- 数据集可用性
- 1985-01-01T00:00:00Z–2023-12-31T00:00:00Z
- 数据集提供商
- 美国地质调查局和土地管理局
- 标签
说明
RCMAP（牧草地状况监测评估和预测）数据集使用 1985 年至 2023 年的 Landsat 影像，量化了北美西部牧草地组分的覆盖百分比。RCMAP 产品套件包含 10 个分数分量：一年生草本植物、裸地、草本植物、凋落物、非山艾树灌木、多年生草本植物、山艾树、灌木、树木和灌木高度，以及每个分量的时间趋势。与之前的几代产品相比，RCMAP 流程得到了多项增强。首先，我们使用改进的神经网络分类器和建模方法修订了高分辨率训练。这些数据是 RCMAP 方法的基础。通过纳入其他数据集，进一步改进了训练数据库。接下来，改进了 Landsat 合成方法，以便更好地捕获每年和随时间变化的一系列条件。这些合成影像基于第 2 级 Landsat 数据，具有更高的地理定位精确度和动态范围。最后，纳入了山艾树生物群落的加拿大部分，使研究区域扩大了 29,199 平方公里。
我们使用开源软件和 USGS 高性能计算 (HPC) 资源提高了处理效率。该地图绘制区域包含 8 个随后拼接在一起的区域。这些数据可用于回答有关气候变化影响和管理实践适用性的关键问题。您可从 Multi-Resolution Land Characteristics Consortium 下载组件产品。
我们采用两种方法评估了每个 RCMAP 组件中的时间模式：1) 线性趋势；2) 基于像素级结构性变化的 8 年时间移动窗口的间断和稳定状态方法。线性趋势产品包括通过最小二乘线性回归计算出的斜率和 p 值。斜率表示时间序列中每年平均覆盖率变化百分比，p 值反映每个像素的变化置信度。结构性变化方法会将时间序列划分为斜率值相似的多个段，其中具有统计显著性的中断点表示对先前轨迹的扰动。中断点趋势分析套件依赖于结构性中断方法，可用于确定时间序列中中断的数量和时间，以及每个细分的显著性。我们生成了以下统计信息：1) 对于每个组件，每年是否存在中断；2) 每年出现的细分的斜率、p 值和标准误差；3) 总体模型 R2（模型与时间配置的拟合优度）；4) 一种指数，即总变化强度。此指数反映了相应像素中各个组件的总变化量。线性变化方法和结构性变化方法在变化模式方面基本一致，但后者更常发现中断，大多数像素中至少有一个中断点。结构性变化模型可针对具有非单调趋势的少数显著像素提供更稳健的统计信息，同时从长期角度来看，可去除一些可能多余的年际信号。
频段
像素大小
30 米
频段
| 名称 | 单位 | 最小值 | 最大值 | 缩放 | 像素尺寸 | 说明 |
|---|---|---|---|---|---|---|
annual_herbaceous_break_point |
计数 | 0 | 3 | 米 | 在年度草本时间序列中观测到的结构性中断数量 |
|
bare_ground_break_point |
计数 | 0 | 3 | 米 | 裸地时间序列中观测到的结构性中断次数 |
|
herbaceous_break_point |
计数 | 0 | 3 | 米 | 草本时间序列中观测到的结构性中断数量 |
|
litter_break_point |
计数 | 0 | 3 | 米 | 在窝时间序列中观测到的结构性中断数量 |
|
sagebrush_break_point |
计数 | 0 | 3 | 米 | 在山艾树时间序列中观测到的结构性中断数量 |
|
shrub_break_point |
计数 | 0 | 3 | 米 | 灌木时间序列中观测到的结构性中断次数 |
|
shrub_height_break_point |
计数 | 0 | 3 | 米 | 灌木高度时间序列中观测到的结构性中断次数 |
|
non_sagebrush_shrub_break_point |
计数 | 0 | 3 | 米 | 非山艾树灌木时间序列中观测到的结构性中断次数 |
|
perennial_herbaceous_break_point |
计数 | 0 | 3 | 米 | 多年生草本时间序列中观测到的结构性中断数量 |
|
tree_break_point |
计数 | 0 | 3 | 米 | 树状时间序列中观测到的结构性中断次数 |
|
annual_herbaceous_linear_model_pvalue |
P 值 | 0 | 100 | 0.01 | 米 | 年度草本时序的线性趋势模型 P 值 |
bare_ground_linear_model_pvalue |
P 值 | 0 | 100 | 0.01 | 米 | 裸地时间序列的线性趋势模型 P 值 |
herbaceous_linear_model_pvalue |
P 值 | 0 | 100 | 0.01 | 米 | 草本时序的线性趋势模型的 p 值 |
litter_linear_model_pvalue |
P 值 | 0 | 100 | 0.01 | 米 | 窝次时序的线性趋势模型的 P 值 |
sagebrush_linear_model_pvalue |
P 值 | 0 | 100 | 0.01 | 米 | 用于分析山艾树时间序列的线性趋势模型的 P 值 |
shrub_linear_model_pvalue |
P 值 | 0 | 100 | 0.01 | 米 | 灌木时序的线性趋势模型 p 值 |
