أكثر

بدائل صور الأقمار الصناعية لتصنيف استخدام الأراضي / الغطاء

بدائل صور الأقمار الصناعية لتصنيف استخدام الأراضي / الغطاء


بصرف النظر عن صور القمر الصناعي ، ما هي صور الأقمار الصناعية الأخرى المناسبة لدراسات استخدام / تغطية الأراضي والتي يمكن الحصول عليها مجانًا؟


إلى أي جزء من العالم تنظر؟ الصور الأرشيفية SPOT متاحة في العديد من المناطق ، ولكنها قد تقتصر على استخدامات التعليم والبحث. تحقق من وكالة ناسا و USGS للحصول على البيانات. اعتمادًا على الموقع والمقياس ، قد يكون هناك شيء تم القيام به بالفعل ويمكنك استخدامه لأغراضك ، لذا لا تعيد اختراع العجلة إذا لم تكن مضطرًا لذلك.


تقييم تآكل التربة باستخدام نظام المعلومات الجغرافية (GIS) والاستشعار عن بعد (RS) دراسة من حوض أنقرة-جوفينك ، تركيا

كان الهدف من هذا البحث هو تقييم مخاطر تآكل التربة باستخدام نهج نوعي باستخدام نظم المعلومات الجغرافية في حوض أنقرة-جوفينك. تقع منطقة الدراسة على بعد حوالي 44 كم شمال أنقرة وتغطي 17.5 كم 2. تتضمن طبقات الموضوع المختارة لهذا النموذج العوامل الطبوغرافية ، وعوامل التربة (العمق ، والملمس ، والأفق المحكم) واستخدام الأراضي. تم إعداد بيانات الطبقة المنحدرة وبيانات استخدام الأرض والغطاء الأرضي باستخدام صورة القمر الصناعي DEM و Landsat-TM وفقًا لتصنيف استخدام الأراضي ، فإن أكثر أنواع استخدامات الأراضي شيوعًا والغطاء الأرضي هي المراعي (50.5٪) ثم البعلية (36.4٪) والأراضي الحرجية الأسبوعية (3.2٪) والأراضي المروية (0.7٪) والأراضي المختلفة الأخرى (الصخور البعلية) المحصول والبحيرة) (9.2٪). تعتبر كل خاصية للأرض أيضًا طبقة موضوعية في عملية نظم المعلومات الجغرافية (GIS). بعد دمج الطبقات ، تم إنتاج خريطة مخاطر تآكل التربة. أظهرت النتائج أن 44.4٪ من مساحة الدراسة معرضة لخطر انجراف التربة ، في حين أن 42٪ من منطقة الدراسة غير معنوية وقليلة التأثر بخطر الانجراف. بالإضافة إلى ذلك ، وجد أن 12.6٪ فقط من المساحة الكلية معرضة بشكل معتدل لخطر التآكل. علاوة على ذلك ، تم اقتراح تدابير إدارة الحفاظ على الأراضي للمناطق ذات المخاطر المتوسطة والعالية والعالية جدًا للتآكل في حوض أنقرة-جوفينك.


المقدمة

يمكن تحديد المورد الرئيسي الذي يتحكم في الإنتاجية الأولية للنظم الإيكولوجية الأرضية من حيث الأرض: مساحة الأرض المتاحة ، ونوعية الأرض وخصائص رطوبة التربة. على الرغم من الاستعاضة الناجحة عن الموارد القائمة على الأرض بالوقود الأحفوري والموارد المعدنية ، تظل الأرض ذات أهمية قصوى (داروين وآخرون ، 1996). يمثل الغطاء الأرضي واستخدام الأراضي العناصر التكاملية لقاعدة الموارد. تؤثر التغييرات في الغطاء الأرضي واستخدام الأراضي على النظم العالمية (على سبيل المثال ، الغلاف الجوي والمناخ ومستوى البحر) أو تحدث بطريقة محلية في أماكن كافية لتضيف ما يصل إلى إجمالي كبير (Meyer and Turner ، 1992). الغطاء الأرضي هو تعبير عن الأنشطة البشرية وبالتالي التغييرات مع التغييرات في هذه. ومن ثم ، فإن الغطاء الأرضي هو سمة جغرافية قد تشكل قاعدة مرجعية للتطبيقات التي تتراوح من مراقبة الغابات والمراعي ، وإنتاج الإحصاءات ، والتخطيط ، والاستثمار ، والتنوع البيولوجي ، وتغير المناخ ، ومكافحة التصحر.

أعاد الناس تشكيل الأرض باستمرار ، لكن الحجم والمعدل الحاليين غير مسبوقين. في الوقت الحاضر ، من المهم للغاية معرفة كيف تغير الغطاء الأرضي بمرور الوقت ، من أجل إجراء تقييمات للتغييرات التي يمكن أن يتوقعها المرء في المستقبل (القريب) وتأثير هذه التغييرات على حياة الناس. نظرًا لأن الناس هم المستخدمون الرئيسيون للأرض ، فمن المهم أن يتم توجيه أي نظام نحوهم.

نظرًا لعدم وجود بيانات مناسبة للغطاء الأرضي ، استخدمت العديد من التقييمات نماذج لتحديد الغطاء الأرضي المحتمل (على سبيل المثال ، Alexandratos ، 1995). على الرغم من أهمية استخدام الغطاء الأرضي المحتمل في نمذجة السيناريوهات المستقبلية ، إلا أن هناك قيودًا كبيرة. المعلومات التي تصف الغطاء الأرضي الحالي هي مدخلات مهمة للتخطيط والنمذجة ، لكن جودة هذه البيانات تحدد موثوقية مخرجات المحاكاة (Townshend ، 1992 Belward ، 1996).

بالإضافة إلى الطلب الكبير على مجموعات بيانات الغطاء الأرضي المحسّنة بسبب الحاجة المتزايدة للقدرة على وصف الغطاء الأرضي وتصنيفه بدقة من أجل تطوير أنظمة استخدام الأراضي المستدامة ، هناك أيضًا حاجة متزايدة للتوحيد والتوافق بين مجموعات البيانات و لإمكانية رسم خرائط مناطق واسعة وتقييمها ومراقبتها (دي جريجوريو ، 1991 ، ريتشرت ودي جريجوريو ، 1995 Thompson ، 1996 FAO ، 1995 و 1997). إن التطورات التقنية ، مثل الكم الهائل من بيانات الاستشعار عن بعد التي أصبحت متاحة من أقمار مراقبة الأرض ، تجعل هذا ممكنًا بشكل متزايد (دي جريجوريو ، 1995).

في عام 1993 ، نظم برنامج الأمم المتحدة للبيئة ومنظمة الأغذية والزراعة اجتماعاً لتحفيز العمل المنسق نحو تنسيق جمع البيانات وإدارتها واتخاذ خطوة أولى نحو قاعدة مرجعية متفق عليها دولياً للغطاء الأرضي واستخدام الأراضي (برنامج الأمم المتحدة للبيئة / منظمة الأغذية والزراعة ، 1994). يحتاج برنامج أفريكوفر التابع لإدارة البيئة والموارد الطبيعية (SDRN) ، الذي يعتزم رسم خرائط للغطاء الأرضي لإفريقيا بأكملها ، إلى نظام مرجعي للغطاء الأرضي للاستخدام التشغيلي.

أهداف برنامج أفريك أوفر هي:

  • تستجيب للحاجة إلى بيانات الغطاء الأرضي لمجموعة متنوعة من المستخدمين النهائيين
  • تطبيق المنهجية في تمارين رسم الخرائط ، بغض النظر عن الوسائل المستخدمة ، والتي قد تتراوح من صور الأقمار الصناعية عالية الدقة إلى التصوير الجوي
  • الارتباط بالتصنيفات والأساطير الموجودة ، مما يسمح بالمقارنة والارتباط و
  • دعم ، قدر الإمكان ، المبادرات الدولية الجارية بشأن تصنيف وتعريف الغطاء الأرضي.

يتمثل الهدف الرئيسي لمبادرة تحديد التصنيف المرجعي في الاستجابة للحاجة إلى التوحيد القياسي (أو الجمع المنسق للبيانات ، كما هو مذكور في الفصل 10 من جدول أعمال القرن 21 الصادر عن مؤتمر الأمم المتحدة المعني بالبيئة والتنمية ، والذي تعمل فيه منظمة الأغذية والزراعة كمدير للمهام داخل منظومة الأمم المتحدة). نهج متكامل مشترك لجميع جوانب الغطاء الأرضي. وهذا يعني منهجية قابلة للتطبيق على أي نطاق ، وتكون شاملة بمعنى أنه يمكن استيعاب أي غطاء أرضي تم تحديده في أي مكان في العالم بسهولة.

تم تحليل التصنيفات والأساطير المنشورة الحالية ، وكذلك التسميات (Danserau، 1961 Fosberg، 1961 Eiten، 1968 UNESCO، 1973 Mueller-Dombois and Ellenberg، 1974 Anderson et al.، 1976 Kuechler and Zonneveld، 1988 CEC، 1993 UNEP / FAO ، 1994 Duhamel، 1995 Beek، De Bie and Driessen، 1997) ، مع وثائق منظمة الأغذية والزراعة ذات الصلة (N relevantgre، 1995 Barisano، 1996 Wyatt et al.، unpubl.).

تمت مناقشة المفاهيم الأولية للتصنيف من قبل مجموعة العمل الإفريقية الدولية حول التصنيف والأسطورة (السنغال ، يوليو / تموز 1996) (Di Gregorio and Jansen، 1996c FAO، 1997). أثناء تطوير النظام بالكامل ، تم تطوير روابط مع الأنشطة الدولية الأخرى الجارية بشأن تصنيف الغطاء الأرضي ، مثل لجنة البيانات الجغرافية الفيدرالية الأمريكية (FGDC) - اللجنة الفرعية للنباتات ومجموعة عمل الغطاء الأرضي (ECWG) مشروع قاعدة بيانات الغطاء الأرضي الوطني في جنوب إفريقيا (طومسون ، 1996) والبرنامج الدولي للغلاف الأرضي والمحيط الحيوي (IGBP) - مجموعة عمل نظام البيانات والمعلومات (DIS) للغطاء الأرضي والمشروع الأساسي لاستخدام الأراضي وتغيير الغطاء الأرضي (LUCC). تم تطوير أول نسخة تشغيلية كاملة للتصنيف وتطبيق البرمجيات بواسطة GCP / RAF / 287 / ITA أفريك أوفر - مشروع شرق أفريقيا.

