- Disponibilidad de los conjuntos de datos
- 2008-06-01T00:00:00Z–2021-09-30T00:00:00Z
- Proveedor de conjuntos de datos
- Centro de Aplicaciones y Tecnología Geoespacial (GTAC) del Servicio Forestal (USFS) del USDA
- Etiquetas
Este producto forma parte del paquete de datos de cobertura de copas de árboles (TCC). Incluye el CTC modelado, el error estándar (SE) y los datos del CTC de la Base de datos nacional de cobertura terrestre (NLCD) de cada año. Los datos de la CCT que produce el Departamento de Agricultura de Estados Unidos, Servicio Forestal (USFS), se incluyen en el consorcio de características de la tierra de múltiples resoluciones (MRLC) que forma parte del proyecto de la base de datos nacional de cobertura terrestre (NLCD) que administra el Servicio Geológico de Estados Unidos (USGS).
El producto de la TCC científica y la TCC de NLCD son resultados de mapas basados en el teledetección que produce el USFS. El objetivo de la ciencia de los TCC y los TCC de NLCD es desarrollar un enfoque coherente con la tecnología más reciente y los avances en la cartografía de los TCC para producir un mapa “mejor disponible” de los TCC en los Estados Unidos contiguos (CONUS) y el sureste de Alaska, Hawái y Puerto Rico-Islas Vírgenes de EE.UU. (OCONUS).
Los resultados del modelo incluyen el TCC de Science, el SE de Science y el TCC de NLCD. Los TCC y la SE de la ciencia incluyen datos de 2008 a 2021. Los TCC del NLCD incluyen datos de 2011 a 2021, con datos completamente enmascarados en 2008, 2009 y 2010.
*La TCC de Science son los resultados directos sin procesar del modelo.
*El SE de Science es la desviación estándar del modelo de los valores previstos de todos los árboles de regresión.
*El producto de la CCT de NLCD se somete a un procesamiento posterior adicional aplicado a las imágenes anuales de la CCT de Science, que incluye varias rutinas de enmascaramiento (agua y agricultura sin árboles), filtrado y unidad de mapeo mínima (MMU), así como procesos que reducen el ruido interanual y muestran tendencias de mayor duración.
Cada imagen incluye una banda de máscara de datos que tiene tres valores que representan áreas sin datos (0), cobertura de copas de árboles mapeadas(1) y área sin procesar (2). Las áreas que no se están procesando son píxeles en el área de estudio sin datos de nubes ni sombras de nubes. No se enmascaran los datos ni los píxeles del área que no se está procesando en las imágenes de TCC y SE.
Debido al tamaño del CONUS y a la amplia variedad de ecotonos, el modelado del CONUS se dividió en 54 mosaicos de 480 × 480 km. Para cada tarjeta, se creó un modelo de bosque aleatorio único con datos de terreno, CDL y LandTrendr ajustados de 2011. Para entrenar el modelo de bosque aleatorio, se usaron todos los datos de referencia que formaban parte del 70% disponible para la calibración del modelo que se cruzaban con mosaicos dentro de una ventana de 5 × 5 alrededor de la tarjeta central. Luego, ese modelo se aplicó a la tarjeta central. Para OCONUS, se aplicó un modelo a cada área de estudio y no se usaron tarjetas.
Las capas de predictores del modelo de TCC incluyen resultados de LandTrendr y la información del terreno. Se accede a todos estos componentes y se procesan con Google Earth Engine (Gorelick et al., 2017).
Para producir compuestos anuales para LandTrendr, se usaron datos de reflectancia de la parte superior de la atmósfera de la colección 2 del USGS, Landsat nivel 1 y Sentinel 2A y 2B nivel 1C. El algoritmo de enmascaramiento de nubes cFmask (Foga et al., 2017), que es una implementación de Fmask 2.0 (Zhu y Woodcock, 2012) (solo para Landsat), cloudScore (Chastain et al., 2019) (solo para Landsat) y s2cloudless (Sentinel-Hub, 2021) (solo para Sentinel 2) se usan para enmascarar las nubes, mientras que TDOM (Chastain et al., 2019) se usa para enmascarar las sombras de las nubes (Landsat y Sentinel 2). En el caso de LandTrendr, el medoid anual se calcula para resumir los valores con y sin nubes de cada año en un solo compuesto.
La serie temporal compuesta se segmenta temporalmente con LandTrendr (Kennedy et al., 2010; Kennedy et al., 2018; Cohen et al., 2018).
Los valores compuestos sin procesar, los valores ajustados de LandTrendr, las diferencias por pares, la duración del tramo, la magnitud del cambio y la pendiente, junto con la elevación, la pendiente, el seno del aspecto y el coseno del aspecto del modelo 3D de 10 m del USGS. Los datos del programa de elevación (3DEP) (U.S. Geological Survey, 2019) se usan como variables predictoras independientes en un modelo de bosque aleatorio (Breiman, 2001).
Los datos de referencia se recopilan a partir de datos de la cobertura de la vegetación interpretados a partir de fotos del Inventario y análisis forestal (FIA) del USFS y se usan para realizar predicciones de cobertura de la vegetación de pared a pared por píxeles.
Additional Resources
Consulta el Resumen de métodos de la TCC para obtener información más detallada sobre los métodos y la evaluación de precisión, o el Centro de intercambio de geodatos de la TCC para descargar datos, metadatos y documentos de respaldo.
Si tienes preguntas o solicitudes de datos específicas, comunícate con sm.fs.tcc@usda.gov.