shrub_height_linear_model_pvalue |
P 值 | 0 | 100 | 0.01 | 米 | 灌木高度时间序列的线性趋势模型 P 值 |
non_sagebrush_shrub_linear_model_pvalue |
P 值 | 0 | 100 | 0.01 | 米 | 非山艾灌木时序的线性趋势模型 P 值 |
perennial_herbaceous_linear_model_pvalue |
P 值 | 0 | 100 | 0.01 | 米 | 多年生草本时间序列的线性趋势模型 P 值 |
tree_linear_model_pvalue |
P 值 | 0 | 100 | 0.01 | 米 | 树状时序的线性趋势模型的 p 值 |
annual_herbaceous_linear_model_slope |
年变化百分比 | -383 | 351 | 0.01 | 米 | 年度草本时间序列的线性趋势模型斜率 |
bare_ground_linear_model_slope |
年变化百分比 | -383 | 351 | 0.01 | 米 | 裸地时间序列的线性趋势模型斜率 |
herbaceous_linear_model_slope |
年变化百分比 | -383 | 351 | 0.01 | 米 | 草本时间序列的线性趋势模型斜率 |
litter_linear_model_slope |
年变化百分比 | -383 | 351 | 0.01 | 米 | 窝时间序列的线性趋势模型斜率 |
sagebrush_linear_model_slope |
年变化百分比 | -383 | 351 | 0.01 | 米 | 山艾树时间序列的线性趋势模型斜率 |
shrub_linear_model_slope |
年变化百分比 | -383 | 351 | 0.01 | 米 | 灌木时间序列的线性趋势模型斜率 |
shrub_height_linear_model_slope |
年变化百分比 | -383 | 351 | 0.01 | 米 | 灌木高度时间序列的线性趋势模型斜率 |
non_sagebrush_shrub_linear_model_slope |
年变化百分比 | -383 | 351 | 0.01 | 米 | 非山艾树灌木时间序列的线性趋势模型斜率 |
perennial_herbaceous_linear_model_slope |
年变化百分比 | -383 | 351 | 0.01 | 米 | 多年生草本时间序列的线性趋势模型斜率 |
tree_linear_model_slope |
年变化百分比 | -383 | 351 | 0.01 | 米 | 树形时间序列的线性趋势模型的斜率 |
annual_herbaceous_most_recent_break_point |
y | 1985 年 | 2023 年 | 米 | 年度草本时序中每个组成部分的最新中断年份 |
|
bare_ground_most_recent_break_point |
y | 1985 年 | 2023 年 | 米 | 裸地时间序列中每个组成部分的时间序列最近一次中断的年份 |
|
herbaceous_most_recent_break_point |
y | 1985 年 | 2023 年 | 米 | 草本时间序列中每个组成部分的时间序列中最近一次中断的年份 |
|
litter_most_recent_break_point |
y | 1985 年 | 2023 年 | 米 | 各窝产仔时序中最近一次中断的时序年份 |
|
sagebrush_most_recent_break_point |
y | 1985 年 | 2023 年 | 米 | 每种山艾树时间序列的最新中断年份 |
|
shrub_most_recent_break_point |
y | 1985 年 | 2023 年 | 米 | 灌木时序中每个组成部分的时序最近一次中断的年份 |
|
shrub_height_most_recent_break_point |
y | 1985 年 | 2023 年 | 米 | 灌木高度时间序列中每个组成部分的时间序列最近一次中断的年份 |
|
non_sagebrush_shrub_most_recent_break_point |
y | 1985 年 | 2023 年 | 米 | 非山艾灌丛时间序列中每个组成部分的最新中断年份 |
|
perennial_herbaceous_most_recent_break_point |
y | 1985 年 | 2023 年 | 米 | 多年生草本时间序列中每个组成部分的时间序列最近一次中断的年份 |
|
tree_most_recent_break_point |
y | 1985 年 | 2023 年 | 米 | 树状时间序列中每个组成部分的时间序列最近一次中断的年份 |
|
total_change_intensity_index |
无量纲 | 0 | 100 | 米 | 总变化强度是一种派生指数，旨在突出显示主要成分（灌木、裸地、凋落物和草本植物）的总变化量。“变化”表示结构性变化分析中的斜率值。值的构建方式如下：100 表示所有组件的最大观测变化，0 表示没有变化。 |
使用条款
使用条款
