- Disponibilità set di dati
- 1985-06-01T00:00:00Z–2023-09-30T00:00:00Z
- Fornitore del set di dati
- USDA Forest Service (USFS) Field Services and Innovation Center Geospatial Office (FSIC-GO)
- Tag
Descrizione
Panoramica
La suite di dati sulla copertura della chioma degli alberi (TCC), prodotta dal servizio forestale del Dipartimento dell'Agricoltura degli Stati Uniti (USFS), sono output di mappe annuali basati sul telerilevamento che coprono il periodo 1985-2023. Questi dati supportano il progetto National Land Cover Database (NLCD), gestito dall'US Geological Survey (USGS) nell'ambito del consorzio Multi-Resolution Land Characteristics (MRLC). Il progetto mira a utilizzare la tecnologia più recente per creare una mappa coerente e "migliore disponibile" della copertura arborea. L'ambito geografico include le regioni CONUS (Stati Uniti contigui) e OCONUS (Alaska sudorientale (SEAK), Hawaii, Portorico e Isole Vergini Americane (PRUSVI)).
Prodotti
La suite di dati TCC include tre prodotti:
TCC scientifico: gli output grezzi e diretti del modello.
Errore standard scientifico (SE): la deviazione standard del modello dei valori previsti da tutti gli alberi di regressione.
NLCD TCC:un prodotto raffinato derivato dalle immagini TCC scientifiche annuali. Viene sottoposto a post-elaborazione per ridurre il rumore interannuale, evidenziare le tendenze a lungo termine e mascherare caratteristiche specifiche (come l'acqua e l'agricoltura non arborea).
Ogni immagine include una banda di maschera dei dati con tre valori che rappresentano le aree senza dati (0), la copertura arborea mappata(1) e l'area non di elaborazione (2). Le aree di non elaborazione sono pixel nell'area di studio senza dati di nuvole o ombre di nuvole. I pixel dell'area senza dati e non elaborata vengono mascherati nelle immagini TCC e SE.
Dati e metodi
Abbiamo sviluppato dati di addestramento e modelli di foresta casuale per CONUS, SEAK, PRUSVI e HAWAII utilizzando la copertura della chioma (TCC) fotointerpretata dell'inventario e dell'analisi delle foreste (FIA) dell'USFS come dati di riferimento. Abbiamo sfruttato Google Earth Engine (GEE) (Gorelick et al., 2017) per elaborare i predittori LandTrendr e del terreno adattati. I dati sul terreno del 3D Elevation Program (3DEP) (U.S. Geological Survey, 2019) includono elevazione, pendenza, seno dell'orientamento e coseno dell'orientamento. Per gli Stati Uniti contigui, abbiamo incluso anche il Crop Data Layer (CDL) come fattore predittivo (Lin et al., 2022).
Abbiamo utilizzato le immagini di riflettanza della parte superiore dell'atmosfera USGS Collection 2 Landsat Tier 1 e Sentinel 2A/2B Level-1C per produrre compositi medoidi annuali. Per garantire la qualità dei dati, abbiamo applicato vari algoritmi per mascherare nuvole e ombre, incluso cFmask (Foga et al., 2017; Zhu e Woodcock, 2012), cloudScore (Chastain et al., 2019), s2cloudless (Sentinel Hub, 2021), Cloud Score+ (Pasquarella et al., 2023) e TDOM (Chastain et al., 2019). Una volta mascherati, abbiamo calcolato i medoidi annuali per creare un unico composito senza nuvole per ogni anno. Infine, la serie temporale composita è stata segmentata temporalmente utilizzando LandTrendr (Kennedy et al., 2010, 2018; Cohen et al., 2018).
Per gli Stati Uniti contigui, abbiamo utilizzato il 70% dei dati di riferimento per la calibrazione e il 30% per la valutazione indipendente dell'errore. Data la diversità ecologica degli Stati Uniti contigui, abbiamo suddiviso l'area di modellazione in 54 riquadri (480 km × 480 km). Sui computer locali abbiamo creato un modello di foresta casuale unico per ogni riquadro (Breiman, 2001), addestrandolo sui dati di riferimento che intersecano una finestra 5×5 intorno al riquadro centrale. I modelli sono stati poi implementati in GEE per prevedere la copertura arborea continua. Per le regioni OCONUS, abbiamo utilizzato una suddivisione 80/20 e sviluppato un singolo modello di foresta casuale per ogni regione.
Risorse aggiuntive
Per informazioni dettagliate su metodi e valutazione dell'accuratezza, consulta il TCC Methods Brief o l'articolo della rivista Science of Remote Sensing.
Consulta il TCC Geodata Clearinghouse per download di dati, metadati e documenti di supporto.
La stringa HAWAII verrà aggiornata a HI nella prossima release dei dati v2025.6.
Per eventuali domande o richieste di dati specifici, contatta [sm.fs.tcc@usda.gov].
