- در دسترس بودن مجموعه دادهها
- 1985-06-01T00:00:00Z–2023-09-30T00:00:00Z
- ارائه دهنده مجموعه داده
- دفتر خدمات مکانی و نوآوری مرکز نوآوری و خدمات میدانی خدمات جنگلی وزارت کشاورزی ایالات متحده (USFS) (FSIC-GO)
- برچسبها
توضیحات
نمای کلی
مجموعه دادههای پوشش تاج درختان (TCC)، که توسط وزارت کشاورزی ایالات متحده، خدمات جنگلداری (USFS) تولید میشود، خروجیهای نقشه سالانه مبتنی بر سنجش از دور هستند که از سال ۱۹۸۵ تا ۲۰۲۳ را پوشش میدهند. این دادهها از پروژه پایگاه داده ملی پوشش اراضی (NLCD) پشتیبانی میکنند که توسط سازمان زمینشناسی ایالات متحده (USGS) به عنوان بخشی از کنسرسیوم ویژگیهای چندوضوحی زمین (MRLC) مدیریت میشود. هدف این پروژه استفاده از جدیدترین فناوری برای ایجاد یک نقشه سازگار و "بهترین موجود" از پوشش تاج درختان است. محدوده جغرافیایی شامل مناطق مرزی ایالات متحده (CONUS) و OCONUS (جنوب شرقی آلاسکا (SEAK)، هاوایی، پورتوریکو و جزایر ویرجین ایالات متحده (PRUSVI)) است.
محصولات
مجموعه دادههای TCC شامل سه محصول است:
TCC علمی: خروجیهای خام و مستقیم از مدل.
خطای استاندارد علمی (SE): انحراف استاندارد مدل از مقادیر پیشبینیشده از تمام درختهای رگرسیون.
NLCD TCC: یک محصول اصلاحشده که از تصاویر سالانه Science TCC گرفته شده است. این محصول تحت پردازش پس از پردازش قرار میگیرد تا نویز بین سالانه کاهش یابد، روندهای بلندمدت برجسته شوند و ویژگیهای خاص (مانند آب و کشاورزی غیر درختی) پوشانده شوند.
هر تصویر شامل یک نوار ماسک داده است که سه مقدار دارد که نشاندهنده مناطق بدون داده (0)، پوشش تاج درخت نقشهبرداری شده (1) و منطقه بدون پردازش (2) است. مناطق بدون پردازش، پیکسلهایی در منطقه مورد مطالعه بدون داده ابر یا بدون سایه ابر هستند. پیکسلهای منطقه بدون داده و بدون پردازش در تصاویر TCC و SE ماسک میشوند.
دادهها و روشها
ما دادههای آموزشی و مدلهای جنگل تصادفی را برای CONUS، SEAK، PRUSVI و HAWAII با استفاده از TCC تفسیر شده با عکس از USFS Forest Inventory and Analysis (FIA) به عنوان دادههای مرجع توسعه دادیم. ما از Google Earth Engine (GEE) (Gorelick et al., 2017) برای پردازش پیشبینیکنندههای LandTrendr و زمین برازش شده استفاده کردیم. دادههای زمین از برنامه ارتفاع سهبعدی (3D Elevation Program) (3DEP) (سازمان زمینشناسی ایالات متحده، 2019) شامل ارتفاع، شیب، سینوس جهت و کسینوس جهت است. برای CONUS، ما همچنین لایه دادههای محصول (CDL) را به عنوان پیشبینیکننده در نظر گرفتیم (Lin et al., 2022).
ما از تصاویر بازتاب بالای جو ماهواره USGS Collection 2 Landsat Tier 1 و Sentinel 2A/2B Level-1C برای تولید ترکیبات سالانه مدوئید استفاده کردیم. برای اطمینان از کیفیت دادهها، الگوریتمهای مختلفی را برای پوشاندن ابرها و سایهها اعمال کردیم، از جمله cFmask (Foga et al., 2017; Zhu and Woodcock, 2012)، cloudScore (Chastain et al., 2019)، s2cloudless (Sentinel-Hub, 2021)، Cloud Score+ (Pasquarella et al., 2023) و TDOM (Chastain et al., 2019). پس از ماسک کردن، مدوئیدهای سالانه را برای ایجاد یک ترکیب بدون ابر برای هر سال محاسبه کردیم. در نهایت، سری زمانی ترکیبی با استفاده از LandTrendr به صورت زمانی بخشبندی شد (Kennedy et al., 2010, 2018; Cohen et al., 2018).