此作品是贡献者作为美国政府雇员履行其官方职责的一部分而创作的，因此属于美国政府的作品。根据《美国法典》第 17 章第 105 条，此类作品不受美国法律的版权保护。这是一篇开放获取文章，根据版权法（包括所有相关权利和邻接权）的规定，该文章不受已知限制的约束 (https://creativecommons.org/publicdomain/mark/1.0/)。您可以复制、修改、分发和表演本作品，甚至用于商业目的，而无需征得许可。
引用
Rigge, M.B.，Bunde, B.，Postma, K. 和 Shi, H.，2024 年，“Rangeland Condition Monitoring Assessment and Projection (RCMAP) Fractional Component Time-Series Across the Western U.S. 1985-2023”（美国西部 1985-2023 年的草原状况监测评估和预测 (RCMAP) 分数分量时间序列）：美国地质调查局数据发布，doi:10.5066/P9SJXUI1。
Rigge, M.，H. Shi, C. Homer, P. Danielson 和 B. Granneman。2019 年。 美国北部大盆地分数分量变化的长期轨迹。Ecosphere 10(6):e02762. doi:10.1002/ecs2.2762
Rigge, M.，C. Homer, L. Cleeves, D. K. Meyer, B. Bunde, H. Shi, G. Xian, S. Schell 和 M. Bobo。2020 年。利用多分辨率遥感和原位数据，将美国西部牧区量化为分数分量。Remote Sensing 12. doi:10.3390/rs12030412
Rigge, M.，C. Homer, H. Shi, D. Meyer, B. Bunde, B. Granneman, K. Postma, P. Danielson, A. 案例，以及 G. 西安。 2021 年。1985 年至 2018 年美国西部各地的草地分数分量。Remote Sensing 13:813. doi:10.3390/rs13040813
DOI
使用 Earth Engine 探索
代码编辑器 (JavaScript)
// Import the NLCD RCMAP TRENDS image. var dataset = ee.Image('USGS/NLCD_RELEASES/2023_REL/RCMAP/V6/TRENDS'); var trends = dataset.select('annual_herbaceous_break_point'); var vis = { min: [0], max: [5], 'palette': [ '000000', 'f9e8b7', 'f7e3ac', 'f0dfa3', 'eedf9c', 'eada91', 'e8d687', 'e0d281', 'ddd077', 'd6cc6d', 'd3c667', 'd0c55e', 'cfc555', 'c6bd4f', 'c4ba46', 'bdb83a', 'bbb534', 'b7b02c', 'b0ad1f', 'adac17', 'aaaa0a', 'a3a700', '9fa700', '9aa700', '92a700', '8fa700', '87a700', '85a700', '82aa00', '7aaa00', '77aa00', '70aa00', '6caa00', '67aa00', '5fa700', '57a700', '52a700', '4fa700', '4aa700', '42a700', '3ca700', '37a700', '37a300', '36a000', '369f00', '349d00', '339900', '339900', '2f9200', '2d9100', '2d8f00', '2c8a00', '2c8800', '2c8500', '2c8400', '2b8200', '297d00', '297a00', '297900', '277700', '247400', '247000', '29700f', '2c6d1c', '2d6d24', '336d2d', '366c39', '376c44', '396a4a', '396a55', '3a6a5f', '3a696a', '396774', '3a6782', '39668a', '376292', '34629f', '2f62ac', '2c5fb7', '245ec4', '1e5ed0', '115cdd', '005ae0', '0057dd', '0152d6', '0151d0', '014fcc', '014ac4', '0147bd', '0144b8', '0142b0', '0141ac', '013da7', '013aa0', '01399d', '013693', '013491', '012f8a', '012d85', '012c82', '01297a' ] }; // Display the image on the map. Map.setCenter(-114, 38, 6); Map.addLayer(trends, vis, 'annual herbaceous breakpoint in integer');