Категории земельных участков 2019 классификатор: Виды разрешённого использования земельных участков в новом представлении – Классификатор ВРИ 2021

Понятие вида разрешенного использования

В отечественном законодательстве отсутствует определение термина «вид разрешенного использования земли» или ВРИ, хотя таковой можно назвать одним из ключевых в процессе определения правового режима землепользования конкретного участка.

Согласно п.2 ст.7 ЗК РФ, правовой режим земельного надела устанавливается исходя из того, к какой группе ВРИ он относится согласно проведенному зонированию.

Внимание, если у вас возникли вопросы вы можете их задать юристу по социальным вопросам по телефону 8 804 333 16 88 или задать свой вопрос в чате дежурному юристу. Звонки принимаются круглосуточно. Звонок бесплатный! Позвоните и решите свой вопрос!

Иными словами, ВРИ это одна из существенных характеристик земельного участка, которая оказывает значительное влияние на его дальнейшее использование.

Следствием установления определенной категории земли является конкретный правовой режим землепользования.

При выполнении зонирования определенной территории, как правило, возникает множество вопросов и сложностей, поскольку данная процедура затрагивает законодательные акты из самых различных отраслей права. Это очень сложно и порой нарушает процесс целостности восприятия законодательных норм.

Для упрощения был разработан специальный классификатор, в который внесли полный список видов разрешенного использования земельного участка, позволяющих упростить процесс зонирования, исключить нецелевое использование земельного участка и внести больше понимания в данный вопрос. Классификатор позволил упорядочить все имеющиеся виды деятельности граждан на земельных участках и выделить в отдельные группы те из них, которые имеют особое значение для общественных и правовых взаимоотношений.

В практическом применении классификатор ВРИ также имеет существенное значение, поскольку позволяет определить правовой режим для конкретного участка, а не только для общего земельного массива. ВРИ оказывает влияние на кадастровую и рыночную стоимости земли, может стать причиной изменения размера коэффициента для исчисления земельного налога.

Виды разрешенного использования земель

До того момента, как официально был принят Земельный кодекс РФ, норм, регулирующих проведение зонирования государственной территории и использование ВРИ для конкретных наделов земли не существовало. Все наделы проходили разделение на основании своего целевого использования. Категории земель, в свою очередь, обобщались под основным ВРИ.

Некоторые правовые моменты были указаны в Законе СССР «Об утверждении основ земельного законодательства» от 1968 года и в принятом позже Земельном кодексе РСФСР.

Первые попытки установки принципа назначения правового режима относительно участка с учетом ВРИ были предприняты в 2001 году, но официально утвержден Классификатор ВРИ был только 1 сентября 2014 года Приказом Минэкономразвития России № 540.

Градостроительный кодекс выделяет следующие ВРИ:

• основные;
• условно разрешенные;
• вспомогательные;

Основной вид ВРИ определяется сразу же после того, как земельный надел был образован, причем, его выбирает собственник участка из перечня предложенных видов деятельности относительно конкретной территориальной зоны.

Условно разрешенный тип не считается основным, однако может быть введен после проведения необходимых согласований и обращения в специально созданную комиссию по землепользованию.

Вспомогательные ВРИ относятся к дополнительным и не могут иметь самостоятельного статуса. Иными словами, вспомогательные могут применяться только совместно с одним из вышеуказанных типов. В качестве примера можно привести такие ВРИ, как земля для возведения гаражных построек или объектов инженерных коммуникаций.

Классификатор видов разрешенного использования

Классификатор видов разрешенного использования земельных участков 2016 года, как уже отмечалось ранее, был введен в прошлом году. Данный документ представляет собой реестр из трех граф и нескольких разделов, где указаны: наименование обобщенного и уточненного вида разрешенного использования земельных наделов, а также соответствующий код. В реестре содержится 13 обобщенных ВРИ и 101 уточненный вид разрешенного использования. Разделение на основные, условно разрешенные и вспомогательные виды разрешенного использования в классификаторе не происходит.

Еще одной особенностью документа является то, что для каждого описания и наименования введен свой индивидуальный код, который в дальнейшем используется для обозначения в документации на участок.

Также, все виды использования в реестре допускают возможность постройки линейных объектов, к примеру, линии электропередач или водопровода. Исключением являются железная дорога и автотрасса.

При разработке классификатора использовался принцип преемственности, согласно которому ранее принятый рубрикатор должен сочетаться с новым. При определении ВРИ следует в первую очередь учитывать целевое назначение земли и территориальную зону, где она расположена.

В классификатор включены следующие виды разрешенного использования земель:

• с/х-использование;
• жилая застройка;
• общественное использование капитальных объектов;
• предпринимательская деятельность;
• рекреационное назначение;
• производство;
• транспортная сфера;
• оборонные объекты;
• работы по особой охране и изучению природы;
• использование лесов;
• водные объекты;
• земли общего использования
• садоводческая, дачная, огородническая деятельность.

Установление и изменение вида разрешенного использования

Изменение вида разрешенного использования земельного участка 2016 года может потребоваться в нескольких случаях:

• при возведении на участке объекта, имеющего иное назначение;
• в случае смены основного назначения уже имеющейся недвижимости;
• при уточнении ВРИ.

Общий порядок процедуры описан в ст. 36-39 ГрК РФ и предусматривает осуществление следующих действий:

1. Владелец земли составляет заявление установленного образца и собирает необходимые документы.
2. Пакет документов передается в уполномоченный орган (специальная Комиссия при администрации).
3. Администрация выносит решение об изменении вида разрешенного использования
4. Заявитель обращается в Росреестр для внесения изменений в кадастровый учет земельного участка.

Пример по видам разрешенного использования земельных участков

Максим С. провел межевание, оформил необходимые документы и в результате стал владельцем земельного участка в несколько соток в центре города. Максим решил построить там летнее кафе.

В документации, которую мужчина подал в земельный отдел, он указал вид деятельности из классификатора «4.6 – Общественное питание». После рассмотрения, документ был возвращен Максиму, с указанием того, что код указан неверно

.

Бизнесмен обратился с жалобой к вышестоящему органу на действия сотрудника ведомства, на что получил ответ, согласно которому работник поступил абсолютно правильно, вернув заявление, поскольку выбирать вспомогательный ВРИ без определения основного запрещено.

В результате Максим подал заявление вновь, где указал общественное питание как вспомогательный вид, а код «4.0 – Предпринимательство» — в роли основного.

Заключение

В завершение написанного можно сформулировать несколько выводов:

1. Разрешенный вид использования наделов или ВРИ не имеет четкого определения, однако является одним из определяющих терминов земельного права.
2. Градостроительный кодекс выделяет: основные, условно разрешенные и вспомогательные типы пользования.
3. Все виды разрешенного использования были объединены в специальный классификатор.
4. Смена ВРИ производится в оговоренном законом порядке, путем подачи соответствующего заявления в уполномоченное ведомство.

Наиболее популярные вопросы и ответы на них по видам разрешенного использования

Вопрос: Здравствуйте. Я собственник надела. Сейчас основным ВРИ установлен «6.0 – Производственная деятельность», а в качестве дополнительного был использован «6.9 — склады», поскольку там размещены склады.

Недавно на участке было обнаружено небольшое месторождение нефти, и я бы хотел заняться теперь недропользованием. Подскажите, могу ли я это сделать, без корректировки и подачи декларации о смене ВРИ? Грозит ли мне штраф за отсутствие такого заявления и будет ли это считаться нарушением?

Ответ: Здравствуйте. В комментариях к классификатору ВРИ 2015 года указано, что если обобщенный вид пользования установлен в качестве основного, что в вашем случае имеет место, вы можете осуществлять на своем участке

все виды деятельности, указанные в качестве вспомогательных.

Иными словами, вы имеете полное право начать использовать участок для добычи нефти, поскольку код «6. 1 – недропользование» входит в основной код 6.0. без дополнительного уведомления или подачи заявления.

Список законов

Внимание, если у вас возникли вопросы вы можете их задать юристу по социальным вопросам по телефону 8 804 333 16 88 или задать свой вопрос в чате дежурному юристу. Звонки принимаются круглосуточно. Звонок бесплатный! Позвоните и решите свой вопрос!

С 8 апреля изменились законы о землях ИЖС: что надо знать собственникам :: Жилье :: РБК Недвижимость

Фото: ТАСС/ Максим Федоров

Минэкономразвития России внесло изменения в отдельные виды разрешенного использования земельных участков. Поправки вступают в силу с 8 апреля 2019 года. Соответствующий документ размещен на сайте официальной правовой информации.

Приказом вносятся изменения в классификатор вида разрешенного использования земельного участка «жилая застройка», которые позволят размещать для индивидуального жилищного строительства (ИЖС) индивидуальные дома, пригодные для постоянного проживания.

