USFS Landscape Change Monitoring System v2023.9 (CONUS and OCONUS)

USFS/GTAC/LCMS/v2023-9
数据集可用性
1985-01-01T00:00:00Z–2023-12-31T00:00:00Z
数据集提供程序
Earth Engine 代码段
ee.ImageCollection("USFS/GTAC/LCMS/v2023-9")

说明

此产品属于景观变化监测系统 (LCMS) 数据套件。该数据集显示了每年的 LCMS 模型化变化、土地覆盖和/或土地利用类别,涵盖美国本土 (CONUS) 和美国本土以外 (OCONUS) 的区域,包括阿拉斯加东南部 (SEAK)、波多黎各-美属维尔京群岛 (PRUSVI) 和夏威夷 (HI)。

LCMS 是一种基于遥感的系统,用于绘制和监测美国境内的景观变化。该计划旨在利用最新技术和变更检测方面的进步,开发一种一致的方法,以生成“最佳可用”的景观变化地图。

输出包括三个年度产品:变化、土地覆盖和土地利用。 变化专门与植被覆盖率相关,包括缓慢减少、快速减少(还包括洪灾或干旱等水文变化)和增加。这些值是针对 Landsat 时间序列的每一年预测的,并用作 LCMS 的基础产品。土地覆盖和土地利用地图描绘了每年生命形态级别的土地覆盖和宽泛级别的土地利用。

由于没有任何算法在所有情况下都能取得最佳效果,因此 LCMS 使用一组模型作为预测器,从而提高了各种生态系统和变化过程的地图准确性(Healey 等人,2018)。由此产生的一系列 LCMS 变化、土地覆盖和土地利用地图全面描绘了自 1985 年以来美国的景观变化。

LCMS 模型的预测层包括 LandTrendr 和 CCDC 变化检测算法的输出以及地形信息。所有这些组件均使用 Google Earth Engine 访问和处理(Gorelick 等,2017)。

对于 CCDC,我们使用了美国地质调查局 (USGS) Collection 2 Landsat Tier 1 地表反射率数据(适用于美国本土)和 Landsat Tier 1 对流层顶反射率数据(适用于 SEAK、PRUSVI 和 HI)。为了为 LandTrendr 生成年度合成图,我们使用了 USGS Collection 2 Landsat Tier 1 和 Sentinel 2A、2B Level-1C 对流层顶反射率数据。cFmask 云掩盖算法 (Foga 等人,2017),它是 Fmask 2.0 (Zhu and Woodcock, 2012)(仅限 Landsat)的实现,2019)(仅限 Landsat)、s2cloudless(Sentinel-Hub,2021 年)和 Cloud Score plus(Pasquarella 等,2023)(仅限 Sentinel-2)用于遮盖云层,而 TDOM(Chastain 等,2019) 用于遮盖云阴影(Landsat 和 Sentinel 2)。然后,对于 LandTrendr,系统会计算年度中位数,以便将每年的云和无云阴影值汇总为单个复合值。

复合时间序列使用 LandTrendr(Kennedy 等人,2010;Kennedy 等,2018;Cohen 等,2018)。

所有不含云和云阴影的值也使用 CCDC 算法(Zhu and Woodcock, 2014)进行时间细分。

预测器数据包括原始复合值、LandTrendr 拟合值、成对差异、细分时长、变化幅度和坡度,以及 CCDC 正弦和余弦系数(前 3 个谐波)、拟合值和成对差异,以及来自 10 米 USGS 3D Elevation Program (3DEP) 数据(美国地质调查局,2019 年)的海拔、坡度、朝向正弦、朝向余弦和地形位置指数 (Weiss, 2001)。

我们使用 TimeSync 收集了参考数据。TimeSync 是一款基于 Web 的工具,可帮助分析师直观呈现和解读 1984 年至今的 Landsat 数据记录(Cohen 等人,2010)。

