简介此产品是景观变化监测系统 (LCMS) 数据套件的一部分。它显示了每个年份的 LCMS 模式变化、土地覆盖和/或土地利用类别涵盖美国本土 (CONUS) 以及 CONUS 以外的地区 (OCONUS)包括阿拉斯加 (AK)、波多黎各-美属维尔京群岛 (PRUSVI) 和夏威夷 (HI)。PRUSVI 和 HI v2025-11 数据将于 2026 年夏季末发布。LCMS 是一种基于遥感技术的系统用于绘制和监控美国各地的景观变化。其目标是开发一种一致的方法利用最新的技术和变化检测方面的进展制作出“最佳”地貌变化地图。如需了解完整的 LCMS 方法请参阅 Housman 等人 (2026)。输出包括三种年度产品变化、土地覆盖和土地利用。变化模型输出专门针对植被覆盖包括缓慢损失、快速损失也包括水文变化例如淹没或干旱和增加。这些值是针对 Landsat 时间序列的每一年预测的是 LCMS 的基础产品。我们应用基于辅助数据集的规则集来创建最终的变化产品该产品是对模型化变化进行细化/重新分类将其分为 15 个类别明确提供有关地貌变化原因的信息例如砍伐树木、野火、风。土地覆被和土地利用地图描绘了每个年份的生命形式级土地覆被和广义级土地利用。由于没有哪种算法在所有情况下都能表现出色因此 LCMS 使用模型集成作为预测器从而提高各种生态系统和变化过程中的地图准确性Healey 等人2018 年。由此产生的一套 LCMS 变化、土地覆盖和土地利用地图可全面展示自 1985 年以来美国各地的地貌变化。LCMS 模型的预测器层包括 LandTrendr 和 CCDC 变化检测算法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 2.0Zhu 和 Woodcock2012 年仅限 Landsat算法的一个实现、cloudScoreChastain 等人2019 年仅限 Landsat、s2cloudlessSentinel-Hub2021 年和 Cloud ScorePasquarella 等人2023 年仅限 Sentinel 2来遮盖云层同时使用 TDOMChastain 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。对于 CCDC我们使用了美国地质调查局 (USGS) Collection 2 Landsat Tier 1 地表反射率数据针对美国本土 48 州以及 Landsat Tier 1 大气层顶反射率数据针对阿拉斯加、波多黎各、美属维尔京群岛和夏威夷。我们使用 LandTrendrKennedy 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。所有无云和无云阴影的值也使用 CCDC 算法Zhu 和 Woodcock2014 年进行时间分段。预测变量数据包括原始合成值、LandTrendr 拟合值、成对差值、分段持续时间、变化幅度及斜率以及 CCDC 正弦和余弦系数前 3 个谐波、拟合值和成对差值连同源自 10 米 USGS 3D 高程计划 (3DEP) 数据美国地质调查局2019 年的海拔、坡度、坡向正弦、坡向余弦和地形位置指数Weiss2001 年。参考数据是使用 TimeSync 收集的这是一种基于 Web 的工具可帮助分析师直观呈现和解读 1984 年至今的 Landsat 数据记录Cohen 等人2010 年。我们使用 TimeSync 中的参考数据以及 LandTrendr、CCDC 和地形指数中的预测器数据训练了随机森林模型 (Breiman, 2001)以预测年度变化、土地覆盖和土地利用类别。在完成建模后我们会使用辅助数据集制定一系列概率阈值和规则集以改进定性地图输出并减少误报和漏报。如需了解详情请参阅“说明”中包含的 LCMS 方法简介以及 Housman 等人 (2026) 的文章。如需了解详情请参阅下文“其他资源”中包含的 LCMS 方法简介和 LCMS 随附文章。其他资源使用 LCMS 数据的更详细代码示例。LCMS Data Explorer 是一款基于 Web 的应用可让用户查看、分析、总结和下载 LCMS 数据。借助 LCMS 信息中心用户可以快速总结各个领域并下载报告。请参阅 LCMS 方法简介和 LCMS 配套文章Housman 等人2026 年了解有关方法和准确性评估的更多详细信息或访问 LCMS 地理数据交换中心下载数据元数据和支持文档。