Что изменилось

Индивидуальная жилая застройка в новой редакции классификатора сохраняет наименование вида разрешенного использования. «Законодатель уточняет понятийный аппарат, исключая использование участков для выращивания ягод, фруктов, овощей, сохраняя возделывание сельскохозяйственных культур», — говорит юрист национальной юридической службы «Амулекс» Андрей Еремин.

Изменения, по словам юриста, также затрагивают характеристики дома, который можно построить на участке для ИЖС. Теперь можно будет возводить жилые дома (отдельно стоящие здания не более трех надземных этажей и высотой не более 20 м, состоящие из комнат и помещений вспомогательного использования и не предназначенные для раздела на самостоятельные объекты недвижимости), говорится в документе.

Использование земельных участков для ИЖС будет исключено для подсобных сооружений, сохранится для индивидуальных гаражей, но станет возможным для хозяйственных построек.

Правки классификатора затрагивают интересы не только садоводов, но и собственников загородной недвижимости. Внесение изменений в классификатор исключает наступление каких-либо налогово-правовых последствий для собственников и арендаторов земельных участков, отмечает юрист.

Что делать собственникам

Законом подразумевается внесение изменений в кадастр недвижимости о разрешенном использовании земельного участка, что повлечет изменения и в правила землепользования и застройки муниципалитетов. В принципе, собственникам ничего делать не надо, но по желанию можно обратиться в уполномоченные органы местного самоуправления для изменения в кадастре текущих сведений на новые — соответствующие изменениям в классификаторе.

Видео: «РБК-Недвижимость»

Автор

Сергей Велесевич

Федеральный закон от 29.

никли до 1 января 2016 года, земельный участок, который в результате уточнения границ и устранения пересечений с границами лесного участка в соответствии со статьей 602 Федерального закона от 13 июля 2015 года № 218-ФЗ «О государственной регистрации недвижимости» оказался полностью или частично расположен в границах лесопаркового зеленого пояса, подлежат исключению из лесопаркового зеленого пояса в случае, если разрешенное использование такого земельного участка или назначение такого объекта недвижимости противоречит режиму лесопаркового зеленого пояса с учетом положений подпункта 6 пункта 3 настоящей статьи.».

Статья 5

Внести в Федеральный закон от 21 декабря 2004 года № 172-ФЗ «О переводе земель или земельных участков из одной категории в другую» (Собрание законодательства Российской Федерации, 2004, № 52, ст. 5276; 2006, № 52, ст. 5498; 2008, № 20, ст. 2251; 2011, № 13, ст. 1688; № 30, ст. 4594; 2016, № 18, ст.  2495; № 27, ст. 4294) следующие изменения:

1) в части 3 статьи 5 слова «даты осуществления государственного кадастрового учета земельных участков в связи с изменением их категории» заменить словами «даты внесения изменений в сведения Единого государственного реестра недвижимости о категории земель или земельных участков»;

2) статью 14 изложить в следующей редакции:

«Статья 14. Отнесение земель или земельных участков в составе таких земель к определенной категории

1. Отнесение земель или земельных участков в составе таких земель к одной из установленных Земельным кодексом Российской Федерации категорий земель является обязательным.

2. В случае, если категория земель указана не в Едином государственном реестре недвижимости, а в правоустанавливающих или правоудостоверяющих документах на земельные участки, внесение изменений в соответствии со статьей 5 настоящего Федерального закона в сведения Единого государственного реестра недвижимости осуществляется на основании правоустанавливающих или правоудостоверяющих документов на земельные участки по заявлениям правообладателей земельных участков.

3. В случае, если в соответствии со сведениями, содержащимися в государственном лесном реестре, лесном плане субъекта Российской Федерации, земельный участок относится к категории земель лесного фонда, а в соответствии со сведениями Единого государственного реестра недвижимости, правоустанавливающими или правоудостоверяющими документами на земельные участки этот земельный участок отнесен к иной категории земель, принадлежность земельного участка к определенной категории земель определяется в соответствии со сведениями, содержащимися в Едином государственном реестре недвижимости, либо в соответствии со сведениями, указанными в правоустанавливающих или правоудостоверяющих документах на земельные участки, при отсутствии таких сведений в Едином государственном реестре недвижимости, за исключением случаев, предусмотренных частью 6 настоящей статьи. Правила настоящей части применяются в случае, если права правообладателя или предыдущих правообладателей на земельный участок возникли до 1 января 2016 года.

4. Земельный участок подлежит отнесению к землям населенных пунктов, если он находится в границах населенного пункта, или к категории земель сельскохозяйственного назначения в иных случаях, если в соответствии со сведениями, содержащимися в государственном лесном реестре, лесном плане субъекта Российской Федерации, а также сведениями Единого государственного реестра недвижимости, правоустанавливающими и (или) правоудостоверяющими документами на земельные участки земельный участок относится к категории земель лесного фонда, но до 8 августа 2008 года:

1) предоставлен для ведения огородничества, садоводства или дачного хозяйства гражданину, садоводческому, огородническому или дачному некоммерческому объединению граждан, иной организации, при которой было создано или организовано указанное объединение, либо образован из указанного земельного участка;

2) предоставлен для строительства и (или) эксплуатации жилого дома либо образован из указанного земельного участка;

3) предоставлен для личного подсобного хозяйства либо образован из указанного земельного участка.

5. Положения части 4 настоящей статьи применяются также в случае перехода прав граждан на указанный земельный участок после 8 августа 2008 года.

6. Положения части 3 настоящей статьи не распространяются на земельные участки:

1) расположенные в границах особо охраняемых природных территорий, территорий объектов культурного наследия;

2) земельные участки, относящиеся к категории земель промышленности, энергетики, транспорта, связи, радиовещания, телевидения, информатики, земель для обеспечения космической деятельности, земель обороны, безопасности или земель иного специального назначения, если на таких земельных участках отсутствуют объекты недвижимости, права на которые зарегистрированы;

3) земельные участки, относящиеся к землям сельскохозяйственного назначения, оборот которых регулируется Федеральным законом от 24 июля 2002 года № 101-ФЗ «Об обороте земель сельскохозяйственного назначения», при наличии у уполномоченного органа сведений о результатах проведения государственного земельного надзора, подтверждающих факты неиспользования таких земельных участков по целевому назначению или их использования с нарушением законодательства Российской Федерации.

7. В случае, если границы особо охраняемых природных территорий, территорий объектов культурного наследия не установлены, положения части 3 настоящей статьи не применяются, если после установления границ указанных территорий земельный участок будет расположен в границах указанных территорий.

8. Положения части 3 настоящей статьи применяются в отношении земельных участков, указанных в частях 6 и 7 настоящей статьи, в случае, если в течение трех месяцев со дня выявления сведений, указанных в части 3 настоящей статьи, в орган регистрации прав не поступило уведомление федерального органа исполнительной власти, уполномоченного на осуществление защиты, в том числе в судебном порядке, имущественных прав и законных интересов Российской Федерации в области лесных отношений, об обращении в суд с иском об оспаривании зарегистрированного права на такой земельный участок.

9. В случае, если земельный участок в соответствии со сведениями Единого государственного реестра недвижимости относится к категории земель запаса, а в соответствии со сведениями, содержащимися в государственном лесном реестре, лесном плане субъекта Российской Федерации, находится в границах лесничества, лесопарка, расположенных на землях лесного фонда, такой земельный участок относится к категории земель лесного фонда.

10. В случае наличия противоречия между данными о принадлежности земельных участков к землям определенной категории, указанными в Едином государственном реестре недвижимости, и данными, указанными в правоустанавливающих или правоудостоверяющих документах на земельные участки, если такие документы получены до дня вступления в силу настоящего Федерального закона, отнесение земельных участков к землям определенной категории осуществляется на основании данных, указанных в правоустанавливающих или правоудостоверяющих документах на земельные участки, по заявлениям правообладателей земельных участков. Указанное правило не применяется, если в отношении земельного участка был принят акт о его переводе из одной категории в другую (решение об отнесении земельного участка к определенной категории).

11. В случае, если категория земель не указана в Едином государственном реестре недвижимости, правоустанавливающих или правоудостоверяющих документах на земельный участок, принимается решение органа местного самоуправления городского округа или муниципального района об отнесении земельного участка к землям определенной категории в зависимости от цели использования, для которой он предоставлялся с учетом требований части 12 настоящей статьи. Указанное правило применяется независимо от наличия в государственном лесном реестре, лесном плане субъекта Российской Федерации и (или) лесоустроительной документации сведений о нахождении земельного участка в границах земель лесного фонда.

12. Земельные участки, расположенные в границах населенных пунктов, подлежат отнесению к землям населенных пунктов. Земельные участки, расположенные вне границ населенных пунктов, подлежат отнесению к определенной категории земель в зависимости от нахождения земельного участка в определенной территориальной зоне, установленной правилами землепользования и застройки, а при отсутствии утвержденных правил землепользования и застройки в зависимости от документально подтвержденного фактического использования земельного участка.

