- Доступность набора данных
- 1985-06-01T00:00:00Z–2023-09-30T00:00:00Z
- Поставщик наборов данных
- Геопространственное управление Центра полевых услуг и инноваций Лесной службы Министерства сельского хозяйства США (USFS) (FSIC-GO)
- Теги
Описание
Обзор
Набор данных о древесном покрове (TCC), подготовленный Лесной службой (USFS) Министерства сельского хозяйства США, представляет собой ежегодные карты, основанные на данных дистанционного зондирования, охватывающие период с 1985 по 2023 год. Эти данные используются в проекте Национальной базы данных о земельном покрове (NLCD), который курируется Геологической службой США (USGS) в рамках консорциума «Характеристики земель с различным разрешением» (MRLC). Цель проекта – использование новейших технологий для создания согласованной, «наилучшей доступной» карты древесного покрова. Географический охват включает регионы Сопредельной территории США (CONUS) и ОКОНУС (Юго-Восточная Аляска (SEAK), Гавайи, Пуэрто-Рико и Виргинские острова США (PRUSVI)).
Продукты
Пакет данных TCC включает три продукта:
Science TCC: необработанные, прямые результаты модели.
Стандартная ошибка науки (SE): стандартное отклонение модели предсказанных значений из всех деревьев регрессии.
NLCD TCC: улучшенный продукт, полученный на основе ежегодных снимков Science TCC. Он проходит постобработку для снижения межгодового шума, выделения долгосрочных тенденций и маскировки специфических особенностей (таких как водные ресурсы и недревесное сельское хозяйство).
Каждое изображение включает полосу маски данных, состоящую из трёх значений, представляющих области без данных (0), картографированный древесный покров (1) и необрабатываемую область (2). Необрабатываемые области представляют собой пикселы в исследуемой области без данных об облаках или без теней от облаков. Пикселы областей без данных и необрабатываемых областей маскируются на изображениях TCC и SE.
Данные и методы
Мы разработали обучающие данные и случайные модели леса для территорий CONUS, SEAK, PRUSVI и HAWAII, используя в качестве референтных данных фотоинтерпретированный TCC, полученный с помощью Лесной инвентаризации и анализа лесов США (FIA). Для обработки подобранных данных LandTrendr и предикторов рельефа мы использовали Google Earth Engine (GEE) (Gorelick et al., 2017). Данные рельефа из программы 3D Elevation Program (3DEP) (Геологическая служба США, 2019) включают высоту, уклон, синус и косинус экспозиции. Для территории CONUS мы также включили слой данных о культурах (CDL) в качестве предиктора (Lin et al., 2022).
Для создания годовых композитных медоидов мы использовали данные спутников USGS Collection 2 Landsat Tier 1 и Sentinel 2A/2B Level-1C, отражающих верхнюю часть атмосферы. Для обеспечения качества данных мы применяли различные алгоритмы маскирования облаков и теней, включая cFmask (Foga et al., 2017; Zhu and Woodcock, 2012), cloudScore (Chastain et al., 2019), s2cloudless (Sentinel-Hub, 2021), Cloud Score+ (Pasquarella et al., 2023) и TDOM (Chastain et al., 2019). После маскирования мы вычисляли годовые медоиды для создания единого безоблачного композита для каждого года. Наконец, составной временной ряд был временно сегментирован с использованием LandTrendr (Kennedy et al., 2010, 2018; Cohen et al., 2018).
Для региона CONUS мы использовали 70% референтных данных для калибровки и 30% для независимой оценки ошибок. Учитывая экологическое разнообразие региона CONUS, мы разделили область моделирования на 54 тайла (480 км × 480 км). На локальных компьютерах мы построили уникальную модель случайного леса для каждого тайла (Breiman, 2001), обучив её на референтных данных, пересекающих окно 5×5 вокруг центрального тайла. Затем модели были развернуты в GEE для прогнозирования общего ТСЦ. Для регионов OCONUS мы использовали разделение 80/20 и разработали отдельную модель случайного леса для каждого региона.
Дополнительные ресурсы
Подробную информацию о методах и оценке точности см. в кратком содержании TCC Methods Brief или в статье журнала Science of Remote Sensing .
Загрузки данных, метаданных и сопроводительных документов можно найти в Информационном центре геоданных TCC .
Строка HAWAII будет обновлена до HI в предстоящем выпуске данных v2025.6.
По любым вопросам или запросам конкретных данных обращайтесь по адресу [sm.fs.tcc@usda.gov].