يمكن أن يكون النهج الذي تم تطويره للغطاء الأرضي بمثابة أساس لنظام تصنيف مرجعي مع روابط لخبرات محددة ، لأنه يصف ويسمح بربط الغطاء الأرضي بمجموعة من معايير التشخيص المستقلة ، ما يسمى بالمصنفات ، بدلاً من أن يكون قائمًا على التسميات . أيضًا ، يمكن "ترجمة" التصنيفات والأساطير الموجودة في النظام المرجعي ، وبالتالي تسهيل استخدام المواد التاريخية الموجودة. تسهل إعادة ترتيب الفئات ، استنادًا إلى إعادة تجميع المصنفات المستخدمة ، الاستخدام المكثف للمخرجات من قبل مجموعة واسعة من المستخدمين النهائيين.


بدائل صور الأقمار الصناعية لاستخدام الأراضي / تصنيف الغطاء - نظم المعلومات الجغرافية

أتمتة تصنيف الغطاء الأرضي باستخدام السلاسل الزمنية NDVI: دراسة حالة نصية

المؤلفون: Ayodeji Adesuyi * ، جامعة كيب تاون. جنوب أفريقيازان مونش جامعة ستيلينبوش. ستيلينبوش. جنوب أفريقيا
المواضيع: علوم ونظم المعلومات الجغرافية ، والاستشعار عن بعد ، واستخدام الأراضي وتغيير الغطاء الأرضي
الكلمات الدالة: أشجار القرار ، مصنفات المجموعات ، الغطاء الأرضي ، NDVI ، MODIS ، Landsat ، Python ، البرمجة النصية
نوع الجلسة: ورق
يوم: 06.04.2019
وقت البدء / الانتهاء: 5:00 / 6:40
غرفة: الشرفة B ، ماريوت ، طابق الميزانين
ملف العرض التقديمي: لم يتم تحميل ملف

يمكن أن توفر أتمتة خرائط الغطاء الأرضي بديلاً فعالاً من حيث التكلفة للمعالجة اليدوية وتصنيف صور الأقمار الصناعية المتعددة. تصف هذه الدراسة تطوير تقنية آلية لتحديد الغطاء الأرضي الزراعي باستخدام أداة برمجة نصية مخصصة تم تطويرها على منصة ArcGIS / Python. تدمج الأداة اختيار منطقة الدراسة وإعادة الإسقاط والتصنيف وتقييم الدقة باستخدام أدوات المعالجة الجغرافية جنبًا إلى جنب مع البرامج النصية المصممة خصيصًا في Python ، مع دمج مكتبة Scikit-Learn Python لدمج خوارزميات التعلم الآلي. تم تنفيذ مصنفات المجموعات المتعددة في أداة أتمتة سير العمل (MEAWAT). تم استخدام بيانات فهرس الغطاء النباتي (NDVI) MODIS المعياري (MOD13Q1) ، وكذلك NDVI المستخرجة من Landsat 8 في التحليل. تم استخراج فينولوجيا NDVI لثلاث فئات من الغطاء الأرضي الزراعي واستخدمت لإنشاء بيانات تدريبية للتصنيف. باستخدام MEAWAT ، تم تحقيق دقة تصنيف تزيد عن 70٪ لبيانات MODIS مع شجرة القرار ومصنفات المجموعات ، والغابات العشوائية ، والشجرة الإضافية ، و Adaboost ، وهو مقدر تلوي. تم تحقيق دقة 89٪ باستخدام مصنف الغابات العشوائية المعزز على بيانات لاندسات 8. تم إثبات أنه تم الحصول على ناتج تصنيف أفضل باستخدام MEAWAT على صور الأقمار الصناعية عالية الدقة بشرط توفر بيانات تدريب جيدة. تسلط هذه النتائج الضوء على إمكانات MEAWAT لتصنيف الغطاء الأرضي لمجموعة البيانات الكبيرة باستخدام صور الأقمار الصناعية المختلفة.


كشف الغطاء الأرضي والتغيير

تعد صور الأقمار الصناعية وخرائط GIS للغطاء الأرضي واستخدام الأراضي وتغييراتها مفتاحًا للعديد من التطبيقات المتنوعة مثل البيئة والغابات والهيدرولوجيا والزراعة والجيولوجيا. تعتمد برامج إدارة الموارد الطبيعية والتخطيط والمراقبة على معلومات دقيقة حول الغطاء الأرضي في المنطقة. تتراوح طرق مراقبة تغير الغطاء النباتي من أخذ عينات ميدانية مكثفة مع قوائم جرد قطع الأرض إلى تحليل مكثف لبيانات الاستشعار عن بعد والتي ثبت أنها أكثر فعالية من حيث التكلفة بالنسبة للمناطق الكبيرة ، وتقييم المواقع الصغيرة والتحليل.

يمكن أن توفر شركة Satellite Imaging Corporation (SIC) مجموعات بيانات خرائط الأقمار الصناعية الآلية لاستخدام الغطاء النباتي والغطاء الأرضي عن طريق تحديث المنطقة المتوقعة ودمج صورة أحدث لتحديد التغييرات. قد يسمح تقييم الخصائص الثابتة للغطاء الأرضي (الأنواع والمقدار والترتيب) والسمات الديناميكية (أنواع ومعدلات التغيير) على بيانات صورة القمر الصناعي بأنواع التغيير التي سيتم إضفاء الطابع الإقليمي عليها وتحديد المصادر التقريبية للتغيير أو استنتج.

(اعتمادات الصورة © DigitalGlobe)

لقد سهلت صور الأقمار الصناعية ذات الدقة المتوسطة إلى العالية أنشطة البحث العلمي في المناظر الطبيعية والنطاقات الإقليمية. يمكن أن يوفر توفر صور الأقمار الصناعية دقة مكانية تصل إلى 30 سم لتحليل النمو الحضري وتطوير النقل للتقييم والمراقبة. علاوة على ذلك ، يمكن أن توفر النطاقات متعددة الأطياف دقة طيفية متزايدة يمكن استخدامها لمزيد من تحليل وتصنيف الظروف البيئية والغطاء الأرضي واكتشاف التغيير وكيف يؤثر النمو الحضري وما يرتبط به من تطوير النقل على هذه الظروف.

يسمح تحليل خريطة القمر الصناعي بما يلي:

تتيح صور الأقمار الصناعية المراقبة المباشرة لسطح الأرض على فترات متكررة ، وبالتالي تسمح برسم خرائط لمدى ورصد وتقييم:


Esri تطلق خريطة الغطاء الأرضي العالمية الجديدة لعام 2020

أعلنت Esri ، الشركة العالمية الرائدة في مجال استخبارات الموقع ، اليوم أنها ستصدر للمرة الأولى على الإطلاق خريطة عالمية جديدة عالية الدقة للغطاء الأرضي لعام 2020 كجزء من Living Atlas الخاص بالشركة. تم إنشاء الخريطة باستخدام صور القمر الصناعي Sentinel-2 التابعة لوكالة الفضاء الأوروبية (ESA) ، وتم تطويرها باستخدام سير عمل جديد للتعلم الآلي يعمل كفريق مع مرصد تأثير Esri Silver Partner الجديد ، بالإضافة إلى شريك طويل الأمد Microsoft.

سيتم تحديث الخريطة الجديدة سنويًا لدعم الكشف عن التغيير وتسليط الضوء على التغيرات الأرضية على كوكب الأرض ، خاصة فيما يتعلق بآثار النشاط البشري. خريطة متسقة للغطاء الأرضي للعالم بأسره استنادًا إلى أحدث معلومات الأقمار الصناعية ، يمكن دمج خريطة الغطاء الأرضي العالمي لعام 2020 مع طبقات البيانات الأخرى للبنية التحتية الخضراء ومشاريع الاستدامة وجهود الحفظ الأخرى التي تتطلب صورة شاملة لكل من البصمة البشرية والطبيعية على هذا الكوكب. في وقت لاحق من هذا العام ، ستجعل Esri و Impact Observatory نموذج الغطاء الأرضي الجديد هذا متاحًا لدعم تصنيف الغطاء الأرضي عند الطلب ، مما يسمح لمجتمع GIS بإنشاء خرائط لمناطق المشروع كل أسبوع.

& # 8220 هذا عام حاسم للعمل المناخي ، & # 8221 قال جاك Dangermond ، مؤسس ورئيس Esri. & # 8220 مع مؤتمر الأطراف المعني بتغير المناخ التابع للأمم المتحدة (COP26) الذي يجمع الأطراف الدولية معًا لمعالجة مجموعة من الأهداف المشتركة ، يسعدنا القيام بدورنا في إتاحة هذه الخريطة للمستخدمين الذين يعملون من أجل صحة كوكبنا. & # 8221

سيتمكن المستخدمون أيضًا من معالجة الخريطة بالاقتران مع طبقات نظم المعلومات الجغرافية الأخرى مثل التضاريس والهيدرولوجيا والمزيد ، وكلها متوفرة في ArcGIS Living Atlas of the World ، وهي المجموعة الأولى من المعلومات الجغرافية من جميع أنحاء العالم ، بما في ذلك الخرائط والتطبيقات ، وطبقات البيانات. من خلال التصورات التي يتم إصدارها ، سيفهم المخططون في جميع أنحاء العالم بشكل أفضل الجغرافيا من حولهم لاتخاذ قرارات أكثر استنارة - مما يمكنهم من اكتساب نظرة ثاقبة للمواقع ذات الغطاء الأرضي المميز ، بالإضافة إلى النشاط البشري الذي يؤثر عليهم.