13. Если в результате проведения государственного кадастрового учета в связи с уточнением описания местоположения границ земельного участка, не относящегося к категории земель населенных пунктов, указанный земельный участок в соответствии со сведениями Единого государственного реестра недвижимости расположен в границах населенного пункта, сведения о которых внесены в Единый государственный реестр недвижимости, такой земельный участок считается отнесенным к категории земель населенных пунктов независимо от наличия иных сведений о категории земель в правоустанавливающих или правоудостоверяющих документах на земельный участок, а также в государственном лесном реестре, лесном плане субъекта Российской Федерации. В этом случае орган регистрации прав одновременно с внесением в Единый государственный реестр недвижимости сведений об уточненном описании местоположения границ земельного участка вносит изменения в сведения Единого государственного реестра недвижимости о таком земельном участке путем указания на его принадлежность к категории земель населенных пунктов.

14. Отнесение земельного участка к определенной категории земель в случаях, указанных в частях 11 и 12 настоящей статьи, осуществляется в порядке, установленном статьями 2, 3, 4, 5 и 15 настоящего Федерального закона.

15. В случаях, указанных в частях 4, 9 и 13 настоящей статьи, принятие акта о переводе земельного участка из одной категории в другую (решения об отнесении земельного участка к соответствующей категории земель) не требуется.».

Статья 6

Внести в Градостроительный кодекс Российской Федерации (Собрание законодательства Российской Федерации, 2005, № 1, ст. 16; № 30, ст. 3128; 2006, № 1, ст. 21; № 23, ст. 2380; № 52, ст. 5498; 2007, № 45, ст. 5417; 2008, № 29, ст. 3418; № 30, ст. 3616; 2011, № 13, ст. 1688; 2012, № 47, ст. 6390; № 53, ст. 7614; 2014, № 19, ст. 2336; № 42, ст. 5615; № 43, ст. 5799; 2015, № 1, ст. 9, 11, 72; 2016, № 1, ст. 79; № 27, ст. 4306; 2017, № 27, ст. 3932) следующие изменения:

1) статью 15 дополнить частью 11 следующего содержания:

«11. В случае, если на межселенных территориях расположены вахтовые и иные временные поселки, созданные до 1 января 2007 года в границах земель лесного фонда для заготовки древесины (далее — лесные поселки), или военные городки, созданные в границах лесничеств, лесопарков на землях лесного фонда или землях обороны и безопасности для размещения впоследствии упраздненных воинских частей (подразделений), соединений, военных образовательных организаций высшего образования, иных организаций Вооруженных Сил Российской Федерации, войск национальной гвардии Российской Федерации, органов государственной охраны (далее — военные городки), образование на межселенных территориях населенных пунктов из таких лесных поселков и военных городков осуществляется с учетом положений частей 20 — 26 статьи 24 настоящего Кодекса.»;

2) часть 6 статьи 19 дополнить пунктом 4 следующего содержания:

«4) границы лесничеств, лесопарков.»;

3) часть 8 статьи 23 дополнить пунктом 81 следующего содержания:

«81) границы лесничеств, лесопарков;»;

4) статью 24 дополнить частями 19 — 26 следующего содержания:

«19. При подготовке в составе проекта генерального плана поселения или городского округа карты границ населенных пунктов в границы населенного пункта подлежит включению земельный участок из земель лесного фонда в случае, если все его границы являются смежными с земельными участками, расположенными в границах населенного пункта (с учетом сохранения в отношении такого земельного участка ограничений в соответствии с частью 61 статьи 36 настоящего Кодекса).

20. В целях определения при подготовке проекта генерального плана поселения или городского округа границ населенных пунктов, образуемых из лесных поселков или военных городков, а также определения местоположения границ земельных участков, на которых расположены объекты недвижимого имущества, на которые возникли права граждан и юридических лиц, в целях их перевода из земель лесного фонда в земли населенных пунктов по решению органа местного самоуправления поселения или городского округа создается комиссия в составе:

1) представителя органа местного самоуправления поселения или городского округа;

2) представителя органа государственной власти субъекта Российской Федерации, в границах которого находятся поселение, городской округ;

3) представителя федерального органа исполнительной власти, осуществляющего функции по контролю и надзору в области лесных отношений, а также по оказанию государственных услуг и управлению государственным имуществом в области лесных отношений;

4) представителя федерального органа исполнительной власти (его территориального органа), уполномоченного Правительством Российской Федерации на осуществление государственного кадастрового учета, государственной регистрации прав, ведение Единого государственного реестра недвижимости и предоставление сведений, содержащихся в Едином государственном реестре недвижимости;

5) представителя федерального органа исполнительной власти, осуществляющего функции по выработке и реализации государственной политики, нормативно-правовому регулированию в области обороны, в случае, если предполагается установление границ военных городков;

6) представителя общественной палаты субъекта Российской Федерации;

7) представителя лица, осуществляющего подготовку проекта генерального плана поселения или городского округа.

21. Органы государственной власти, указанные в пунктах 2 — 5 части 20 настоящей статьи, общественная палата субъекта Российской Федерации обязаны представить в орган местного самоуправления поселения, городского округа кандидатуры представителей для участия в деятельности комиссии в срок не позднее пятнадцати дней со дня поступления запроса органа местного самоуправления поселения, городского округа.

22. К полномочиям комиссии, создаваемой в соответствии с частью 20 настоящей статьи, относятся:

1) подготовка предложений относительно местоположения границ населенных пунктов, образуемых из лесных поселков, военных городков, с учетом площади и количества расположенных в границах таких лесных поселков, военных городков земельных участков, не используемых в целях лесного хозяйства, а также с учетом необходимости размещения в границах таких образуемых населенных пунктов объектов регионального или местного значения в целях соблюдения требований, предусмотренных нормативами градостроительного проектирования;

2) подготовка предложений с учетом предусмотренных лесным законодательством требований по использованию, охране, защите и воспроизводству лесов относительно видов функциональных зон, устанавливаемых в границах лесных поселков, военных городков, и местоположения их границ;

3) подготовка предложений о сохранении или ликвидации лесного поселка, военного городка с переселением граждан с учетом мнения населения указанных лесного поселка, военного городка. Учет мнения населения лесного поселка, военного городка при подготовке предложений о сохранении или ликвидации лесного поселка, военного городка и о переселении граждан осуществляется по правилам, предусмотренным Федеральным законом от 6 октября 2003 года № 131-ФЗ «Об общих принципах организации местного самоуправления в Российской Федерации» для собрания граждан;

4) подготовка предложений относительно местоположения границ земельных участков, на которых расположены объекты недвижимого имущества, на которые возникли права граждан и юридических лиц, в целях их перевода из земель лесного фонда в земли населенных пунктов.

23. Порядок деятельности комиссий, создаваемых в соответствии с частью 20 настоящей статьи, устанавливается высшим исполнительным органом государственной власти субъекта Российской Федерации.

24. Предложения, указанные в части 22 настоящей статьи, утверждаются высшим исполнительным органом государственной власти субъекта Российской Федерации и направляются главе поселения, городского округа для учета при подготовке карты границ населенных пунктов и карты функциональных зон в составе генерального плана поселения, городского округа.

25. Карта границ населенных пунктов и карта функциональных зон применительно к населенным пунктам, образуемым из лесных поселков, военных городков, подготавливаются с учетом предложений, указанных в части 22 настоящей статьи.

26. При определении границ земельного участка в целях установления границ населенного пункта, образуемого из лесного поселка, военного городка, комиссия учитывает:

1) недопустимость изломанности границ населенного пункта;

2) обеспечение включения в границы населенного пункта объектов социального и коммунально-бытового назначения, обслуживающих население этого населенного пункта;

3) обеспечение плотности застройки территории населенного пункта не ниже 30 процентов. Отступление от указанного требования в сторону понижения плотности застройки в связи с нахождением зданий, сооружений на территориях лесных поселков, военных городков на значительном расстоянии друг от друга и (или) необходимостью размещения объектов социального, транспортного, коммунально-бытового назначения в соответствии с нормативами градостроительного проектирования допускается по решению федерального органа исполнительной власти, осуществляющего функции по контролю и надзору в области лесных отношений, а также по оказанию государственных услуг и управлению государственным имуществом в области лесных отношений, по представлению высшего должностного лица субъекта Российской Федерации.»;

5) в статье 25:

а) пункт 2 части 1 дополнить словами «, за исключением случаев, предусмотренных частью 19 статьи 24 настоящего Кодекса»;

б) часть 41 дополнить предложением следующего содержания: «В случае, предусмотренном пунктом 2 части 1 настоящей статьи, проект генерального плана поселения, городского округа, который предусматривает образование населенного пункта из лесного поселка, военного городка, подлежит согласованию с уполномоченным Правительством Российской Федерации федеральным органом исполнительной власти на предмет соответствия карты границ такого населенного пункта требованиям части 26 статьи 24 настоящего Кодекса.»;