Группы
Размер пикселя
30 метров
Группы
| Имя | Единицы | Размер пикселя | Описание | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Science_Percent_Tree_Canopy_Cover | % | метров | Необработанные прямые выходные данные модели. Каждый пиксель отображает среднее прогнозируемое значение сомкнутости древесного полога для каждого года. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Science_Percent_Tree_Canopy_Cover_Standard_Error | % | метров | Стандартное отклонение предсказанных значений по всем деревьям регрессии мы называем стандартной ошибкой. Каждый пиксель имеет стандартную ошибку для каждого года. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
NLCD_Percent_Tree_Canopy_Cover | % | метров | Для создания NLCD-данных о древесном пологе к прямым выходным данным модели применяется рабочий процесс постобработки, который идентифицирует и устанавливает значения пикселей, не относящихся к деревьям, на ноль процентов о древесном пологе. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
data_mask | метров | Три значения представляют области без данных, картографируемый древесный покров и необрабатываемую область. Необрабатываемая область — это область, где пиксели в исследуемой области не содержат данных об облаках или отсутствии теней от облаков, доступных для получения выходных данных. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Свойства изображения
Свойства изображения
| Имя | Тип | Описание |
|---|---|---|
| область_исследования | НИТЬ | В настоящее время TCC охватывает территорию CONUS, юго-восточную Аляску, Пуэрто-Рико (Американские Виргинские острова) и Гавайи. Эта версия содержит данные для CONUS, AK, PRUSVI и HAWAII. Возможные значения: «CONUS, AK, PRUSVI, HAWAII». |
| версия | НИТЬ | Это пятая версия продукта TCC, выпущенная консорциумом MRLC, который является частью Национальной базы данных по земельному покрову (NLCD). |
| начало года | ИНТ | «Год начала продукта» |
| конец года | ИНТ | «Конечный год продукта» |
| год | ИНТ | «Год продукта» |
Условия эксплуатации
Условия эксплуатации
Лесная служба Министерства сельского хозяйства США не предоставляет никаких гарантий, явных или подразумеваемых, включая гарантии товарной пригодности и пригодности для определенной цели, и не принимает на себя никакой юридической ответственности за точность, надежность, полноту или полезность этих геопространственных данных, а также за ненадлежащее или некорректное использование этих геопространственных данных. Эти геопространственные данные и связанные с ними карты или графические изображения не являются юридическими документами и не предназначены для использования в качестве таковых. Данные и карты не могут быть использованы для определения права собственности, правового описания или границ, правовой юрисдикции или ограничений, которые могут действовать на государственных или частных землях. Стихийные бедствия могут быть или не быть изображены на данных и картах, и землепользователи должны проявлять должную осторожность. Данные являются динамичными и могут меняться со временем. Пользователь несет ответственность за проверку ограничений геопространственных данных и использование данных соответствующим образом.
Эти данные были собраны при финансовой поддержке правительства США и могут быть использованы без дополнительных разрешений или сборов. При использовании этих данных в публикации, презентации или другом исследовательском продукте, пожалуйста, используйте следующую ссылку:
Лесная служба Министерства сельского хозяйства США. 2025. Лесная служба США (USFS) покрывает лесной покров версии 2023.5 (территория США и прилегающие территории США). Солт-Лейк-Сити, штат Юта.
Цитаты
Лесная служба Министерства сельского хозяйства США. 2025. Лесная служба США (USFS) покрывает лесной покров версии 2023.5 (территория США и прилегающие территории США). Солт-Лейк-Сити, штат Юта.
Брейман, Л., 2001. Случайные леса. В машинном обучении. Springer, 45: 5-32 doi:10.1023/A:1010933404324
Честейн, Р., Хаусман, И., Голдштейн, Дж., Финко, М. и Теннесон, К., 2019. Эмпирическое сравнение спектральных характеристик верхней части атмосферы спутников Sentinel-2A и 2B MSI, Landsat-8 OLI и Landsat-7 ETM над территорией США. В кн.: Дистанционное зондирование окружающей среды. Science Direct, 221: 274–285, doi:10.1016/j.rse.2018.11.012
Коэн, У. Б., Янг, З., Хили, С. П., Кеннеди, Р. Э. и Горелик, Н., 2018. Многоспектральный ансамбль LandTrendr для обнаружения нарушений в лесах. В кн.: Дистанционное зондирование окружающей среды. Science Direct, 205: 131–140, doi:10.1016/j.rse.2017.11.015
Фога, С., Скарамуцца, П.Л., Го, С., Чжу, З., Дилли, Р.Д., Бекманн, Т., Шмидт, Г.Л., Дуайер, Дж.Л., Хьюз, М.Дж., Лауэ, Б., 2017. Сравнение и валидация алгоритмов обнаружения облаков для оперативных данных Landsat. В кн.: Дистанционное зондирование окружающей среды. Science Direct, 194: 379–390, doi:10.1016/j.rse.2017.03.026
Кеннеди, Р.Э., Янг, З. и Коэн, У.Б., 2010. Выявление тенденций в нарушении и восстановлении лесов с использованием годовых временных рядов Landsat: 1. LandTrendr — алгоритмы временной сегментации. В кн.: Дистанционное зондирование окружающей среды. Science Direct, 114(12): 2897–2910, doi:10.1016/j.rse.2010.07.008
Кеннеди, Р., Янг, З., Горелик, Н., Браатен, Дж., Кавальканте, Л., Коэн, У. и Хили, С., 2018. Реализация алгоритма LandTrendr в Google Earth Engine. В разделе «Дистанционное зондирование». MDPI, 10(5): 691 doi:10.3390/rs10050691
Линь, Л.; Ди, Л.; Чжан, Ч.; Го, Л.; Ди, И.; Ли, Х.; Ян, А. 2022. Проверка и уточнение данных о пахотных землях с использованием алгоритма пространственно-временного дерева решений. Scientific Data. 9(1): 63. doi:10.3390/rs10050691
Паскуарелла, В.Дж., Браун, К.Ф., Червински, В. и Раклидж, У.Дж., 2023. Комплексная оценка качества оптических спутниковых изображений с использованием слабо контролируемого видеообучения. В материалах конференции IEEE/CVF по компьютерному зрению и распознаванию образов. 2124–2134. doi:10.1109/cvprw59228.2023.00206
Sentinel-Hub, 2021. Sentinel 2 Cloud Detector. [Онлайн]. Доступно по адресу: https://github.com/sentinel-hub/sentinel2-cloud-detector
Геологическая служба США, 2019 г. Цифровая модель рельефа 3D-программы USGS Elevation Program, дата обращения: август 2022 г., https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m
Чжу, З. и Вудкок, К.Э., 2012. Объектное обнаружение облаков и их теней на снимках Landsat. В кн.: Дистанционное зондирование окружающей среды. 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
Исследуйте с Earth Engine
Редактор кода (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);