使用 TimeSync 中的参考数据和 LandTrendr、CCDC 和地形指数中的预测器数据训练了随机森林模型 (Breiman, 2001),以预测年变化、土地覆盖和土地利用类别。在建模后,我们使用辅助数据集制定了一系列概率阈值和规则集,以改进地图输出的定性结果,并减少漏报和遗漏。如需了解详情,请参阅说明中包含的 LCMS 方法简介。

其他资源

如有任何问题或特定数据请求,请与 sm.fs.lcms@usda.gov 联系。

频段

像素大小
30 米

乐队

名称 说明
Change

最终的主题 LCMS 更改产品。系统会为每年映射三个变化类别(缓慢流失、快速流失和流入)。系统使用单独的随机森林模型预测每个类别,该模型会输出像素属于该类别的概率(随机森林模型中的树的比例)。因此,每个像素在每一年都会有三个不同的模型输出。最终类会被分配给概率最高且高于指定阈值的更改类。如果像素的任何值均未超过各个类别的各自阈值,则将其分配到“稳定”类别。在分配变化类别之前,我们对所有研究区域应用了一项规则,以防止非植被土地覆盖发生变化。

Land_Cover

最终的主题 LCMS 土地覆盖产品。每年使用 TimeSync 参照数据和从 Landsat 图像派生的光谱信息绘制 14 类土地覆盖。每个类别均使用单独的随机森林模型进行预测,该模型会输出像素属于该类别的概率(随机森林模型中的树的比例)。因此,每个像素在每个年份都有 14 个不同的模型输出,最终类别会分配给概率最高的土地覆盖类型。对于阿拉斯加州东南部,在分配概率最高的土地覆盖类别之前,我们实施了一项土地覆盖规则,以限制海平面附近大型潮汐区的树木和雪地土地覆盖类别委托。我们未对美国本土、波多黎各-美属维尔京群岛或夏威夷应用任何土地覆盖规则。14 个土地覆盖类中有 7 个表示单一土地覆盖,其中该土地覆盖类型占据像素的大部分区域,并且没有其他类占据的像素面积超过 10%。此外,还有 7 个混合班级。这些像素表示额外的土地覆盖类别至少覆盖了像素的 10%。

Land_Use

最终的主题 LCMS 土地利用产品。系统每年使用 TimeSync 参照数据和从 Landsat 图像派生的光谱信息绘制 6 类土地利用情况。系统使用单独的随机森林模型预测每个类别,该模型会输出像素属于该类别的概率(随机森林模型中的树的比例)。因此,每个像素在每个年份都有 6 种不同的模型输出,最终类别会分配给概率最高的土地利用类型。在分配概率最高的土地利用类别之前,系统会应用一系列概率阈值和规则集,这些规则集使用辅助数据集土地利用规则。如需详细了解概率阈值和规则集,请参阅说明中包含的 LCMS 方法简介。我们于 2024 年 7 月 2 日更新了美国本土土地利用产品,以更正开发类别存在的问题。

Change_Raw_Probability_Slow-Loss

原始 LCMS 模型估算的缓慢丢失概率。定义为:慢速丢失包括 TimeSync 更改过程解读中的以下类:

  • 结构性退化 - 树木或其他木本植被因非人为或非机械因素造成的不利生长条件而发生物理变化的土地。这类损失通常会在光谱信号中产生趋势(例如 NDVI 减少、湿度减少、SWIR 增加等),但趋势可能很细微。结构性衰退发生在木本植被环境中,最可能由昆虫、疾病、干旱、酸雨等因素造成。结构性衰退可能包括不会导致死亡的脱叶事件,例如吉普赛蛾和云杉芽虫的侵扰,这些事件可能会在 1 到 2 年内恢复。

  • 光谱衰减 - 光谱信号在一个或多个光谱波段或指数中显示趋势的图表(例如,NDVI 递减、湿度递减;SWIR 递增;等等)。例如:a) 非森林/非木本植被呈现出表明减少的趋势(例如 NDVI 减少、湿度减少、SWIR 增加等),或 b) 木本植被呈现出与木本植被流失无关的减少趋势,例如成熟树冠闭合导致阴影增加、物种组成从针叶树变为阔叶树,或者干旱期(而不是更强烈、更严重的干旱)导致活力明显下降,但木质材料或叶片面积没有减少。