تعد خرائط الغطاء الأرضي عالية الدقة والمفتوحة والدقيقة والقابلة للمقارنة وفي الوقت المناسب ضرورية لصناع القرار في العديد من قطاعات الصناعة والدول النامية. تعمل هذه الخرائط على تحسين فهم الموضوعات المهمة مثل الأمن الغذائي وتخطيط استخدام الأراضي ونمذجة الهيدرولوجيا وتخطيط إدارة الموارد. بالإضافة إلى ذلك ، تستخدم وكالات الموارد الحكومية الوطنية الغطاء الأرضي كأساس لفهم الاتجاهات في رأس المال الطبيعي ، مما يساعد على تحديد أولويات تخطيط الأراضي وهو أساس مخصصات الميزانية.

قام مرصد التأثير ، الذي تعاقدت معه Esri ، بتطوير نموذج تصنيف أرضي التعلم العميق باستخدام مجموعة بيانات تدريب ضخمة من مليارات بكسلات الصور التي تحمل علامات بشرية ، وطبق هذا النموذج على مجموعة مشهد Sentinel-2 2020 ، ومعالجة أكثر من 400000 عملية رصد للأرض لإنتاج خريطة. سيكون نهج التعلم الآلي الفريد المستخدم لإنشاء هذه الخريطة العالمية متاحًا قريبًا عند الطلب ، مما يدعم مديري الأراضي الذين يحتاجون إلى مراقبة التغيير في مجال اهتمام معين ، والنظر في التغيير السنوي والاختلافات الموسمية في الغطاء الأرضي.

& # 8220Global تحث قادة العالم على تحديد وتحقيق أهداف الحفاظ الطموحة ، & # 8221 قال ستيف برومبي ، المؤسس المشارك والرئيس التنفيذي لشركة Impact Observatory. & # 8220 بدعم من خبراء الجغرافيا المكانية في Esri ، والوصول إلى موارد الحوسبة المذهلة في Microsoft ، تمكنا من إنشاء خريطة غطاء أرضي في وقت قياسي توفر للقادة في الحكومات والمنظمات غير الحكومية وعبر الصناعات رؤية جديدة وفي الوقت المناسب لـ الكوكب ، وقدرة جديدة مدعومة بالذكاء الاصطناعي للحصول على رؤى قابلة للتنفيذ وقائمة على العلم عند الطلب. وبذلك ، يأمل مرصد الأثر في المساهمة في جهود الحفظ العالمية. & # 8221


Aĝdaĝ، M.I.، Dok، M.، & amp Sezer، İ. (2000). تحديد تأثير الأشجار المزروعة في حدود الحقول على الإنتاج الزراعي في سهل كارسامبا. تقارير نتائج معهد البحر الأسود للبحوث الزراعية ، سامسون ، تركيا.

أندرسون ، جيه آر ، هاردي ، إي ، روتش ، ج. & amp Witmer، R.E. (1976). نظام تصنيف استخدامات الأراضي والغطاء الأرضي للاستخدام مع بيانات أجهزة الاستشعار عن بعد. USGS Professional Paper 964 ، Sioux Falls ، SD ، الولايات المتحدة الأمريكية.

Congalton ، R.G. (1991). مراجعة لتقييم دقة تصنيفات بيانات الاستشعار عن بعد. استشعار البيئة عن بعد, 37, 35–46.

موت. (1980 أ). نتائج التعداد العام 1980. معهد الدولة للإحصاء المديرية العامة ، تركيا.

موت. (1980 ب). الهيكل الزراعي والإنتاج. المعهد الحكومي للمديرية العامة للإحصاء ، تركيا.

موت. (2000 أ). نتائج التعداد العام 2000. المعهد الحكومي للإحصاء المديرية العامة ، تركيا.

موت. (2000 ب). الهيكل الزراعي والإنتاج. المعهد الحكومي للمديرية العامة للإحصاء ، تركيا.

إيستمان ، جي آر وأمبير فولك ، إم (1993). تقييم السلاسل الزمنية طويلة التسلسل باستخدام المكونات الأساسية المعيارية. الهندسة التصويرية والاستشعار عن بعد, 59, 991–996.

إرداس. (1999). تخيل إرداس المرشدين السياحيين V.8.4. شركة إيرداس أتلانتا ، جورجيا.

Gong، P.، Pu، R.، & amp Chen، J. (1996). رسم خرائط أنظمة الأراضي الإيكولوجية وتصنيف الشكوك من بيانات الارتفاع الرقمي وغطاء الغابات باستخدام الشبكات العصبية. الهندسة التصويرية والاستشعار عن بعد 62, 1249–1260.

جرين ، K. ، Kempka ، D. ، & amp Lackey ، L. (1994). استخدام الاستشعار عن بعد لكشف ورصد تغير الغطاء الأرضي واستخدامات الأراضي. الهندسة التصويرية والاستشعار عن بعد 60, 331–337.

جولر ، م. (2001). وصف المناطق الاقتصادية الخاصة لأراضي بافرا وكارسامبا المنخفضة بتطبيق نظام المعلومات الجغرافية (GIS) وتقييم من جانب الري. ماجستير. أطروحة ، 19 مايو قسم الهندسة الزراعية.

حتحوت ، س. (2002). استخدام نظم المعلومات الجغرافية لرصد النمو الحضري والتنبؤ به في شرق وغرب سانت بول ، وينيبيغ ، مانيتوبا ، كندا. مجلة الإدارة البيئية ، 66, 229–238.

هوتون ، ر. (1994). المدى العالمي لتغير استخدام الأراضي. علم الأحياء ، 44, 305–313.

Howarth، J.P.، & amp Wickware، G.M. (1981). إجراء الكشف عن التغيير باستخدام بيانات لاندسات الرقمية. المجلة الدولية للاستشعار عن بعد ، 2, 277–291.

جنسن ، جي آر (1996). معالجة الصور الرقمية التمهيدية ، منظور الاستشعار عن بعد، (الطبعة الثانية). نهر السرج العلوي ، نيو جيرسي: برنتيس هول

جنسن ، J.R. ، Narumalani ، S. ، Weatherbee ، O. ، & amp Mackey ، H.E. (1993). قياس التغيرات الموسمية والسنوية وزنابق الماء باستخدام بيانات سبوت متعددة الألوان. الهندسة التصويرية والاستشعار عن بعد ، 59, 519–525.

Kí lí ç، O. (1996). التحليل الاقتصادي لمزارع إنتاج البندق في الأراضي المنخفضة في مقاطعتي كارسامبا وتيرمي في مقاطعة سامسون والبحث عن خطط زراعية بديلة مجدية. دكتوراه. أطروحة ، جامعة أنقرة.

لايت ، د. (1993). البرنامج الوطني للتصوير الجوي كمورد لنظام المعلومات الجغرافية. الهندسة التصويرية والاستشعار عن بعد ، 59, 61–65.

Lu، D.، Mausel، P.، Batistella، M.، & amp Moran، E. (2005). طرق الكشف عن التغير الثنائي للغطاء الأرضي للاستخدام في المنطقة الاستوائية الرطبة في الأمازون: دراسة مقارنة. المجلة الدولية للاستشعار عن بعد، 26 (1)., 101–114.

Lunetta ، RS ، Ediriwickrema ، J. ، Johnson ، DM ، Lyon ، JG ، & amp McKerrow ، A. (2002). تأثيرات ديناميكيات الغطاء النباتي على تحديد تغير الغطاء الأرضي في مجتمع معقد بيولوجيًا في ولاية كارولينا الشمالية بالولايات المتحدة الأمريكية. استشعار البيئة عن بعد ، 82, 258–270.

ماس ، جي إف (1999). مراقبة تغيرات الغطاء الأرضي: مقارنة بين تقنيات الكشف عن التغيير. المجلة الدولية للاستشعار عن بعد ، 20 (1)., 139–152.

مونديا ، سي. & amp Aniya ، M. (2005). تحليل استخدام الأراضي / تغيرات الغطاء والتوسع الحضري لمدينة نيروبي باستخدام الاستشعار عن بعد ونظام المعلومات الجغرافية. المجلة الدولية للاستشعار عن بعد ، 26, 2831–2849.

نيلسون ، ر. (1983). الكشف عن تغير مظلة الغابات نتيجة نشاط الحشرات باستخدام Landsat MSS. الهندسة التصويرية والاستشعار عن بعد ، 49, 1303–1314.

Özel، ME، Yí ldí rí m، H.، Aĝdaĝ، M.I، Alparslan، E.، Torun، M.، Aydöner، C.، Elitaş، S.، Daĝcí، M.، Erkan، B.، Dok، M. ، & amp Duran ، H. (1999 ، يونيو). تقسيم المناطق الزراعية الإيكولوجية باستخدام الاستشعار عن بعد الساتلي ونظام المعلومات الجغرافية. ورقة مقدمة في اليوم الجيوديسي التركي الألماني المشترك الثالث ، اسطنبول.

بينر ، جي إي (1994). كيمياء الغلاف الجوي وجودة الهواء. في W.B.Meyer & amp B.L. تيرنر (محرران) ، في التغييرات في استخدام الأراضي والغطاء الأرضي: منظور عالمي (ص 175 - 210). صحافة جامعة كامبرج.

براكاش ، A. & amp Gupta ، R.P. (1998). رسم خرائط استخدام الأراضي واكتشاف التغيير في منطقة تعدين الفحم ، دراسة حالة في حقل جاريا للفحم ، الهند. المجلة الدولية للاستشعار عن بعد ، 19, 391–410.

راتشي ، ك. & أمبير فيلكيك ، إل (1994). تطوير خريطة نباتات دائمة الخضرة باستخدام صورة SPOT ونظام تحديد المواقع العالمي. الهندسة التصويرية والاستشعار عن بعد 60, 767–775.

سينغ ، أ. (1986). اكتشاف التغيير في بيئة الغابات الاستوائية في شمال شرق الهند باستخدام Landsat. في إم جي إيدن وأمبير ج.ت. باري (محرران) ، الاستشعار عن بعد وإدارة الأراضي المدارية (ص 237-254). لندن: وايلي.

سينغ ، أ. (1989). تقنيات الكشف عن التغيير الرقمي باستخدام بيانات الاستشعار عن بعد. المجلة الدولية للاستشعار عن بعد ، 6, 989–1003.

سكوايرز ، جي دي (2002). الزحف العمراني والتطور غير المتكافئ لمتروبوليتان أمريكا. في الامتداد العمراني: الأسباب والنتائج واستجابات السياسة. مطبعة المعهد الحضري ، واشنطن.

