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

USGS/NLCD_RELEASES/2023_REL/TCC/v2023-5
Dostępność zbioru danych
1985-06-01T00:00:00Z–2023-09-30T00:00:00Z
Dostawca zbioru danych
Fragment kodu Earth Engine
ee.ImageCollection("USGS/NLCD_RELEASES/2023_REL/TCC/v2023-5")
Tagi
las gtac użytkowanie-terenu-pokrycie-terenu redcastle-resources usda usfs usgs

Opis

Omówienie

Zestaw danych Tree Canopy Cover (TCC) opracowany przez Służbę Leśną Departamentu Rolnictwa Stanów Zjednoczonych (USFS) to roczne dane mapowe oparte na teledetekcji z lat 1985–2023. Dane te są wykorzystywane w projekcie National Land Cover Database (NLCD), który jest zarządzany przez US Geological Survey (USGS) w ramach konsorcjum Multi-Resolution Land Characteristics (MRLC). Celem projektu jest wykorzystanie najnowszych technologii do stworzenia spójnej mapy pokrycia zagęszczeniem drzew o najwyższej dostępnej jakości. Zakres geograficzny obejmuje kontynentalną część Stanów Zjednoczonych (CONUS) i regiony OCONUS (południowo-wschodnia Alaska (SEAK), Hawaje, Portoryko i Wyspy Dziewicze Stanów Zjednoczonych (PRUSVI)).

Usługi

Pakiet danych TCC obejmuje 3 usługi:

  • Science TCC: surowe, bezpośrednie dane wyjściowe modelu.

  • Błąd standardowy modelu naukowego: odchylenie standardowe modelu dla prognozowanych wartości ze wszystkich drzew regresji.

  • NLCD TCC: ulepszony produkt pochodzący z rocznych zdjęć TCC Science. Jest ona poddawana przetwarzaniu końcowemu, aby zmniejszyć szum międzyroczny, uwydatnić długoterminowe trendy i zamaskować określone elementy (takie jak woda i rolnictwo inne niż drzewa).

Każde zdjęcie zawiera pasmo maski danych z 3 wartościami reprezentującymi obszary bez danych (0), mapowane pokrycie drzew(1) i obszary nieobjęte przetwarzaniem (2). Obszary nieprzetwarzane to piksele na obszarze badań, dla których nie ma danych bez chmur ani cieni chmur. W przypadku obrazów TCC i SE piksele obszarów bez danych i nieprzetworzonych są maskowane.

Dane i metody

Dane treningowe i modele lasów losowych zostały opracowane dla obszarów CONUS, SEAK, PRUSVI i HAWAII na podstawie interpretowanych na podstawie zdjęć danych TCC z USFS Forest Inventory and Analysis (FIA) jako danych referencyjnych. Wykorzystaliśmy Google Earth Engine (GEE) (Gorelick i in., 2017) do przetwarzania dopasowanych predyktorów LandTrendr i terenu. Dane o terenie z programu 3D Elevation Program (3DEP) (U.S. Geological Survey, 2019) obejmują wysokość, nachylenie, sinus ekspozycji i kosinus ekspozycji. W przypadku kontynentalnej części Stanów Zjednoczonych uwzględniliśmy też warstwę danych o uprawach (CDL) jako predyktor (Lin i in., 2022).

Do tworzenia rocznych kompozytów medoidowych wykorzystaliśmy zdjęcia USGS Collection 2 Landsat Tier 1 i Sentinel 2A/2B Level-1C przedstawiające odbicie od górnej granicy atmosfery. Aby zapewnić jakość danych, zastosowaliśmy różne algorytmy maskowania chmur i cieni, w tym cFmask (Foga i in., 2017; Zhu i Woodcock, 2012), cloudScore (Chastain i in., 2019), s2cloudless (Sentinel-Hub, 2021), Cloud Score+ (Pasquarella et al., 2023) i TDOM (Chastain i in., 2019). Po zamaskowaniu obliczyliśmy roczne medoidy, aby utworzyć pojedynczy kompozyt bez chmur dla każdego roku. Na koniec złożony ciąg czasowy został podzielony na segmenty czasowe za pomocą algorytmu LandTrendr (Kennedy i in., 2010, 2018; Cohen i in., 2018).