в) дополнить частью 13 следующего содержания:

«13. Согласование проекта генерального плана в случае, предусмотренном пунктом 2 части 1 настоящей статьи, не лишает заинтересованное лицо права на оспаривание в судебном порядке законности возникновения прав на земельные участки, которые включены в границы населенного пункта в соответствии с указанным генеральным планом.»;

6) в части 5 статьи 30 после слова «отображаются» дополнить словами «границы населенных пунктов, входящих в состав поселения, городского округа,», слова «Границы указанных зон и территорий» заменить словами «Указанные границы»;

7) статью 32 дополнить частью 6 следующего содержания:

«6. Правила землепользования и застройки, устанавливающие градостроительные регламенты применительно к земельным участкам, включенным в границы населенных пунктов из земель лесного фонда (за исключением лесных участков, которые до 1 января 2016 года

Национальная база данных о земном покрове 2019 (NLCD2019) Обозначение

Обзор данных о земном покрове

<< Назад к земельному покрову

Данные и моделирование наземных экосистем

Набор данных по национальным наземным экосистемам GAP / LANDFIRE включает подробные данные о растительности и растительном покрове континентальной части США.Набор данных включает систему классификации экологической системы, разработанную NatureServe для представления естественной и полуестественной растительности. 584 уникальных класса в наборе данных могут отображаться на трех уровнях детализации, от общего (8 классов) до наиболее подробного. Набор данных может быть использован для определения тех мест в стране с достаточной средой обитания для поддержания дикой природы, что является ключевым шагом в разработке надежных планов сохранения.

Набор данных по национальным наземным экосистемам GAP / LANDFIRE в основном сосредоточен на идентификации местообитаний.Национальная база данных о земном покрове (NLCD) USGS также доступна, и она предоставляет информацию об общих типах почвенного покрова с 16 классами почвенного покрова (например, низкоинтенсивный развитый, лиственный лес). Узнать больше о NLCD 2011 >>

Почему эти данные важны?

GAP / LANDFIRE National Terrestrial Ecosystems предоставляет информацию о распределении типов местной растительности, измененной и интродуцированной растительности, развитых и сельскохозяйственных районах США.Во всех областях округа, за исключением Гавайев и Пуэрто-Рико, территории с естественной растительностью относятся к типам экологической системы, разработанным NatureServe. Экологические системы предоставляют подробную информацию о растительных сообществах области, которая недоступна в большинстве других региональных или национальных продуктов земного покрова. Такой уровень тематической детализации делает возможным построение моделей распределения местообитаний диких животных, а также построение сложных гидрологических моделей и моделей динамики пожаров и многих других приложений.Информация о наземных экосистемах является ключевым компонентом эффективного планирования сохранения и управления биологическим разнообразием, поскольку она используется для построения прогнозных моделей распределения дикой природы и биоразнообразия на больших географических территориях. При использовании вместе с данными об охраняемых территориях (PAD-US) данные о наземных экосистемах могут использоваться для определения типов местообитаний, которые могут быть недостаточно защищенными, чтобы можно было скорректировать меры управления. Эти карты и данные могут быть использованы для определения тех мест в стране с достаточной средой обитания для поддержания дикой природы, что является ключевым шагом в разработке надежных планов сохранения.

Как используются данные по национальным наземным экосистемам

Информация о наземных экосистемах используется для разработки моделей, показывающих, где есть подходящая среда обитания для национальных видов позвоночных. Эта информация важна для лиц, принимающих решения, специалистов по планированию, исследователей, частных лиц и других лиц:

• Биоразнообразие : Данные по национальным наземным экосистемам являются ключом к тому, чтобы помочь лицам, принимающим решения по сохранению земель, лучше согласовывать цели сохранения биоразнообразия с программами и мероприятиями по охране земель.
• Утрата среды обитания: Согласно прогнозам, население США вырастет на 25% в следующие 50 лет. Это увеличение численности населения в сочетании с нашими моделями землепользования означает значительное сокращение среды обитания для других видов. Знание, где находятся большие участки нетронутой среды обитания, является ключом к выбору наиболее эффективных земель для сохранения биоразнообразия, что, в свою очередь, может компенсировать некоторые последствия утраты среды обитания.
• Климат: Ускорение изменения климата повышает важность целенаправленных усилий по защите видов.Для многих видов потепление климата может поставить их на грань исчезновения, если не будут выделены коридоры миграции местообитаний. Информация о земном покрове имеет решающее значение для понимания того, на чем следует сосредоточить такое планирование коридоров.
• Управление: Агентства и некоммерческие организации, управляющие охраняемыми территориями, часто не имеют полной информации о типах земного покрова, которые могут присутствовать или могут быть восстановлены на их землях. Карты и данные земельного покрова имеют решающее значение для разработки улучшенных методов управления земельными ресурсами, поддерживающих сохранение биоразнообразия.

Описание данных

Цитирование :

Программа анализа пробелов в геологической службе США, 20160513, Национальные наземные экосистемы GAP / LANDFIRE 2011: Геологическая служба США, https://doi.org/10.5066/F7ZS2TM0.

Обзор

Данные GAP / LANDFIRE National Terrestrial Ecosystems представляют собой подробную классификацию растительности и земного покрова для континентальных районов США, Аляски, Гавайев и Пуэрто-Рико.Данные представлены в виде растра 30 м на 30 м. GAP / LF 2011 Ecosystems for the Conterminous USA — это обновленная версия данных по земельному покрову Национальной программы анализа пробелов — версия 2.2. Экосистемы Аляски были обновлены LANDFIRE до условий 2012 года (LANDFIRE 2012). Данные по Гавайям и Пуэрто-Рико представляют собой временные рамки 2001 г. (Гон и др., 2006 г., Гулд и др., 2008 г.). Схема классификации, используемая для Аляски и 48 нижних штатов, основана на классификации экологических систем NatureServe (Comer et al.2003), в то время как легенды на карте Пуэрто-Рико и Гавайев основаны на системах классификации островов (Gon et al. 2006, Gould et al. 2008).

2011 Обновление CONUS

Процесс этого обновления был протестирован и задокументирован для трех из девяти географических областей на территории США (McKerrow et al. 2014). Эти географические области являются агрегатами Консорциума характеристик земли с различными разрешениями 66 (зоны картографирования MLRC, которые использовались NLCD, GAP и LANDFIRE в качестве зон картографирования в их национальных усилиях по картографированию 2001 года (Homer et al.2004 г.). Для каждой географической области операция ArcGIS Combine использовалась для создания уникальных комбинаций пикселей из данных National GAP Vegetation 2001 г. (USGS GAP 2011), NLCD 2011 г. (Homer et al. 2015) и данных о возмущениях LANDFIRE 2010 г. (Nelson et al. 2013) ). Затем эти комбинации были оценены по изображениям с высоким разрешением, чтобы определить те, которые необходимо обновить либо из-за изменения земельных условий, либо из-за уточнения первоначальной классификации.

Метка NLCD 2011 была принята в обновленный слой GAP / LF 2011 Ecosystems для пропашных культур, пастбищ / сена, воды и четырех развитых классов земного покрова без дальнейшего изучения.Метка класса GAP 2001 года сохранялась, если она соответствовала общему классу земного покрова NLCD. Например, для пикселей, нанесенных на карту как атлантический прибрежный равнинный сухой и сухой-мезический дубовый лес на карте GAP 2001 года, которые были нанесены на карту как лиственный лес на карте NLCD 2011, исходный вызов экологической системы 2001 года был оставлен без изменений. Для комбинаций, в которых класс покрытия NLCD 2011 не согласовывался, мы использовали информацию о растительности и нарушении LANDFIRE, чтобы обозначить эту уникальную комбинацию. Изображения с высоким разрешением из Google Earth или базовых карт ArcGIS использовались в качестве эталонных изображений для присвоения обновленного класса обложки 2011 года.Например, внутренние северо-западные комбинации типов леса на карте GAP 2001 года, кустарники на карте NLCD 2011, которые были сожжены в соответствии с данными о нарушениях LANDFIRE 2010 года, были отнесены к классу Recently Burned Forest в обновлении экосистем GAP / LF 2011 за 2011 год. .

В некоторых географических регионах 10-значный код гидрологических единиц (HUC; USGS National Gap Analysis Program. 2011) граничные данные, полученные из набора данных о границах водораздела USGS (USGS NGTOC 2011), использовались для обозначения подмножества пикселей в комбинации с новый класс земельного покрова.Например, картографирование Североатлантической прибрежной равнины Pitch Pine Barrens ранее не было нанесено на карту в Земельном покрове GAP 2001 года. Он был улучшен путем переклассификации комбинаций, которые включали пиксели по NLCD как кустарники с низкоинтенсивными пожарами в данных о возмущениях LANDFIRE, в пределах подмножества HUC, представляющих регион Pitch Pine Barrens. В районах за пределами региона Пайн-Баррен такая комбинация представляет собой иную экологическую систему.