برای CONUS، ما از 70٪ دادههای مرجع برای کالیبراسیون و 30٪ برای ارزیابی خطای مستقل استفاده کردیم. با توجه به تنوع اکولوژیکی CONUS، منطقه مدلسازی را به 54 کاشی (480 کیلومتر × 480 کیلومتر) تقسیم کردیم. در رایانههای محلی، یک مدل جنگل تصادفی منحصر به فرد برای هر کاشی ساختیم (بریمن، 2001) و آن را بر اساس دادههای مرجع که یک پنجره 5×5 را در اطراف کاشی مرکزی قطع میکردند، آموزش دادیم. سپس مدلها در GEE مستقر شدند تا TCC دیوار به دیوار را پیشبینی کنند. برای مناطق OCONUS، ما از تقسیم 80/20 استفاده کردیم و یک مدل جنگل تصادفی واحد برای هر منطقه توسعه دادیم.
منابع اضافی
برای اطلاعات دقیق در مورد روشها و ارزیابی دقت، لطفاً به خلاصه روشهای TCC یا مقاله مجله Science of Remote Sensing مراجعه کنید.
لطفاً برای دانلود دادهها، فرادادهها و اسناد پشتیبانی به مرکز دادههای جغرافیایی TCC مراجعه کنید.
رشته HAWAII در نسخه بعدی دادههای v2025.6 به HI بهروزرسانی خواهد شد.
در صورت داشتن هرگونه سوال یا درخواست اطلاعات خاص، با [sm.fs.tcc@usda.gov] تماس بگیرید.
باندها
اندازه پیکسل
۳۰ متر
باندها
| نام | واحدها | اندازه پیکسل | توضیحات | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Science_Percent_Tree_Canopy_Cover | % | متر | خروجیهای خام مدل مستقیم. هر پیکسل دارای میانگین پیشبینیشده مقدار پوشش تاجی درختان برای هر سال است. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Science_Percent_Tree_Canopy_Cover_Standard_Error | % | متر | انحراف معیار مقادیر پیشبینیشده از تمام درختهای رگرسیون را خطای استاندارد مینامیم. هر پیکسل برای هر سال یک خطای استاندارد دارد. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
NLCD_Percent_Tree_Canopy_Cover | % | متر | برای تولید پوشش تاج درخت NLCD، یک گردش کار پس از پردازش بر روی خروجی مستقیم مدل اعمال میشود که مقادیر پیکسلهای غیر درختی را شناسایی و روی صفر درصد پوشش تاج درخت تنظیم میکند. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
data_mask | متر | سه مقدار که نشاندهنده مناطقی بدون داده، پوشش تاج درخت نقشهبرداری شده و منطقه بدون پردازش هستند. منطقه بدون پردازش جایی است که پیکسلهای منطقه مورد مطالعه هیچ داده ابری یا بدون سایه ابری برای تولید خروجی ندارند. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
ویژگیهای تصویر
ویژگیهای تصویر
| نام | نوع | توضیحات |
|---|---|---|
| منطقه_مطالعه | رشته | TCC در حال حاضر CONUS، جنوب شرقی آلاسکا، پورتوریکو-جزایر ویرجین ایالات متحده و هاوایی را پوشش میدهد. این نسخه شامل دادههای CONUS، AK، PRUSVI و HAWAII است. مقادیر ممکن: 'CONUS، AK، PRUSVI، HAWAII' |
| نسخه | رشته | این پنجمین نسخه از محصول TCC است که در کنسرسیوم MRLC منتشر شده است که بخشی از پایگاه داده ملی پوشش اراضی (NLCD) است. |
| سال شروع | داخلی | «سال شروع تولید محصول» |
| پایانسال | داخلی | «سال پایان تولید محصول» |
| سال | داخلی | «سال تولید محصول» |
شرایط استفاده
شرایط استفاده
خدمات جنگلداری USDA هیچ ضمانتی، اعم از صریح یا ضمنی، از جمله ضمانتهای مربوط به قابلیت فروش و مناسب بودن برای یک هدف خاص، ارائه نمیدهد و هیچ گونه مسئولیت یا تعهد قانونی در قبال دقت، قابلیت اطمینان، کامل بودن یا مفید بودن این دادههای مکانی یا استفاده نادرست یا غیرصحیح از این دادههای مکانی را بر عهده نمیگیرد. این دادههای مکانی و نقشهها یا گرافیکهای مرتبط، اسناد قانونی نیستند و برای استفاده به این صورت در نظر گرفته نشدهاند. دادهها و نقشهها را نمیتوان برای تعیین عنوان، مالکیت، توضیحات یا مرزهای قانونی، صلاحیت قانونی یا محدودیتهایی که ممکن است در زمینهای عمومی یا خصوصی وجود داشته باشد، استفاده کرد. خطرات طبیعی ممکن است در دادهها و نقشهها نشان داده شوند یا نشوند و کاربران زمین باید احتیاط لازم را به عمل آورند. دادهها پویا هستند و ممکن است با گذشت زمان تغییر کنند. کاربر مسئول تأیید محدودیتهای دادههای مکانی و استفاده از دادهها بر اساس آن است.
