USFS Tree Canopy Cover v2025-6 (CONUS and OCONUS)

información

Este conjunto de datos forma parte de un catálogo de publicadores y no lo administra Google Earth Engine. Comunícate con el Servicio Forestal del USDA para informar errores o ver más conjuntos de datos del catálogo del Servicio Forestal del USDA. Obtén más información sobre los conjuntos de datos de publicadores.

Propietario del catálogo

Servicio Forestal del USDA

Disponibilidad del conjunto de datos

1985-06-01T00:00:00Z–2025-12-31T00:00:00Z

Proveedor del conjunto de datos

Oficina Geoespacial del Centro de Innovación y Servicios de Campo del Servicio Forestal del USDA (FSIC-GO)

Fragmento de Earth Engine

ee.ImageCollection("projects/gtac-data-publish/assets/TCC/Product_Version/2025-6")

Etiquetas

forest gtac gtac-data-publish landuse-landcover publisher-dataset redcastle-resources usda usfs usgs

Descripción

El conjunto de datos de cobertura del dosel arbóreo (TCC), producido por el Servicio Forestal (USFS) del Departamento de Agricultura de Estados Unidos, son mapas anuales basados en la detección remota que abarcan el período de 1985 a 2025. Estos datos respaldan el proyecto de la Base de datos nacional de cobertura del suelo (NLCD), que administra el Servicio Geológico de EE.UU. (USGS) como parte del consorcio de Características del suelo de resolución múltiple (MRLC). El objetivo del proyecto es usar la tecnología más reciente para crear un mapa coherente y con la "mejor disponibilidad" de la cobertura arbórea. La metodología se detalla en Heyer et al. (2025). El alcance geográfico incluye las regiones de Estados Unidos continentales (CONUS) y fuera de CONUS (Alaska sudoriental [SEAK], Hawái [HI], Puerto Rico y las Islas Vírgenes de EE.UU. [PRUSVI]). Los datos de PRUSVI y HI v2025-6 se publicarán a fines del verano de 2026.

Productos

El paquete de datos de TCC incluye tres productos:

• TCC de ciencia: Son los resultados sin procesar y directos del modelo.

• Error estándar de la ciencia (SE): Es la desviación estándar del modelo de los valores predichos de todos los árboles de regresión.

• NLCD TCC: Es un producto refinado derivado de las imágenes anuales de TCC de Science. Se somete a un procesamiento posterior para reducir el ruido interanual, destacar las tendencias a largo plazo y enmascarar características específicas (como el agua y la agricultura no arbórea).

Cada imagen incluye una banda de máscara de datos que tiene tres valores que representan áreas sin datos (0), cobertura del dosel de los árboles asignada (1) y área de no procesamiento (2). Las áreas sin procesamiento son los píxeles del área de estudio que no tienen datos sin nubes ni sombras de nubes. Los píxeles sin datos y las áreas que no se procesan se enmascaran en las imágenes de TCC y SE.

Datos y métodos

Desarrollamos datos de entrenamiento y modelos de bosque aleatorio para CONUS, SEAK, PRUSVI y HI utilizando el TCC interpretado a partir de fotografías del Inventario y Análisis Forestal (FIA) del USFS como datos de referencia. Aprovechamos Google Earth Engine (GEE) (Gorelick et al., 2017) para procesar los predictores de LandTrendr y de terreno. Los datos de terreno del 3D Elevation Program (3DEP) (U.S. Geological Survey, 2019) incluyen la elevación, la pendiente, el seno del aspecto y el coseno del aspecto. Para CONUS, también incluimos la capa de datos de cultivos (CDL) como predictor (Lin et al., 2022).

Utilizamos imágenes de reflectancia en la parte superior de la atmósfera de nivel 1 de Landsat Collection 2 del USGS y de Sentinel 2A/2B para producir compuestos anuales de medoides. Para garantizar la calidad de los datos, aplicamos varios algoritmos para enmascarar nubes y sombras, incluidos cFmask (Foga et al., 2017; Zhu y Woodcock, 2012), cloudScore (Chastain et al., 2019), s2cloudless (Sentinel-Hub, 2021), Cloud Score+ (Pasquarella et al., 2023) y TDOM (Chastain et al., 2019). Una vez enmascarados, calculamos los medoides anuales para crear un solo compuesto sin nubes para cada año. Por último, la serie temporal compuesta se segmentó temporalmente con LandTrendr (Kennedy et al., 2010, 2018; Cohen et al., 2018).