В географических регионах Среднего Запада уровень данных возделываемых земель Национальной службы сельскохозяйственной статистики (2011) использовался для перекодирования Модифицированных / управляемых южных высоких пастбищ из пастбищ / сена с зазором земельного покрова 2001 года для пикселей, в которых CDL сопоставил их с пастбищами / пастбищами или другими Сено / без люцерны.

После принятия меток NLCD 2011 года для сельского хозяйства, воды, развитых классов, соответствия экологической системы между 2001 и 2011 годами и завершения перекодирования на основе нарушений, осталось большое количество комбинаций без присвоенной метки 2011 года. Набор данных комбинации позволил каждому аналитику визуализировать распределение пикселей в неназначенных комбинациях и оценить потенциальный источник различий между двумя датами. Для каждой комбинации информация о распределении и шаблоне пикселей, а также о типе перехода (т.е. лес на пастбище) использовались для определения приоритетов, какие комбинации были оценены для перекодирования на этом этапе.

Обычно это были: 1) комбинации, представленные небольшими группами пикселей, разбросанных по географической области и, следовательно, проблематичными для оценки и назначения пути перехода или 2) комбинации, варианты перекодирования которых включали более одного возможного назначения экологической системы. В этих ситуациях мы перекодировали пиксели на основе их близости к помеченным пикселям на карте 2001 GAP. Например, пиксели, содержащие комбинацию нелесного леса GAP 2001 года и лиственного леса NLCD 2011 года, и отсутствие помех, перекодирование будет управляться большинством соседних пикселей-кандидатов для типов лиственного леса в географической зоне.

Были немаркированные комбинации пикселей, которые сохранились после шага назначения близости. Это происходило, когда отдельные пиксели или небольшие группы пикселей были изолированы по типу физиогномики, и не было соседства с большинством возможных экологических систем (например, лесной остров на большом участке луга). В этих ситуациях в обновленной карте использовались классы карт 2001 GAP.

После того, как каждый аналитик завершил обновление географической области, второй специалист проанализировал полученную классификацию земного покрова.Расположение каждого отдельного класса карты было проверено по эталонным изображениям с высоким разрешением с использованием базовых карт Google Earth или ArcGIS, чтобы оценить структуру и протяженность нанесенных на карту классов в географической области. Если в ходе проверки были выявлены артефакты или ошибки, аналитик пересматривал правила принятия решений, и процесс повторялся до тех пор, пока не была завершена удовлетворительная классификация.

Затем девять географических областей были разбиты на мозаику в ArcGIS, и была проведена проверка класса за классом для поиска ошибок, внесенных процессом мозаики.Опять же, образец и протяженность каждого из нанесенных на карту классов были визуализированы и сопоставлены с Земельным покровом зазора 2001 года и эталонными изображениями. Логические проверки проводились на каждом этапе процесса, чтобы гарантировать, что классы карты, на которые влияет конкретное правило принятия решения или процесс, были единственными, которые менялись между промежуточными версиями мозаики.

Важно помнить, что этот набор данных представляет собой обновление, а не обнаружение изменений. Следовательно, карты земного покрова 2001 и 2011 годов не должны использоваться для непосредственной количественной оценки изменений.Наша цель состояла в том, чтобы создать подробный продукт земного покрова, представляющий временные рамки 2011 года. Различия между картами GAP 2001 и 2011 гг. Не всегда отражают наземные изменения в растительных сообществах. Некоторые из различий являются результатом исправлений неправильной классификации в исходной карте 2001 года. Область, которая содержала ту же растительность в 2001 и 2011 годах, но была неправильно нанесена на карту в 2001 году, будет отображаться как «измененная».

Наконец, концепции экологических систем, используемые для определения легенды карты, по своей сути изменчивы с рядом физиогномических и фенологических условий, возможных в одной системе.Таким образом, есть случаи, когда класс земельного покрова Экологической системы мог остаться «неизменным», но общий класс земельного покрова изменился в период с 2001 по 2011 год. Например, некоторые районы правильно отображены как кустарники в слое NLCD (на основе NLCD определение) лучше всего наносить на карту как экологическая система северных скалистых гор Пондероза, сосновый лес и саванна, на карте GAP; поэтому лейбл 2001 года Woodland and Savanna будет сохранен.

Обновление Аляски 2012 г.

Обновления существующего слоя растительности LANDFIRE для Аляски были выполнены командой LANDFIRE.После завершения земельного покрова 2001 г. проводилось обновление раз в два года с использованием базы данных о нарушениях для определения областей изменений. Узнать больше о LANDFIRE 2012.

2001 Базовое отображение

Схема классификации

Предыдущие проекты по картированию земного покрова ясно показали необходимость в согласованной на национальном уровне схеме классификации, которую можно было бы нанести на карту в мезомасштабе. В ответ на эту потребность NatureServe разработала структуру классификации наземных экологических систем (Comer et al.2003 г.). Экологические системы определяются как «группы типов растительных сообществ, которые имеют тенденцию сосуществовать в пределах ландшафтов со схожими экологическими процессами, субстратами и / или градиентами окружающей среды» (Comer et al. 2003). Хотя растительный компонент экологической системы и отличается от US-NVC, он описывается одним или несколькими альянсами или ассоциациями NVC. Хотя концепция экологической системы подчеркивает существующие доминирующие типы растительности, она также включает физические компоненты, такие как положение формы рельефа, субстраты, гидрология и климат.

Часть набора данных для Аляски и континентальной части США содержит 680 экологических систем и 28 видов землепользования, интродуцированную растительность или нарушенные классы. Набор данных Гавайев содержит 28 классов естественной растительности и девять классов землепользования, интродуцированной растительности или нарушенных классов (Gon et al. 2006). Набор данных Пуэрто-Рико включает 70 уникальных классов растительности и землепользования. Часто такое большое количество классов обеспечивает уровень детализации, превышающий потребности пользователя. Для удобства этих пользователей мы провели перекрестный переход от данных уровня экологической системы к шести высшим уровням Национальной системы классификации растительности (USNVC).Характеристики растительности, используемые для различения этих классов, варьируются от формы роста и климатических режимов на уровне класса до региональных различий в субстрате и гидрологии на уровне макрогрупп (таблица 1; http://usnvc.org/). Уровни NVC предоставляют пользователю множество опций, позволяющих создать карту континентальной части США с одиннадцатью классами на уровне NVC Class до 583 классов на уровне экологической системы.

Таблица 1. Элементы, используемые для определения уровней Национальной классификации растительности (НКВ)

Класс: доминирующие общие ростовые формы, адаптированные к основной влажности, температуре и / или субстрату, или водный

Подкласс: глобальные макроклиматические факторы, обусловленные главным образом широтным и континентальным положением или отражающие преобладающие субстратные или водные условия

Формация: Глобальные макроклиматические условия, измененные альтитидом, сезонность осадков, субстраты, гидрологические условия

Подразделение: Континентальные различия в мезоклимате, геологии, субстратах, гидрологии, режимах возмущений

Макрогруппа: Субконтинентальные и региональные различия в мезоклимате, геологии, субстратах, гидрологии, режимах возмущений

Группа: региональные различия в мезоклимате, геологии, субстратах, гидрологии, режимах возмущений

Изображения

Земельный покров National GAP 2001 г. был получен на основе спутниковых снимков Landsat TM за 1999-2001 гг.Большая часть изображений была получена из Национального центра наблюдения за ресурсами Земли и науки (EROS) Геологической службы США (USGS National Center for Earth Resources Observation and Science) через Консорциум характеристик земли с различными разрешениями (MRLC). EROS произвела предварительную обработку и атмосферную коррекцию изображений и разработала три четких изображения с низкой облачностью для всех областей Соединенных Штатов. На этих мозаиках изображены весенний, летний и осенний сезоны. Наличие изображений растительности в эти три разных времени года очень полезно для правильной классификации типов растительности, которые выглядят одинаково в течение одного сезона, но различаются в другой.Снимки, которые использовались для Среднего Запада, Северо-Востока и Аляски, были отобраны и предварительно обработаны командой LANDFIRE в EROS. На Гавайях необходимо было дополнить изображения MRLC, чтобы решить проблемы облачности в стандартных наборах данных (Gon et al. 2006). В Пуэрто-Рико для проекта была составлена ​​безоблачная мозаика изображений Landsat 7 ETM + (Martinuzzi et al. 2006).

Множество других наборов данных использовалось во всех или некоторых регионах, чтобы помочь в процессе классификации земного покрова.Нормализованный индекс разницы растительности (NDVI), а также индексы яркости, зелени и влажности были созданы с использованием коэффициентов Landsat ETM + от Huang et al. (2002). Также использовались наборы данных, полученные с помощью цифровой модели рельефа, которые включали высоту, уклон, аспект и форму рельефа. Другие используемые наборы вспомогательных данных зависят от региона, но включают цифровые данные о почвах, геологии, местонахождении ручьев и водно-болотных угодий, точечных местоположениях сообществ редких растений, а также информацию о пожарах и заготовке деревьев.

