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

USGS/NLCD_RELEASES/2023_REL/TCC/v2023-5
利用可能なデータセットの期間
1985-06-01T00:00:00Z–2023-09-30T00:00:00Z
データセット プロバイダ
Earth Engine スニペット
ee.ImageCollection("USGS/NLCD_RELEASES/2023_REL/TCC/v2023-5")
タグ
forest gtac landuse-landcover redcastle-resources usda usfs usgs

説明

概要

米国農務省林野部（USFS）が作成した Tree Canopy Cover（TCC）データスイートは、1985 年から 2023 年までの年次リモート センシング ベースの地図出力です。これらのデータは、米国地質調査所（USGS）が Multi-Resolution Land Characteristics（MRLC）コンソーシアムの一環として管理している National Land Cover Database（NLCD）プロジェクトをサポートしています。このプロジェクトでは、最新のテクノロジーを使用して、樹木エリアの「最良の」地図を継続的に作成することを目指しています。地理的範囲には、米国本土（CONUS）と OCONUS 地域（アラスカ南東部（SEAK）、ハワイ、プエルトリコ、米領バージン諸島（PRUSVI））が含まれます。

プロダクト

TCC データスイートには次の 3 つのプロダクトが含まれています。

  • Science TCC: モデルからの未加工の直接出力。

  • 科学標準誤差（SE）: すべての回帰木から予測された値のモデル標準偏差。

  • NLCD TCC: 年間の Science TCC 画像から派生した精製されたプロダクト。年間のノイズを減らし、長期的な傾向を強調し、特定の機能（水や樹木以外の農業など）をマスクするために、後処理が行われます。

各画像には、データなしの領域（0）、マッピングされた樹冠被覆（1）、処理対象外の領域（2）を表す 3 つの値を持つデータマスクバンドが含まれています。処理されない領域は、雲や雲の影のないデータを含む調査領域のピクセルです。TCC 画像と SE 画像では、データのない領域と処理されない領域のピクセルがマスクされます。

データと方法

米国森林局の森林インベントリと分析（FIA）の写真判読による TCC を参照データとして使用して、CONUS、SEAK、PRUSVI、HAWAII のトレーニング データとランダム フォレスト モデルを開発しました。Google Earth Engine（GEE） （Gorelick et al., 2017）を使用して、適合した LandTrendr と地形予測子を処理しました。3D 標高プログラム（3DEP）（米国地質調査所、2019 年）の地形データには、標高、傾斜、斜面の正弦、斜面の余弦が含まれます。CONUS では、予測変数として Crop Data Layer（CDL）も追加しました（Lin et al., 2022 年）。

USGS Collection 2 Landsat Tier 1 と Sentinel 2A/2B Level-1C の大気圏上部反射率画像を使用して、年間のメドイド合成を作成しました。データの品質を確保するため、cFmask（Foga et al., 2017 年、Zhu と Woodcock、2012 年）、cloudScore（Chastain ほか、2019）、s2cloudless（Sentinel-Hub、2021）、Cloud Score+（Pasquarella 他、2023）、TDOM（Chastain 他、2019 年）。マスク処理後、年間のメドイドを計算して、各年について雲のない単一の複合画像を作成しました。最後に、複合時系列は LandTrendr（Kennedy et al.、2010、2018 年; Cohen ら、2018 年）。

米国本土では、参照データの 70% をキャリブレーションに使用し、30% を独立した誤差評価に使用しました。CONUS の生態系の多様性を考慮して、モデリング領域を 54 個のタイル（480 km × 480 km）に分割しました。ローカル コンピュータで、各タイルに固有のランダム フォレスト モデル（Breiman、2001）を構築し、中心タイルの周囲の 5×5 ウィンドウと交差する参照データでトレーニングしました。その後、モデルは GEE にデプロイされ、壁から壁までの TCC を予測しました。OCONUS 地域では、80/20 の分割を使用し、地域ごとに 1 つのランダム フォレスト モデルを開発しました。

参考情報

ご不明な点や特定のデータ リクエストについては、[sm.fs.tcc@usda.gov] までお問い合わせください。

バンド

ピクセルサイズ
30 メートル

バンド

名前 単位 ピクセルサイズ 説明
Science_Percent_Tree_Canopy_Cover % メートル

未加工の直接モデルの出力。各ピクセルには、各年の樹木エリアの平均予測値があります。
Science_Percent_Tree_Canopy_Cover_Standard_Error % メートル

参照するすべての回帰木の予測値の標準偏差を標準誤差と呼びます。各ピクセルには、年ごとの標準誤差があります。
NLCD_Percent_Tree_Canopy_Cover % メートル

NLCD の樹冠被覆率を生成するために、樹木のないピクセルの値を特定して 0% の樹冠被覆率に設定する後処理ワークフローが、モデルの直接出力に適用されます。
data_mask メートル

データなしのエリア、マッピングされた樹木被覆、処理対象外のエリアを表す 3 つの値。非処理領域は、出力の生成に使用できる雲や雲の影のないデータが調査領域内のピクセルにない領域です。

