- 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
Этот продукт входит в набор данных о древесном покрове (TCC). Он включает в себя смоделированные данные о древесном покрове, стандартную ошибку (SE) и данные о древесном покрове из Национальной базы данных о древесном покрове (NLCD) за каждый год. Данные о древесном покрове, предоставляемые Лесной службой Министерства сельского хозяйства США (USFS), входят в консорциум Multi-Resolution Land Characteristics (MRLC), который является частью проекта Национальной базы данных о древесном покрове (NLCD), управляемого Геологической службой США (USGS).
Продукт Science TCC и NLCD TCC представляют собой картографические данные, созданные Службой лесного хозяйства США (USFS) на основе данных дистанционного зондирования. Целью TCC Science и NLCD TCC является разработка согласованного подхода с использованием новейших технологий и достижений в области картографирования TCC для создания «наилучшей доступной» карты TCC для всей территории США (CONUS), а также юго-восточной Аляски, Гавайев и Пуэрто-Рико – Виргинских островов США (OCONUS). Данные OCONUS версии 2023.5 будут опубликованы в конце лета 2025 года. В настоящее время можно использовать данные OCONUS версии 2021.4 TCC (USGS/NLCD_RELEASES/2021_REL/TCC/v2021-4).
Результаты модели включают Science TCC, Science SE и NLCD TCC за период с 1985 по 2023 год.
* Science TCC — это необработанные прямые выходные данные модели.
*Science SE — это стандартное отклонение модели предсказанных значений из всех деревьев регрессии.
*Продукт NLCD TCC проходит дальнейшую постобработку, применяемую к ежегодным снимкам Science TCC, которая включает в себя несколько видов маскирования (водное и недревесное сельское хозяйство), а также процессы, которые снижают межгодовой шум и возвращают более продолжительные тенденции.
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.
В связи с размером территории CONUS и широким разнообразием экотонов, моделирование CONUS было разбито на 54 тайла размером 480x480 км. Для каждого тайла была построена уникальная модель случайного леса с использованием данных LandTrendr 2011 года, CDL 2011 года и данных о рельефе местности. Все референтные данные, входившие в 70% доступных для калибровки модели и пересекавшие тайлы в пределах окна 5x5 вокруг центрального тайла, использовались для обучения модели случайного леса. Затем эта модель применялась к центральному тайлу. Для OCONUS к каждой исследуемой области применялась одна модель, и тайлы не использовались.
Слои-предикторы для модели TCC включают выходные данные LandTrendr и информацию о рельефе местности. Доступ к этим компонентам и их обработка осуществляется с помощью Google Earth Engine (Gorelick et al., 2017).
Для создания годовых композитных данных для LandTrendr использовались данные USGS Collection 2 Landsat Tier 1 и Sentinel 2A, 2B Level-1C об отражательной способности верхней части атмосферы. Для маскировки облаков используется алгоритм маскировки облаков cFmask (Foga et al., 2017), представляющий собой реализацию Fmask 2.0 (Zhu and Woodcock, 2012) (только Landsat), cloudScore (Chastain et al., 2019) (только Landsat) и s2cloudless (Sentinel-Hub, 2021) (только Sentinel 2), а для маскировки теней от облаков (Landsat и Sentinel 2) — TDOM (Chastain et al., 2019). Для LandTrendr годовой медоид затем вычисляется для суммирования значений облачности и безоблачности за каждый год в единый композит.
Составной временной ряд временно сегментируется с использованием LandTrendr (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).
Необработанные составные значения, подобранные значения LandTrendr, парные разности, длительность сегмента, величина изменения и уклон, а также высота, уклон, синус и косинус экспозиции из данных 10-метровой 3D-съемки Геологической службы США (USGS) (3DEP, 2019) используются в качестве независимых предикторных переменных в модели случайного леса (Breiman, 2001).
Справочные данные собираются из фотоинтерпретационных данных TCC Службы инвентаризации и анализа лесов США (FIA) и используются для составления прогнозов TCC на попиксельной основе.
Дополнительные ресурсы
Более подробную информацию о методах и оценке точности можно найти в документе TCC Methods Brief , а загрузку данных, метаданных и вспомогательной документации можно найти в Информационном центре геоданных TCC .
Данные AK, PRUSVI и HI будут опубликованы в конце лета 2025 года. Доступны ранее опубликованные данные v2021.4 AK, PRUSVI и HI TCC (USGS/NLCD_RELEASES/2021_REL/TCC/v2021-4).
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 информацию о территории CONUS. Данные по SEAK, PRUSVI и HI будут опубликованы в конце лета 2025 года. Возможные значения: «CONUS». |
| 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
Служба лесного хозяйства Министерства сельского хозяйства США (USDA Forest Service) 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
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
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 журнале «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
Sentinel-Hub, 2021. Sentinel 2 Cloud Detector. [Онлайн]. Доступно по адресу: https://github.com/sentinel-hub/sentinel2-cloud-detector
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
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"') .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);