Данные обучения

В моделях, прогнозирующих распределение земельного покрова для региональных проектов, использовались полевые данные, собранные специалистами по пробелам специально для проекта, и данные о растительности, собранные для других проектов, для обучения модели.Полевые пробы GAP были собраны путем пересечения судоходных дорог в картографической зоне и случайного выбора участков, отвечающих критериям соответствующего размера (минимум 1 га) и состава (однородность древостоя). Данные участков были собраны с использованием окулярных оценок биотических и абиотических элементов земного покрова, включая процент покрытия доминирующих видов жизненными формами (например, деревья, кустарники, травы и разнотравье) и физических данных, таких как высота, уклон, внешний вид и форма рельефа. Визуальная интерпретация аэрофотоснимков, цифровых ортофотопланов или других изображений, полученных с помощью дистанционного зондирования, также использовалась для генерации обучающих данных, когда можно было получить достаточно информации для определения экологической системы.Этот метод чаще всего использовался для редких систем с недостаточным количеством обучающих данных, и где были доступны дополнительные вспомогательные данные для определения особенностей изображения.

Дополнительные данные о растительности были собраны у федеральных, государственных и негосударственных агентств, и их существующие участки были присвоены ярлыки «Экологические системы». Программа LANDFIRE располагает обширным национальным набором существующих данных о растительности в Справочной базе данных LANDFIRE (LFRDB), которая использовалась для поддержки картирования.

Методы моделирования

Деревья классификации и регрессии (CART) — ценный инструмент для выявления сложных взаимосвязей между переменными среды. Деревья решений используют алгоритм двоичного разделения для последовательного разделения многомерного «облака» поясняющих данных на все более однородные подмножества. Каждое двоичное разбиение считается одним правилом в цепочке правил, определяющих характеристики переменной ответа. Для картирования земного покрова объясняющими переменными являются наборы спектральных и вспомогательных данных, а переменной отклика — классы земного покрова (см. Lowry et al.2005 для получения дополнительной информации о методах моделирования CART). Классификаторы дерева решений хорошо подходят для картирования земного покрова, поскольку они не требуют нормально распределенных обучающих данных, они могут учитывать широкий спектр переменных-предикторов и продемонстрировали повышенную точность по сравнению с использованием традиционных классификаторов (Hansen et al. 1996, Pal и Mather 2003).

CART были использованы для картирования большинства экологических систем в региональных проектах Юго-Запада и Северо-Запада, а также для LANDFIRE.CART лучше всего подходит для широко распространенных матричных систем с достаточным объемом обучающих данных. Для более редких систем и систем участков в юго-восточном региональном проекте, где топографический рельеф был недостаточным, а данные обучения были ограничены, для картирования существующей растительности использовалась комбинация моделирования CART и правил принятия решений. Проект Hawaii Gap провел контролируемую классификацию данных Landsat и объектную классификацию изображений с высоким разрешением и для некоторых классов (Gon et al.2006 г.). Пуэрто-Рико GAP использовала неконтролируемую классификацию для определения основных спектральных классов и дополнительных данных (например, климата, субстрата и топографии) для стратификации спектральных данных

Ограничения данных

Данные GAP / LANDFIRE National Terrestrial Ecosystems направлены на то, чтобы как можно точнее нанести на карту мельчайшие детали растительности страны. Однако есть ограничения на данные, о которых следует помнить. В наборе данных используется 30-метровая пиксельная ячейка и в большинстве областей минимальная единица отображения 0.4 га (1 акр), это означает, что небольшие участки растительности могут быть пропущены в процессе моделирования. По характеру их неоднородного распространения и часто заболоченных территорий небольшой протяженности, прибрежные среды обитания и редкие типы местообитаний могут быть наиболее часто упускаемыми типами. Некоторые экологические системы имеют спектральные сигнатуры и встречаются на аналогичных высотах, аспектах и ​​т. Д., Что и другие экологические системы. Из-за этого сходства в процессе моделирования, используемом для создания данных о земном покрове, трудно провести различие между этими типами систем, и может возникнуть значительная путаница.

Набор данных GAP / LANDFIRE Terrestrial Ecosystem основан на ряде дат снимков для различных географических регионов. В областях с быстрыми изменениями данные могут нуждаться в дополнительном обновлении перед использованием или могут быть непригодными для использования.

Список литературы

Comer, P., D. Faber-Langendoen, R. Evans, S. Gawler, C. Josse, G. Kittel, S. Menard, S. Pyne, M. Reid, K. Schulz, K. Snowand, J. Тиг, 2003. Экологические системы США: рабочая классификация США.наземные системы. NatureServe, Арлингтон, Вирджиния.

Гон, С. М., А. Эллисон, Р. Дж. Каннарелла, Дж. Д. Якоби, К. Ю. Канеширо, М. Х. Кидо, М. Лейн-Камехеле, С. Э. Миллер. 2006. Заключительный отчет Гавайского проекта анализа пробелов. 487 с.

Гоулд, В.А.С. Аларкон, Б. Февольд, М.Э. Хименес, С. Мартинуцци, Г. Поттс, М. Кинонес, М. Солорцона, Э. Вентоза. 2008. Проект анализа пробелов в Пуэрто-Рико. Том 1: Земельный покров, распределение видов позвоночных и землепользование. Gen.Tech. Представитель IITF-GRT-39. Рио-Пьедрас, пр. USDA, Лесная служба, Международный институт тропического лесоводства. 165. с.

Хансен, М., Р. Дубая и Р. ДеФрис, 1996. Деревья классификации: альтернатива традиционным классификаторам земного покрова. Международный журнал дистанционного зондирования 17 (5): 1075-1081.

Гомер, К.Г., Девиц, Дж. А., Ян, Л., Джин, С., Дэниэлсон, П., Сиань, Г., Колстон, Дж., Герольд, Н. Д., Уикхэм, Д. Д., и Мегаун, К., 2015 г., Завершение создания Национальной базы данных о земном покрове на территории Соединенных Штатов за 2011 год, представляющей информацию об изменении земного покрова за десятилетие.Фотограмметрическая инженерия и дистанционное зондирование, v. 81, no. 5, стр. 345-354. http://www.asprs.org/a/publications/pers/2015journals/PERS_May_2015/HTML/index.html#346/z

Гомер, К., К. Хуанг, Л. Ян, Б. Уайли и М. Коан, 2004 г. Разработка национальной базы данных по земному покрову 2001 г. для Соединенных Штатов. Фотограмметрическая инженерия и дистанционное зондирование, номер 7 / июль 2004 г., стр. 829-840 (12). DOI: https://doi.org/10.14358/PERS.70.7.829

Лоури, Дж. Х. младший, Р. Д. Рэмси, К.Бойкин, Д. Брэдфорд, П. Комер, С. Фалзарано, В. Кепнер, Дж. Кирби, Л. Лэнгс, Дж. Прайор-Маги, Г. Манис, Л. О’Брайен, Т. Саджвадж, К. А. Томас, В. Рит, С. Шредер, Д. Шрупп, К. Шульц, Б. Томпсон, К. Веласкес, К. Уоллес, Э. Уоллер и Б. Волк. 2005. Проект анализа пробелов в юго-западном регионе: Заключительный отчет по методам картирования земного покрова, лаборатория RS / GIS, Университет штата Юта, Логан, Юта.

Мартинуцци, С., В. А. Гулд, О. М. Рамос-Гонсалес. 2006. Создание безоблачных наборов данных Landsat ETM + в тропических ландшафтах: удаление облаков и облаков и теней.Gen. Tech. Представитель ИИТФ-32. Рио Пьедрас, PR: Министерство сельского хозяйства США, Лесная служба, Международный институт тропического лесоводства. 12 п. Доступ в режиме онлайн в августе 2016 г .: http://www.fs.fed.us/global/iitf/pubs/iitf-gtr32.pdf.

МакКерроу, А.Дж., А. Дэвидсон, Т.С. Эрнхардт и А.Л. Бенсон. 2014. Интеграция последних усилий по картированию земного покрова для обновления карты видовых местообитаний Национальной программы анализа пробелов. Int. Arch. Фотография. Дистанционное зондирование. Пространственная инф. Sci., XL-245-252, 2014.http://doi.org/10.5194/isprsarchives-XL-1-245-2014.).

Нельсон, К. Дж., Дж. Коннот, Б. Петерсон, Дж. Дж. Пикотт. 2013. LANDFIRE 2010 — Обновленные данные для поддержки борьбы с лесными пожарами и экологии. IEEE Earthzine. http://earthzine.org/2013/09/15/landfire-2010-updated-data-to-support-wi ….