如有任何疑问或具体的数据请求请发送邮件至 sm.fs.lcmsusda.gov。数据集说明空间信息数据集可用时间1985-01-01T00:00:00Z–2025-12-31T00:00:00Z数据集生产者美国农业部林务局 (USFS) 现场服务与创新中心地理空间办公室 (FSIC-GO)Earth Engine 代码段ee.ImageCollection(projects/gtac-data-publish/assets/LCMS/Product_Version/2025-11)波段像素大小30 米所有波段名称像元大小说明Change30 米最终主题 LCMS 更改产品。每年总共映射了 15 个变化类别。从根本上讲我们针对每个研究区域使用三个单独的二元随机森林模型来模拟变化缓慢损失、快速损失和增加。每个像素都会分配给概率最高且高于指定阈值的模型变化类别。如果某个像素没有任何值高于相应类别的阈值则会将其分配给“稳定”类别。根据使用模型化变化类别的规则集、辅助数据集例如 TCC、燃烧严重程度监测趋势以及昆虫和疾病调查和 LCMS 土地覆盖数据将 15 个精细化变化原因类别之一分配给每个像素。如需详细了解规则集和所用的辅助数据集请参阅“说明”中链接的 LCMS 方法简报。Land_Cover30 米最终的主题 LCMS 地表覆盖产品。我们每年都会使用 TimeSync 参考数据和从 Landsat 影像中提取的光谱信息绘制总共 14 个土地覆盖类别的地图。地表覆盖是通过单个多类别随机森林模型预测的该模型会输出一个数组其中包含每个类别的概率随机森林模型中“选择”每个类别的树的比例。最终类别会分配给概率最高的土地用途。在分配概率最高的地表覆盖类别之前根据研究区域应用了一个或多个使用辅助数据集的概率阈值和规则集。如需详细了解概率阈值和规则集请参阅说明中链接的 LCMS 方法简报。七个地表覆盖类别表示单一地表覆盖其中地表覆盖类型覆盖了像素的大部分区域而其他任何类别的覆盖面积均不超过像素的 10%。此外还有 7 门混合课程。这些像素表示其他地表覆盖类别的覆盖率至少为 10% 的像素。Land_Use30 米最终专题 LCMS 土地利用产品。我们每年都会使用 TimeSync 参考数据和从 Landsat 影像中提取的光谱信息绘制总共 5 个土地用途类别的地图。土地利用是使用单个多类别随机森林模型预测的该模型会输出一个数组其中包含每个类别的概率随机森林模型中“选择”每个类别的树的比例。最终类别会分配给概率最高的土地用途。在分配概率最高的地表覆盖类型之前我们使用辅助数据集应用了一系列概率阈值和规则集。如需详细了解概率阈值和规则集请参阅说明中链接的 LCMS 方法简报。Change_Raw_Probability_Slow_Loss30 米慢速损失的原始 LCMS 建模概率。“缓慢丢失”包括以下来自 TimeSync 更改流程解释的类别结构性衰退 - 树木或其他木本植被因非人为或非机械因素造成的不利生长条件而发生物理性改变的土地。 此类损失通常会在光谱信号中形成趋势例如 NDVI 降低、湿度降低、SWIR 升高等但这种趋势可能并不明显。木本植被环境中的结构性衰退最有可能由昆虫、疾病、干旱、酸雨等引起。结构性衰退可能包括不会导致死亡的落叶事件例如舞毒蛾和云杉芽虫侵扰这些事件可能会在 1 或 2 年内恢复。光谱衰减 - 一种图其中光谱信号显示一个或多个光谱波段或指数例如 NDVI 降低、湿度降低、SWIR 升高等等的趋势。例如在以下情况下a) 非森林/非木本植被呈现出表明衰退的趋势例如NDVI 降低、湿度降低、SWIR 升高等或 b) 木本植被呈现出与木本植被损失无关的衰退趋势例如成熟的树冠闭合导致阴影增加、物种组成从针叶树变为阔叶树或者干旱期而非更严重、更急性的干旱导致活力明显下降但没有木本物质或叶面积损失。Change_Raw_Probability_Fast_Loss30 米快速损失的原始 LCMS 建模概率。快速丢失包括以下来自 TimeSync 更改流程解释的类火灾 - 因火灾而改变的土地无论起火原因自然或人为、严重程度或土地用途如何。采伐 - 通过人为手段砍伐或移除树木、灌木或其他植被的林地。示例包括皆伐、火灾或虫害爆发后的抢救性采伐、疏伐和其他森林管理措施例如庇护林/留种树采伐。