این دادهها با استفاده از بودجه دولت ایالات متحده جمعآوری شدهاند و میتوانند بدون مجوز یا هزینه اضافی مورد استفاده قرار گیرند. در صورت استفاده از این دادهها در یک نشریه، ارائه یا سایر محصولات تحقیقاتی، لطفاً از منبع زیر استفاده کنید:
خدمات جنگلداری USDA. 2025. پوشش تاج پوشش درختی USFS نسخه 2023.5 (ایالات متحده مرزی و ایالات متحده مرزی بیرونی). سالت لیک سیتی، یوتا.
نقل قولها
خدمات جنگلداری USDA. 2025. پوشش تاج پوشش درختی USFS نسخه 2023.5 (ایالات متحده مرزی و ایالات متحده مرزی بیرونی). سالت لیک سیتی، یوتا.
بریمن، ل.، ۲۰۰۱. جنگلهای تصادفی. در یادگیری ماشین. اشپرینگر، ۴۵: ۵-۳۲ doi:10.1023/A:1010933404324
چستین، ر.، هاوسمن، آی.، گلدشتاین، جی.، فینکو، م.، و تنسون، ک.، ۲۰۱۹. مقایسه تجربی حسگرهای متقاطع Sentinel-2A و 2B MSI، Landsat-8 OLI و Landsat-7 ETM با ویژگیهای طیفی بالای جو بر فراز ایالات متحده. در سنجش از دور محیط زیست. Science Direct، ۲۲۱: ۲۷۴-۲۸۵ doi:10.1016/j.rse.2018.11.012
کوهن، دبلیو بی، یانگ، ز.، هیلی، اس پی، کندی، آر ای، و گورلیک، ان.، ۲۰۱۸. یک مجموعه چند طیفی LandTrendr برای تشخیص اختلالات جنگلی. در سنجش از دور محیط زیست. Science Direct، ۲۰۵: ۱۳۱-۱۴۰ doi:10.1016/j.rse.2017.11.015
فوگا، س.، اسکاراموزا، پ.ل، گوئو، س.، ژو، ز.، دیلی، آر.دی، بکمن، ت.، اشمیت، جی.ال، دوایر، جی.ال، هیوز، ام.جی، لاو، ب.، ۲۰۱۷. مقایسه الگوریتم تشخیص ابر و اعتبارسنجی برای محصولات دادهای عملیاتی لندست. در سنجش از دور محیط زیست. ساینس دایرکت، ۱۹۴: ۳۷۹-۳۹۰ doi:10.1016/j.rse.2017.03.026
کندی، آر.ای، یانگ، زد.، و کوهن، دبلیو.بی، 2010. تشخیص روندها در اختلال و بازیابی جنگل با استفاده از سریهای زمانی سالانه لندست: 1. LandTrendr - الگوریتمهای قطعهبندی زمانی. در سنجش از دور محیط زیست. Science Direct، 114(12): 2897-2910 doi:10.1016/j.rse.2010.07.008
کندی، ر.، یانگ، ز.، گورلیک، ن.، براتن، ج.، کاوالکانت، ل.، کوهن، دبلیو.، و هیلی، س.، 2018. پیادهسازی الگوریتم LandTrendr در موتور گوگل ارث. در سنجش از دور. MDPI، 10(5): 691 doi:10.3390/rs10050691
لین، ل.؛ دی، ل.؛ ژانگ، س.؛ گوئو، ل.؛ دی، ی.؛ لی، ه.؛ یانگ، ا. 2022. اعتبارسنجی و اصلاح لایه دادههای زمینهای کشاورزی با استفاده از الگوریتم درخت تصمیمگیری مکانی-زمانی. Scientific Data. 9(1): 63. doi:10.3390/rs10050691
پاسکارلا، وی.جی.، براون، سی.اف.، چروینسکی، دبلیو.، و راکلیج، دبلیو.جی.، 2023. ارزیابی جامع کیفیت تصاویر ماهوارهای نوری با استفاده از یادگیری ویدیویی با نظارت ضعیف. در مجموعه مقالات کنفرانس IEEE/CVF در مورد بینایی کامپیوتر و تشخیص الگو. 2124-2134. doi:10.1109/cvprw59228.2023.00206
Sentinel-Hub، 2021. آشکارساز ابری Sentinel 2. [آنلاین]. موجود در: https://github.com/sentinel-hub/sentinel2-cloud-detector
سازمان زمینشناسی ایالات متحده، ۲۰۱۹. مدل ارتفاعی دیجیتال برنامه ارتفاع سهبعدی USGS، دسترسی در آگوست ۲۰۲۲ در https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m
ژو، ز.، و وودکاک، سی. ای، ۲۰۱۲. تشخیص ابر و سایه ابر مبتنی بر شیء در تصاویر لندست. در سنجش از دور محیط زیست. ساینس دایرکت، ۱۱۸: ۸۳-۹۴ doi:10.1016/j.rse.2011.10.028
DOI ها
- 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
با موتور زمین کاوش کنید
ویرایشگر کد (جاوااسکریپت)
// 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);