Bande
Dimensioni pixel
30 metri
Bande
| Nome | Unità | Dimensioni pixel | Descrizione | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Science_Percent_Tree_Canopy_Cover |
% | metri | Gli output del modello diretto non elaborati. Ogni pixel ha un valore medio previsto di copertura arborea per ogni anno. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Science_Percent_Tree_Canopy_Cover_Standard_Error |
% | metri | La deviazione standard dei valori previsti di tutti gli alberi di regressione a cui facciamo riferimento come errore standard. Ogni pixel ha un errore standard per ogni anno. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
NLCD_Percent_Tree_Canopy_Cover |
% | metri | Per produrre la copertura della chioma degli alberi NLCD, viene applicato un flusso di lavoro di post-elaborazione all'output diretto del modello che identifica e imposta i valori dei pixel non arborei sullo zero percento di copertura della chioma degli alberi. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
data_mask |
metri | Tre valori che rappresentano le aree senza dati, la copertura arborea mappata e l'area non di elaborazione. L'area di non elaborazione è quella in cui i pixel all'interno dell'area di studio non dispongono di dati senza nuvole o ombre di nuvole disponibili per produrre un output. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Proprietà immagini
Proprietà immagini
| Nome | Tipo | Descrizione |
|---|---|---|
| study_area | STRING | Al momento, TCC copre gli Stati Uniti continentali, l'Alaska sudorientale, Portorico, le Isole Vergini Americane e le Hawaii. Questa versione contiene dati per CONUS, AK, PRUSVI e HAWAII. Valori possibili: "CONUS, AK, PRUSVI, HAWAII" |
| versione | STRING | Questa è la quinta versione del prodotto TCC rilasciata nel consorzio MRLC che fa parte del National Land Cover Database (NLCD)'. |
| startYear | INT | "Anno di inizio del prodotto" |
| endYear | INT | "End year of the product" (Anno di fine del prodotto) |
| anno | INT | Anno del prodotto |
Termini e condizioni d'uso
Termini e condizioni d'uso
L'USDA Forest Service non fornisce alcuna garanzia, esplicita o implicita, comprese le garanzie di commerciabilità e idoneità per uno scopo particolare, né si assume alcuna responsabilità legale o responsabilità per l'accuratezza, l'affidabilità, la completezza o l'utilità di questi dati geospaziali, o per l'uso improprio o errato di questi dati geospaziali. Questi dati geospaziali e le mappe o i grafici correlati non sono documenti legali e non sono destinati a essere utilizzati come tali. I dati e le mappe non possono essere utilizzati per determinare titoli, proprietà, descrizioni o confini legali, giurisdizione legale o limitazioni che potrebbero essere in vigore su terreni pubblici o privati. I pericoli naturali possono essere rappresentati o meno nei dati e nelle mappe e gli utenti del territorio devono prestare la dovuta attenzione. I dati sono dinamici e possono cambiare nel tempo. L'utente è responsabile della verifica delle limitazioni dei dati geospaziali e del loro utilizzo di conseguenza.
Questi dati sono stati raccolti utilizzando finanziamenti del governo degli Stati Uniti e possono essere utilizzati senza ulteriori autorizzazioni o costi. Se utilizzi questi dati in una pubblicazione, una presentazione o in un altro prodotto di ricerca, utilizza la seguente citazione:
Servizio forestale dell'USDA. 2025. USFS Tree Canopy Cover v2023.5 (Conterminous United States and Outer Conterminous United States). Salt Lake City, Utah.
Citazioni
Servizio forestale dell'USDA. 2025. USFS Tree Canopy Cover v2023.5 (Stati Uniti contigui e Stati Uniti contigui esterni). Salt Lake City, Utah.
Breiman, L., 2001. Random Forests. In Machine Learning. Springer, 45: 5-32 doi:10.1023/A:1010933404324
Chastain, R., Housman, I., Goldstein, J., Finco, M. e Tenneson, K., 2019. Confronto empirico tra sensori di MSI Sentinel-2A e 2B, OLI Landsat-8 ed ETM Landsat-7 caratteristiche spettrali della parte superiore dell'atmosfera sugli Stati Uniti contigui. 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., e Gorelick, N., 2018. Un insieme multispettrale LandTrendr per il rilevamento di disturbi forestali. 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. Confronto e convalida dell'algoritmo di rilevamento delle nuvole per i prodotti di dati Landsat operativi. 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. Rilevamento delle tendenze di disturbo e recupero delle foreste utilizzando serie temporali Landsat annuali: 1. LandTrendr - Temporal segmentation algorithms. 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., and Healey, S., 2018. Implementazione dell'algoritmo LandTrendr su Google Earth Engine. Nel telerilevamento. MDPI, 10(5): 691 doi:10.3390/rs10050691
Lin, L.; Di, L.; Zhang, C.; Guo, L.; Di, Y.; Li, H.; Yang, A. 2022. Convalida e perfezionamento del livello di dati sulle colture utilizzando un algoritmo di albero decisionale spaziotemporale. Dati scientifici. 9(1): 63. doi:10.3390/rs10050691
Pasquarella, V. J., Brown, C. F., Czerwinski, W., and Rucklidge, W. J., 2023. Valutazione completa della qualità delle immagini satellitari ottiche utilizzando l'apprendimento video debolmente supervisionato. 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]. Disponibile all'indirizzo: https://github.com/sentinel-hub/sentinel2-cloud-detector
US Geological Survey, 2019. USGS 3D Elevation Program Digital Elevation Model, consultato ad agosto 2022 all'indirizzo https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m
Zhu, Z. e Woodcock, C. E., 2012. Rilevamento di nuvole e ombre di nuvole basato sugli oggetti nelle immagini Landsat. In 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
Esplora con Earth Engine
Editor di codice (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);