Vanderee، D. & amp Ehrlich، D. (1995). حساسية ISODATA للتغيرات في إجراءات أخذ العينات ومعاملات المعالجة عند تطبيقها على بيانات NDVI للمتسلسلة الزمنية AVHRR. المجلة الدولية للاستشعار عن بعد ، 16, 673–686.


2. أجهزة الاستشعار والأقمار الصناعية

في القسم السابق ، أجرينا مناقشات حول مكونات طاقة الاستشعار عن بعد وفيزياءها. هنا سنناقش حول مجموعة الطاقة المنعكسة. تقع على عاتق المستشعر مسؤولية اكتشاف والتقاط الطاقة المنبعثة أو المنعكسة من الهدف. من أجل التقاط الطاقة ، يجب أن يكون المستشعر موجودًا على سطح ثابت يسمى المنصات. توجد أنواع مختلفة من أجهزة الاستشعار على أساس المنصات.

2.1 أجهزة الاستشعار وأنواعها

كما ذكرنا أعلاه ، لجمع الطاقة المنعكسة أو المنبعثة ، يجب أن يتواجد المستشعر فوق الهدف. قد يكون أساسًا أرضيًا (يقع داخل سطح الأرض) ، أو قائمًا على الطائرات أو قائمًا على القمر الصناعي (يقع خارج سطح الأرض).

مجسات أرضية تستخدم لتسجيل لجمع المعلومات التفصيلية حول سطح الأرض. تُستخدم البيانات التي تم جمعها بواسطة المستشعر الأرضي لمقارنة البيانات التي تم جمعها بواسطة أجهزة استشعار أخرى مثل الأقمار الصناعية أو لفهم ميزات السطح بشكل أكثر تفصيلاً. إحدى المزايا هي أن الاضطرابات الجوية غائبة في هذا النوع من الاستشعار. قد يتم وضع المستشعر على سلم أو سقالة أو رافعة وما إلى ذلك.

الطائرات هي المنصات الرئيسية في الطائرات القائمة مجسات. كما تستخدم طائرات الهليكوبتر في بعض الأحيان. تستخدم الطائرات لجمع المعلومات التفصيلية حول سطح الأرض في أي وقت. العيب الرئيسي هو أنه لا يمكن تحليق الطائرات في الأحوال الجوية السيئة.

يتم إجراء الاستشعار عن بعد في الفضاء من أي استخدام مكوك الفضاء أو الأقمار الصناعية. غالبًا ما تُعرف هذه الأنواع من الأقمار الصناعية بأقمار الاستشعار عن بعد. أجهزة الاستشعار القائمة على الأقمار الصناعية هي الأكثر كفاءة والأكثر انتشارًا في العالم. يمكن أن توفر تغطية على المستوى العالمي ولكنها مكلفة. غالبًا ما تكون التكلفة عاملاً مهمًا عند اختيار المستشعر.

2.2 خصائص الأقمار الصناعية وخصائص الدقة

لقد تعلمنا حتى الآن عن تقنيات الاستشعار عن بعد والمنصات وأجهزة الاستشعار وكذلك عن الأقمار الصناعية. تتمتع هذه الأقمار الصناعية ببعض الخصائص التي تجعلها منصة فريدة في مجسات الاستشعار عن بعد.

يشار إلى المسار الذي تتبعه الأقمار الصناعية باسم Orbit. تختلف المدارات باختلاف ارتفاعها واتجاهها ودورانها المرتبط بالأرض. يؤثر التغيير المداري أيضًا على رؤية القمر الصناعي للجزء الأرضي.

لمراقبة مكان معين بانتظام على سطح الأرض الذي نستخدمه المدارات الثابتة بالنسبة للأرض. تسمى الأقمار الصناعية التي تتبع نفس المدار الأقمار الصناعية المستقرة بالنسبة إلى الأرض. هذا المدار يبلغ ارتفاعه 36000 كيلومتر تقريبًا. تتطابق سرعة الأقمار الصناعية التي تدور في المدار مع دوران الأرض. هذا يسمح بمراقبة مكان معين بشكل مستمر.

مصدر الصورة: h2physics.org

مدار الشمس متزامن أو مدار قطبي: بعض الأقمار الصناعية مصممة لتتبع اتجاه شمالي جنوبي (قطب إلى قطب) في مدار يسمى المدار القطبي. تغطي هذه الأقمار الصناعية التوقيت المحلي (بانتظام) ، المشار إليه باسم الأقمار الصناعية المتزامنة مع الشمس. في أي خط عرض ، سيكون موضع الشمس في السماء أثناء مرور القمر الصناعي في السماء هو نفسه خلال نفس الموسم. يتيح ذلك ظروف الإضاءة المتسقة عند الحصول على صور لموسم معين على مدار سنوات متتالية.

خصائص الدقة

بعض الأدوات تلتقط صورًا من ارتفاعات عالية جدًا وقد توفر تغطية عالمية أو تغطية على مستوى الدولة. لا يمكن استخراج معلومات عن منزلك من تغطية المستوى العالمي. لاستخراج المعلومات ، يتعين علينا تصميم مستشعر جديد لتوفير معلومات مستوى السنتيمتر. أثناء تصميم المستشعر أو استخدام صورة الإخراج ، يتعين علينا البحث عن الدقة. هناك أربعة أنواع مختلفة من القرارات

الدقة المكاني

يشار إلى قدرة المستشعر على اكتشاف أصغر جسم منفرد في سطح الأرض باسم الدقة المكانية. يعتمد استخراج التفاصيل من الصورة بشكل كبير على الدقة المكانية. تعتمد الدقة المكانية للمستشعر بشكل كبير على مجال الرؤية اللحظي (IFOV). IFOV هو المخروط الزاوي لرؤية المستشعر. وهي تحدد مساحة سطح الأرض التي "تُرى" من ارتفاع معين في وقت معين. يتم تحديد حجم المنطقة المعروضة بضرب IFOV في المسافة من الأرض إلى المستشعر.

الدقة الطيفية

ببساطة يمكننا تعريف قدرة المستشعر على تسجيل المعلومات على نطاق طيفي معين يسمى Spectral Resolution أو قدرة المستشعر على تحديد الأطوال الموجية الدقيقة. الدقة الطيفية مهمة للغاية أثناء تصميم المستشعر. يحدد طبيعة الدراسة. الكائنات المختلفة لها بصمة طيفية مختلفة.

القرار الزماني

مثل خصائص الدقة الأخرى ، فإن الدقة الزمنية مهمة أيضًا في دراسات الاستشعار عن بعد. يعني الاستبانة الزمنية إعادة زيارة القمر الصناعي فوق منطقة معينة في نفس الفترة الزمنية. عادة ما تكون الدقة الزمنية للأقمار الصناعية عدة أيام والتي تمكن من التقاط صور منطقة بانتظام ويمكن أن تراقب بشكل جيد. يتم استدعاء الصور التي تم جمعها خلال فترة زمنية معينة بيانات متعددة الفترات الزمنية ، وهي الميزة الرئيسية.

2.3 التصوير الطيفي والحراري المتعدد

تحصل أجهزة الاستشعار عن بعد على البيانات عن طريق مسح سطح الأرض. تستخدم أنواع مختلفة من أنظمة المسح في الاستشعار عن بعد للحصول على البيانات.

المسح الطيفي المتعدد

يُشار إلى نظام المسح الذي يجمع البيانات عبر أطوال موجية مختلفة ولكن ليس مستمرًا باسم نظام المسح الطيفي المتعدد. إنه أكثر أنظمة المسح استخدامًا في العالم. هناك طريقتان يتم نشرهما في نظام المسح متعدد الأطياف للحصول على معلومات حول سطح الأرض. هم يتبعون.

عبر المسح المسار

يقوم المسح عبر المسار بمسح السطح في سلسلة من الخطوط. هذه الخطوط متعامدة مع اتجاه حركة المستشعر. يتم فحص كل سطر من جانب واحد من المستشعر إلى جانب آخر. يتم ذلك باستخدام مرآة دوارة. يُعرف هذا النوع من المسح أيضًا باسم مسح مكنسة الخفاقة

على طول المسار المسح

يستخدم هذا النوع من المسح حركة أمامية للمستشعر لاكتشاف خطوط المسح المتتالية وهذه الخطوط متعامدة مع اتجاه الطيران. يشار إلى هذه الأنظمة أيضًا باسم نظام مسح مكنسة الدفع. بدلاً من تدوير المرآة هنا باستخدام مجموعة خطية من الكاشفات الموجودة في المستوى البؤري للمستشعر.

التصوير الحراري

عادةً ما تستخدم الأنظمة الطيفية المتعددة الطاقة المنعكسة للحصول على المعلومات ، بينما على عكسها ، يستخدم التصوير الحراري الطاقة المنبعثة مثل طيف الأشعة تحت الحمراء الحرارية (3 ميكرومتر إلى 15 ميكرومتر) للحصول على البيانات. على عكس النظام متعدد الأطياف ، تستخدم المستشعرات الحرارية أجهزة الكشف عن الصور الحساسة للتلامس المباشر للفوتونات على سطحها ، للكشف عن الإشعاع الحراري المنبعث. يتم تبريد هذه الكواشف (درجة حرارة أقل من 0 درجة مئوية) لتجنب انبعاثها. هذه المستشعرات تقيس درجة حرارة سطح الهدف. يستخدم التصوير الحراري عادةً نظام المسح عبر المسار. عادةً ما تحتوي المستشعرات الحرارية على IFOV كبيرة لضمان وصول طاقة كافية إلى المستشعر لإجراء قياسات موثوقة.