机械清除 - 非森林土地其中树木、灌木或其他植被已通过链锯、刮除、灌木锯、推土机或任何其他非森林植被清除方法机械地砍伐或移除。风/冰 - 陆地无论是否使用植被因飓风、龙卷风、风暴和其他恶劣天气事件包括冰暴造成的冻雨而发生改变。水文 - 洪水显著改变了木本植被或其他土地覆盖要素的土地无论土地用途如何例如洪水过后河床内及周围出现新的砾石和植被混合物。碎屑 - 受与滑坡、雪崩、火山、泥石流等相关的自然物质运动影响而改变的陆地无论用途如何。其他 - 光谱趋势或其他支持性证据表明发生了扰动或变化事件但无法确定确切原因或者变化类型不符合上述任何变化过程类别的土地无论用途如何。Change_Raw_Probability_Gain30 米增益的原始 LCMS 建模概率。定义为由于生长和演替植被覆盖率在一年或多年内增加的土地。适用于可能表现出与植被再生相关的光谱变化的任何区域。在发达地区增长可能源于成熟的植被和/或新安装的草坪和景观。在森林中生长包括从裸露地面开始的植被生长以及中等高度和共同优势树木和/或低矮的草和灌木的生长。在森林采伐后记录的增长/恢复区段可能会随着森林的再生而经历不同的土地覆盖类别。只有当光谱值与持续数年的上升趋势线例如如果延伸到约 20 年斜率为正且 NDVI 值约为 0.10 单位密切相关时这些变化才会被视为增长/恢复。Land_Cover_Raw_Probability_Trees30 米树木的原始 LCMS 建模概率。定义为像素的大部分由活树或枯立木组成。Land_Cover_Raw_Probability_Tall-Shrubs-and-Trees-Mix30 米高灌木和树木混合仅限阿拉斯加的原始 LCMS 建模概率。定义为像素的大部分由高度超过 1 米的灌木组成并且至少包含 10% 的活树或枯立木。Land_Cover_Raw_Probability_Shrubs-and-Trees-Mix30 米灌木和树木混合的原始 LCMS 建模概率。定义为像素的大部分由灌木组成并且至少有 10% 由活树或枯立木组成。Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Trees-Mix30 米草类/草本植物和树木混合的原始 LCMS 建模概率。定义为像素的大部分由多年生草、草本植物或其他草本植被组成并且至少有 10% 的活树或枯立木。Land_Cover_Raw_Probability_Barren-and-Trees-Mix30 米贫瘠土地和树木混合的原始 LCMS 建模概率。定义为像素的大部分由扰动暴露的裸土例如机械清理或森林采伐暴露的土壤以及常年贫瘠的区域例如沙漠、干盐湖、露岩地包括因地表采矿活动而暴露的矿物和其他地质材料、沙丘、盐碱滩和海滩组成。由泥土和碎石铺成的道路也被视为贫瘠土地并且至少包含 10% 的活树或枯立木。Land_Cover_Raw_Probability_Tall-Shrubs30 米高灌木仅限阿拉斯加的原始 LCMS 建模概率。定义为像素的大部分由高度超过 1 米的灌木组成。Land_Cover_Raw_Probability_Shrubs30 米灌木的原始 LCMS 建模概率。定义为像素的大部分由灌木组成。Land_Cover_Raw_Probability_Grass-Forb-Herb-and-Shrubs-Mix30 米草类/禾草类/草本植物和灌木混合物的原始 LCMS 建模概率。定义为像素的大部分由多年生草、草本植物或其他草本植被组成并且至少有 10% 由灌木组成。Land_Cover_Raw_Probability_Barren-and-Shrubs-Mix30 米贫瘠和灌木混合的原始 LCMS 建模概率。定义为像素的大部分由扰动暴露的裸土例如机械清理或森林采伐暴露的土壤以及常年贫瘠的区域例如沙漠、干盐湖、露岩地包括因地表采矿活动而暴露的矿物和其他地质材料、沙丘、盐碱滩和海滩组成。由泥土和碎石铺成的道路也被视为贫瘠土地并且至少包含 10% 的灌木。Land_Cover_Raw_Probability_Grass-Forb-Herb30 米草/禾草/草本植物的原始 LCMS 建模概率。定义为像素的大部分由多年生草、草本植物或其他形式的草本植被组成。Land_Cover_Raw_Probability_Barren-and-Grass-Forb-Herb-Mix30 米贫瘠土地和草/禾草/草本植物混合物的原始 LCMS 建模概率。