- Veri Kümesi Kullanılabilirliği
- 1985-06-01T00:00:00Z–2023-09-30T00:00:00Z
- Veri Kümesi Sağlayıcı
- USDA Orman Hizmetleri (USFS) Saha Hizmetleri ve İnovasyon Merkezi Coğrafi Ofisi (FSIC-GO)
- Etiketler
- <0xx0A>
Açıklama
Genel Bakış
ABD Tarım Bakanlığı, Orman Hizmetleri (USFS) tarafından üretilen Ağaç Örtüsü Alanları (TCC) veri paketi, 1985-2023 yılları arasındaki yıllık uzaktan algılamaya dayalı harita çıktılarını içerir. Bu veriler, Çok Çözünürlüklü Arazi Özellikleri (MRLC) konsorsiyumunun bir parçası olarak ABD Jeoloji Araştırmaları Kurumu (USGS) tarafından yönetilen Ulusal Arazi Örtüsü Veritabanı (NLCD) projesini destekler. Proje, ağaç örtüsüyle ilgili tutarlı ve "en iyi kullanılabilir" bir harita oluşturmak için en yeni teknolojiyi kullanmayı amaçlamaktadır. Coğrafi kapsam, bitişik ABD (CONUS) ve OCONUS bölgelerini (Güneydoğu Alaska (SEAK), Hawaii, Porto Riko ve ABD Virgin Adaları (PRUSVI)) içerir.
Ürünler
TCC veri paketinde üç ürün bulunur:
Science TCC: Modelin ham ve doğrudan çıkışları.
Bilimsel standart hata (SE): Tüm regresyon ağaçlarından tahmin edilen değerlerin model standart sapması.
NLCD TCC: Yıllık Science TCC görüntülerinden elde edilen, iyileştirilmiş bir üründür. Yıllar arası gürültüyü azaltmak, uzun dönemli eğilimleri vurgulamak ve belirli özellikleri (ör. su ve ağaç dışı tarım) maskelemek için son işlemden geçirilir.
Her görüntüde, veri içermeyen alanları (0), haritalandırılmış ağaç örtüsü alanlarını (1) ve işlenmeyen alanları (2) temsil eden üç değer içeren bir veri maskesi bandı bulunur. İşlenmeyen alanlar, çalışma alanında bulut veya bulut gölgesi içermeyen verilerin olmadığı piksellerdir. Veri içermeyen ve işlenmeyen alan pikselleri, TCC ve SE görüntülerinde maskelenir.
Veriler ve Yöntemler
Referans verileri olarak USFS Orman Envanteri ve Analizi (FIA) fotoğraf yorumlamalı TCC'yi kullanarak CONUS, SEAK, PRUSVI ve HAWAII için eğitim verileri ve rastgele orman modelleri geliştirdik. Google Earth Engine'den (GEE) yararlandık (Gorelick ve diğerleri, 2017), uyarlanmış LandTrendr ve arazi tahminlerini işlemek için kullanılır. 3D Yükseklik Programı (3DEP) (ABD Jeolojik Araştırma Kurumu, 2019) arazi verileri; yükseklik, eğim, yönün sinüsü ve yönün kosinüsünü içerir. CONUS için, tahmin aracı olarak Ürün Veri Katmanı'nı (CDL) da ekledik (Lin ve diğerleri, 2022).
Yıllık medoid kompozitler oluşturmak için USGS Collection 2 Landsat Tier 1 ve Sentinel 2A/2B Level-1C atmosfer üstü yansıtma görüntülerini kullandık. Veri kalitesini sağlamak için bulutları ve gölgeleri maskelemek üzere çeşitli algoritmalar uyguladık. Bunlar arasında cFmask (Foga ve diğerleri, 2017; Zhu ve Woodcock, 2012), cloudScore (Chastain ve diğerleri, 2019), s2cloudless (Sentinel-Hub, 2021), Cloud Score+ (Pasquarella ve diğerleri, 2023) ve TDOM (Chastain ve diğerleri, 2019). Maskeleme işleminden sonra, her yıl için tek bir bulutsuz bileşen oluşturmak üzere yıllık medoidler hesapladık. Son olarak, bileşik zaman serisi, LandTrendr kullanılarak geçici olarak segmentlere ayrıldı (Kennedy ve diğerleri, 2010, 2018; Cohen ve diğerleri, 2018).
ABD'de kalibrasyon için referans verilerinin% 70'ini, bağımsız hata değerlendirmesi için ise% 30'unu kullandık. CONUS'un ekolojik çeşitliliği göz önüne alındığında, modelleme alanını 54 parçaya (480 km × 480 km) böldük. Yerel bilgisayarlarda her bölüm için benzersiz bir rastgele orman modeli oluşturduk (Breiman, 2001) ve bu modeli, merkez bölümün etrafındaki 5x5'lik bir pencereyle kesişen referans verileri üzerinde eğittik. Modeller daha sonra GEE'ye dağıtıldı ve TCC'nin tamamını tahmin etmek için kullanıldı. OCONUS bölgeleri için 80/20 bölünme kullandık ve her bölge için tek bir rastgele orman modeli geliştirdik.
Ek Kaynaklar
Yöntemler ve doğruluk değerlendirmesi hakkında ayrıntılı bilgi için lütfen TCC Methods Brief veya Science of Remote Sensing journal article'ı inceleyin.
Veri indirme, meta veriler ve destek belgeleri için lütfen TCC Geodata Clearinghouse'u inceleyin.
HAWAII dizesi, yakında yayınlanacak v2025.6 veri sürümünde HI olarak güncellenecek.
Sorularınız veya belirli veri istekleriniz için [sm.fs.tcc@usda.gov] ile iletişime geçin.