画像プロパティ検出

画像プロパティ

名前 型 説明
study_area STRING

現在、TCC は米国本土、アラスカ南東部、プエルトリコ、米領バージン諸島、ハワイを対象としています。このバージョンには、CONUS、AK、PRUSVI、HAWAII のデータが含まれています。有効な値: 「CONUS、AK、PRUSVI、HAWAII」
version STRING

これは、National Land Cover Database（NLCD）の一部である MRLC コンソーシアムでリリースされた TCC プロダクトの第 5 バージョンです。
startYear INT

'プロダクトの開始年'
endYear INT

「商品の終了年」
年 INT

「商品の年式」

利用規約

利用規約

米国農務省森林局は、商品性や特定目的への適合性に関する保証を含め、明示または黙示を問わず、いかなる保証も行いません。また、これらの地理空間データの正確性、信頼性、完全性、有用性、またはこれらの地理空間データの不適切または誤った使用について、いかなる法的責任も負いません。これらの地理空間データと関連する地図やグラフィックは法的な文書ではなく、そのようなものとして使用されることを意図したものではありません。データと地図は、所有権、法的説明、境界、法的管轄区域、公有地または私有地に課せられている可能性のある制限を判断するために使用することはできません。自然災害がデータや地図に表示される場合とされない場合があります。土地の利用者は十分な注意を払う必要があります。データは動的であり、時間の経過とともに変化する可能性があります。地理空間データの制限事項を確認し、それに応じてデータを使用する責任はユーザーにあります。

これらのデータは米国政府の資金を使用して収集されたもので、追加の権限や料金なしで使用できます。このデータを出版物、プレゼンテーション、その他の研究成果物で使用する場合は、次の引用を使用してください。

米国農務省森林局。2025 年 4 月。USFS Tree Canopy Cover v2023.5（米国本土および米国本土外）。ユタ州ソルトレイクシティ。

引用

引用:

  • 米国農務省森林局。2025 年 4 月。USFS Tree Canopy Cover v2023.5（米国本土および米国本土外）。ユタ州ソルトレイクシティ。

  • Breiman, L.、2001 年。ランダム フォレスト。ML。Springer、45: 5 ～ 32 doi:10.1023/A:1010933404324

  • Chastain, R.、Housman, I.、Goldstein, J.、Finco, M.、Tenneson, K.、2019 年。 米国本土における Sentinel-2A および 2B MSI、Landsat-8 OLI、Landsat-7 ETM の大気圏上部スペクトル特性のセンサー間比較。環境のリモート センシング。Science Direct, 221: 274-285 doi:10.1016/j.rse.2018.11.012

  • Cohen, W. B., Yang, Z.、Healey, S. P.、Kennedy, R. E.、Gorelick, N.、2018 年。 森林破壊検出用の LandTrendr マルチスペクトル アンサンブル。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 年。運用 Landsat データ プロダクトの雲検出アルゴリズムの比較と検証。Remote Sensing of Environment に掲載。Science Direct, 194: 379-390 doi:10.1016/j.rse.2017.03.026

  • Kennedy, R. E., Yang, Z., and Cohen, W. B., 2010 年。 Landsat の年次時系列データを使用した森林の撹乱と回復の傾向の検出: 1. LandTrendr - 時間セグメンテーション アルゴリズム。Remote Sensing of Environment に掲載。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.、Healey, S.、2018 年。Google Earth Engine での LandTrendr アルゴリズムの実装。リモート センシング。MDPI、10(5): 691 doi:10.3390/rs10050691

  • Lin, L.; Di, L.; Zhang, C.; Guo, L.; Di, Y.; Li, H.; Yang, A. 2022 年。空間的および時間的な決定木アルゴリズムを使用した農地データレイヤの検証と改良。Scientific Data。9(1): 63. doi:10.3390/rs10050691

  • Pasquarella, V. J.、Brown, C. F., Czerwinski, W.、Rucklidge, W. J., 2023 年。Weakly Supervised Video Learning を使用した光学衛星画像の包括的な品質評価。In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2124-2134. doi:10.1109/cvprw59228.2023.00206

  • Sentinel-Hub、2021 年。 Sentinel 2 Cloud Detector。[オンライン]。 https://github.com/sentinel-hub/sentinel2-cloud-detector で入手可能

  • 米国地質調査所、2019 年。USGS 3D Elevation Program Digital Elevation Model、2022 年 8 月に https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m でアクセス

  • Zhu, Z.、Woodcock, C. E., 2012 年。Landsat 画像におけるオブジェクト ベースの雲と雲の影の検出。In Remote Sensing of Environment. Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028

DOI

Earth Engine で探索する

コードエディタ（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);
コードエディタで開く
概要 米国農務省林野部（USFS）が作成した樹冠被覆率（TCC）データスイートは、1985 年から 2023 年までの年次リモート センシング ベースの地図出力です。これらのデータは、米国地質調査所（USGS）が管理する National Land Cover Database（NLCD）プロジェクトをサポートしています。
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