Pal, M. и P. M. Mather, 2003. Оценка эффективности методов дерева решений для классификации земного покрова. Дистанционное зондирование окружающей среды 86, 554-565

Уровень данных пахотных земель Национальной службы сельскохозяйственной статистики Министерства сельского хозяйства США.2011. Опубликован слой данных по конкретным культурам [Online]. Доступно по адресу https://nassgeodata.gmu.edu/CropScape/. USDA-NASS, Вашингтон, округ Колумбия.

Проект анализа пробелов в геологической разведке США. 2011 Дополнительные данные — коды гидрологических единиц [HUCS]. [Онлайн]. Доступно на https://www.sciencebase.gov/catalog/item/56d496eee4b015c306f17a42.

Геологическая служба США, Национальный центр геопространственных технических операций, 20140924, Национальный набор данных о границах водоразделов (WBD) Геологической службы США (USGS) 20140924 Национальный шейп-файл: U.С. Геологическая служба: Рестон, Вирджиния, http://nhd.usgs.gov/wbd.html.

Доступ к предыдущим версиям этого набора данных

Для доступа к предыдущим версиям набора данных о земном покрове свяжитесь с Алекса МакКерроу: [email protected]

Контакты для GAP Land Cover Data >>

MODIS Web

Тип покрытия земли MODIS / Динамика

Обзор

Продукт MODIS Terra + Aqua Combined Land Cover включает пять различных схем классификации земного покрова, полученных с помощью контролируемого метода классификации дерева решений.Схема первичного земельного покрова определяет 17 классов, определенных МПГБ, включая 11 классов естественной растительности, три класса, измененных человеком, и три класса без растительности.

Продукт Land Cover Dynamics включает слои по времени роста, зрелости и старения растительности, которые отмечают сезонные циклы. Оценки фенологии растительности предоставляется дважды в год из двух 12-месячных основных периодов, июль-июнь и январь-декабрь, с учетом межполушарных различий в вегетационные сезоны и позволяя продукту улавливать два цикла роста, если это необходимо.

Информация о продукте

• PI продукта:

• Подтвержденный этап: этап 2

• URL страницы продукта PI

• Загрузить руководство пользователя

• ATBD

Подробнее о продукте

<Вернуться на страницу продуктов данных

Классификация земного покрова с помощью eo-learn: Часть 2 | от Матич Любей | Блог Sentinel Hub

Разделение и изменение формы данных

Мы делаем разделение обучающих / тестовых на уровне 80/20% на уровне EOPatch, что означает, что пиксели из EOPatches, используемые для обучения, не использовались для тестирования, и наоборот.Пиксели из обучающих пакетов EOP таким же образом были разделены на наборы для обучения и перекрестной проверки. После разделения у нас есть объект numpy.ndarray формы (p, t, w, h, d) , где p — количество EOPatches в подмножестве, t — количество повторно выбранных временные рамки для каждого EOPatch, а w, h, и d — это ширина, высота и глубина EOPatch соответственно. После выбора подмножества ширина w соответствует количеству выбранных пикселей (например,грамм. 40 000, как указано выше), а размер по высоте h равен 1. Разница в форме массива ничего не меняет, а просто меняет порядок пикселей, чтобы их было легче использовать. Полосы и подобные им элементы d на всех временных интервалах t представляют входные данные классификатора, используемые для обучения, где имеется p * w * h таких входных записей. Чтобы преобразовать данные в форму, приемлемую для классификатора, мы должны преобразовать их из массива 5D в массив 2D формы (p * w * h, d * t), , что можно сделать с помощью следующий numpy magic:

Такая процедура затем позволяет сделать прогноз на новых данных той же формы, а затем преобразовать их обратно в участки исходной формы, которые можно снова визуализировать с помощью стандартных методов построения графиков.

Оптимальный выбор классификатора сильно зависит от приложения, и даже тогда существует ряд параметров модели, которые также необходимо настроить для конкретного приложения. Чтобы оптимизировать этот выбор, в принципе необходимо провести несколько экспериментов и сравнить результаты.

В нашем подходе к классификации мы используем пакет LightGBM, поскольку он предлагает интуитивно понятную, быструю, распределенную и высокопроизводительную структуру повышения градиента, основанную на алгоритмах дерева решений.Для настройки параметров классификатора можно использовать различные подходы, такие как поиск по сетке или случайный поиск, и оценить их на тестовом наборе данных. В этом примере мы пропустим эти процедуры и будем использовать параметры по умолчанию.

Многопозиционная классификация земного покрова с глубоким обучением | by Abdishakur

Затем мы создаем обучаемого, в который передаем созданный набор данных, выбор модели (в данном случае мы используем resnet34) и метрики (precision_thresh и F Score).

 f_score = partial (fbeta, thresh = 0.45) learn = cnn_learner (data, models.resnet34, metrics = [precision_thresh, f_score], callback_fns = [CSVLogger, ShowGraph, SaveModelCallback]) 

Мы также можем получить подходящую скорость обучения для обучения набора данных путем построения графика с помощью lr_find в Fastai.

 learn.lr_find () learn.recorder.plot () 

Теперь мы можем начать обучение нашей модели с данными. Мы используем функцию fit_one_cycle, которая является мощной и включает в себя современные методы с использованием техники одного цикла.

 learn.fit_one_cycle (5, 1e-2) 

После начала обучения Fastai отображает метрики, предоставленные с потерями на обучение и проверку, и время для каждой эпохи

Наша последняя эпоха записывает порог точности 95,53 и показатель F 90,84, что достаточно точно для пяти эпох. Мы можем тренироваться дальше и улучшать наши показатели. Для этого мы можем заморозить одни слои и обучить другие с нуля.

 learn.freeze () 
 lr = 1e-3learn.fit_one_cycle (5, slice (lr)) 

Наша последняя модель получила 91 балл.Оценка 39 F, что немного лучше по сравнению с предыдущей тренировкой. Мы могли бы тренироваться больше, используя больше эпох или улучшая архитектуру глубокой нейронной сети. Вы можете попробовать это и посмотреть, поможет ли это улучшить модель. В следующем разделе мы будем использовать внешние изображения в качестве вывода для модели.

Прогнозирование различных наборов данных

Чтобы протестировать модель, мы прогнозируем несколько изображений из внешнего источника и смотрим, как модель работает.

! Wget https: // www.dropbox.com/s/6tt0t61uq2w1n3s/test.zip!unzip test.zipimg = open_image («/ content / test / roundabout_086.jpg») img 

Первое изображение из тестового набора данных показано ниже.

Давайте посмотрим, что предсказывает модель:

 MultiCategory голая почва; здания; автомобили; трава; тротуар 

Что ж, это то, что дает модель, и я думаю, что это точно, исходя из классов, которые мы использовали в нашем наборе обучающих данных. . Наше предсказание предсказало большинство классов, присутствующих на изображении (по крайней мере, исходя из того, что я вижу в своих глазах).

Давайте протестируем с другим изображением.

И модель предсказывает

 MultiCategory самолет; автомобили; тротуар 

Самолет и тротуар, да, но я не вижу никаких машин.

Заключение

В этом руководстве мы обучили модель классификации категорий с несколькими метками с использованием глубоких нейронных сетей. Мы также выполнили выводы модели с другими изображениями.

Код и блокнот Google Colab для этого руководства доступны в этом репозитории Github.

Вы можете получить доступ к Блокноту Google Colab прямо по этой ссылке

9 лучших бесплатных данных о земельном покрове / землепользовании

Каковы основные источники данных о земном покрове в мире?

Насколько сильно изменилась Земля за время вашей жизни? Совсем немного, но вы, вероятно, просто не можете назвать это числом.

Благодаря глобальному земному покрову и спутниковым датчикам, таким как MODIS, AVHRR и Enhanced Thematic Mapper, мы наконец можем пролить свет на нашу изменяющуюся планету.

Но какие существуют наборы данных о земном покрове в мире? Какие самые лучшие?

Какова их точность? Насколько хорошо его пространственное разрешение?

Видеть значит верить

Чтобы помочь вам проследить и получить визуальное представление о точности классификации земного покрова, мы делаем снимки экрана Нью-Йорка. Следует помнить о некоторых ключевых особенностях:

ЦЕНТРАЛЬНЫЙ ПАРК : Квадратная зеленая зона на Манхэттене, водохранилище Жаклин Кеннеди Онассис и Верхний залив, разделяющий Нью-Йорк и Нью-Джерси.

ОСТРОВ ОГНЯ : остров с тонкими барьерами у южного берега защищает прибрежные полосы Лонг-Айленда, штат Нью-Йорк.

ДЛИННЫЙ ОСТРОВ : Острова в северо-восточном углу Лонг-Айленда, такие как остров Сливы, остров Большой чайки и остров Маленькой чайки.

Вот Нью-Йорк в глазах Sentinel-2, определяющий особенности выше.