الأقمار الصناعية الرئيسية لرصد الأرض وأجهزة الاستشعار الخاصة بها


بدائل صور الأقمار الصناعية لاستخدام الأراضي / تصنيف الغطاء - نظم المعلومات الجغرافية

بيانات الغطاء الأرضي الوطنية المحسّنة 1992 (NLCDe 92) الإصدار 1.1 ، يونيو 2010: إضافة البيانات النقطية الرقمية للملفات المساعدة والطبقة

تم استخدام مجموعة البيانات هذه لتوصيف سطح الأرض والأنشطة البشرية للمواقع التي تم أخذ عينات منها في برنامج NAWQA. تم إنشاء معلومات الغطاء الأرضي لمستجمعات المياه ، ومناطق النهر ، ومخازن الآبار ، ومناطق دراسة المياه الجوفية. بالإضافة إلى ذلك ، تم دمج تصنيفات مختارة للغطاء الأرضي من NLCDe 92 مع مجموعات البيانات الأخرى التي تتعلق بفئات معينة من الأراضي لتحسين تقديرات المساحة المرجحة لتطبيق مبيدات الآفات الزراعية وتحميل العناصر الغذائية المشار إليها في مناطق جغرافية أخرى مثل حدود المقاطعة.

بنية البيانات: تنقسم مجموعة بيانات NLCDe 92 إلى أرباع: 1) NLCDe92_1 (شمال غرب) ، 2) NLCDe92_2 (شمال شرق) ، NLCDe92_3 (جنوب غرب) ، و NLCDe92_4 (جنوب شرق). تتكون البيانات الرقمية لكل رباعي من الملفات التالية: nlcdex.tif --- هذا هو ملف تنسيق الصورة الموسومة (TIFF) مع GeoTIFF الإسناد الجغرافي (& quotx & quot في اسم الملف قد يكون 1،2،3 ، أو 4) nlcdex .tfw --- هذا هو ملف & quotWorld & quot الذي تستخدمه بعض حزم البرامج للإشارة الجغرافية لملف الصورة. يحتوي هذا الملف النصي ASCII على المعلومات التالية: السطر 1: دقة البكسل في السطر 2 من وحدات الخريطة: مقدار سطر الترجمة 3: مقدار خط التدوير 4: دقة y للبكسل في وحدات الخريطة السطر 5: إحداثيات س وسط السطر 6 من البكسل الأيسر العلوي (Xmin): إحداثي ص لمركز البكسل الأيسر العلوي (Ymax) nlcde.lyr - هذا هو ملف الطبقة المتوافق مع منتج برنامج ArcMap الخاص بـ ESRI ، ويحتوي على الرموز ( الملصقات الملونة) والملصقات (أوصاف فئة الأرض) لكل تصنيف للغطاء الأرضي. nlcdex.aux --- يتضمن هذا الملف معلومات النظام الإحداثي. nlcdex.tif.xml --- هذا الملف هو البيانات الوصفية لمجموعة بيانات nlcde92 بأكملها. التطبيقات: تم دمج NLCDe 92 مع مجموعات البيانات الأخرى لتحسين التوزيع المكاني ، على سبيل المثال ، التطبيقات الكيميائية على الأراضي الزراعية. على سبيل المثال ، تم دمج الأراضي الزراعية المعينة مع استخدام مبيدات الآفات الزراعية على مستوى المقاطعة (Thelin and Gianessi ، 2000) ومدخلات المغذيات على مستوى المقاطعة (Ruddy and others ، 2006) لتحسين تقديرات المواد الكيميائية المطبقة على الأراضي الزراعية في مناطق الدراسة (Nakagaki and وولوك ، 2005). تم أيضًا استخدام المساحات المعينة لـ & quotRow Crops & quot & quot & quotSmall Grains & quot & quotFallow & quot & quot & quotPasture / Hay & quot & quot ), farm fertilizer (Hitt, 2007a,b), manure applications (Hitt, 2007c,d), and irrigation (Hitt, 2007e, f). Derivative data sets such as pesticide application and nutrient loadings on agricultural land have served as input into national models for estimating contamination by agricultural chemicals in unmonitored areas (Larson and others, 2004 Nolan and Hitt, 2006 Stackelberg and others, 2006). Background: The NLCDe 92 is a composite of the USGS&aposs NLCD 92 (U.S. Geological Survey, 1999) and USGS&aposs enhanced Land Use and Land Cover (LULC) data (Price and others, 2007, modified from U.S. Geological Survey, 1998). The NLCD 92 is based on interpretation of Landsat satellite Thematic-mapper (TM) imagery captured from the late 1980s through early 1990s and was supplemented with a variety of ancillary data (Vogelmann and others, 2001). The LULC data set represents conditions compiled from aerial photographs taken in the 1970s to mid-1980s (Anderson and others, 1976). The NLCDe 92 was created by reclassifying NLCD 92 using the following LULC classifications: 1) Residential (LULC code 11) 2) Orchards, Groves, Vineyards, Nurseries, and Ornamental Horticultural Areas (LULC code 22) 3) Shrub and Brush Tundra (LULC code 81) 4) Herbaceous Tundra (LULC code 82) 5) Bare Ground Tundra (LULC code 83) 6) Wet Tundra (LULC code 84) 7) Mixed Tundra (LULC code 85) The LULC "Residential" classification was used to refine the residential areas of NLCD 92, with and without canopy cover because some residential areas with mature trees were misclassified as forest in the NLCD 92. The LULC "Orchards, Groves, Vineyards, Nurseries, and Ornamental Horticultural Areas" classification was used to identify orchards of NLCD 92 where it was difficult to distinguish them from surrounding deciduous forest using satellite imagery. Tundra is not defined in the NLCD 92 so the five LULC Tundra classifications were used to separate tundra from primarily grasslands of NLCD 92. The LULC data, natively in vector format, were gridded to 30-m resolution, and 4 new classifications were developed in the NLCDe 92 using specific criteria. The added classifications and decision rules are described below (Nakagaki and Wolock, 2005): 1) "LULC Tundra" - For the NLCDe 92, a 30-m grid cell in the NLCD 92 that is classified as either "Shrubland" or "Grasslands/Herbaceous" was reclassified as "LULC Tundra" if the same 30- by 30-m area in the LULC data set is classified as "Shrub and Brush Tundra," "Herbaceous Tundra," "Bare Ground Tundra," "Wet Tundra," or "Mixed Tundra." 2) "NLCD/LULC Forested Residential" - For the NLCDe 92, a 30-m grid cell in the NLCD 92 that is classified as "Deciduous Forest," "Evergreen Forest," or "Mixed Forest" was reclassified to "NLCD/LULC Forested Residential" if the same 30- by 30-m area in the LULC data set is classified as "Residential." 3) "LULC Residential" - For the NLCDe 92, a 30-m grid cell in the NLCD 92 that is not classified as forest ("Deciduous Forest," "Evergreen Forest," "Mixed Forest"), water ("Open Water," "Woody Wetlands," "Emergent Herbaceous Wetlands"), or urban ("Low Intensity Residential," "High Intensity Residential," "Commercial/Industrial/Transportation," "Urban/Recreational Grasses") was reclassified to "LULC Residential" if the same 30- by 30-m area in the LULC data set is classified as "Residential." 4) "LULC Orchards/Vineyards/Other" - For the NLCDe 92, a 30-m grid cell in the NLCD 92 not classified as "Orchards/Vineyards/Other," and not classified as water or urban, was changed to "LULC Orchards/Vineyards/Other" if the same 30- by 30-m area in the LULC data set is classified as "Orchards, Groves, Vineyards, Nurseries, and Ornamental Horticultural Areas." The reclassification of "LULC Orchards/Vineyards/Other" was not done for California, Florida, Washington, and Oregon because orchards and v ineyards were found to be well represented by the NLCD 92 in these states. Because the NLCDe 92 was to be combined with multiple county-level data sets, the NLCDe 92 was clipped to the conterminous U.S. boundary and coastline using a 30-m resolution 1990 county boundary grid. The 1990 county boundary grid was derived from polygons of 1990 county boundaries (U.S. Department of Commerce, 1993) and the U.S. coastline boundary available from the National Oceanic and Atmospheric Administration (1994) (Jo Ann M. Gronberg, U.S. Geological Survey, written commun., 2005). After the clipping process took place, there were a number of grid cells along the coastline and U.S. border that lacked a land cover code because they fell beyond the map extent of the NLCDe 92 but were located within the county border. These grid cells were assigned a value of 99, the numeric code for "Missing Data. Excluding the "Missing Data" category, there are 25 land cover classifications in the NLCDe 92, 21 from the original NLCD 92, and 4 added classifications (indicated with an *): Code Classification 11 Open Water 12 Perennial Ice/Snow 21 Low Intensity Residential 22 High Intensity Residential 23 Commercial/Industrial/Transportation 25 LULC Residential* 26 NLCD/LULC Forested Residential* 31 Bare Rock/Sand/Clay 32 Quarries/Strip Mines/Gravel Pits 33 Transitional 41 Deciduous Forest 42 Evergreen Forest 43 Mixed Forest 51 Shrubland 61 Orchards/Vineyards/Other 62 LULC Orchards/Vineyards/Other* 71 Grasslands/Herbaceous 72 LULC Tundra* 81 Pasture/Hay 82 Row Crops 83 Small Grains 84 Fallow 85 Urban/Recreational Grasses 91 Woody Wetlands 92 Emergent Herbaceous Wetlands 99 Missing Data NLCDe92 Classifications: Below are the NLCDe 92 class definitions. Descriptions of the 21 NLCD 92 classifications are from U.S. Geological Survey&aposs Land Cover Institute (LCI) web page (http://landcover.usgs.gov/classes.php). 11. Open Water - areas of open water, generally with less than 25 percent cover of vegetation/land cover. 12. Perennial Ice/Snow - areas characterized by year-long surface cover of ice and/or snow. 21. Low Intensity Residential - areas with a mixture of constructed materials and vegetation. Constructed materials account for 30-80 percent of the cover. Vegetation may account for 20-70 percent of the cover. These areas most commonly include single-family housing units. Population densities will be lower than in high intensity residential areas. 22. High Intensity Residential - highly developed areas where people reside in high numbers. Examples include apartment complexes and row houses. Vegetation accounts for less than 20 percent of the cover. Constructed materials account for 80-100 percent of the cover. 23. Commercial/Industrial/Transportation - (areas consisting of) infrastructure (e.g. roads, railroads, etc.) and all highly developed areas not classified as "High Intensity Residential." 25. LULC Residential - areas that were not classified in the NLCD 92 as forest ("Deciduous Forest," "Evergreen Forest," or "Mixed Forest"), water ("Open Water," "Woody Wetlands," or "Emergent Herbaceous Wetlands") or urban ("Low Intensity Residential," "High Intensity Residential," "Commercial/Industrial/Transportation," "Urban/Recreational Grasses"), and were classified as "Residential" in the LULC data set. 26. NLCD/LULC Forested Residential - areas that were classified in the NLCD 92 as "Deciduous Forest," "Evergreen Forest," or "Mixed Forest" and as "Residential" in the LULC data set. 31. Bare Rock/Sand/Clay - perennially barren areas of bedrock, desert pavement, scarps, talus, slides, volcanic material, glacial debris, beaches, and other accumulations of earthen material. 32. Quarries/Strip Mines/Gravel Pits - areas of extractive mining activities with significant surface expression. 