Multi-Resolution Land Characterization 2001 (MRLC 2001) is a second-generation Federal consortium designed to create an updated pool of nation-wide Landsat 5 and 7 imagery and derive a second-generation National Land Cover Database (NLCD 2001). The objectives of this multi-layer, multi-source database are two fold: first, to provide consistent land cover for all 50 States, and second, to provide a data framework which allows flexibility in developing and applying each independent data component to a wide variety of other applications. Components in the database include the following: (1) normalized imagery for three time periods per path/row, (2) ancillary data, including a 30 m Digital Elevation Model (DEM) derived into slope, aspect and slope position, (3) perpixel estimates of percent imperviousness and percent tree canopy (4) 29 classes of land cover data derived from the imagery, ancillary data, and derivatives, (5) classification rules, confidence estimates, and metadata from the land cover classification. This database is now being developed using a Mapping Zone approach, with 66 Zones in the continental United States and 23 Zones in Alaska. Results from three initial mapping Zones show single-pixel land cover accuracies ranging from 73 to 77 percent, imperviousness accuracies ranging from 83 to 91 percent, tree canopy accuracies ranging from 78 to 93 percent, and an estimated 50 percent increase in mapping efficiency over previous methods. The database has now entered the production phase and is being created using extensive partnering in the Federal government with planned completion by 2006.

A highly automated algorithm called vegetation change tracker (VCT) has been developed for reconstructing recent forest disturbance history using Landsat time series stacks (LTSS). This algorithm is based on the spectral–temporal properties of land cover and forest change processes, and requires little or no fine tuning for most forests with closed or near close canopy cover. It was found very efficient, taking 2–3 h on average to analyze an LTSS consisting of 12 or more Landsat images using an average desktop PC. This LTSS-VCT approach has been used to examine disturbance patterns with a biennial temporal interval from 1984 to 2006 for many locations across the conterminous U.S. Accuracy assessment over 6 validation sites revealed that overall accuracies of around 80% were achieved for disturbances mapped at individual year level. Average user's and producer's accuracies of the disturbance classes were around 70% and 60% in 5 of the 6 sites, respectively, suggesting that although forest disturbances were typically rare as compared with no-change classes, on average the VCT detected more than half of those disturbances with relatively low levels of false alarms. Field assessment revealed that VCT was able to detect most stand clearing disturbance events, including harvest, fire, and urban development, while some non-stand clearing events such as thinning and selective logging were also mapped in western U.S. The applicability of the LTSS-VCT approach depends on the availability of a temporally adequate supply of Landsat imagery. To ensure that forest disturbance records can be developed continuously in the future, it is necessary to plan and develop observational capabilities today that will allow continuous acquisition of frequent Landsat or Landsat-like observations.

Abstract We developed a global, 30-m resolution dataset of percent tree cover by rescaling the 250-m MOderate-resolution Imaging Spectroradiometer (MODIS) Vegetation Continuous Fields (VCF) Tree Cover layer using circa- 2000 and 2005 Landsat images, incorporating the MODIS Cropland Layer to improve accuracy in agricultural areas. Resulting Landsat-based estimates maintained consistency with the MODIS VCF in both epochs (RMSE =8.6% in 2000 and 11.9% in 2005), but showed improved accuracy in agricultural areas and increased discrimination of small forest patches. Against lidar measurements, the Landsat-based estimates exhibited accuracy slightly less than that of the MODIS VCF (RMSE=16.8% for MODIS-based vs. 17.4% for Landsat-based estimates), but RMSE of Landsat estimates was 3.3 percentage points lower than that of the MODIS data in an agricultural region. The Landsat data retained the saturation artifact of the MODIS VCF at greater than or equal to 80% tree cover but showed greater potential for removal of errors through calibration to lidar, with post-calibration RMSE of 9.4% compared to 13.5% in MODIS estimates. Provided for free download at the Global Land Cover Facility (GLCF) website (www.landcover.org), the 30-m resolution GLCF tree cover dataset is the highest-resolution multi-temporal depiction of Earth's tree cover available to the Earth science community.

AbstractA wide range of urban ecosystem studies, including urban hydrology, urban climate, land use planning, and resource management, require current and accurate geospatial data of urban impervious surfaces. We developed an approach to quantify urban impervious surfaces as a continuous variable by using multisensor and multisource datasets. Subpixel percent impervious surfaces at 30-m resolution were mapped using a regression tree model. The utility, practicality, and affordability of the proposed method for large-area imperviousness mapping were tested over three spatial scales (Sioux Falls, South Dakota, Richmond, Virginia, and the Chesapeake Bay areas of the United States). Average error of predicted versus actual percent impervious surface ranged from 8.8 to 11.4%, with correlation coefficients from 0.82 to 0.91. The approach is being implemented to map impervious surfaces for the entire United States as one of the major components of the circa 2000 national land cover database.Un grand nombre d'études d'écosystèmes urbains incluant l'hydrologie urbaine, le climat urbain, la planification de l'utilization du sol et la gestion des ressources font appel à des données géospatiales à jour et précises sur les surfaces urbaines imperméables. Nous avons développé une approche pour quantifier les surfaces urbaines imperméables en tant que variable continue basé sur l'utilization d'ensembles de données multicapteurs et multisources. Des surfaces imperméables sous forme de pourcentage à l'échelle du sous-pixel, à une résolution de 30 m, ont été cartographiées à l'aide d'un modèle d'arbre de régression. L'utilité, l'efficacité et la rentabilité de la méthode proposée pour la cartographie de l'imperméabilité à grande échelle ont été testées à trois échelles spatiales (les zones de Sioux Falls, au Dakota du Sud, de Richmond, en Virginie, et de la baie de Chesapeake aux États-Unis). Les erreurs moyennes entre les surfaces imperméables estimées en pourcentage versus les surfaces réelles variaient de 8,8 % à 11,4 %, avec des coefficients de corrélation de 0,82 à 0,91. pour l'an 2000. Cette approche est en phase de réalisation pour cartographier les surfaces imperméables de l'ensemble des États-Unis et constitue une des principales composantes de la base nationale de données sur le couvert pour l'an 2000.[Traduit par la Rédaction]