Change_Raw_Probability_Fast-Loss

原始 LCMS 模型估算的快速丢失概率。定义为:快速丢失包括 TimeSync 更改过程解释中的以下类:

  • 火灾 - 无论火灾原因(自然或人为)、严重程度或土地用途如何,都属于火灾。

  • 采伐 - 树木、灌木或其他植被已通过人为手段砍伐或移除的森林土地。例如,清除伐木、火灾或虫害爆发后的抢伐、疏伐和其他森林管理规定(例如庇护林/种子树采伐)。

  • 机械 - 非森林土地,其中树木、灌木或其他植被已通过链锯、刮除、割草、推土机或任何其他非森林植被清除方法机械切断或清除。

  • 风/冰 - 植被因飓风、龙卷风、暴风和其他恶劣天气事件(包括冰暴造成的冻雨)的风而改变的土地(无论用途如何)。

  • 水文 - 洪灾显著改变了木本植物覆盖或其他土地覆盖元素的土地,无论土地用途如何(例如洪灾过后,河床内和周围出现了砾石和植被的新混合物)。

  • 碎石 - 因与滑坡、雪崩、火山、泥石流等相关的自然物质移动而改变的土地(无论用途如何)

  • 其他 - 地表(无论用途如何),光谱趋势或其他辅助证据表明发生了干扰或变化事件,但无法确定确切原因,或者变化类型不符合上述任何变化过程类别。

Change_Raw_Probability_Gain

原始 LCMS 模型估算的增益概率。定义:由于一到几年内的生长和继承,植被覆盖率增加的土地。适用于可能表现出与植被再生相关的光谱变化的任何区域。在已开发地区,增长可能是由成熟的植被和/或新安装的草坪和园林景观造成的。在森林中,生长包括裸露地面上的植被生长,以及中间树木和/或低矮草和灌木的过顶生长。在森林采伐后记录的增长/恢复细分可能随着森林再生而经历不同的土地覆盖类别。为了将这些变化视为增长/恢复,光谱值应紧贴持续数年的上升趋势线(例如,如果延长到大约 20 年,正斜率将达到 NDVI 的 0.10 个单位左右)。

Land_Cover_Raw_Probability_Trees

原始 LCMS 对树木的概率建模。定义:像素的大部分由活树或站立的枯树组成。

Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix

未经处理的 LCMS 模型预测的较高灌木和树木混合概率(仅限 SEAK)。定义:像素的大部分由高度超过 1 米的灌木组成,并且至少有 10% 的活树或站立的枯树。

Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix

灌木和树混合模式的原始 LCMS 模型概率。定义:像素的大部分由灌木组成,并且至少包含 10% 的活树或站立的枯树。

Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix

草/草本/香草和树木混合的原始 LCMS 模型概率。定义:像素的大部分由多年生草、杂草或其他形式的草本植被组成,并且至少有 10% 是活树或站立的枯树。

Land_Cover_Raw_Probability_Barren-and-Trees-Mix

未经处理的 LCMS 模型预测的荒地和树木混合概率。定义:像素的大部分由受干扰而裸露的土壤(例如,由机械清理或森林采伐而裸露的土壤)以及长期荒芜的区域(例如沙漠、盐沼、岩石露头 [包括矿物和其他地质材料,因地表开采活动而裸露]、沙丘、盐滩和海滩)组成。由土路和碎石路组成的道路也被视为荒地,并且至少 10% 的道路由活树或站立的枯树组成。