33. Transitional - areas of sparse vegetative cover (less than 25 percent of cover) that are dynamically changing from one land cover to another, often because of land use activities. Examples include forest clearcuts, a transition phase between forest and agricultural land, the temporary clearing of vegetation, and changes due to natural causes (e.g. fire, flood, etc.). 41. Deciduous Forest - areas dominated by trees where 75 percent or more of the tree species shed foliage simultaneously in response to seasonal change. 42. Evergreen Forest - areas dominated by trees where 75 percent or more of the tree species maintain their leaves all year. Canopy is never without green foliage. 43. Mixed Forest - areas dominated by trees where neither deciduous nor evergreen species represent more than 75 percent of the cover present. 51. Shrubland - areas characterized by shrubs shrub canopy accounts for 25-100 percent of the cover. Shrub cover is generally greater than 25 percent when tree cover is less than 25 percent. Shrub cover may be less than 25 percent in cases when the cover of other life forms (e.g. herbaceous or tree) is less than 25 percent and shrubs cover exceeds the cover of the other life forms. 61. Orchards/Vineyards/Other - orchards, vineyards, and other areas planted or maintained for the production of fruits, nuts, berries, or ornamentals. 62. LULC Orchards/Vineyards/Other - areas that were not already classified as "Orchards/Vineyards/Other," nor any of the water or urban classifications in the NLCD 92 and as "Orchards, Groves, Vineyards, Nurseries, and Ornamental Horticultural Areas" in the LULC data set. (California, Oregon, Washington, and Florida areas were excluded from reclassification to "LULC Orchards/Vineyards/Other"). 71. Grasslands/Herbaceous - areas dominated by upland grasses and forbs. In rare cases, herbaceous cover is less than 25 percent, but exceeds the combined cover of the woody species present. These areas are not subject to intensive management, but they are often utilized for grazing. 72. LULC Tundra - areas that were classified in the NLCD 92 as either "Shrubland" or "Grasslands/Herbaceous" and as "Shrub and Brush Tundra," "Herbaceous Tundra," "Bare Ground Tundra," "Wet Tundra," or "Mixed Tundra" in the LULC data set. 81. Pasture/Hay - areas of grasses, legumes, or grass-legume mixtures planted for livestock grazing or the production of seed or hay crops. 82. Row Crops - areas used for the production of crops, such as corn, soybeans, vegetables, tobacco, and cotton. 83. Small Grains - areas used for the production of graminoid crops such as wheat, barley, oats, and rice. 84. Fallow - areas used for the production of crops that do not exhibit visible vegetation as a result of being tilled in a management practice that incorporates prescribed alternation between cropping and tillage. 85. Urban/Recreational Grasses - (areas of) vegetation (primarily grasses) planted in developed settings for recreation, erosion control, or aesthetic purposes. Examples include parks, lawns, golf courses, airport grasses, and industrial site grasses. 91. Woody Wetlands - areas where forest or shrubland vegetation accounts for 25-100 percent of the cover and the soil or substrate is periodically saturated with or covered with water. 92. Emergent Herbaceous Wetlands - areas where perennial herbaceous vegetation accounts for 75-100 percent of the cover and the soil or substrate is periodically saturated with or covered with water. 99. Missing Data - areas within the county boundaries of the conterminous United States that fell beyond the map extent of the NLCD 92 and thus do not have land cover codes. These areas are generally along the U.S. borders and coastlines. Cited References: Anderson, J.R., Hardy, E.E., Roach J.T., and Witmer R.E., 1976, A land use and land cover classification system for use with remote sensor data: U.S. Geological Survey Professional Paper 964, 28 p., accessed August 29, 2007 at http://pubs.er.usgs.gov/pubs/pp/pp964. Hitt, K.J., 2007a, Vulnerability of shallow ground water and drinking-water wells to nitrate in the United States: Model of predicted nitrate concentration in U.S. ground water used for drinking (simulation depth 50 meters) -- Input data set for farm fertilizer (gwava-dw_ffer), digital map, accessed August 29, 2007, at https://water.usgs.gov/lookup/getspatial?gwava-dw_ffer. Hitt, K.J., 2007b, Vulnerability of shallow ground water and drinking-water wells to nitrate in the United States: Model of predicted nitrate concentration in shallow, recently recharged ground water -- Input data set for farm fertilizer (gwava-s_ffer), digital map, accessed August 29, 2007 at https://water.usgs.gov/lookup/getspatial?gwava-s_ffer. Hitt, K.J., 2007c, Vulnerability of shallow ground water and drinking-water wells to nitrate in the United States: Model of predicted nitrate concentration in U.S. ground water used for drinking (simulation depth 50 meters) -- Input data set for confined manure (gwava-dw_conf), digital map, accessed August 29, 2007 at https://water.usgs.gov/lookup/getspatial?gwava-dw_conf. Hitt, K.J., 2007d, Vulnerability of shallow ground water and drinking-water wells to nitrate in the United States: Model of predicted nitrate concentration in shallow, recently recharged ground water -- Input data set for confined manure (gwava-s_conf), digital map, accessed August 29, 2007 at https://water.usgs.gov/lookup/getspatial?gwava-s_conf. Hitt, K.J., 2007e, Vulnerability of shallow ground water and drinking-water wells to nitrate in the United States: Model of predicted nitrate concentration in U.S. ground water used for drinking (simulation depth 50 meters) -- Input data set for irrigation tailwater recovery (gwava-dw_twre), digital map, accessed August 29, 2007 at https://water.usgs.gov/lookup/getspatial?gwava-dw_twre. Hitt, K.J., 2007f, Vulnerability of shallow ground water and drinking-water wells to nitrate in the United States: Model of predicted nitrate concentration in shallow, recently recharged ground water -- Input data set for irrigation tailwater recovery (gwava-s_twre), digital map, accessed August 29, 2007 at https://water.usgs.gov/lookup/getspatial?gwava-s_twre. Larson, S.J., Crawford, C.G., and Gilliom, R.J., 2004, Development and application of watershed regressions for pesticides (WARP) for estimating atrazine concentration distributions in streams: U.S. Geological Survey Water-Resources Investigations Report 03-4047, 68 p., accessed August 29, 2007 at https://pubs.usgs.gov/wri/wri034047. Nakagaki, N., 2007a, Grids of agricultural pesticide use in the conterminous United States, 1992, digital maps, accessed August 29, 2007 at https://water.usgs.gov/lookup/getspatial?agpest92grd. Nakagaki, N., 2007b, Grids of agricultural pesticide use in the conterminous United States, 1997, digital maps, accessed August 29, 2007 at https://water.usgs.gov/lookup/getspatial?agpest97grd. Nakagaki, N. and Wolock, D.M., 2005, Estimation of agricultural pesticide use in drainage basins using land cover maps and county pesticide data: U.S. Geological Survey Open-File Report 2005-1188, 46 p., accessed August 29, 2007 at https://pubs.usgs.gov/of/2005/1188/. National Oceanic and Atmospheric Administration, 1994, NOS80K/ALLUS80K medium-resolution digital vector U.S. shoreline, digital map, accessed October 1, 2006 at http://woodshole.er.usgs.gov/pubs/of2005-1048/data/basemaps/usa/nos80k/nos80k.htm. Nolan, B.T. and Hitt, K.J., 2006, Vulnerability of shallow groundwater and drinking-water wells to nitrate in the United States, Environ. علوم. Technol., v. 40, no. 24, p. 7834-7840, accessed August 29, 2007 at http://water.usgs.gov/nawqa/nutrients/pubs/est_v40_no24/. Price, C.V., Nakagaki, N., Hitt, K.J., and Clawges, R.M., 2007, Enhanced Historical Land-Use and Land-Cover Data Sets of the U.S. Geological Survey: U.S. Geological Survey Data Series 240, accessed August 29, 2007 at https://pubs.usgs.gov/ds/2006/240. Ruddy, B.C., Lorenz, D.L., and Mueller, D.K., 2006, County-level estimates of nutrient inputs to the land surface of the conterminous United States, 1982-2001, U.S. Geological Survey, Scientific Investigations Report 2006-5012, 17 p., accessed August 29, 2007 at https://pubs.usgs.gov/sir/2006/5012/. Stackelberg, P.E., Gilliom, R.J., Wolock, D.M., and Hitt, K.J., 2006, Development and application of a regression equation for estimating the occurrence of atrazine in shallow ground water beneath agricultural areas of the United States: U.S. Geological Survey Scientific Investigations Report 2005-5287, 27 p., accessed August 29, 2007 at https://pubs.usgs.gov/sir/2005/5287. Thelin, G.P., and Gianessi, L.P., 2000, Method for estimating pesticide use for county areas of the United States: U.S. Geological Survey Open-File Report 00-250, 62 p., accessed August 29, 2007 at https://ca.water.usgs.gov/pnsp/rep/ofr00250/. U.S. Department of Commerce, Bureau of Census, 1993, 1:100,000-scale Counties of the United States, digital map, accessed September 1, 2005 at https://water.usgs.gov/lookup/getspatial?county100. U.S. Geological Survey, 1998, Land use and land cover digital data from 1:250,000- and 1:100,000-scale maps, digital maps, accessed December 26, 2006 at http://eros.usgs.gov/products/landcover/lulc.html. U.S. Geological Survey, 1999, National land cover data 1992, digital files, accessed June 15, 2005 at http://eros.usgs.gov/products/landcover/nlcd.html. Vogelmann, J.E., Howard, S.M., Yang, L., Larson, C.R., Wylie, B.K., and Van Driel, N., 2001, Completion of the 1990&aposs National Land Cover Data Set for the conterminous United States from Landsat Thematic Mapper data and ancillary data sources: Photogrammetric Engineering and Remote Sensing, v. 67, p. 650-662, accessed August 29, 2007 at http://www.asprs.org/publications/pers/2001journal/june/highlight.html. 1986 1995 This data set primarily represents conditions in the early 1990s, the time period when the majority of the Landsat imageryused to develop the NLCD 92 was captured. The beginning and ending datesabove represent the entire range of acquisition dates for all the Landsat imagery used in the production of the NLCD 92.

