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

USGS/NLCD_RELEASES/2023_REL/TCC/v2023-5
זמינות קבוצת הנתונים
1985-06-01T00:00:00Z–2023-09-30T00:00:00Z
ספק קבוצת הנתונים
קטע קוד ל-Earth Engine
ee.ImageCollection("USGS/NLCD_RELEASES/2023_REL/TCC/v2023-5")
תגים
forest gtac landuse-landcover redcastle-resources usda usfs usgs

תיאור

סקירה כללית

חבילת הנתונים Tree Canopy Cover (TCC)‎, שנוצרה על ידי שירות היערות של משרד החקלאות של ארצות הברית (USFS), היא פלט של מפות שנתיות שמבוססות על חישה מרחוק, משנת 1985 עד 2023. הנתונים האלה תומכים בפרויקט National Land Cover Database (NLCD), שמנוהל על ידי הסקר הגיאולוגי של ארצות הברית (USGS) כחלק מקונסורציום Multi-Resolution Land Characteristics (MRLC). מטרת הפרויקט היא להשתמש בטכנולוגיה העדכנית ביותר כדי ליצור מפה עקבית של כיסוי צל העצים, שתהיה הכי מדויקת שאפשר. ההיקף הגיאוגרפי כולל את אזורי CONUS (ארצות הברית הרציפה) ו-OCONUS (דרום-מזרח אלסקה (SEAK), הוואי, פוארטו ריקו ואיי הבתולה של ארה"ב (PRUSVI)).

מוצרים

חבילת הנתונים של TCC כוללת שלושה מוצרים:

  • Science TCC: הפלט הגולמי והישיר מהמודל.

  • שגיאת התקן (SE) של המדע: סטיית התקן של המודל של הערכים החזויים מכל עצי הרגרסיה.

  • NLCD TCC: מוצר משופר שנגזר מתמונות ה-TCC השנתיות של Science. הוא עובר עיבוד לאחר הצילום כדי להפחית רעשים בין-שנתיים, להדגיש מגמות ארוכות טווח ולהסתיר תכונות ספציפיות (כמו מים וחקלאות שאינה כוללת עצים).

כל תמונה כוללת פס של מסכת נתונים עם שלושה ערכים שמייצגים אזורים ללא נתונים (0), כיסוי של צל עצים ממופה(1) ואזור ללא עיבוד (2). האזורים שלא עוברים עיבוד הם פיקסלים באזור המחקר ללא נתונים של עננים או צללים של עננים. ב-TCC ובתמונות SE, פיקסלים של אזורים ללא נתונים ואזורים שלא עוברים עיבוד מוסתרים.

נתונים ושיטות

פיתחנו נתוני אימון ומודלים של יערות אקראיים עבור CONUS, ‏ SEAK, ‏ PRUSVI ו-HAWAII באמצעות נתוני TCC שפוענחו מתמונות של USFS Forest Inventory and Analysis (FIA)‎ כנתוני הפניה. השתמשנו ב-Google Earth Engine‏ (GEE) (Gorelick et al., ‫2017) כדי לעבד תחזיות של LandTrendr ושל פני השטח. נתוני השטח מתוכנית 3DEP (U.S. Geological Survey,‏ 2019) כוללים גובה, שיפוע, סינוס של כיוון השיפוע וקוסינוס של כיוון השיפוע. בנוסף, עבור CONUS, הוספנו את שכבת נתוני הגידולים (CDL) כמשתנה חיזוי (Lin et al., ‫2022).

השתמשנו בנתוני Landsat Tier 1 Collection 2 של USGS ובנתוני Sentinel 2A/2B Level-1C של החזרת אור בחלק העליון של האטמוספירה כדי ליצור קומפוזיציות שנתיות של מדוידים. כדי להבטיח את איכות הנתונים, השתמשנו באלגוריתמים שונים כדי להסתיר עננים וצללים, כולל cFmask (Foga et al., ‫2017; Zhu and Woodcock, 2012), cloudScore (Chastain et al., ‫2019), s2cloudless (Sentinel-Hub, 2021), Cloud Score+ (Pasquarella et al., ‫2023), ו-TDOM (Chastain et al., ‫2019). אחרי ההסרה, חישבנו את המדוידים השנתיים כדי ליצור קומפוזיציה אחת ללא עננים לכל שנה. לבסוף, סדרת הזמנים המורכבת פולחה באופן זמני באמצעות LandTrendr (Kennedy et al., ‫2010, 2018; Cohen et al., 2018).

