- Disponibilité des ensembles de données
- 1985-06-01T00:00:00Z–2023-09-30T00:00:00Z
- Fournisseur de l'ensemble de données
- Bureau géospatial du Centre d'innovation et des services sur le terrain de l'USDA Forest Service (FSIC-GO)
- Tags
Description
Ce produit fait partie de la suite de données sur la couverture de la canopée (TCC, Tree Canopy Cover). Il inclut la couverture forestière modélisée, l'erreur standard (ES) et les données de couverture forestière de la base de données nationale sur la couverture des sols (NLCD) pour chaque année. Les données sur la couverture arborée produites par le Forest Service (USFS) du ministère de l'Agriculture des États-Unis sont incluses dans le consortium Multi-Resolution Land Characteristics (MRLC), qui fait partie du projet National Land Cover Database (NLCD) géré par l'Institut d'études géologiques des États-Unis (USGS).
Les produits Science TCC et NLCD TCC sont des cartes basées sur la télédétection produites par l'USFS. L'objectif de TCC Science et de NLCD TCC est de développer une approche cohérente utilisant les dernières technologies et avancées en matière de cartographie TCC pour produire une carte "la plus précise possible" de la couverture forestière dans les États-Unis contigus (CONUS), ainsi que dans le sud-est de l'Alaska, à Hawaï et à Porto Rico-Îles Vierges américaines (OCONUS). Les données OCONUS v2023.5 seront publiées à la fin de l'été 2025. Pour l'instant, les données OCONUS TCC v2021.4 peuvent être utilisées (USGS/NLCD_RELEASES/2021_REL/TCC/v2021-4).
Les sorties de modèle incluent les TCC scientifiques, les SE scientifiques et les TCC NLCD de 1985 à 2023.
*La catégorie "Science TCC" correspond aux résultats bruts directs du modèle.
*Science SE correspond à l'écart-type du modèle pour les valeurs prédites de tous les arbres de régression.
*Le produit NLCD TCC fait l'objet d'un post-traitement supplémentaire appliqué aux images TCC scientifiques annuelles, qui comprend plusieurs masques (eau et agriculture non arborée), ainsi que des processus qui réduisent le bruit interannuel et renvoient des tendances de plus longue durée.
Chaque image inclut une bande de masque de données comportant trois valeurs représentant les zones sans données (0), la couverture de la canopée cartographiée(1) et la zone de non-traitement (2). Les zones sans traitement sont les pixels de la zone d'étude qui ne contiennent pas de données sans nuage ni ombre de nuage. Les pixels sans données et ceux de la zone de non-traitement sont masqués dans les images TCC et SE.
En raison de la taille de la zone CONUS et de la grande variété d'écotones, la modélisation de la zone CONUS a été divisée en 54 tuiles de 480 x 480 km. Pour chaque vignette, un modèle de forêt aléatoire unique a été créé à l'aide des données ajustées LandTrendr de 2011, CDL de 2011 et de terrain. Toutes les données de référence qui faisaient partie des 70 % disponibles pour la calibration du modèle et qui croisaient des tuiles dans une fenêtre 5x5 autour de la tuile centrale ont été utilisées pour entraîner le modèle de forêt aléatoire. Ce modèle a ensuite été appliqué à la vignette centrale. Pour les zones OCONUS, un modèle a été appliqué à chaque zone d'étude, et aucune tuile n'a été utilisée.
Les couches de prédiction du modèle TCC incluent les sorties de LandTrendr et des informations sur le terrain. Tous ces composants sont accessibles et traités à l'aide de Google Earth Engine (Gorelick et al., 2017).