Land_Cover_Raw_Probability_Tall-Shrubs

原始 LCMS 模型预测的高大灌木概率(仅限 SEAK)。定义:像素的大部分由高度超过 1 米的灌木组成。

Land_Cover_Raw_Probability_Shrubs

灌木的未经处理的 LCMS 模型概率。定义:像素的大部分由灌木组成。

Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix

原始 LCMS 模型预测的草/杂草/草本和灌木混合概率。定义:像素的大部分由多年生草、杂草或其他形式的草本植被组成,并且至少包含 10% 的灌木。

Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix

未经处理的 LCMS 模型预测的荒地和灌木混合概率。定义:像素的大部分由受干扰而裸露的土壤(例如,由机械清理或森林采伐而裸露的土壤)以及长期荒芜的区域(例如沙漠、盐沼、岩石露头 [包括矿物和其他地质材料,因地表开采活动而裸露]、沙丘、盐滩和海滩)组成。由土路和碎石路组成的道路也被视为荒地,并且至少 10% 的面积由灌木组成。

Land_Cover_Raw_Probability_Grass-Forb-Herb

草/草本/草药的原始 LCMS 模型概率。定义:像素的大部分由多年生草、杂草或其他形式的草本植被组成。

Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix

原始 LCMS 模型模拟的荒地和草/杂草/草本混合概率。定义:像素的大部分由受干扰而裸露的土壤(例如,由机械清理或森林采伐而裸露的土壤)以及长期荒芜的区域(例如沙漠、沙滩、岩石露头 [包括矿物和其他地质材料,因露天采矿活动而裸露]、沙丘、盐沼和海滩)组成。由土壤和砾石铺成的道路也被视为荒地,并且至少包含 10% 的多年生草、杂草或其他形式的草本植被。

Land_Cover_Raw_Probability_Barren-or-Impervious

未经处理的 LCMS 模型预测的荒漠或不透水的概率。定义:像素的大部分由以下内容组成:1) 受干扰而裸露的土壤(例如,由机械清理或森林采伐而裸露的土壤),以及沙漠、盐沼、岩石露头(包括矿物和其他地质材料,由地表开采活动而裸露)、沙丘、盐滩和海滩等长期荒芜的区域。也被视为荒地;或 2) 水无法渗透的人造材料,例如铺砌的道路、屋顶和停车场。

Land_Cover_Raw_Probability_Snow-or-Ice

原始 LCMS 模型预测的下雪或结冰概率。定义:像素的大部分由雪或冰构成。

Land_Cover_Raw_Probability_Water

原始 LCMS 模型预测的水概率。定义:像素的大部分由水组成。

Land_Use_Raw_Probability_Agriculture

未经处理的 LCMS 模型预测的农业概率。定义:用于生产食品、纤维和燃料的土地,处于有植被或无植被状态。这包括但不限于已耕种和未耕种的农田、干草地、果园、葡萄园、圈养式畜牧场,以及用于种植水果、坚果或浆果的区域。主要用于农业用途(即不用于城镇之间的公共交通)的道路被视为农业用地。

Land_Use_Raw_Probability_Developed

未经处理的 LCMS 模型估算的“已开发”概率。定义:被人工结构(例如高密度住宅区、商业区、工业区、矿区或交通区)覆盖的土地,或由植被(包括树木)和结构(例如低密度住宅区、草坪、休闲设施、墓地、交通和公共设施走廊等)混合组成的土地,包括任何因人类活动而改变了功能的土地。

Land_Use_Raw_Probability_Forest

原始 LCMS 对森林的概率建模。定义:已种植或自然植被的土地,在近期的继承序列中的某个时间点含有(或可能含有)10% 或更高的树冠覆盖率。这可能包括落叶林、常绿林和/或混合类别的天然森林、森林人工林和木本湿地。

Land_Use_Raw_Probability_Non-Forest-Wetland

非森林湿地的原始 LCMS 模型概率。定义:毗邻或位于可见地下水位(永久或季节性饱和)之内,以灌木或持久性浮生植物为主的土地。这些湿地可能位于湖泊、河道或河口的上游;河流洪泛区;孤立的集水区;或山坡上。它们还可能以草原坑洼、排水沟和农业景观中的养殖池的形式出现,也可能以湖泊或河流中间的岛屿的形式出现。其他示例还包括沼泽、泥沼、沼泽、沼泽、沼泽、沼泽、沼泽和沼泽。