None planned -128.307900 -65.143599 51.857938 22.736542 المكنز USGS استخدام الأراضي الغطاء الأرضي NLCD 1992 NLCDe GIRAS Geographic Information Retrieval and Analysis System LULC Land Use and Land Cover Land Characterization Land Resources National Water Quality Assessment NAWQA National land cover data ISO 19115 Topic Category geoscientificInformation المياه الداخلية environment

نظام معلومات الأسماء الجغرافية

الولايات المتحدة اللامحدودة

U.S. Geological Survey Ask USGS -- Water Webserver Team mailing address 445 National Center Reston VA

USA 1-888-275-8747 (1-888-ASK-USGS) https://answers.usgs.gov/cgi-bin/gsanswers?pemail=h2oteam&subject=GIS+Dataset+nlcde92

https://water.usgs.gov/GIS/browse/nlcde92.jpg
Illustration of the data set
JPEG Contributors to the development of the NLCDe 92 include David K. Mueller, Gail P. Thelin, and Robert J. Gilliom. The authors are very grateful to Terri L. Arnold and Steven Sobieszczyk for their meticulous reviews of this data set and the metadata. None Unclassified None Microsoft Windows XP Version 5.1 (Build 2600) Service Pack 2 ArcInfo version 9.1 See Supplemental_Information section. Not applicable to raster data. Complete for the conterminous United States.

National Land Cover Data 1992 raster digital data

Vogelmann, J.E., Howard, S.M., Yang, L., Larson, C.R., Wylie, B.K., and Van Driel, N., 2001, Completion of the 1990&aposs National Land Cover Data Set for the conterminous United States from Landsat Thematic Mapper data and ancillary data sources: Photogrammetric Engineering and Remote Sensing, v. 67, p. 650-662. http://www.asprs.org/publications/pers/2001journal/june/highlight.html http://landcover.usgs.gov/natllandcover.php raster digital data 1986 1995 Landsat data acquired between 1986 and 1995 NLCD GeoTIFF state-level data files were downloaded from http://eros.usgs.gov/products/landcover/nlcd.html, on 11/16/00 NLCD 92 NLCD 92 (National Land Cover Data 1992) is a 21-category land cover classification scheme that has been applied consistently over the conterminous United States. It is based primarily on the unsupervised classification of Landsat TM (Thematic Mapper) 1992 imagery. Ancillary data sources included topography, census, agricultural statistics, soil characteristics, other land cover maps, and wetlands data. The NLCD 92 is available as raster data with a spatial resolution of 30 meters. Curtis V. Price Naomi Nakagaki Kerie J. Hitt Rick M. Clawges

Enhanced Historical Land-Use and Land-Cover Data Sets of the U.S. Geological Survey 1.0 raster digital data U.S. Geological Survey Data Series 240

https://pubs.usgs.gov/ds/2006/240/ online 1970 1985 ground condition (air photographs collected between 1970-1985) LULC, a.k.a. GIRAS (Geographic Information Retrieval Analysis System) A 30-m resolution grid of this data set provided the spatial and attribute data for the following land use and land classifications: "Residential" "Orchards, Groves, Vineyards, Nurseries, and Ornamental Horticultural Areas" "Shrub and Brush Tundra" "Herbaceous Tundra" "Bare Ground Tundra" "Wet Tundra" and "Mixed Tundra." U.S. Department of Commerce, Bureau of the Census

1:100,000-scale counties of the United States vector digital data https://water.usgs.gov/lookup/getspatial?county100 online 1990 publication date county100 county boundaries and county code (FIPS) were used to develop the 30-m resolution 1990 county boundaries grid. The US boundary and coastline defined in the county boundaries grid was used to clip the NLCDe 92 and used to overlay with the NLCD 92 to define the boundaries of California, Washington, Oregon, and Florida in developing the "LULC Orchards/Vineyards/Other" classification. National Oceanic and Atmospheric Administration (NOAA), National Ocean Service (NOS), Office of Coast Survey, and the Strategic Environmental Assessments (SEA) Division of the Office of Ocean Resources Conservation and Assessment (ORCA)

NOS80K/ALLUS80K medium-resolution digital vector U.S. shoreline vector digital data http://woodshole.er.usgs.gov/pubs/of2005-1048/data/basemaps/usa/nos80k/nos80k.htm online 1988 1992 publication date allus80k coastline delineations were used to develop the 30-m resolution 1990 county boundaries grid. The US boundary and coastline defined in the county boundaries grid was used to clip the NLCDe 92 and used to overlay with the NLCD 92 to define the boundaries of California, Washington, Oregon, and Florida in developing the "LULC Orchards/Vineyards/Other" classification.

GeoTIFF files of the NLCD 92 were downloaded from U.S. Geological Survey&aposs Earth Resources Observation and Science (EROS) web site, at http://eros.usgs.gov/products/landcover/nlcd.html

The state-level GeoTIFF files were converted to ArcInfo grids, then aggregated and split into 4 quadrant grids. The northwest grid was named "NLCDG1," the northeast grid was named "NLCDG2," the southwest grid was named "NLCDG3," and the southeast grid was named "NLCDG4". Below are the NLCD 92 grid cell counts by land class code for each of the quadrant grids: >Arc: list NLCDG1.vat VALUE COUNT 11 56407175 12 1522279 21 10886041 22 394876 23 6937295 31 54805473 32 1017327 33 17013695 41 49431874 42 535918326 43 33624760 51 688232797 61 6681384 71 701386742 81 96113804 82 97719625 83 147747615 84 76395315 85 1176234 91 5148416 92 19161415 >Arc: list NLCDG2.vat VALUE COUNT 11 228955906 21 34396534 22 9657269 23 18039678 31 762076 32 2760978 33 5441444 41 410353023 42 81681022 43 123313325 51 1848624 61 55889 71 26626305 81 268751518 82 568897992 83 12751157 84 10751 85 8801483 91 90174033 92 33054375 >Arc: list NLCDG3.vat VALUE COUNT 11 19564052 12 166604 21 9740770 22 2157846 23 6962559 31 64722623 32 957428 33 232014 41 26575372 42 222386320 43 8748611 51 864666009 61 7399494 71 539096049 81 50964383 82 110833568 83 91170397 84 3211235 85 1301779 91 587207 92 1782989 >Arc: list NLCDG4.vat VALUE COUNT 11 144990512 21 36185967 22 11176863 23 18572555 31 2468940 32 2697205 33 32457680 41 550030096 42 276449200 43 213847807 51 18878235 61 4819653 71 111751879 81 388585758 82 315626921 83 44744512 84 8426 85 8769928 91 149894432 92 55308412

The NLCD 92 quadrant grids were overlaid with USGS&aposs Land Use and Land Cover (LULC) data set (30-m resolution). The LULC data set that was used for the overlay in generating the NLCDe 92 was a working version of the published version in the USGS&aposs Data Series 240. DECISION RULES FOR PROCESSING Below are the decision rules and corresponding ARC Workstation Grid processing commands (shown with "Grid:" prompt) that were used to modify the original NLCD 92 land cover classification codes to develop the enhanced National Land Cover Data (NLCDe 92) . The data were processed as four 30-m resolution grids, one grid for each quadrant of the conterminous United States, and the procedure outlined below was followed once for each of the 4 grids. Descriptions of grid names used in the procedure: "NLCDG"-----represents a 30-m resolution NLCD 92 quadrant grid "GIRASG"----represents a 30-m resolution LULC quadrant grid "STATEG"----represents the national 1-km representation of the state boundaries in the conterminous U.S., generalized from the 1990 county boundaries "CNTYG"-----represents a national 30-m resolution 1990 county boundaries of the conterminous U.S. "ORCHARDG"--represents a 30-m resolution quadrant grid of cells that were reclassified as "LULC Orchards/Vineyards/Other" "TUNDRAG"---represents a 30-m resolution quadrant grid of cells that were reclassified as "LULC Tundra" "RESG"------represents a 30-m resolution quadrant grid of cells that were reclassified as "LULC Residential" or "NLCD/LULC Forested Residential" "NLCDETMPG"-represents an unclipped 30-m resolution NLCDe 92 quadrant grid "NLCDE92"---represents a 30-m resolution NLCDe 92 quadrant grid (final product) Rules: 1) Identify NLCD 92 grid cells that should be reclassified to "LULC Orchards/Vineyards/Other." The orchards and vineyards were determined to be well represented in four states (California, Florida, Oregon, and Washington) in the NLCD 92 therefore reclassification of NLCD 92 did not take place for orchards and vineyards in these states. Reclassify NLCD 92 grid cells to new NLCDe 92 code 62 ("LULC Orchards/Vineyards/Other") if: a) the LULC grid cell was classified as "Orchards, Groves, Vineyards, Nurseries, and Ornamental Horticultural Areas" (LULC code 22), and a) the same 30-by-30m area is outside of CA, FL, OR, and WA (state FIPS Codes 6,12,41,53, respectively), and c) the NLCD 92 grid cell was not classified as: i) Orchards/Vineyards/Other (NLCD 92 code 61) ii) Open Water (NLCD 92 code 11), iii) Low Intensity Residential (NLCD 92 code 21), iv) High Intensity Residential (NLCD 92 code 22), v) Commercial/Industrial/Transportation (NLCD 92 code 23), or vi) Urban/Recreational Grass (NLCD 92 code 85). > Grid: ORCHARDG = con(GIRASG eq 22