定义为像素的大部分由扰动暴露的裸露土壤例如机械清理或森林采伐后暴露的土壤以及常年贫瘠的区域例如沙漠、干盐湖、岩石露头 [包括地表采矿活动暴露的矿物和其他地质材料]、沙丘、盐碱滩和海滩组成。由泥土和碎石铺成的道路也被视为贫瘠土地并且至少包含 10% 的多年生草、草本植物或其他草本植被。Land_Cover_Raw_Probability_Barren-or-Impervious30 米贫瘠或不透水地表的原始 LCMS 建模概率。定义为像素的大部分由以下部分组成1.) 因扰动而暴露的裸土例如因机械清理或森林采伐而暴露的土壤以及常年贫瘠的区域例如沙漠、干盐湖、露岩包括因地表采矿活动而暴露的矿物和其他地质材料、沙丘、盐碱滩和海滩。由泥土和碎石铺成的道路也被视为贫瘠的土地2.) 水无法渗透的人造材料例如铺砌的道路、屋顶和停车场。Land_Cover_Raw_Probability_Snow-or-Ice30 米雪或冰的原始 LCMS 建模概率。定义为大部分像素由雪或冰组成。Land_Cover_Raw_Probability_Water30 米水的原始 LCMS 建模概率。定义为像素的大部分由水组成。Land_Use_Raw_Probability_Agriculture30 米农业的原始 LCMS 建模概率。定义为用于生产食物、纤维和燃料的土地处于植被覆盖状态或无植被状态。这包括但不限于耕种和未耕种的农田、草地、果园、葡萄园、圈养牲畜作业区以及种植水果、坚果或浆果的生产区。 主要用于农业用途即不用于城镇间的公共交通的道路被视为农业用地。Land_Use_Raw_Probability_Developed30 米“发达”的原始 LCMS 建模概率。定义为被人造结构例如高密度住宅、商业、工业、采矿或交通覆盖的土地或植被包括树木和结构例如低密度住宅、草坪、休闲设施、墓地、交通和公用事业走廊等的混合体包括因人类活动而发生功能性改变的任何土地。Land_Use_Raw_Probability_Forest30 米森林的原始 LCMS 建模概率。定义为已种植或自然植被覆盖的土地在近期演替序列中的某个时间点其树木覆盖率达到或可能达到10% 或更高。这可能包括天然森林、人工林和木本湿地的落叶、常绿和/或混合类别。Land_Use_Raw_Probability_Other30 米其他类别的原始 LCMS 建模概率。定义为根据光谱趋势或其他支持性证据土地无论用途如何上发生了扰动或变化事件但无法确定确切原因或者变化类型不符合上述任何变化过程类别。Land_Use_Raw_Probability_Rangeland-or-Pasture30 米草原或牧场的原始 LCMS 建模概率。定义为此类包含以下任何区域a.) 牧草地其中植被是本地草类、灌木、草本植物和类草植物的混合体主要由降雨、温度、海拔和火灾等自然因素和过程产生尽管有限的管理可能包括规定燃烧以及家养和野生草食动物的放牧或 b.) 牧场植被可能包括混合的、主要为天然的草类、草本植物和药草也可能包括经过管理、以播种和管理来维持近乎单一栽培的草类为主的植被。QA_Bits30 米有关年度 LCMS 产品输出值来源的辅助信息。QA_Bits 的位掩码位 0像素是否经过插值。0插值1未插值第 1-5 位像素来自哪个传感器。4Landsat 45Landsat 57Landsat 78Landsat 89Landsat 921Sentinel 2A22Sentinel 2B位 6-14像素的儒略日1-365。更改类别表值颜色说明1#ff09f3Wind2#541aff飓风3#e4f5fd雪或冰转场效果4#cc982e干燥5#0adaff洪灾6#a10018计划烧除7#d54309Wildfire8#fafa4b机械土地改造9#afde1c移除树木10#ffc80d落叶11#a64c28南方松树皮甲12#f39268虫害、病害或干旱胁迫13#c291d5其他损失14#00a398植被演替生长15#3d4551稳定16#1b1716非处理区域遮罩Land_Cover 类表值颜色说明1#004e2b树2#009344高灌木和树木混合 (仅限 AK)3#61bb46灌木和树木混合4#acbb67草/草本植物/香草和树木混合5#8b8560荒地与树木混搭6#cafd4b高灌木仅限 AK7#f89a1c灌木8#8fa55f草类/草本植物/灌木混合9#bebb8e贫瘠土地和灌木丛合辑10#e5e98a草类/草本植物/香草11#ddb925贫瘠土地和草/多年生草本植物/草本植物混合12#893f54贫瘠或不透水13#e4f5fd下雪或结冰14#00b6f0水15#1b1716非处理区域遮罩Land_Use 类别表值颜色说明1#fbff97农业2#e6558b开发3#004e2b森林4#9dbac5其他5#a6976a草地或牧场6#1b1716非处理区域遮罩变量图像属性名称类型说明study_areaSTRING此 LCMS 版本涵盖美国本土、阿拉斯加、波多黎各-美属维尔京群岛和夏威夷。 