בארה"ב הרציפה, השתמשנו ב-70% מנתוני ההשוואה לכיול וב-30% להערכת שגיאות עצמאית. בהתחשב במגוון האקולוגי של ארה"ב הרציפה, חילקנו את אזור המידול ל-54 משבצות (480 ק"מ × 480 ק"מ). במחשבים מקומיים בנינו מודל ייחודי של יער אקראי לכל משבצת (Breiman, 2001), ואימנו אותו על נתוני ייחוס שחופפים לחלון בגודל 5×5 סביב המשבצת המרכזית. לאחר מכן, המודלים נפרסו ב-GEE כדי לחזות את כיסוי העננים הכולל. באזורים מחוץ לארה"ב, השתמשנו בחלוקה של 80/20 ופיתחנו מודל יער אקראי יחיד לכל אזור.

מקורות מידע נוספים

אפשר לפנות אל [sm.fs.tcc@usda.gov] בכל שאלה או בקשה ספציפית לנתונים.

תחום תדרים

גודל הפיקסל
‫30 מטרים

תחום תדרים

שם יחידות גודל הפיקסל תיאור
Science_Percent_Tree_Canopy_Cover % מטרים

הפלט הגולמי של המודל הישיר. לכל פיקסל יש ערך ממוצע של כיסוי צל העצים שחוזה המודל לכל שנה.
Science_Percent_Tree_Canopy_Cover_Standard_Error % מטרים

סטיית התקן של הערכים החזויים מכל עצי הרגרסיה שאליהם אנחנו מתייחסים נקראת שגיאת תקן. לכל פיקסל יש סטיית תקן לכל שנה.
NLCD_Percent_Tree_Canopy_Cover % מטרים

כדי ליצור כיסוי של צל עצים ב-NLCD, מפעילים תהליך עבודה של עיבוד אחרי יצירת התמונה על פלט המודל הישיר שמזהה ומגדיר ערכי פיקסלים שלא מכילים עצים לאפס אחוזים של כיסוי צל עצים.

data_mask מטרים

שלושה ערכים שמייצגים אזורים ללא נתונים, כיסוי צמרות עצים ממופה ואזור ללא עיבוד. האזור שלא עובר עיבוד הוא אזור שבו אין פיקסלים בתוך אזור המחקר שזמינים ללא עננים או צללים של עננים כדי ליצור פלט.

מאפייני תמונה

מאפייני תמונה

שם סוג תיאור
study_area מחרוזת

נכון לעכשיו, TCC מכסה את ארה"ב היבשתית, דרום-מזרח אלסקה, פוארטו ריקו, איי הבתולה של ארה"ב והוואי. הגרסה הזו מכילה נתונים לגבי CONUS,‏ AK,‏ PRUSVI ו-HAWAII. ערכים אפשריים: CONUS, AK, PRUSVI, HAWAII
גרסה מחרוזת

זו הגרסה החמישית של מוצר TCC שפורסם בקונסורציום MRLC שהוא חלק ממסד הנתונים הלאומי של כיסוי הקרקע (NLCD)'
startYear INT

'שנת ההתחלה של המוצר'
endYear INT

'שנת הסיום של המוצר'
שנה INT

'שנת המוצר'

תנאים והגבלות

תנאים והגבלות

שירות היערות של USDA לא נותן אחריות, מפורשת או משתמעת, כולל אחריות לסחירות ולהתאמה למטרה מסוימת, ולא נושא באחריות משפטית או באחריות לדיוק, למהימנות, לשלמות או לשימושיות של הנתונים הגיאוספציאליים האלה, או לשימוש לא תקין או שגוי בנתונים הגיאוספציאליים האלה. הנתונים הגיאוספציאליים והמפות או הגרפיקות הקשורות לא מהווים מסמכים משפטיים, והם לא מיועדים לשימוש ככאלה. אסור להשתמש בנתונים ובמפות כדי לקבוע בעלות, תיאורים או גבולות משפטיים, סמכות שיפוט או הגבלות שעשויות לחול על קרקע ציבורית או פרטית. יכול להיות שסכנות טבעיות יופיעו בנתונים ובמפות, ויכול להיות שלא. לכן, משתמשים בקרקע צריכים לנקוט משנה זהירות. הנתונים הם דינמיים ועשויים להשתנות עם הזמן. המשתמש אחראי לאמת את המגבלות של הנתונים הגיאו-מרחביים ולהשתמש בנתונים בהתאם.

