveedor del conjunto de datos
- Oficina Geoespacial del Centro de Innovación y Servicios de Campo del Servicio Forestal del USDA (FSIC-GO)
- Etiquetas
Descripción
Descripción general
El paquete de datos de cobertura del dosel arbóreo (TCC), producido por el Servicio Forestal (USFS) del Departamento de Agricultura de Estados Unidos, son resultados de mapas anuales basados en la detección remota que abarcan el período de 1985 a 2023. Estos datos respaldan el proyecto de la Base de datos nacional de cobertura del suelo (NLCD), que administra el Servicio Geológico de EE.UU. (USGS) como parte del consorcio de Características de la tierra con múltiples resoluciones (MRLC). El objetivo del proyecto es usar la tecnología más reciente para crear un mapa coherente y con la "mejor disponibilidad" de la cobertura arbórea. El alcance geográfico incluye las regiones de Estados Unidos continentales (CONUS) y fuera de Estados Unidos continentales (OCONUS) (sureste de Alaska [SEAK], Hawái, Puerto Rico y las Islas Vírgenes de EE.UU. [PRUSVI]).
Productos
El paquete de datos de TCC incluye tres productos:
TCC de ciencia: Son los resultados sin procesar y directos del modelo.
Error estándar de la ciencia (SE): Es la desviación estándar del modelo de los valores predichos de todos los árboles de regresión.
NLCD TCC: Es un producto refinado derivado de las imágenes anuales de TCC de Science. Se somete a un procesamiento posterior para reducir el ruido interanual, destacar las tendencias a largo plazo y enmascarar características específicas (como el agua y la agricultura no arbórea).
Cada imagen incluye una banda de máscara de datos que tiene tres valores que representan áreas sin datos (0), cobertura del dosel de los árboles asignada(1) y área sin procesar (2). Las áreas sin procesamiento son los píxeles del área de estudio que no tienen datos sin nubes ni sombras de nubes. Los píxeles de las áreas sin datos y sin procesamiento se enmascaran en las imágenes de TCC y SE.
Datos y métodos
Desarrollamos datos de entrenamiento y modelos de bosque aleatorio para CONUS, SEAK, PRUSVI y HAWAII con la cobertura de copa (TCC) interpretada a partir de fotografías del Inventario y Análisis Forestal (FIA) del USFS como datos de referencia. Aprovechamos Google Earth Engine (GEE) (Gorelick et al., 2017) para procesar los predictores ajustados de LandTrendr y de terreno. Los datos de terreno del 3D Elevation Program (3DEP) (Servicio Geológico de EE.UU., 2019) incluyen la elevación, la pendiente, el seno del aspecto y el coseno del aspecto. En el caso de CONUS, también incluimos la capa de datos de cultivos (CDL) como predictor (Lin et al., 2022).
Utilizamos imágenes de reflectancia de la capa superior de la atmósfera de nivel 1C de Landsat Collection 2 Tier 1 y Sentinel 2A/2B del USGS para producir composiciones anuales de medoides. Para garantizar la calidad de los datos, aplicamos varios algoritmos para enmascarar las nubes y las sombras, incluido cFmask (Foga et al., 2017; Zhu y Woodcock, 2012), cloudScore (Chastain et al., 2019), s2cloudless (Sentinel-Hub, 2021), Cloud Score+ (Pasquarella et al., 2023) y TDOM (Chastain et al., 2019). Una vez enmascaradas, calculamos los medoideos anuales para crear un solo compuesto sin nubes para cada año. Por último, la serie temporal compuesta se segmentó temporalmente con LandTrendr (Kennedy et al., 2010, 2018; Cohen et al., 2018).
Para CONUS, usamos el 70% de los datos de referencia para la calibración y el 30% para la evaluación independiente de errores. Dada la diversidad ecológica de CONUS, dividimos el área de modelado en 54 segmentos (480 km × 480 km). En las computadoras locales, creamos un modelo de bosque aleatorio único para cada segmento (Breiman, 2001) y lo entrenamos con datos de referencia que se cruzan con una ventana de 5 × 5 alrededor del segmento central. Luego, los modelos se implementaron en GEE para predecir la cobertura de TCC de pared a pared. Para las regiones fuera de EE.UU., usamos una división del 80/20 y desarrollamos un solo modelo de bosque aleatorio para cada región.
Additional Resources
Consulta el Resumen de métodos de TCC o el artículo de la revista Science of Remote Sensing para obtener información detallada sobre los métodos y la evaluación de la precisión.
Consulta el Centro de intercambio de datos de ubicación de la TCC para descargar datos, metadatos y documentos de asistencia.
La cadena HAWAII se actualizará a HI en la próxima versión de datos de v2025.6.
Si tienes preguntas o solicitudes de datos específicos, comunícate con [sm.fs.tcc@usda.gov].
