此数据集属于发布商目录，并非由 Google Earth Engine 管理。 如需报告 bug 或查看该发布商的更多数据集，请与美国农业部林务局联系。详细了解发布方数据集。
- 目录所有者
- 美国农业部林务局
- 数据集可用时间
- 1985-06-01T00:00:00Z–2025-12-31T00:00:00Z
- 数据集制作方
- 美国农业部林务局 (USFS) 现场服务与创新中心地理空间办公室 (FSIC-GO)
- 标签
说明
树冠覆盖率 (TCC) 数据套件由美国农业部林务局 (USFS) 制作，是 1985 年至 2025 年期间的年度遥感地图输出。这些数据支持国家土地覆盖数据库 (NLCD) 项目，该项目由美国地质调查局 (USGS) 管理，是多分辨率土地特征 (MRLC) 联盟的一部分。该项目的目标是使用最新技术创建一致的“最佳可用”树冠覆盖率地图。Heyer 等人 (2025) 详细介绍了相关方法。地理范围包括美国本土 (CONUS) 和 OCONUS 地区（阿拉斯加东南部 (SEAK)、夏威夷 (HI)、波多黎各和美属维尔京群岛 (PRUSVI)）。PRUSVI 和 HI v2025-6 数据将于 2026 年夏末发布。
产品
TCC 数据套件包含三个产品：
Science TCC： 模型的原始直接输出。
Science 标准误差 (SE)： 所有回归树的预测值的模型标准差。
NLCD TCC： 一种从年度 Science TCC 图像派生的精细化产品。它经过后期处理，可 减少年际噪声、突出长期趋势并遮盖特定特征（例如水体和非树木农业区）。
每张图像都附有一个数据遮罩波段，通过三个数值为你标示不同区域：0 代表无数据，1 代表已测绘的树冠覆盖区，2 代表未处理区域。这里的“未处理区域”，指的是研究区域中那些因始终被云或云影遮挡而无法获取有效数据的像素点。在 TCC 和 SE 图像中，所有无数据和未处理区域都会被遮盖。
数据和方法
我们使用 USFS 森林资源清查与分析 (FIA) 项目的照片判读 TCC 作为参考数据，为 CONUS、SEAK、PRUSVI 和 HI 开发了训练数据和随机森林模型。我们利用 Google Earth Engine (GEE)（Gorelick 等人，2017 年）处理 LandTrendr 和地形预测变量。来自 3D 高程计划 (3DEP)（美国地质调查局，2019 年）的地形数据包括高程、坡度、坡向正弦和坡向余弦。对于 CONUS，我们还纳入了作物数据层 (CDL) 作为预测变量（Lin 等人，2022 年）。
我们利用 USGS Collection 2 Landsat Tier 1 和 Sentinel 2A/2B Level-1C 的大气层顶反射率图像生成了年度中心点合成影像。为确保数据质量，我们应用了各种算法来遮盖云和阴影， 包括 cFmask（Foga 等人，2017 年；Zhu 和 Woodcock，2012 年）、cloudScore（Chastain 等人，2019 年）、s2cloudless（Sentinel-Hub，2021 年）、Cloud Score+（Pasquarella 等人，2023 年）和 TDOM（Chastain 等人，2019 年）。遮盖后，我们计算了年度中心点，为每年创建一幅单一的无云合成影像。最后，我们使用 LandTrendr（Kennedy 等人，2010 年、2018 年；Cohen 等人，2018 年）对合成时序数据进行了时间分割。
对于 CONUS，我们使用了 70% 的参考数据进行校准，30% 的参考数据用于独立误差评估。考虑到 CONUS 的生态多样性，我们将建模区域划分为 54 个图块（480 公里 × 480 公里）。在本地计算机上，我们为每个图块都量身打造了一个随机森林模型（Breiman，2001 年），并使用与中心图块周围 5×5 窗口相交的参考数据对其进行训练。然后，这些模型部署在 GEE 中，用于预测全覆盖的 TCC。对于 OCONUS 地区，我们使用了 80/20 的分割比例，并为每个地区开发了一个随机森林模型。
如需了解完整的 TCC 方法，请参阅 Heyer 等人 (2025)。
其他资源
如需详细了解方法和准确率评估结果，请参阅 TCC 方法简介 或 Science of Remote Sensing 期刊文章 。
如需下载数据、查看元数据和支持文档，请访问 TCC 地理数据交换中心 。
如有任何 疑问或具体的数据请求，请发送邮件至 SM.FS.TCC@usda.gov。
频段
频段
像元大小：30 米（所有频段）
| 名称 | 单位 | 像元大小 | 说明 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Science_Percent_Tree_Canopy_Cover |
% | 30 米 | 原始的直接模型输出结果。每个像素都有每个年份的平均预测树冠覆盖率值。 |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Science_Percent_Tree_Canopy_Cover_Standard_Error |
% | 30 米 | 这是所有回归树的预测值的标准差，我们称之为标准误差。每个像素都有每年的标准误差。 |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
NLCD_Percent_Tree_Canopy_Cover |
% | 30 米 | 为生成 NLCD 树冠覆盖率，我们对直接 模型输出结果应用了后期处理流程，该流程会识别无树像素并将其树冠覆盖率值设定为零。 |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
data_mask |
30 米 | 三个值，分别表示无数据区域、已测绘的树冠覆盖区和未处理区域。 这里的“未处理区域”，指的是那些因始终被云或云影遮挡，导致我们无法产出有效结果的像素点。 |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
图像属性
图像属性
| 名称 | 类型 | 说明 |
|---|---|---|
| study_area | STRING | TCC 目前覆盖 CONUS、阿拉斯加东南部、波多黎各-美属维尔京群岛和夏威夷。此版本包含 CONUS、 AK、PRUSVI 和 HI 的数据。 可能的值：'CONUS'、'AK'、'PRUSVI'、'HI' |
| version | STRING | 这是在 MRLC 联盟中发布的第五版 TCC 产品， 该联盟是国家土地覆盖数据库 (NLCD) 的一部分。 |
| startYear | INT | '产品的起始年份' |