Pour produire des composites annuels pour LandTrendr, les données de réflectance au sommet de l'atmosphère de niveau 1C de la collection 2 de l'USGS Landsat Tier 1 et de Sentinel 2A, 2B ont été utilisées. L'algorithme de masquage des nuages cFmask (Foga et al., 2017), qui est une implémentation de Fmask 2.0 (Zhu et Woodcock, 2012) (Landsat uniquement), cloudScore (Chastain et al., 2019) (Landsat uniquement) et s2cloudless (Sentinel-Hub, 2021) (Sentinel 2 uniquement) sont utilisés pour masquer les nuages, tandis que TDOM (Chastain et al., 2019) est utilisé pour masquer les ombres de nuages (Landsat et Sentinel-2). Pour LandTrendr, le médoïde annuel est ensuite calculé pour résumer les valeurs sans nuage ni ombre de nuage de chaque année en un seul composite.
La série temporelle composite est segmentée temporellement à l'aide de LandTrendr (Kennedy et al., 2010 ; Kennedy et al., 2018 ; Cohen et al., 2018).
Les valeurs composites brutes, les valeurs ajustées de LandTrendr, les différences par paires, la durée du segment, l'amplitude du changement et la pente, ainsi que l'altitude, la pente, le sinus de l'aspect et le cosinus de l'aspect à partir des données 3D de l'USGS à 10 m. Les données du programme d'élévation (3DEP) (U.S. Geological Survey, 2019) sont utilisées comme variables de prédiction indépendantes dans un modèle de forêt aléatoire (Breiman, 2001).
Les données de référence sont collectées à partir des données TCC interprétées à partir de photos de l'inventaire et de l'analyse des forêts (FIA, Forest Inventory and Analysis) de l'USFS (United States Forest Service). Elles sont utilisées pour effectuer des prédictions TCC de bout en bout au niveau des pixels.
Autres ressources
Pour en savoir plus sur les méthodes et l'évaluation de la précision, consultez le résumé des méthodes TCC. Pour télécharger des données, des métadonnées et des documents d'aide, consultez le centre de données géographiques TCC.
Les données AK, PRUSVI et HI seront publiées à la fin de l'été 2025. Les données TCC v2021.4 AK, PRUSVI et HI publiées précédemment sont disponibles ( USGS/NLCD_RELEASES/2021_REL/TCC/v2021-4).
Pour toute question ou demande de données spécifiques, contactez sm.fs.tcc@usda.gov.
Bracelets
Taille des pixels
30 mètres
Bandes de fréquences
| Nom | Unités | Taille des pixels | Description | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Science_Percent_Tree_Canopy_Cover |
% | mètres | Sorties brutes du modèle direct. Chaque pixel possède une valeur moyenne prédite de couverture du couvert forestier pour chaque année. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Science_Percent_Tree_Canopy_Cover_Standard_Error |
% | mètres | L'écart-type des valeurs prédites de tous les arbres de régression est appelé "erreur standard". Chaque pixel présente une erreur standard pour chaque année. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
NLCD_Percent_Tree_Canopy_Cover |
% | mètres | Pour produire la couverture de canopée de l'NLCD, un workflow de post-traitement est appliqué à la sortie directe du modèle, qui identifie et définit les valeurs de pixels non arborés sur zéro pour cent de couverture de canopée. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
data_mask |
mètres | Trois valeurs représentant les zones sans données, la couverture forestière cartographiée et la zone de non-traitement. La zone de non-traitement correspond à la zone d'étude où les pixels ne disposent pas de données sans nuage ni ombre de nuage pour produire un résultat. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Propriétés des images
Propriétés de l'image
| Nom | Type | Description |
|---|---|---|
| study_area | STRING | La couverture TCC inclut actuellement les États-Unis continentaux, le sud-est de l'Alaska, Porto Rico, les îles Vierges américaines et Hawaï. Cette version contient CONUS. Les données pour l'Asie du Sud-Est et la Corée, Porto Rico, les îles Vierges des États-Unis et Hawaï seront publiées à la fin de l'été 2025. Valeurs possibles : "CONUS" |