Land_Use_Raw_Probability_Other

其他的 LCMS 原始模型概率。定义:光谱趋势或其他辅助证据表明土地(无论用途如何)发生了干扰或变化事件,但无法确定确切原因,或者变化类型不符合上述任何变化过程类别。

Land_Use_Raw_Probability_Rangeland-or-Pasture

原始 LCMS 模型模拟的牧场或牧地的概率。定义:此类包括以下任一区域:牧场,其植被由原生草、灌木、杂草和草本植物组成,这些植物主要由降雨量、温度、海拔和火灾等自然因素和过程产生,但有限的管理可能包括预定烧荒以及家畜和野生草食动物的放牧;或 b.) 牧场,其植被可能包括混合型植被(主要是天然草、杂草和草本植物),也可能包括经过更多管理的植被,其中以已播种并管理以维持近单一栽培的草种为主。

QA_Bits

有关年度 LCMS 产品输出值来源的辅助信息。

更改课程表

颜色 说明
1 #3d4551 稳定
2 #f39268 慢速损失
3 #d54309 快速减肥
4 #00a398 收益
5 #1b1716 非处理区域遮罩

Land_Cover 类表

颜色 说明
1 #005e00
2 #008000 高大的灌木和树木混合图案(仅限 SEAK)
3 #00cc00 灌木和树混合
4 #b3ff1a 草/杂草/草本植物和树木混合
5 #99ff99 荒地和树木混合
6 #b30088 高灌木(仅限 SEAK)
7 #e68a00 灌木
8 #ffad33 草/杂草/草本植物和灌木混合
9 #ffe0b3 荒地和灌木混合
10 #ffff00 草/杂草/草本
11 #aa7700 荒地和草/杂草/草本混合
12 #d3bf9b 不毛或不透水
13 #ffffff 下雪或结冰
14 #4780f3
15 #1b1716 非处理区域遮罩

Land_Use 类表

颜色 说明
1 #efff6b 农业
2 #ff2ff8 开发
3 #1b9d0c 森林
4 #97ffff 非森林湿地
5 #a1a1a1 其他
6 #c2b34a 牧场
7 #1b1716 非处理区域遮罩

图片属性

图片属性

名称 类型 说明
study_area STRING

LCMS 目前涵盖美国本土、阿拉斯加东南部、波多黎各-美属维尔京群岛和夏威夷。此版本包含美国本土、阿拉斯加东南部、波多黎各-美属维尔京群岛和夏威夷的输出。可能的值:'CONUS, SEAK, PRUSVI, HI'

INT

商品的年份

使用条款

使用条款

美国农业部森林局不提供任何明示或暗示的保证(包括适销性和针对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、完整性或实用性,或对这些地理空间数据的使用不当或不正确使用承担任何法律责任。这些地理空间数据及相关地图或图形不是法律文件,也不得用于此用途。不得使用这些数据和地图来确定土地所有权、所有权、法律描述或边界、法律管辖区,或公共或私人土地可能存在的限制。数据和地图上可能显示了自然灾害,也可能未显示,因此土地用户应谨慎小心。这些数据是动态的,可能会随时间而变化。用户有责任验证地理空间数据的限制,并相应地使用这些数据。

这些数据是使用美国政府资助收集的,无需额外权限或费用即可使用。如果您要在出版物、演示文稿或其他研究成果中使用这些数据,请使用以下引用:

美国农业部林务局。2024 年。USFS Landscape Change Monitoring System v2023.9(美国本土和美国外陆领地)。犹他州盐湖城。

备注

引用

引用:
  • 美国农业部林务局。2024 年。USFS Landscape Change Monitoring System v2023.9(美国本土和美国本土外围)。犹他州盐湖城。