Para CONUS, usamos el 70% de los datos de referencia para la calibración y el 30% para la evaluación independiente de errores. Dada la diversidad ecológica de CONUS, dividimos el área de modelado en 54 segmentos (480 km × 480 km). En las computadoras locales, creamos un modelo de bosque aleatorio único para cada segmento (Breiman, 2001) y lo entrenamos con datos de referencia que se intersectan con una ventana de 5 × 5 alrededor del segmento central. Luego, los modelos se implementaron en GEE para predecir la cobertura de TCC de pared a pared. Para las regiones fuera de EE.UU., usamos una división del 80/20 y desarrollamos un solo modelo de bosque aleatorio para cada región.

Para conocer la metodología completa del TCC, consulta Heyer et al. (2025).

Additional Resources

• Consulta el Resumen de métodos de TCC o el artículo de la revista Science of Remote Sensing para obtener información detallada sobre los métodos y la evaluación de la precisión.

• Consulta el Centro de intercambio de datos de ubicación de la TCC para descargar datos, metadatos y documentos de asistencia.

Si tienes preguntas o solicitudes de datos específicos, comunícate con [e-mail].

Bandas

Bandas

Tamaño de píxel: 30 metros (todas las bandas)

Nombre	Unidades	Tamaño de los píxeles	Descripción
Science_Percent_Tree_Canopy_Cover	%	30 metros	Son los resultados sin procesar del modelo directo. Cada píxel tiene un valor medio de cobertura arbórea previsto para cada año.
Science_Percent_Tree_Canopy_Cover_Standard_Error	%	30 metros	La desviación estándar de los valores predichos de todos los árboles de regresión a los que hacemos referencia se conoce como error estándar. Cada píxel tiene un error estándar para cada año.
NLCD_Percent_Tree_Canopy_Cover	%	30 metros	Para generar la cobertura de la copa de los árboles del 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 un cero por ciento de cobertura de la copa de los árboles.
data_mask		30 metros	Tres valores que representan áreas sin datos, cobertura arbórea mapeada y área sin procesar. El área de no procesamiento es aquella en la que los píxeles dentro del área de estudio no tienen datos disponibles sin nubes ni sombras de nubes para producir un resultado.
Máscara de bits para data_mask Bits 0 a 1: Tres valores que representan las áreas sin datos, la cobertura arbórea asignada y el área sin procesamiento. 0: Sin datos 1: Cobertura arbórea mapeada 2: Área de no procesamiento

Propiedades de imágenes

Propiedades de la imagen

Nombre	Tipo	Descripción
study_area	STRING	Actualmente, TCC cubre el territorio continental de EE.UU., el sudeste de Alaska, Puerto Rico, las Islas Vírgenes de EE.UU. y Hawái. Esta versión contiene datos para CONUS, AK, PRUSVI y HI. Los valores posibles son "CONUS", "AK", "PRUSVI" y "HI".
versión	STRING	Esta es la quinta versión del producto TCC que se lanzó en el consorcio de MRLC y que forma parte de la Base de datos nacional de cobertura del suelo (NLCD).
startYear	INT	"Año de inicio del producto"
endYear	INT	“Año de finalización del producto”
año	INT	"Año del producto"

Condiciones de Uso

Condiciones de Uso

El Servicio Forestal del USDA no ofrece ninguna garantía, expresa o implícita, incluidas las garantías de comerciabilidad y adecuación 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 deben 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 aplicarse en terrenos públicos o privados. Es posible que los peligros naturales se representen 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 fondos del Gobierno de EE.UU. y se pueden usar sin permisos ni tarifas adicionales. Si utilizas estos datos en una publicación, presentación o cualquier otro producto de investigación, usa la siguiente cita:

Servicio Forestal del USDA. 2025. Cobertura arbórea del USFS, versión 2025.6 (Estados Unidos contiguos y Estados Unidos contiguos exteriores). Salt Lake City, Utah

Citas

Citas:

• Servicio Forestal del USDA. 2025. Cobertura arbórea del USFS, versión 2025.6 (Estados Unidos contiguos y Estados Unidos contiguos exteriores). Salt Lake City, Utah

• Breiman, L., 2001. Bosques aleatorios. En aprendizaje automático. Springer, 45: 5-32 doi:10.1023/A:1010933404324

• Chastain, R., Housman, I., Goldstein, J., Finco, M., and Tenneson, K., 2019. Comparación empírica entre sensores de las características espectrales en la parte superior de la atmósfera de los sensores MSI de Sentinel-2A y 2B, OLI de Landsat-8 y ETM de Landsat-7 en el territorio continental de Estados Unidos. En Remote Sensing of Environment. 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. Es un conjunto multiespectral de LandTrendr para la detección de perturbaciones forestales. En Remote Sensing of Environment. 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., en 2017. Comparación y validación del algoritmo de detección de nubes para los productos de datos operativos de Landsat. En Remote Sensing of Environment. Science Direct, 194: 379-390 doi:10.1016/j.rse.2017.03.026