Bandas
Tamaño de píxel
30 metros
Bandas
| Nombre | Unidades | Tamaño de los píxeles | Descripción | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Science_Percent_Tree_Canopy_Cover |
% | metros | Son los resultados sin procesar del modelo directo. Cada píxel tiene un valor medio de cobertura arbórea previsto para cada año. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Science_Percent_Tree_Canopy_Cover_Standard_Error |
% | metros | La desviación estándar de los valores predichos de todos los árboles de regresión a los que hacemos referencia se conoce como error estándar. Cada píxel tiene un error estándar para cada año. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
NLCD_Percent_Tree_Canopy_Cover |
% | metros | Para producir la cobertura de copas de árboles del NLCD, se aplica un flujo de trabajo de posprocesamiento al resultado directo del modelo que identifica y establece los valores de píxeles sin árboles en un cero por ciento de cobertura de copas de árboles. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
data_mask |
metros | Tres valores que representan áreas sin datos, cobertura de copas de árboles asignada y área sin procesar. El área de no procesamiento es donde los píxeles dentro del área de estudio no tienen datos disponibles sin nubes ni sombras de nubes para producir un resultado. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Propiedades de imágenes
Propiedades de la imagen
| Nombre | Tipo | Descripción |
|---|---|---|
| study_area | STRING | Actualmente, TCC cubre el territorio continental de EE.UU., el sudeste de Alaska, Puerto Rico, las Islas Vírgenes de EE.UU. y Hawái. Esta versión contiene datos para CONUS, AK, PRUSVI y HAWAII. Valores posibles: "CONUS, AK, PRUSVI, HAWAII" |
| version | STRING | Esta es la quinta versión del producto TCC que se lanzó en el consorcio de MRLC y que forma parte de la Base de datos nacional de cobertura del suelo (NLCD) |
| startYear | INT | "Año de inicio del producto" |
| endYear | INT | “Año de finalización del producto” |
| año | INT | "Año del producto" |
Condiciones de Uso
Condiciones de Uso
El Servicio Forestal del USDA no ofrece ninguna garantía, expresa o implícita, incluidas las garantías de comerciabilidad y adecuación para un fin determinado, ni asume ninguna responsabilidad legal por la exactitud, confiabilidad, integridad o utilidad de estos datos geoespaciales, ni por el uso inadecuado o incorrecto de estos datos geoespaciales. Estos datos geoespaciales y los mapas o gráficos relacionados no son documentos legales y no deben usarse como tales. Los datos y los mapas no se pueden usar para determinar el título, la propiedad, las descripciones o los límites legales, la jurisdicción legal ni las restricciones que puedan aplicarse en terrenos públicos o privados. Es posible que los peligros naturales se representen o no en los datos y los mapas, y los usuarios de la tierra deben tener la debida precaución. Los datos son dinámicos y pueden cambiar con el tiempo. El usuario es responsable de verificar las limitaciones de los datos geoespaciales y de usarlos según corresponda.
Estos datos se recopilaron con fondos del Gobierno de EE.UU. y se pueden usar sin permisos ni tarifas adicionales. Si utilizas estos datos en una publicación, presentación o cualquier otro producto de investigación, usa la siguiente cita:
Servicio Forestal del USDA. 2025. Cobertura arbórea del USFS, versión 2023.5 (Estados Unidos contiguos y Estados Unidos contiguos externos). Salt Lake City, Utah
Citas
Servicio Forestal del USDA. 2025. Cobertura arbórea del USFS, versión 2023.5 (Estados Unidos contiguos y Estados Unidos contiguos exteriores). Salt Lake City, Utah
Breiman, L., 2001 Bosques aleatorios En aprendizaje automático Springer, 45: 5-32 doi:10.1023/A:1010933404324
Chastain, R., Housman, I., Goldstein, J., Finco, M., and Tenneson, K., 2019. Comparación empírica entre sensores de las características espectrales en la parte superior de la atmósfera de los sensores MSI de Sentinel-2A y 2B, OLI de Landsat-8 y ETM de Landsat-7 en los Estados Unidos contiguos. En 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., y Gorelick, N., 2018. Un conjunto multiespectral de LandTrendr para la detección de perturbaciones forestales. En 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., en 2017. Comparación y validación del algoritmo de detección de nubes para los productos de datos operativos de Landsat. En Remote Sensing of Environment. Science Direct, 194: 379-390 doi:10.1016/j.rse.2017.03.026
Kennedy, R. E., Yang, Z. y Cohen, W. B., 2010. Detección de tendencias en la perturbación y recuperación de los bosques a través de series temporales anuales de Landsat: 1. LandTrendr: Algoritmos de segmentación temporal. En 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., y Healey, S., 2018. Implementación del algoritmo LandTrendr en Google Earth Engine. En teledetección. MDPI, 10(5): 691 doi:10.3390/rs10050691
Lin, L.; Di, L.; Zhang, C.; Guo, L.; Di, Y.; Li, H.; Yang, A. 2022. Validación y perfeccionamiento de la capa de datos de tierras de cultivo con un algoritmo de árbol de decisión espacio-temporal. Datos Científicos. 9(1): 63. doi:10.3390/rs10050691
Pasquarella, V. J., Brown, C. F., Czerwinski, W., and Rucklidge, W. J., 2023. Comprehensive Quality Assessment of Optical Satellite Imagery Using Weakly Supervised Video Learning. En Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2124-2134. doi:10.1109/cvprw59228.2023.00206
Sentinel-Hub, 2021. Detector de nubes de Sentinel 2. [En línea]. Disponible en: https://github.com/sentinel-hub/sentinel2-cloud-detector
Servicio Geológico de EE.UU., 2019. Modelo digital de elevación del programa de elevación 3D del USGS, consultado en agosto de 2022 en https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m
Zhu, Z., and Woodcock, C. E., alrededor del 2012. Detección de nubes y sombras de nubes basadas en objetos en imágenes de Landsat. En Remote Sensing of Environment. Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028
DOI
- https://doi.org/10.1016/j.rse.2010.07.008
- https://doi.org/10.1016/j.rse.2011.10.028
- https://doi.org/10.1016/j.rse.2017.03.026
- https://doi.org/10.1016/j.rse.2017.11.015
- https://doi.org/10.1016/j.rse.2018.11.012
- https://doi.org/10.1023/A:1010933404324
- https://doi.org/10.1038/s41597-022-01169-w
- https://doi.org/10.3390/rs10050691
Explora con Earth Engine
Editor de código (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);