可能的值CONUS, AK, PRUSVI, HI版本STRING产品版本startYearINT产品的起始年份endYearINT产品的结束年份年INT产品年份代码var dataset ee.ImageCollection(projects/gtac-data-publish/assets/LCMS/Product_Version/2025-11); var lcms dataset.filterDate(2023, 2024) // range: [1985, 2025] .filter(study_area CONUS) // AK .first(); // LCMS Change product visualization parameters var changeViz { min: [1.0], max: [16.0], palette: [ ff09f3, 541aff, e4f5fd, cc982e, 0adaff, a10018, d54309, fafa4b, afde1c, ffc80d, a64c28, f39268, c291d5, 00a398, 3d4551, 1b1716, ], bands: [Change], }; // LCMS Land Cover product visualization parameters var lcViz { min: [1.0], max: [15.0], palette: [ 004e2b, 009344, 61bb46, acbb67, 8b8560, cafd4b, f89a1c, 8fa55f, bebb8e, e5e98a, ddb925, 893f54, e4f5fd, 00b6f0, 1b1716, ], bands: [Land_Cover], }; // LCMS Land Use product visualization parameters var luViz { min: [1.0], max: [6.0], palette: [ fbff97, e6558b, 004e2b, 9dbac5, a6976a, 1b1716, ], bands: [Land_Use], }; Map.addLayer(lcms.select(Land_Cover), lcViz, Land Cover); Map.addLayer(lcms.select(Land_Use), luViz, Land Use); Map.addLayer(lcms.select(Change), changeViz, Vegetation Change, false); Map.setCenter(-98.58, 38.14, 4);代码链接https://code.earthengine.google.com/8fd9de0faaaac5d6867f77ce069f9c58结果引用美国农业部林务局。2026 年。美国林务局景观变化监测系统 v2025.11美国本土和美国本土外。犹他州盐湖城。Breiman, L.2001 年。随机森林。刊载于《机器学习》栏目。Springer455-32。 doi10.1023/A:1010933404324Chastain, 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 Direct221274-285。doi:10.1016/j.rse.2018.11.012Cohen, W. B., Yang, Z. 和 Kennedy, R.2010 年。使用年度 Landsat 时序数据检测森林扰动和恢复趋势2. TimeSync - 用于校准和验证的工具。刊载于《环境遥感》期刊。Science Direct114(12)2911-2924。