- 数据集可用性
- 2008-06-01T00:00:00Z–2021-09-30T00:00:00Z
- 数据集提供程序
- 美国农业部森林局 (USFS) 地理空间技术与应用中心 (GTAC)
- 标签
说明
此产品属于树冠覆盖率 (TCC) 数据套件。其中包含每年的模拟 TCC、标准误差 (SE) 和美国国家土地覆盖数据库 (NLCD) 的 TCC 数据。美国农业部森林服务局 (USFS) 生成的 TCC 数据包含在多分辨率土地特征 (MRLC) 联盟中，该联盟属于由美国地质调查局 (USGS) 管理的国家土地覆盖数据库 (NLCD) 项目的一部分。
科学 TCC 产品和 NLCD TCC 是美国林业局生产的基于遥感的地图输出。TCC 科学团队和 NLCD TCC 团队的目标是利用最新的 TCC 绘图技术和进步，开发一种一致的方法，以生成美国本土 (CONUS) 和东南阿拉斯加、夏威夷和波多黎各-美属维尔京群岛 (OCONUS) 的“最佳可用”TCC 地图。
模型输出包括 Science TCC、Science SE 和 NLCD TCC。科学 TCC 和 SE 包含 2008 年至 2021 年的数据。 NLCD TCC 包含 2011 年至 2021 年的数据，其中 2008 年、2009 年和 2010 年的数据已完全屏蔽。
*Science TCC 是原始的直接模型输出。
*Science SE 是所有回归树的预测值的模型标准差。
*NLCD TCC 产品会经过进一步的后处理，这些处理会应用于年度科学 TCC 图像，包括多种掩膜（水域和非树木农业）、滤除和最小映射单元 (MMU) 例程，以及用于减少年际噪声和返回更长时间段趋势的处理。
每张图片都包含一个数据掩码带，其中包含三个值，分别表示无数据区域 (0)、已绘制的树冠覆盖率区域(1) 和未处理区域 (2)。非处理区域是指研究区域中没有云或没有云阴影的数据的像素。TCC 和 SE 图片中不会遮盖任何数据和非处理区域像素。
由于 CONUS 的面积和生态系统类型多种多样，因此 CONUS 建模被拆分为 54 个 480 x 480 公里的图块。我们使用 2011 年拟合 LandTrendr、2011 年 CDL 和地形数据，为每个图块构建了独特的随机森林模型。用于训练随机森林模型的所有参考数据均来自可用于模型校准的 70%，且与中心图块周围 5x5 窗口内的图块相交。然后，该模型应用于中间功能块。对于 OCONUS，每个研究区域都应用了一种模型，且未使用任何图块。
TCC 模型的预测层包括 LandTrendr 的输出和地形信息。所有这些组件均使用 Google Earth Engine 访问和处理（Gorelick 等，2017)。
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 顶层大气反射率数据。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，cloudScore (Chastain et al., 2019)（仅限 Landsat）和 s2cloudless（Sentinel-Hub，2021 年）（仅限 Sentinel 2）用于掩盖云层，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)。
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 10 米 USGS 3D 中的海拔、坡度、朝向正弦和朝向余弦。海拔数据 (3DEP)（美国地质调查局，2019 年）用作随机森林 (Breiman, 2001) 模型中的独立预测变量。
参照数据收集自美国林业局森林资源调查和分析 (FIA) 照片解译的 TCC 数据，用于按像素进行全面的 TCC 预测。
其他资源
如需详细了解方法和准确性评估，请参阅 TCC 方法简介；如需下载数据、元数据和支持文档，请访问 TCC 地理数据清算中心。
如果您有任何问题或特定数据请求，请与 sm.fs.tcc@usda.gov 联系。
Breiman, L., 2001 年。 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。在远程感知环境中。Science Direct, 221: 274-285 doi:10.1016/j.rse.2018.11.012
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，访问时间为 2022 年 8 月，网址为 https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m
Kennedy, R. E., Yang, Z., and Cohen, W. B., 2010 年。 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
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
Zhu, Z., and Woodcock, C. E., 2012 年。 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
频段
像素大小
30 米
乐队
| 名称 | 单位 | 说明 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Science_Percent_Tree_Canopy_Cover |
% | 原始的直接模型输出。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 |
% | 我们将所有回归树的预测值的标准差称为标准误差。每个像素在每个年份都有一个标准误差。 |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
NLCD_Percent_Tree_Canopy_Cover |
% | 为了生成 NLCD 树冠覆盖率，系统会对直接模型输出应用后处理工作流，以识别非树木像素并将其值设置为 0% 的树冠覆盖率。2008、2009 和 2010 年的 NLCD 树冠覆盖率数据已完全脱敏。 |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
data_mask |
三个值分别表示无数据区域、已绘制的树冠覆盖区域和未处理区域。 非处理区域是指研究区域内没有可用于生成输出结果的云或无云阴影数据的像素。 |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
图片属性
图片属性
| 名称 | 类型 | 说明 |
|---|---|---|
| study_area | STRING | TCC 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。此版本包含所有研究领域。可能的值：'CONUS, SEAK, PRUSVI, HI' |
| 版本 | STRING | 这是 MRLC 联盟发布的第四个 TCC 产品版本，属于国家土地覆盖数据库 (NLCD) |
| startYear | INT | “产品的开始年份” |
| endYear | INT | “产品的结束年份” |
| 年 | INT | “产品年份” |
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。2023 年。USFS 树冠覆盖率 v2021.4（美国本土和阿拉斯加东南部）。犹他州盐湖城。
引用
美国农业部林务局。2023 年。USFS 树冠覆盖率 v2021.4（美国大陆和阿拉斯加东南部）。 犹他州盐湖城。
使用 Earth Engine 进行探索
Code Editor (JavaScript)
// Import the tree canopy cover collection var dataset = ee.ImageCollection('USGS/NLCD_RELEASES/2021_REL/TCC/v2021-4'); //Filter collection to 2021 and CONUS study area var tcc = dataset.filter(ee.Filter.calendarRange(2021, 2021,'year')) // range: [2008, 2021] .filter('study_area == "CONUS"') // or "AK", "PRUSVI", "HAWAII" .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);