  • Breiman, L., 2001。随机森林。在机器学习中。Springer, 45: 5-32. doi:10.1023/A:1010933404324

  • Chastain, R., Housman, I., Goldstein, J., Finco, M., and Tenneson, K., 2019 年。 对美国本土的 Sentinel-2A 和 2B MSI、Landsat-8 OLI 和 Landsat-7 ETM 顶层大气谱特性进行了实证跨传感器比较。在环境遥感领域。Science Direct, 221: 274-285. doi:10.1016/j.rse.2018.11.012

  • Cohen, W. B., Yang, Z., and Kennedy, R., 2010. 使用年度 Landsat 时间序列检测森林干扰和恢复趋势:2. TimeSync - 用于校准和验证的工具。在环境遥感领域。 Science Direct, 114(12): 2911-2924. doi:10.1016/j.rse.2010.07.010

  • Cohen, W. B., Yang, Z., Healey, S. P., Kennedy, R. E., and Gorelick, N., 2018 年。用于检测森林干扰的 LandTrendr 多光谱集成模型。 在环境遥感领域。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。对运营 Landsat 数据产品的云检测算法进行了比较和验证。在环境遥感领域。Science Direct, 194: 379-390. doi:10.1016/j.rse.2017.03.026

  • 美国地质调查局,2019 年。USGS 3D Elevation Program Digital Elevation Model,访问日期:2022 年 8 月,网址:https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m

  • Healey, S. P., Cohen, W. B., Yang, Z., Kenneth Brewer, C., Brooks, E. B. Gorelick, N., Hernandez, A. J. Huang, C., Joseph Hughes, M., Kennedy, R. E., Loveland, T. R., Moisen, G. G.,Schroeder, T. A., Stehman, S. V., Vogelmann, J. E., Woodcock, C. E., Yang, L., and Zhu, Z., 2018 年。使用堆叠泛化绘制森林变化图:一种集成方法。在“Remote Sensing of Environment”(环境遥感)中。Science Direct, 204: 717-728. doi:10.1016/j.rse.2017.09.029

  • Kennedy, R. E., Yang, Z., and Cohen, W. B., 2010. 使用年度 Landsat 时间序列检测森林干扰和恢复趋势:1. LandTrendr - 时间段划分算法。在环境遥感领域。 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., and Healey, S. 2018 年。在 Google Earth Engine 上实现 LandTrendr 算法。在遥感领域。MDPI, 10(5): 691. doi:10.3390/rs10050691

  • Pasquarella, V. J., Brown, C. F.、Czerwinski, W., and 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。In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2124-2134。

  • Sentinel-Hub,2021 年。Sentinel 2 云检测器。[在线]。可在以下网址获取: https://github.com/sentinel-hub/sentinel2-cloud-detector

  • Weiss, A.D., 2001。地形位置和地貌分析 海报演示,ESRI 用户大会,加利福尼亚州圣地亚哥 Zhu, Z., and Woodcock, C. E. 2012。在 Landsat 影像中基于对象检测云和云阴影。118: 83-94。

  • Zhu, Z. 和 Woodcock, C. E., 2012。在 Landsat 影像中基于对象检测云和云阴影。在环境遥感领域。Science Direct, 118: 83-94. doi:10.1016/j.rse.2011.10.028

  • Zhu, Z. 和 Woodcock, C. E., 2014. 使用所有可用 Landsat 数据持续检测土地覆盖变化并对其进行分类。在环境遥感领域。Science Direct, 144: 152-171. doi:10.1016/j.rse.2014.01.011

DOI

使用 Earth Engine 进行探索

Code Editor (JavaScript)

var dataset = ee.ImageCollection('USFS/GTAC/LCMS/v2023-9');

var lcms = dataset.filterDate('2021', '2022')  // range: [1985, 2023]
               .filter('study_area == "CONUS"')  // or "SEAK"; "PRUSVI"; "HAWAII" 
               .first();

Map.addLayer(lcms.select('Land_Cover'), {}, 'Land Cover');
Map.addLayer(lcms.select('Land_Use'), {}, 'Land Use');
Map.addLayer(lcms.select('Change'), {}, 'Vegetation Change', false);

Map.setCenter(-98.58, 38.14, 4);
在代码编辑器中打开