doi:10.1016/j.rse.2010.07.010Cohen, W. B.、Yang, Z.、Healey, S. P.、Kennedy, R. E. 和 Gorelick, N. 2018 年。一种用于森林扰动检测的 LandTrendr 多光谱集成方法。刊载于《环境遥感》期刊。Science Direct205131-140。 doi:10.1016/j.rse.2017.11.015Foga, 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 Direct194379-390。 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_10mHealey, S. P. Cohen, W. B.、Yang, Z.、Kenneth Brewer, C.、Brooks, E. B. Gorelick, N.、Hernandez, A. J. Huang, C.、Joseph Hughes, M.、Kennedy, R. E., Loveland, T. R., Moisen, G. G. Schroeder, T. A., Stehman, S. V. Vogelmann, J. E., Woodcock, C. E., Yang, L. 和 Zhu, Z.2018 年。使用堆叠泛化方法绘制森林变化图一种集成方法。刊载于《环境遥感》期刊。Science Direct204717-728。 doi:10.1016/j.rse.2017.09.029Housman, I. W., Healey, S. P. Heyer, J.Hardwick, E.、Yang, Z.、Ross, J.、 和 Megown, K. 2026 年。美国土地覆盖、土地利用和森林状况变化的同时发生地图1985 年至今。Scientific Data。doi:10.1038/s41597-026-06743-0Kennedy, 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 Direct114(12)2897-2910。doi:10.1016/j.rse.2010.07.008Kennedy, 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。MDPI10(5)691。doi:10.3390/rs10050691Pasquarella, V. J., Brown, C. F.、Czerwinski, W. 和 Rucklidge, W. J. 2023 年。 使用弱监督视频学习对光学卫星图像进行全面质量评估。收录于《IEEE/CVF 计算机视觉与模式识别会议论文集》。2124-2134 doi:10.1109/CVPRW59228.2023.00206。Sentinel-Hub2021 年。Sentinel 2 Cloud Detector。[在线]。可在以下网址获取 https://github.com/sentinel-hub/sentinel2-cloud-detectorWeiss, A.D.、2001 年。地形位置和地貌分析海报展示ESRI 用户大会加利福尼亚州圣地亚哥Zhu, Z. 和 Woodcock, C. E. 2012。Landsat 影像中基于对象的云与云影检测。11883-94。Zhu, Z. 和 Woodcock, C. E., 2012。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 Direct11883-94。doi:10.1016/j.rse.2011.10.028Zhu, Z. 和 Woodcock, C. E., 2014 年。使用所有可用的 Landsat 数据持续检测和分类土地覆盖。 刊载于《环境遥感》期刊。Science Direct144152-171。 doi:10.1016/j.rse.2014.01.011许可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。2026 年。美国林务局景观变化监测系统 v2025.11美国本土和美国本土外。犹他州盐湖城。https://www.cbedai.net/xg