- 数据集可用时间
- 2008-06-01T00:00:00Z–2021-09-30T00:00:00Z
- 数据集生产者
- 美国农业部林务局 (USFS) 地理空间技术与应用中心 (GTAC)
- 标签
说明
此产品是树冠覆盖率 (TCC) 数据套件的一部分。其中包括每个年份的建模 TCC、标准误差 (SE) 和美国国家土地覆盖数据库 (NLCD) 的 TCC 数据。美国农业部林务局 (USFS) 生成的 TCC 数据被收录到多分辨率土地特征 (MRLC) 联盟中，该联盟是美国地质调查局 (USGS) 管理的国家土地覆盖数据库 (NLCD) 项目的一部分。
Science TCC 产品和 NLCD TCC 均为 USFS 制作的遥感地图。TCC Science 和 NLCD TCC 的目标是采用一致的方法，利用 TCC 测绘领域的最新技术和进展，为美国本土 (CONUS) 以及阿拉斯加东南部、夏威夷和波多黎各-美属维尔京群岛 (OCONUS) 制作一份“当前最佳”的 TCC 地图。
模型产出的数据包括 Science TCC、Science SE 和 NLCD TCC。Science 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，2008 年、2009 年和 2010 年的数据被完全屏蔽。
*Science TCC 是原始的直接模型输出结果。
*Science SE 是所有回归树的预测值的模型标准差。 *NLCD TCC 产品则是在年度 Science TCC 图像的基础上，经过了进一步的后期处理，包括多种遮罩（水体和非树木农业区）、过滤和最小制图单元 (MMU) 程序，以及旨在减少年际噪声并呈现更长期趋势的处理流程。
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。
由于 CONUS 面积巨大且生态交错带复杂，我们将建模区域划分成 54 个 480x480 公里的图块。我们为每个图块都量身打造了一个随机森林模型，该模型基于 2011 年的 LandTrendr 拟合数据、CDL 数据和地形数据。模型的训练方式是：针对任一中心图块，我们会调用其周围 5x5 窗口范围内的所有图块数据进行训练，而这些训练数据均来自于可用于校准的 70% 参考数据池。训练完成后，该模型便会应用到这个中心图块上。至于 OCONUS 地区，我们则为每个研究区域应用一个整体模型，没有进行图块划分。
TCC 模型的预测器层包括 LandTrendr 的输出数据以及地形信息。而所有这些数据的获取与处理，均依托 Google Earth Engine 平台完成（Gorelick 等人，2017 年）。
为生成 LandTrendr 的年度合成影像，我们使用了 USGS Collection 2 Landsat Tier 1 和 Sentinel 2A、2B Level-1C 的大气层顶反射率数据。我们使用 cFmask 云遮罩算法（Foga 等人，2017 年）- Fmask 2.0（Zhu 和 Woodcock，2012 年）（仅限 Landsat）算法的一个实现、cloudScore（Chastain 等人，2019 年）（仅限 Landsat）和 s2cloudless（Sentinel-Hub，2021 年）（仅限 Sentinel 2）来遮盖云层；同时使用 TDOM（Chastain 等人，2019 年）来遮盖云影（Landsat 和 Sentinel 2）。对于 LandTrendr，我们会计算年度中心点 (annual medoid)，将每年无云和无云影的像素值汇总成一幅单一的合成影像。
我们使用 LandTrendr（Kennedy 等人，2010 年；Kennedy 等人，2018 年；Cohen 等人，2018 年）对合成时间序列进行时序分割。
在随机森林（Breiman，2001 年）模型中，我们将原始合成值、LandTrendr 拟合值、成对差值、分段持续时间、变化幅度及斜率，连同源自 10 米 USGS 3D. 高程计划 (3DEP) 数据（美国地质调查局，2019 年）的高程、坡度、坡向正弦和坡向余弦，共同作为独立预测变量使用。
参考数据收集自 USFS 森林资源清查与分析 (FIA) 项目的照片判读 TCC 数据，并被用于在像素级别上生成全覆盖的 TCC 预测。
其他资源
如需详细了解方法和精度评估结果，请参阅 TCC 方法简介；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。
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
美国地质调查局，2019 年。USGS 3D 高程计划数字高程模型，于 2022 年 8 月访问，网址为 https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m
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
Sentinel-Hub，2021 年。 Sentinel 2 Cloud Detector。[在线]。 可在以下网址获取：https://github.com/sentinel-hub/sentinel2-cloud-detector
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
频段
波段
像素大小：30 米（所有波段）
| 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。2008 年、2009 年和 2010 年的 NLCD 树冠覆盖率数据被完全屏蔽。 |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
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。此版本包含所有研究区域。 可能的值：'CONUS, SEAK, PRUSVI, HI' |
| version | STRING | 这是在 MRLC 联盟中发布的第四版 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。2023 年。美国林务局树冠覆盖率 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。美国林务局树冠覆盖率 v2021.4（美国本土和阿拉斯加东南部）。 犹他州盐湖城。
通过 Earth Engine 探索
代码编辑器 (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);