W przypadku CONUS do kalibracji wykorzystaliśmy 70% danych referencyjnych, a do niezależnej oceny błędu – 30%. Ze względu na różnorodność ekologiczną kontynentalnej części Stanów Zjednoczonych podzieliliśmy obszar modelowania na 54 segmenty (480 km × 480 km). Na komputerach lokalnych utworzyliśmy unikalny model lasu losowego dla każdego kafelka (Breiman, 2001), trenując go na danych referencyjnych przecinających okno 5×5 wokół środkowego kafelka. Modele zostały następnie wdrożone w GEE w celu prognozowania TCC na całym obszarze. W przypadku regionów OCONUS zastosowaliśmy podział 80/20 i opracowaliśmy pojedynczy model lasu losowego dla każdego regionu.

Dodatkowe materiały

W razie pytań lub konkretnych próśb o dane skontaktuj się z [sm.fs.tcc@usda.gov].

Pasma

Rozmiar piksela
30 m

Pasma

Nazwa Jednostki Rozmiar piksela Opis
Science_Percent_Tree_Canopy_Cover % metry

Nieprzetworzone dane wyjściowe modelu bezpośredniego. Każdy piksel ma średnią prognozowaną wartość pokrycia zagęszczeniem drzew w poszczególnych latach.
Science_Percent_Tree_Canopy_Cover_Standard_Error % metry

Odchylenie standardowe przewidywanych wartości ze wszystkich drzew regresji nazywamy błędem standardowym. Każdy piksel ma błąd standardowy dla każdego roku.
NLCD_Percent_Tree_Canopy_Cover % metry

Aby uzyskać pokrycie drzewami w ramach NLCD, do bezpośrednich danych wyjściowych modelu stosuje się proces przetwarzania końcowego, który identyfikuje piksele niezwiązane z drzewami i ustawia ich wartość na 0% pokrycia drzewami.

data_mask metry

3 wartości reprezentujące obszary bez danych, mapowane pokrycie koronami drzew i obszar nieprzetwarzany. Obszar nieprzetwarzany to obszar, w którym piksele w obszarze badania nie mają danych bez chmur ani cieni chmur, które można by wykorzystać do wygenerowania danych wyjściowych.

Właściwości obrazu

Właściwości obrazu

Nazwa Typ Opis
study_area CIĄG ZNAKÓW

TCC obejmuje obecnie kontynentalną część Stanów Zjednoczonych, południowo-wschodnią Alaskę, Portoryko, Wyspy Dziewicze Stanów Zjednoczonych i Hawaje. Ta wersja zawiera dane dotyczące CONUS, AK, PRUSVI i HAWAII. Możliwe wartości: „CONUS, AK, PRUSVI, HAWAII”
wersja CIĄG ZNAKÓW

Jest to piąta wersja produktu TCC wydana w ramach konsorcjum MRLC, która jest częścią krajowej bazy danych pokrycia terenu (NLCD).
startYear PRZ

„Rok rozpoczęcia sprzedaży produktu”
endYear PRZ

„Rok zakończenia produkcji”
rok PRZ

„Rok produkcji”

Warunki korzystania z usługi

Warunki usługi

Służba Leśna USDA nie udziela żadnych gwarancji, wyraźnych ani dorozumianych, w tym gwarancji przydatności handlowej i przydatności do określonego celu, ani nie ponosi żadnej odpowiedzialności prawnej za dokładność, wiarygodność, kompletność ani użyteczność tych danych geoprzestrzennych ani za ich niewłaściwe lub nieprawidłowe wykorzystanie. Te dane geoprzestrzenne oraz powiązane z nimi mapy lub grafiki nie są dokumentami prawnymi i nie są przeznaczone do wykorzystywania w tym charakterze. Dane i mapy nie mogą być używane do określania tytułu, własności, opisów prawnych ani granic, jurysdykcji prawnej ani ograniczeń, które mogą obowiązywać na gruntach publicznych lub prywatnych. Zagrożenia naturalne mogą być lub nie być przedstawione na danych i mapach, a użytkownicy gruntów powinni zachować należytą ostrożność. Dane są dynamiczne i mogą się z czasem zmieniać. Użytkownik jest odpowiedzialny za sprawdzenie ograniczeń danych geoprzestrzennych i odpowiednie wykorzystanie tych danych.