Breiman, L., 2001. Bosques aleatorios. En el aprendizaje automático. Springer, 45: 5-32 doi:10.1023/A:1010933404324
Chastain, R., Housman, I., Goldstein, J., Finco, M. y Tenneson, K., 2019. Comparación empírica entre sensores de MSI de Sentinel-2A y 2B, OLI de Landsat-8 y ETM de Landsat-7 de las características espectrales de la parte superior de la atmósfera sobre los Estados Unidos contiguos. En Detección remota del entorno. Science Direct, 221: 274-285 doi:10.1016/j.rse.2018.11.012
Cohen, W. B., Yang, Z., Healey, S. P., Kennedy, R. E. y Gorelick, N., 2018. Un conjunto multiespectral de LandTrendr para la detección de perturbaciones forestales. En la detección remota del medio ambiente. 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. Comparación y validación de algoritmos de detección de nubes para productos de datos operativos de Landsat En Remote Sensing of Environment. Science Direct, 194: 379-390 doi:10.1016/j.rse.2017.03.026
Servicio Geológico de Estados Unidos, 2019. Modelo de elevación digital del programa de elevación en 3D del USGS, al que se accedió en agosto de 2022 en https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m
Kennedy, R. E., Yang, Z. y Cohen, W. B., 2010. Detectar tendencias en la perturbación y recuperación de los bosques con series temporales anuales de Landsat: 1. LandTrendr: algoritmos de segmentación temporal En 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. y Healey, S., 2018. Implementación del algoritmo LandTrendr en Google Earth Engine. En Detección remota. MDPI, 10(5): 691 doi:10.3390/rs10050691
Sentinel-Hub, 2021. Detector de nubes Sentinel 2. [En línea]. Disponible en: https://github.com/sentinel-hub/sentinel2-cloud-detector
Zhu, Z., and Woodcock, C. E., 2012.. Detección de nubes y sombras de nubes basadas en objetos en imágenes de Landsat. En la detección remota del medio ambiente. Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028
Tamaño de píxel
30 metros
Bandas
| Nombre | Unidades | Descripción | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Science_Percent_Tree_Canopy_Cover |
% | Los resultados directos sin procesar del modelo. Cada píxel tiene un valor promedio de cobertura arbórea previsto para cada año. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Science_Percent_Tree_Canopy_Cover_Standard_Error |
% | La desviación estándar de los valores previstos de todos los árboles de regresión a los que nos referimos como error estándar. Cada píxel tiene un error estándar para cada año. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
NLCD_Percent_Tree_Canopy_Cover |
% | Para producir la cobertura de copas de árboles de NLCD, se aplica un flujo de trabajo de procesamiento posterior al resultado directo del modelo que identifica y establece los valores de píxeles sin árboles en cero por ciento de cobertura de copas de árboles. Los datos de cobertura arbórea del NLCD están completamente enmascarados en 2008, 2009 y 2010. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
data_mask |
Tres valores que representan áreas sin datos, cobertura arbórea mapeada y área sin procesamiento. El área sin procesamiento es donde los píxeles dentro del área de estudio no tienen datos disponibles sin nubes ni sombras para generar un resultado. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Máscara de bits para data_mask
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Propiedades de la imagen
| Nombre | Tipo | Descripción |
|---|---|---|
| study_area | STRING | Actualmente, el TCC cubre el CONUS, el sureste de Alaska, Puerto Rico, las Islas Vírgenes de EE.UU. y Hawái. Esta versión contiene todas las áreas de estudio. Valores posibles: "CONUS, SEAK, PRUSVI, HI" |
| versión | STRING | Esta es la cuarta versión del producto de la TCC que se lanzó en el consorcio de MRLC, que forma parte de la Base de datos nacional de cobertura terrestre (NLCD). |
| startYear | INT | "Año de inicio del producto" |
| endYear | INT | 'End year of the product' |
| año | INT | 'Año del producto' |
Condiciones de Uso
El Servicio Forestal del USDA no ofrece ninguna garantía, expresa o implícita, incluidas las garantías de comerciabilidad y aptitud para un fin determinado, ni asume ninguna responsabilidad legal por la exactitud, confiabilidad, integridad o utilidad de estos datos geoespaciales, ni por el uso inadecuado o incorrecto de estos datos geoespaciales. Estos datos geoespaciales y los mapas o gráficos relacionados no son documentos legales y no están diseñados para usarse como tales. Los datos y los mapas no se pueden usar para determinar el título, la propiedad, las descripciones o los límites legales, la jurisdicción legal ni las restricciones que puedan existir en terrenos públicos o privados. Es posible que los peligros naturales aparezcan o no en los datos y los mapas, y los usuarios de la tierra deben tener la debida precaución. Los datos son dinámicos y pueden cambiar con el tiempo. El usuario es responsable de verificar las limitaciones de los datos geoespaciales y de usarlos según corresponda.
Estos datos se recopilaron con financiación del Gobierno de EE.UU. y se pueden usar sin permisos ni tarifas adicionales. Si usas estos datos en una publicación, una presentación o cualquier otro producto de investigación, usa la siguiente cita:
Servicio Forestal del USDA. 2023. USFS Tree Canopy Cover v2021.4 (Estados Unidos contiguos y sureste de Alaska). Salt Lake City, Utah
Servicio Forestal del USDA. 2023. USFS Tree Canopy Cover v2021.4 (Estados Unidos contiguos y sureste de Alaska). Salt Lake City, Utah
Explora con Earth Engine
// 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);