• Heyer, J., Schleeweis, K., Ruefenacht, B., Housman, I., Zhiqiang, Y., Ryerson, D., Reischmann, J., Megown, K., y Bogle, M. S. (2025). Mapeo anual de la cobertura del dosel arbóreo a nivel nacional: Un flujo de trabajo novedoso con transferibilidad temporal y una mejor cuantificación de la incertidumbre. Science of Remote Sensing, 100301. doi:10.1016/j.srs.2025.100301

• Kennedy, R. E., Yang, Z., y Cohen, W. B., 2010. Detección de tendencias en la perturbación y recuperación de 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 teledetección. MDPI, 10(5): 691 doi:10.3390/rs10050691

• Lin, L.; Di, L.; Zhang, C.; Guo, L.; Di, Y.; Li, H.; Yang, A. 2022. Validación y perfeccionamiento de la capa de datos de tierras de cultivo con un algoritmo de árbol de decisión espacio-temporal. Datos Científicos. 9(1): 63. doi:10.1038/s41597-022-01169-w

• Pasquarella, V. J., Brown, C. F., Czerwinski, W., y Rucklidge, W. J., 2023. Comprehensive Quality Assessment of Optical Satellite Imagery Using Weakly Supervised Video Learning. En Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2124-2134. doi:10.1109/CVPRW59228.2023.00206

• Sentinel-Hub, 2021. Detector de nubes de Sentinel 2. [En línea]. Disponible en: https://github.com/sentinel-hub/sentinel2-cloud-detector

• Servicio Geológico de Estados Unidos, 2019. Modelo digital de elevación del programa de elevación 3D del USGS, consultado en agosto de 2022 en https://developers.google.com/earth-engine/datasets/catalog/USGS_3DEP_10m

• Zhu, Z., and Woodcock, C. E., alrededor del 2012. Detección de nubes y sombras de nubes basadas en objetos en imágenes de Landsat. En Remote Sensing of Environment. Science Direct, 118: 83-94 doi:10.1016/j.rse.2011.10.028

DOI

• https://doi.org/10.1016/j.rse.2010.07.008
• https://doi.org/10.1016/j.rse.2011.10.028
• https://doi.org/10.1016/j.rse.2017.03.026
• https://doi.org/10.1016/j.rse.2017.11.015
• https://doi.org/10.1016/j.rse.2018.11.012
• https://doi.org/10.1016/j.srs.2025.100301
• https://doi.org/10.1023/A:1010933404324
• https://doi.org/10.1038/s41597-022-01169-w
• https://doi.org/10.1109/CVPRW59228.2023.00206
• https://doi.org/10.3390/rs10050691

Explora con Earth Engine

Importante: Earth Engine es una plataforma para el análisis científico y la visualización de conjuntos de datos geoespaciales a escala de petabytes, tanto para el beneficio público como para usuarios empresariales y gubernamentales. Se puede utilizar de forma gratuita para la investigación, la educación y el uso por parte de organizaciones sin fines de lucro. Para comenzar, regístrate para obtener acceso a Earth Engine.

Editor de código (JavaScript)

// Import the tree canopy cover collection
var dataset = ee.ImageCollection('projects/gtac-data-publish/assets/TCC/Product_Version/2025-6');

//Filter collection to year 2024 and study areas specified in list 
var tcc = dataset.filter(ee.Filter.calendarRange(2024, 2024,'year'))  // range: [1985, 2025]
               .filter(ee.Filter.inList('study_area', ['AK', 'CONUS'])) // CONUS, AK, 
               .mosaic();

// 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);

Abrir en el editor de código

Cobertura de copas de árboles del USFS, versión 2025-6 (CONUS y OCONUS)

El conjunto de datos de cobertura del dosel arbóreo (TCC), producido por el Servicio Forestal (USFS) del Departamento de Agricultura de Estados Unidos, son mapas anuales basados en la detección remota que abarcan el período de 1985 a 2025. Estos datos respaldan el proyecto de la Base de datos nacional de cobertura del suelo (NLCD), que administra el Servicio Geológico de EE.UU. (USGS) como parte de…

projects/gtac-data-publish/assets/TCC/Product_Version/2025-6, forest,gtac,gtac-data-publish,landuse-landcover,publisher-dataset,redcastle-resources,usda,usfs,usgs

1985-06-01T00:00:00Z/2025-12-31T00:00:00Z

20.38379 -135.286387 52.459364 -56.446306

Google Earth Engine

https://developers.google.com/earth-engine/datasets

• https://doi.org/10.3390/rs10050691
• https://doi.org/10.3390/rs10050691