| version | STRING | Il s'agit de la cinquième version du produit TCC publiée dans le consortium MRLC, qui fait partie de la base de données nationale sur la couverture des sols (NLCD). |
| startYear | INT | Année de début du produit |
| endYear | INT | "Année de fin du produit" |
| année | INT | Année du produit |
Conditions d'utilisation
Conditions d'utilisation
Le service forestier de l'USDA ne fournit aucune garantie, explicite ou implicite, y compris les garanties de qualité marchande et d'adéquation à un usage particulier, et n'assume aucune responsabilité légale quant à l'exactitude, la fiabilité, l'exhaustivité ou l'utilité de ces données géospatiales, ni quant à leur utilisation inappropriée ou incorrecte. Ces données géospatiales et les cartes ou graphiques associés ne sont pas des documents juridiques et ne sont pas destinés à être utilisés comme tels. Les données et les cartes ne peuvent pas être utilisées pour déterminer le titre, la propriété, les descriptions ou les limites légales, la juridiction légale ni les restrictions qui peuvent être en place sur les terrains publics ou privés. Les risques naturels peuvent ou non être représentés sur les données et les cartes. Les utilisateurs des terres doivent faire preuve de prudence. Les données sont dynamiques et peuvent changer au fil du temps. Il incombe à l'utilisateur de vérifier les limites des données géospatiales et de les utiliser en conséquence.
Ces données ont été collectées grâce à des fonds du gouvernement américain et peuvent être utilisées sans autorisation ni frais supplémentaires. Si vous utilisez ces données dans une publication, une présentation ou un autre produit de recherche, veuillez utiliser la citation suivante :
Services forestiers américains (USDA). 2025. USFS Tree Canopy Cover v2023.5 (États-Unis contigus et États-Unis contigus extérieurs). Salt Lake City, Utah.
Citations
Services forestiers américains (USDA). 2025. USFS Tree Canopy Cover v2023.5 (États-Unis contigus et États-Unis contigus extérieurs). Salt Lake City, Utah.
Breiman, L., 2001. Forêts aléatoires. Dans le machine learning. Springer, 45: 5-32 doi:10.1023/A:1010933404324
Chastain, R., Housman, I., Goldstein, J., Finco, M., et Tenneson, K., 2019. Comparaison empirique multispectrale des caractéristiques spectrales au sommet de l'atmosphère des capteurs MSI Sentinel-2A et 2B, OLI Landsat-8 et ETM Landsat-7 sur l'ensemble des États-Unis contigus. 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., et Gorelick, N., 2018. Ensemble multispectral LandTrendr pour la détection des perturbations forestières. 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. Comparaison et validation des algorithmes de détection des nuages pour les produits de données Landsat opérationnels. In Remote Sensing of Environment. Science Direct, 194 : 379-390 doi:10.1016/j.rse.2017.03.026
U.S. Geological Survey, 2019. Modèle numérique d'élévation du programme 3D Elevation de l'USGS, consulté en août 2022 sur https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m
Kennedy, R. E., Yang, Z., et Cohen, W. B. 2010. Détecter les tendances des perturbations et de la régénération des forêts à l'aide de séries temporelles Landsat annuelles : 1. LandTrendr : algorithmes de segmentation temporelle. 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., et Healey, S., 2018. Implémentation de l'algorithme LandTrendr sur Google Earth Engine. In Remote Sensing. MDPI, 10(5): 691 doi:10.3390/rs10050691
Sentinel-Hub, 2021. Détecteur de nuages Sentinel 2. [En ligne]. Disponible à l'adresse suivante : https://github.com/sentinel-hub/sentinel2-cloud-detector
Zhu, Z. et Woodcock, C. E., vers 2012. Détection des nuages et des ombres de nuages basée sur les objets dans les images Landsat. In Remote Sensing of Environment. Science Direct, 118 : 83-94 doi:10.1016/j.rse.2011.10.028
DOI
Explorer avec Earth Engine
Éditeur de code (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);