| endYear | INT | '产品的结束年份' |
| year | INT | '产品的年份' |
使用条款
使用条款
美国农业部林务局不作任何明示或暗示的保证，包括对适销性和特定用途适用性的保证，也不对这些地理空间数据的准确性、可靠性、完整性或效用承担任何法律责任或义务，或因不当或不正确使用这些地理空间数据而产生的后果承担任何法律责任或义务。这些地理空间数据及相关地图或图形并非法律文件，也不得用作法律文件。不得使用这些数据和地图来确定产权、所有权、法律说明或边界、法律管辖权，或可能对公共土地或私人土地施加的限制。 数据和地图可能未标示自然灾害，土地使用者应谨慎行事。数据是动态的，可能随时间变化。用户有责任核实地理空间数据的局限性，并据此使用数据。
这些数据由美国政府资助收集，无需额外许可或费用即可使用。如果您在出版物、演示文稿或其他研究产品中使用这些数据，请按如下格式引用：
美国农业部林务局。2025 年。美国林务局树冠覆盖率 v2025.6（美国本土和美国本土以外地区）。犹他州盐湖城。
引用
美国农业部林务局。2025 年。美国林务局树冠覆盖率 v2025.6（美国本土和美国本土以外地区）。 犹他州盐湖城。
Breiman, L.，2001 年。随机森林。刊载于《机器学习》栏目。Springer，45：5-32 doi:10.1023/A:1010933404324
Chastain, R.、Housman, I.、Goldstein, J.、Finco, M. 和 Tenneson, K.，2019 年。 针对美国本土上空的 Sentinel-2A 和 2B MSI、Landsat-8 OLI 及 Landsat-7 ETM 传感器的跨传感器大气层顶光谱特性实证比较。刊载于《环境遥感》期刊。Science Direct, 221：274-285 doi:10.1016/j.rse.2018.11.012
Cohen, W.、B.、Yang, Z.、Healey, S. P.、Kennedy, R. E. 和 Gorelick, N.，2018 年。 一种用于森林扰动监测的 LandTrendr 多光谱集成方法。刊载于《环境遥感》期刊。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。面向业务化 Landsat 数据产品的云检测算法比较与验证。刊载于《环境遥感》期刊。Science Direct，194：379-390 doi:10.1016/j.rse.2017.03.026
Heyer, J.、Schleeweis, K.、Ruefenacht, B.、Housman, I.、Zhiqiang, Y.、Ryerson, D.、Reischmann, J.、Megown, K.、&Bogle, M. S. (2025)。年度国家树冠覆盖率测绘：一种具有时间可迁移性和改进的不确定性量化功能的新型工作流。Science of Remote Sensing，100301。doi:10.1016/j.srs.2025.100301
Kennedy, R.、E.、Yang, Z. 和 Cohen, W. B.，2010 年。 使用年度 Landsat 时序数据检测森林扰动和恢复趋势：1. LandTrendr - 时间分割算法。刊载于《环境遥感》期刊。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. 和 Healey, S.，2018 年。 在 Google Earth Engine 上实现 LandTrendr 算法。刊载于《遥感》期刊。MDPI, 10(5)：691 doi:10.3390/rs10050691
Lin, L.；Di, L.；Zhang, C.；Guo, L.；Di, Y.；Li, H.；Yang, A. 2022 年。使用时空决策树算法验证和优化农田数据层。Scientific Data。9(1)：63。 doi:10.1038/s41597-022-01169-w
Pasquarella, V. J.、Brown, C. F.、Czerwinski, W. 和 Rucklidge, W.、J.，2023 年。 使用 弱监督视频学习对光学卫星图像进行全面质量评估。收录于《IEEE/CVF 计算机视觉与模式识别会议论文集》 。2124-2134。 doi:10.1109/CVPRW59228.2023.00206
Sentinel-Hub，2021 年。 Sentinel 2 云检测器。[在线]。 网址：https://github.com/sentinel-hub/sentinel2-cloud-detector
美国地质调查局，2019 年。USGS 3D 高程计划数字高程 模型，访问时间为 2022 年 8 月，网址为 https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m
Zhu, Z. 和 Woodcock, C.、E.，2012 年。 Landsat 影像中基于对象的云与云影检测。刊载于《环境遥感》期刊。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/10.1016/j.srs.2025.100301
- https://doi.org/10.1023/A:1010933404324
- https://doi.org/10.1038/s41597-022-01169-w
- https://doi.org/10.1109/CVPRW59228.2023.00206
- https://doi.org/10.3390/rs10050691
通过 Earth Engine 探索
代码编辑器 (JavaScript)
// Import the tree canopy cover collection var dataset = ee.ImageCollection('projects/gtac-data-publish/assets/TCC/Product_Version/2025-6'); //Filter collection to year 2024 and study areas specified in list var tcc = dataset.filter(ee.Filter.calendarRange(2024, 2024,'year')) // range: [1985, 2025] .filter(ee.Filter.inList('study_area', ['AK', 'CONUS'])) // CONUS, AK, .mosaic(); // 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);