הנתונים האלה נאספו באמצעות מימון מממשלת ארה"ב, ואפשר להשתמש בהם ללא הרשאות או עמלות נוספות. אם אתם משתמשים בנתונים האלה בפרסום, במצגת או במוצר מחקר אחר, עליכם לציין את הציטוט הבא:

שירות היערות של משרד החקלאות האמריקאי (USDA). 2025. USFS Tree Canopy Cover v2023.5 (Conterminous United States and Outer Conterminous United States). סולט לייק סיטי, יוטה.

ציטוטים ביבליוגרפיים

ציטוטים ביבליוגרפיים:

  • שירות היערות של משרד החקלאות של ארה"ב. 2025. USFS Tree Canopy Cover v2023.5 (Conterminous United States and Outer Conterminous United States). סולט לייק סיטי, יוטה.

  • Breiman, L., ‫2001. Random Forests. ב-Machine Learning. Springer, 45: 5-32 doi:10.1023/A:1010933404324

  • Chastain, R., Housman, I., Goldstein, J., Finco, M., and Tenneson, K., ‫2019. השוואה אמפירית בין חיישנים של Sentinel-2A ו-2B MSI,‏ Landsat-8 OLI ו-Landsat-7 ETM של מאפייני ספקטרום בחלק העליון של האטמוספירה מעל ארצות הברית הרציפה. בחישה מרחוק של הסביבה. Science Direct, 221: 274-285 doi:10.1016/j.rse.2018.11.012

  • Cohen, W. B., יאנג, ז. (Yang, Z.‎), Healey, S. P., קנדי, ר. E., and Gorelick, N., 2018. ‫LandTrendr multispectral ensemble לזיהוי הפרעות ביערות. ב-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., יוז, מ.ג'יי (Hughes, M.J.‎), Laue, B., 2017. השוואה ואימות של אלגוריתם לזיהוי עננים ב-Cloud למוצרי נתונים תפעוליים של Landsat. ב-Remote Sensing of Environment. ‪Science Direct, 194: 379-390 doi:10.1016/j.rse.2017.03.026

  • קנדי, ר. E., Yang, Z., and Cohen, W. B., ‫2010. זיהוי מגמות בהפרעות ביערות ובהתאוששות שלהם באמצעות סדרות זמן שנתיות של Landsat: 1. LandTrendr – אלגוריתמים לפילוח זמני. ב-Remote Sensing of Environment. Science Direct, 114(12): 2897-2910 doi:10.1016/j.rse.2010.07.008

  • Kennedy, R., יאנג, ז. (Yang, Z.‎), Gorelick, N., Braaten, J., Cavalcante, L., Cohen, W., and Healey, S., 2018. הטמעה של אלגוריתם LandTrendr ב-Google Earth Engine. בחישה מרחוק. MDPI, 10(5): 691 doi:10.3390/rs10050691

  • Lin, L.; Di, L.; Zhang, C.; Guo, L.; די, י. (Di, Y.)‎; Li, H.; Yang, A. ‫2022. אימות ושיפור של שכבת הנתונים של שטחי גידול באמצעות אלגוריתם של עץ החלטות מרחבי-זמני. Scientific Data. 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. 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. [אונליין]. זמין בכתובת: https://github.com/sentinel-hub/sentinel2-cloud-detector

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

  • Zhu, Z., and Woodcock, C. E., ‫2012. זיהוי עננים וצללים של עננים בתמונות Landsat על בסיס אובייקטים. ב-Remote Sensing of Environment. Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028

מזהי DOI

סיור עם פלטפורמת Earth Engine

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);
פתיחה ב-Code Editor
סקירה כללית חבילת הנתונים Tree Canopy Cover (TCC)‎, שנוצרה על ידי שירות היערות (USFS) של משרד החקלאות של ארצות הברית, כוללת פלט של מפות שנתיות שמבוססות על חישה מרחוק, משנת 1985 עד 2023. הנתונים האלה תומכים בפרויקט National Land Cover Database (NLCD), שמנוהל על ידי US Geological Survey ‏ (USGS) כחלק מ…
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