Bantlar
Piksel Boyutu
30 metre
Bantlar
| Ad | Birimler | Piksel Boyutu | Açıklama | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Science_Percent_Tree_Canopy_Cover |
% | metre | Ham doğrudan model çıkışları. Her pikselin her yıl için ortalama tahmini ağaç örtüsü değeri vardır. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Science_Percent_Tree_Canopy_Cover_Standard_Error |
% | metre | Tahmin edilen değerlerin, başvurduğumuz tüm regresyon ağaçlarındaki standart sapması, standart hata olarak adlandırılır. Her pikselin her yıl için standart hatası vardır. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
NLCD_Percent_Tree_Canopy_Cover |
% | metre | NLCD ağaç örtüsü alanı oluşturmak için doğrudan model çıktısına bir son işlem iş akışı uygulanır. Bu iş akışı, ağaç içermeyen piksel değerlerini tanımlayıp %0 ağaç örtüsü alanı olarak ayarlar. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
data_mask |
metre | Veri içermeyen alanları, haritalandırılmış ağaç örtüsü alanlarını ve işlenmeyen alanları temsil eden üç değer. İşlenmeyen alan, çalışma alanı içindeki piksellerde çıktı oluşturmak için bulut veya bulut gölgesi içermeyen verilerin bulunmadığı yerdir. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Resim Özellikleri
Resim Özellikleri
| Ad | Tür | Açıklama |
|---|---|---|
| study_area | DİZE | TCC şu anda CONUS, Güneydoğu Alaska, Porto Riko-ABD Virgin Adaları ve Hawaii'yi kapsamaktadır. Bu sürümde CONUS, AK, PRUSVI ve HAWAII'ye ait veriler yer alır. Olası değerler: "CONUS, AK, PRUSVI, HAWAII" |
| sürüm | DİZE | Bu, Ulusal Arazi Örtüsü Veritabanı (NLCD)'nin bir parçası olan MRLC konsorsiyumunda yayınlanan TCC ürününün beşinci sürümüdür. |
| startYear | INT | "Ürünün piyasaya sürüldüğü yıl" |
| endYear | INT | "Ürünün bitiş yılı" |
| yıl | INT | "Ürünün yılı" |
Kullanım Şartları
Kullanım Şartları
USDA Orman Hizmetleri, ticari elverişlilik ve belirli bir amaca uygunluk garantileri dahil olmak üzere açık veya zımni hiçbir garanti vermez, bu coğrafi verilerin doğruluğu, güvenilirliği, eksiksizliği veya kullanışlılığı ya da bu coğrafi verilerin uygunsuz veya yanlış kullanımı konusunda herhangi bir yasal yükümlülük ya da sorumluluk üstlenmez. Bu coğrafi veriler ve ilgili haritalar veya grafikler yasal belgeler değildir ve bu şekilde kullanılmak üzere tasarlanmamıştır. Veriler ve haritalar; mülkiyet, sahiplik, yasal açıklamalar veya sınırlar, yasal yetki alanı ya da kamuya ait ya da özel arazilerde geçerli olabilecek kısıtlamaları belirlemek için kullanılamaz. Doğal tehlikeler verilerde ve haritalarda gösterilebilir veya gösterilmeyebilir. Arazi kullanıcıları gerekli önlemleri almalıdır. Veriler dinamiktir ve zaman içinde değişebilir. Kullanıcı, coğrafi verilerin sınırlamalarını doğrulamak ve verileri buna göre kullanmakla sorumludur.
Bu veriler ABD hükümetinin sağladığı fonlar kullanılarak toplanmıştır ve ek izin veya ücret olmadan kullanılabilir. Bu verileri bir yayında, sunumda veya başka bir araştırma ürününde kullanırsanız lütfen aşağıdaki alıntıyı kullanın:
USDA Forest Service. 2025. USFS Tree Canopy Cover v2023.5 (Conterminous United States and Outer Conterminous United States). Salt Lake City, Utah.
Alıntılar
USDA Forest Service. 2025. USFS Tree Canopy Cover v2023.5 (Conterminous United States and Outer Conterminous United States). 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., and Tenneson, K., 2019. Empirical cross sensor comparison of Sentinel-2A and 2B MSI, Landsat-8 OLI, and Landsat-7 ETM top of atmosphere spectral characteristics over the conterminous United States. 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., ve Gorelick, N., 2018. A LandTrendr multispectral ensemble for forest disturbance detection. 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. Cloud detection algorithm comparison and validation for operational Landsat data products. 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. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 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. ve Healey, S., 2018. Implementation of the LandTrendr Algorithm on Google Earth Engine. In Remote Sensing. MDPI, 10(5): 691 doi:10.3390/rs10050691
Lin, L.; Di, L.; Zhang, C.; Guo, L.; Di, Y.; Li, H.; Yang, A. 2022. Mekansal-zamansal karar ağacı algoritması kullanarak ekili alan verileri katmanının doğrulanması ve iyileştirilmesi. Bilimsel Veriler. 9(1): 63. doi:10.3390/rs10050691
Pasquarella, V. J., Brown, C. F., Czerwinski, W., and Rucklidge, W. J. 2023. Zayıf Gözetimli Video Öğrenimi Kullanarak Optik Uydu Görüntülerinin Kapsamlı Kalite Değerlendirmesi. 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]. Available at: https://github.com/sentinel-hub/sentinel2-cloud-detector
U.S. Geological Survey, 2019. USGS 3D Elevation Program Digital Elevation Model, accessed August 2022 at https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m
Zhu, Z., and Woodcock, C. E., 2012. Object-based cloud and cloud shadow detection in Landsat imagery. In Remote Sensing of Environment. Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028
DOI'lar
- 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
Earth Engine ile keşfetme
Kod Düzenleyici (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);