Dane te zostały zebrane przy użyciu środków pochodzących z budżetu rządu Stanów Zjednoczonych i można ich używać bez dodatkowych uprawnień ani opłat. Jeśli wykorzystujesz te dane w publikacji, prezentacji lub innym produkcie badawczym, podaj następujące źródło:

USDA Forest Service. 2025 r. USFS Tree Canopy Cover v2023.5 (Stany Zjednoczone kontynentalne i Stany Zjednoczone kontynentalne zewnętrzne). Salt Lake City, Utah.

Cytaty

Cytowania:

  • USDA Forest Service. 2025 r. USFS Tree Canopy Cover v2023.5 (Stany Zjednoczone kontynentalne i Stany Zjednoczone kontynentalne zewnętrzne). Salt Lake City, Utah.

  • Breiman, L., 2001 r. Random Forests. w uczeniu maszynowym. Springer, 45: 5-32 doi:10.1023/A:1010933404324

  • Chastain, R., Housman, I., Goldstein, J., Finco, M. i Tenneson, K., 2019 r. Empiryczne porównanie czujników MSI na satelitach Sentinel-2A i 2B, OLI na satelicie Landsat-8 oraz ETM+ na satelicie Landsat-7 pod względem charakterystyki spektralnej na szczycie atmosfery nad kontynentalną częścią Stanów Zjednoczonych. W zdalnym wykrywaniu środowiska. Science Direct, 221: 274-285 doi:10.1016/j.rse.2018.11.012

  • Cohen, W. B., Yang, Z., Healey, S. P., Kennedy, R. E. i Gorelick, N., 2018 r. Wielospektralny zespół LandTrendr do wykrywania zakłóceń w lasach. W 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. Porównanie i weryfikacja algorytmu wykrywania chmur w przypadku operacyjnych produktów danych Landsat. W Remote Sensing of Environment. Science Direct, 194: 379-390 doi:10.1016/j.rse.2017.03.026

  • Kennedy, R. E., Yang, Z. i Cohen, W. B., 2010 r. Wykrywanie trendów w zakłóceniach i regeneracji lasów na podstawie rocznych szeregów czasowych danych z satelity Landsat: 1. LandTrendr – algorytmy segmentacji czasowej. W 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. i Healey, S., 2018 r. Implementacja algorytmu LandTrendr w Google Earth Engine. w ramach teledetekcji. MDPI, 10(5): 691 doi:10.3390/rs10050691

  • Lin, L.; Di, L.; Zhang, C.; Guo, L.; Di, Y.; Li, H.; Yang, A. 2022. Weryfikacja i doprecyzowanie warstwy danych dotyczących gruntów ornych za pomocą algorytmu przestrzenno-czasowego drzewa decyzyjnego. Dane naukowe. 9(1): 63. doi:10.3390/rs10050691

  • Pasquarella, V. J., Brown, C. F., Czerwinski, W., and Rucklidge, W. J. 2023 r. Kompleksowa ocena jakości optycznych zdjęć satelitarnych za pomocą słabo nadzorowanego uczenia wideo. W Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2124–2134. doi:10.1109/cvprw59228.2023.00206

  • Sentinel-Hub, 2021 r. Sentinel 2 Cloud Detector. [Online]. Dostępne na stronie: https://github.com/sentinel-hub/sentinel2-cloud-detector

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

  • Zhu, Z., and Woodcock, C. E., 2012 r. Wykrywanie chmur i cieni chmur na obrazach Landsat na podstawie obiektów. W Remote Sensing of Environment. Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028

DOI

Odkrywaj za pomocą Earth Engine

Edytor kodu (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);
Otwórz w edytorze kodu
Omówienie Zestaw danych dotyczących pokrywy drzew (Tree Canopy Cover, TCC) opracowany przez Służbę Leśną Departamentu Rolnictwa Stanów Zjednoczonych (USFS) to roczne mapy oparte na teledetekcji, obejmujące okres od 1985 r. do 2023 r. Dane te wspierają projekt National Land Cover Database (NLCD), którym zarządza US Geological Survey (USGS) w ramach …
USGS/NLCD_RELEASES/2023_REL/TCC/v2023-5, las,gtac,użytkowanie terenu i pokrycie terenu,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