Forest disturbance and recovery are critical ecosystem processes, but the spatial pattern of disturbance has never been mapped across North America. The LEDAPS (Landsat Ecosystem Disturbance Adaptive Processing System) project has assembled a wall-to-wall record of stand-clearing disturbance (clearcut harvest, fire) for the United States and Canada for the period 1990–2000 using the Landsat satellite archive. Landsat TM and ETM+ data were first converted to surface reflectance using the MODIS/6S atmospheric correction approach. Disturbance and early recovery were mapped using the temporal change in a Tasseled-Cap “Disturbance Index” calculated from the early (~ 1990) and later (~ 2000) images. Validation of the continental mapping has been carried out using a sample of biennial Landsat time series from 23 locations across the United States. Although a significant amount of disturbance (30–60%) cannot be mapped due to the long interval between image acquisition dates, the biennial analyses allow a first-order correction of the decadal mapping. Our results indicate disturbance rates of up to 2–3% per year are common across the US and Canada due primarily to harvest and forest fire. Rates are highest in the southeastern US, the Pacific Northwest, Maine, and Quebec. The mean disturbance rate for the conterminous United States (the “lower 48” states and District of Columbia) is calculated as 0.9 +/− 0.2% per year, corresponding to a turnover period of 110 years.

Synthetic aperture radar (SAR) sensors represent an indispensable data source for flood disaster planners and responders, given their ability to image the Earth's surface nearly independently of weather conditions and time of day. The decision by the European Space Agency (ESA) Copernicus program to open data from its Sentinel-1 SAR satellites to the public marks the first time global, operational SAR data have been made freely available. Combined with the emergence of cloud computing platforms like the Google Earth Engine (GEE), this development presents a tremendous opportunity to the disaster response community, for whom rapid access to analysis-ready data is needed to inform effective flood disaster response interventions and management plans. Here, we present an algorithm that exploits all available Sentinel-1 SAR images in combination with historical Landsat and other auxiliary data sources hosted on the GEE to rapidly map surface inundation during flood events. Our algorithm relies on multi-temporal SAR statistics to identify unexpected floods in near real-time. Additionally, historical Landsat-based surface water class probabilities are used to distinguish unexpected floods from permanent or seasonally occurring surface water. We assessed our algorithm over three recent flood events using coincident very high- spatial resolution imagery and operational flood maps. Using very high resolution optical imagery, we estimated an area-normalized accuracy of 89.8 ± 2.8% (95% c.i.) over Houston, Texas following Hurricane Harvey in late August 2017, representing an improvement of between 1.6% and 9.8% over flood maps derived from a simple backscatter threshold. Additionally, comparison of our results with SAR-derived Copernicus Emergency Management Service (EMS) maps following devastating floods in Thessaly, Greece and Eastern Madagascar in January and March 2018, respectively, yielded overall agreement rates of 98.5% in both cases. Importantly, our algorithm was able to ingest hundreds of SAR and optical images served on the GEE to produce flood maps over affected areas within minutes, circumventing the need for time-consuming data download and pre-processing steps. The flexibility of our algorithm will allow for the rapid processing of future open-access SAR data, including data from future Sentinel-1 missions.

Abstract The compilation of global Landsat data-sets and the ever-lowering costs of computing now make it feasible to monitor the Earth's land cover at Landsat resolutions of 30 m. In this article, we describe the methods to create global products of forest cover and cover change at Landsat resolutions. Nevertheless, there are many challenges in ensuring the creation of high-quality products. And we propose various ways in which the challenges can be overcome. Among the challenges are the need for atmospheric correction, incorrect calibration coefficients in some of the data-sets, the different phenologies between compilations, the need for terrain correction, the lack of consistent reference data for training and accuracy assessment, and the need for highly automated characterization and change detection. We propose and evaluate the creation and use of surface reflectance products, improved selection of scenes to reduce phenological differences, terrain illumination correction, automated training selection, and the use of information extraction procedures robust to errors in training data along with several other issues. At several stages we use Moderate Resolution Spectroradiometer data and products to assist our analysis. A global working prototype product of forest cover and forest cover change is included.