> and isnull(NLCDG in <61,11,21,22,23,85>), 62) 2) Identify NLCD 92 grid cells that should be reclassified to "LULC Tundra." Reclassify NLCD 92 grid cells to new NLCDe 92 code 72 ("LULC Tundra") if: a) the LULC grid cell is classified as "Shrub and Brush Tundra," "Herbaceous Tundra," "Bare Ground Tundra," "Wet Tundra," and "Mixed Tundra" (LULC codes 81,82,83,84,and 85, respectively), and b) the NLCD 92 grid cell is "Grassland/Herbaceous" or "Shrubland" (NLCD 92 codes 51 and 71, respectively). > Grid: TUNDRAG = con (GIRASG in <81,82,83,84,85>and

NLCDG in <51,71>, 72) 3) Identify NLCD 92 grid cells that should be reclassified to "LULC Residential" or to "NLCD/LULC Forested Residential". Reclassify NLCD 92 grid cells to new NLCDe 92 code 25 ("LULC Residential") if: a) LULC grid cell is classified as "Residential" (LULC code 11), and b) NLCD 92 grid cell is not classified as "Open Water," "Low Intensity Residential," "High Intensity Residential," "Commercial/ Industrial/Transportation," "Urban/Recreational Grasses," "Woody Wetlands," or "Emergent Herbaceous Wetlands" (NLCD 92 codes 11,21,22,23,85,91 and 92, respectively), and c) NLCD 92 grid cell is *not* classified as "Deciduous Forest," "Evergreen Forest," or "Mixed Forest" (NLCD 92 codes 41,42,43, respectively). Reclassify NLCD 92 grid cells to new NLCDe 92 code 26 ("NLCD/LULC Forested Residential") if: a) LULC grid cell is classified as "Residential" (LULC code 11), and b) NLCD 92 grid cell is not classified as "Open Water," ""Low Intensity Residential," "High Intensity Residential," "Commercial/Industrial/Transportation," "Urban/Recreational Grasses," "Woody Wetlands," or "Emergent Herbaceous Wetlands" (NLCD 92 codes 11,21,22,23,85,91 and 92, respectively), and c) NLCD 92 grid cell *is* classified as "Deciduous Forest," "Evergreen Forest," or "Mixed Forest" (NLCD 92 codes 41,42,43, respectively). > Grid: RESG = con(GIRASG eq 11 and

> con(isnull(NLCDG in <41,42,43>),25,26) ) 4) Combine all the results together (ORCHARDG, TUNDRAG, RESG), cell by cell. For a given location, the first valid grid cell value takes precedence. For example, if all three rules above did not apply, no output cell value is assigned, and the original NLCD 92 grid cell value is preserved in the NLCDe 92 data set. > Grid: NLCDETMPG = merge(RESG,ORCHARDG,TUNDRAG,NLCDG) Below are the cell counts of the (interim) NLCDe 92 quadrant grids: > Arc: list NLCDETMPG1.vat VALUE COUNT 11 56407175 12 1522241 21 10886041 22 394876 23 6937295 25 3270048 (new classification) 26 2462690 (new classification) 31 54770030 32 1012929 33 17000653 41 48641527 42 534741469 43 33122700 51 683053565 61 6499275 62 118726 (new classification) 71 694679753 72 10121683 (new classification) 81 95031078 82 97613563 83 147579036 84 76370276 85 1176234 91 5148381 92 19161224 > Arc: list NLCDETMPG2.vat VALUE COUNT 11 228955906 21 34396534 22 9657269 23 18039678 25 4661362 (new classification) 26 9272484 (new classification) 31 703211 32 2728112 33 5364916 41 404022131 42 80582888 43 120990880 51 1842672 61 53460 62 2044587 (new classification) 71 26457580 81 264697611 82 567106359 83 12737987 84 10749 85 8801483 91 90156111 92 33049412 > Arc: list NLCDETMPG3.vat VALUE COUNT 11 19564052 12 166540 21 9740770 22 2157846 23 6962559 25 3414255 (new classification) 26 761647 (new classification) 31 64522590 32 953460 33 231606 41 26491737 42 221908956 43 8519779 51 860940750 61 7352564 62 913225 (new classification) 71 535342247 72 4520206 (new classification) 81 50505906 82 110345503 83 91032559 84 3207956 85 1301779 91 586332 92 1782485 > Arc: list NLCDETMPG4.vat VALUE COUNT 11 144990512 21 36185967 22 11176863 23 18572555 25 7724858 (new classification) 26 12907272 (new classification) 31 2381308 32 2673363 33 32200587 41 544021036 42 273048197 43 209863181 51 18732576 61 4626640 62 1670463 (new classification) 71 111343554 81 383243421 82 313333432 83 44634786 84 8426 85 8769928 91 149855359 92 55300697

The 30-m resolution NLCDe 92 quadrant grids were then clipped to the 30-m resolution 1990 county boundaries grid. Grid cells along the periphery of the U.S. boundary without an assigned land-cover code were assigned a value of "99." These grid cells were outside of the map extent of the NLCD 92 but within the extent of the 30-m resolution county boundary grid. These 30-m grid cells were assigned a value of "99" while the grid cells outside of the county boundary maintained the "no data" grid cell value. Below are the counties and number of 30-m grid cells that were assigned a value of "99": >FIPS # of CELLS ST CNTYNAME >6,025 1 CA IMPERIAL >12087 454 FL MONROE >26033 1 MI CHIPPEWA >27031 20,342 MN COOK >27071 50 MN KOOCHICHING >27077 7 MN LAKE OF THE WOODS >27137 400 MN ST LOUIS >36019 1,782 NY CLINTON >36033 2,285 NY FRANKLIN >36045 37 NY JEFFERSON >36089 2,341 NY ST LAWRENCE Below is the procedure that was used to add null land use codes (99) and clip the interim nlcde grids to the outside boundary defined by the 30-m resolution 1990 county boundary grid. The output from this process resulted in the final NLCDe 92 quadrant grids. > Grid: setcell 30 > Grid: setwindow NLCDETMPG NLCDETMPG > Grid: setmask CNTYG > Grid: NLCDE92 = con(isnull(NLCDETMPG),99,NLCDETMPG) Below are the cell counts of the final NLCDe 92 quadrant grids: > Arc: list NLCDE92_1.vat VALUE COUNT 11 34562023 12 1522059 21 10885977 22 394874 23 6937250 25 3270047 26 2462687 31 54768610 32 1012929 33 16999910 41 48638505 42 534717319 43 33122317 51 683048136 61 6499183 62 118726 71 694633081 72 10121565 81 95027214 82 97612033 83 147567073 84 76364429 85 1176224 91 5148172 92 19160876 > Arc: list NLCDE92_2.vat VALUE COUNT 11 44938928 21 34396093 22 9657233 23 18037821 25 4661354 26 9272478 31 703105 32 2728102 33 5363057 41 403925959 42 80534812 43 120896603 51 1842196 61 53459 62 2044587 71 26457203 81 264694569 82 567086957 83 12737564 84 10749 85 8801165 91 90147764 92 33047052 99 27245 > Arc: list NLCDE92_3.vat VALUE COUNT 11 9212044 12 166540 21 9738777 22 2157643 23 6959871 25 3414225 26 761633 31 64489598 32 953433 33 231606 41 26468976 42 221886647 43 8519702 51 860620187 61 7351712 62 913194 71 535229626 72 4520206 81 50482686 82 110311711 83 91032136 84 3207950 85 1301625 91 585785 92 1781561 99 1 > Arc: list NLCDE92_4.vat VALUE COUNT 11 54483791 21 36185928 22 11176863 23 18572480 25 7724835 26 12907261 31 2373207 32 2673363 33 32200587 41 544016777 42 273043885 43 209863174 51 18724862 61 4626640 62 1670386 71 111337767 81 383239657 82 313320000 83 44634786 84 8426 85 8769904 91 149855203 92 55300522 99 454

The quadrant grids were converted to GeoTIFF images for distribution. They were converted to images using the Arc Workstation grid command "gridimage." (Note: when the grid to TIFF conversion took place, all "no data" cells transformed into pixels with a zero value.) The GeoTIFF image format allows red-green-blue (RGB) color values to be assigned to the index values and stores them in the TIFF image header. The index values correspond to the NLCDe 92 land cover codes and thus can be used to create color maps. GeoTIFF colormap Value,Red,Green,Blue,Land Cover Classification ----0,254,254,254,No Data, outside of conterminous U.S. ---11,000,182,235,Open Water ---12,240,240,241,Perennial Ice/Snow ---21,251,222,229,Low Intensity Residential ---22,242,133,173,High Intensity Residential ---23,214,000,121,Commercial/Industrial/Transportation ---25,224,175,198,LULC Residential ---26,199,110,151,NLCD/LULC Forested Residential ---31,174,085,071,Bare Rock/Sand/Clay ---32,191,147,134,Quarries/Strip Mines/Gravel Pits ---33,136,082,050,Transitional ---41,154,210,173,Deciduous Forest ---42,000,145,070,Evergreen Forest ---43,139,197,062,Mixed Forest ---51,198,151,058,Shrubland ---61,198,159,201,Orchards/Vineyards/Other ---62,143,062,151,LULC Orchards/Vineyards/Other ---71,233,209,174,Grasslands/Herbaceous ---72,208,210,211,LULC Tundra ---81,251,240,208,Pasture/Hay ---82,254,246,156,Row Crops ---83,251,174,022,Small Grains ---84,254,211,000,Fallow ---85,229,239,202,Urban/Recreational Grasses ---91,152,214,219,Woody Wetlands ---92,050,149,173,Emergent Herbaceous Wetlands ---99,099,099,099,No land cover data, but within county boundaries, as defined in 30-m resolution 1990 county boundary grid

For ESRI software users, the layer file (.lyr) and auxiliary file (.aux) were added with each quad data set to facilitate the use of the nlcde92 data. The layer file contains symbology (color fills) and labels (land cover descriptions) that pertain to the nlcde data set, and the auxiliary file contains the projection information, which is one of ESRI's predefined coordinate systems (USA Contiguous Albers Equal Area Conic USGS).

Raster Grid Cell 44167 (NLCDe92_1,NLCDe92_2) 53833 (NLCDe92_3,NLCDe92_4) 73167(NLCDe92_1,NLCDe92_3) 81666(NLCDe92_2,NLCDe92_4)


شاهد الفيديو: Gradjevinsko Zemljiste