Насколько хорошо эти объекты классифицированы на картах земного покрова? Классифицировать земной шар — непростая задача.

Прочтите ниже краткое изложение различных схем классификации земного покрова, доступных бесплатно на кончиках ваших пальцев.

1. Глобальное земельное обследование (GLS)

При разрешении 30 метров этот растительный покров является одним из лучших на сегодняшний день. Университет Мэриленда объединился с Геологической службой США, чтобы связать воедино свой древесный покров 2010 года, голую землю и устойчивые поверхностные воды.

Используя данные Landsat 7 ETM +, его наиболее впечатляющим признаком является его полог древесного покрова , описанный в процентах на ячейку выходной сетки.Этот растительный покров используется для взвешивания глобальной протяженности, потерь и прироста лесов с 2000 по 2012 год, например, на этой веб-карте Глобальных изменений лесов.

Исследования показали, что общая точность статического лесного покрова Глобального исследования земель (GLS) составляет 91% при изменении лесного покрова> 88%. Подтверждая точность этой статьи, отчетливо видны Центральный парк и внешние острова. Отсутствие лесных массивов на Файер-Айленде закономерно. Вещи идут хорошо.

ПОДРОБНЕЕ: 4 Глобальные карты лесов, чтобы увидеть лес за деревьями

2.Инициатива по изменению климата (CCI) Land Cover V2

При разрешении 300 метров датчик ENVISAT MERIS вносит наибольший вклад в карты земного покрова трех эпох (1998-02, 2003-07 и 2008-12) CCI Land Cover V2.

По соотношению площади, точность карты 23-го класса составляет 73%. Кроме того, Европейское космическое агентство создало программу просмотра земного покрова ESA / CCI для динамического просмотра земного покрова

Визуально вы можете увидеть, как он захватывает тонкий барьер на южном берегу Лонг-Айленда.Несмотря на отсутствие большей части центральной парковой зоны (4 км x 0,8 км), он безупречно классифицирует северо-восточные острова.

3. Данные OSM о землепользовании

Со всеми остальными классификациями земного покрова она основана на алгоритмах классификации изображений. Представьте себе композитора, пишущего симфонию, в которой сотни спутниковых снимков классифицируются как шедевр земного покрова.

Но что происходит, когда тысячи артистов пишут свою музыку? Когда каждый фрагмент синхронизируется из огромного глобального сообщества, известного как OpenStreetMap, вы получаете одну невероятно точную карту землепользования .

В однопиксельном пикселе ENVISAT MERIS сосчитайте их — 157 зданий

Кроме того, он сообщает вам, жилой ли это, коммерческий, промышленный или любой другой тип.

Единственными недостатками данных OSM о землепользовании являются:

• В данных много пробелов.
• Скорее всего, он не будет снимать, скажем, лиственное дерево из хвойного.
• У вас есть случайные люди, обновляющие его. (при этом качество неплохое)

Но в Нью-Йорке царит земельный покров OSM.Очертания Центрального парка живописны. Южный берег и северо-восточные острова имеют векторизованные очертания. Панорамируйте север несколько раз, и земля пуста.

ПОДРОБНЕЕ: 10 бесплатных источников данных ГИС: лучшие глобальные наборы растровых и векторных данных

4. MCD12Q1 Глобальная климатология земного покрова на основе MODIS 0,5 км

500-метровые карты земного покрова MODIS (17 классов земного покрова) описывают доминирующий класс на основе 10-летнего периода (2001-2010 гг.).

Исследования показали межгодовую изменчивость: 40% пикселей показывают изменение класса один или несколько раз за 10-летний период. Из-за своей грубости он не попадает в цель на Центральном парке и Файер-Айленде. Но спектрорадиометр среднего разрешения (MODIS) довольно хорошо фиксирует острова.

Однако, по сути, он выполняет свою работу для моделей погоды и климата.

5. Геологическая служба США — Глобальная характеристика земного покрова (GLCC)

GLCC основан на годовом усовершенствованном радиометре сверхвысокого разрешения (AVHRR) с использованием подхода неконтролируемой классификации изображений.Основываясь на занимаемой площади суши, GLCC достигает точности 66,9%. Когда наблюдатель не может определить пиксель как «истинное» прикрытие, точность этого правила большинства имеет еще более высокую точность — 78,7℅, отбрасывая эти сайты.

GLCC используется в ряде приложений для моделирования окружающей среды, включая модель системы наблюдения Земли Годдарда V5 (GEOS-5).

Классификация земного покрова с размером пикселя в 1 км классифицирует Центральный парк. Однако он пропускает лодку до Файер-Айленда и Сливового острова.

6. GlobeLand30

В надежде восстановить 30-метровый покров земли 2000 и 2010 годов из Национального центра геоматики Китая, он пропал без вести.

Эти карты земного покрова с разрешением 30 метров показывают глобальное распределение 10 основных классов земного покрова: водоемы, водно-болотные угодья, искусственные поверхности, возделываемые земли, постоянный снег и лед, леса, луга, кустарники, голая земля и тундра.

Потребовалось более 10 000 спутниковых снимков Landsat, чтобы покрыть всю Землю с разрешением 30 м.Этот растительный покров использует методы на основе пикселей и объектов, и каждый класс идентифицируется в приоритетной последовательности. В 8 выбранных областях общая точность классификации составляет 80%.

В настоящее время мы имеем дело с Нью-Йорком с пустыми руками, но данные, которые у нас есть по другим частям, выглядят довольно разумными. По меньшей мере, его исчезновение загадочно. В настоящее время нигде нет, мы обновим статью, когда или если она снова появится в сети

ПОДРОБНЕЕ: USGS Earth Explorer: Загрузите бесплатные изображения Landsat

7.Глобальная сеть земельного покрова ФАО ООН (GLC-SHARE)

В центре внимания земельного покрова GLC SHARE ФАО находится управление земельными ресурсами. Это особенно отражается на некоторых его классах — пахотных землях, пастбищах, голых почвах и мангровых зарослях. Сюда входят искусственные поверхности, водоемы, снег, деревья, кустарники, травянистая и редкая растительность.

По сегодняшним меркам он груб, немного резче, чем ячейки сетки в 1 км. Кроме того, он имеет точность около 80% с 1087 сайтами проверки.

Вы можете видеть, что в этой классификации полностью отсутствуют Центральный парк, большая часть Файер-Айленда и северо-восточные острова. Отчасти это связано с его грубым разрешением.

Его основное использование — лучшее понимание управления земельными ресурсами, поэтому мы ожидаем лучших результатов в сельскохозяйственных областях.

8. Тип земного покрова Годовой L3 Глобальный 0,05Deg CMG

Сетка климатического моделирования имеет те же корни, что и MCD12Q1, с использованием того же контролируемого алгоритма дерева классификации.Этот набор данных доступен для загрузки из USGS Earth Explorer.

Хотя он генерирует те же 17 классов, что определены Международной программой геосферы-биосферы, он имеет гораздо более низкое пространственное разрешение (0,05 °).

При 5,5 км пикселей невозможно получить уровень точности по сравнению со всеми другими вариантами растительного покрова. Обычному человеку трудно даже понять, что мы смотрим на Нью-Йорк.

9. Террапоп

Terrapop содержит множество существующих глобальных наборов данных о земном покрове из уже упомянутых 23-х классов ESA GLC и MODIS 1km.

Вдобавок к этому, он включает очень грубую классификацию сельскохозяйственных земель около 2000 года на 10 км, разработанную Глобальной инициативой по ландшафтам. Сюда входят убранная площадь и урожай 175 культур, чтобы лучше понять спрос и предложение на сельское хозяйство.

Мы даем очень подробное руководство о том, как извлекать данные из интуитивно понятного интерфейса Terrapop.

ПОДРОБНЕЕ: Как получить согласованные экологические и демографические данные с помощью TerraPop

Какой растительный покров вы используете?

Космические агентства по всему миру запускают спутники, чтобы удовлетворить спрос на точный земной покров планеты.

Наша простая визуальная оценка Нью-Йорка показывает, насколько земной покров варьируется в зависимости от провайдера.

Только в более мелком масштабе растительный покров может отражать значительную деятельность человека на земле. Несмотря на значительные пробелы в данных, нет такого подробного описания землепользования, как OSM.

Почти как туннельное зрение, удивительно, что ученые не используют многомасштабный итеративный подход с несколькими данными, используя лучшее, что есть в данном месте.

30-метровый годовой набор данных о земном покрове и его динамика в Китае с 1990 по 2019 год

Azzari, G.и Лобелл Д. Б. Классификация в облаке на основе спутника Landsat: An возможность смены парадигмы в мониторинге земного покрова, Remote Sens. Environ., 202, 64–74, https://doi.org/10.1016/j.rse.2017.05.025, 2017.

Бауэр, Э. и Кохави, Р .: Эмпирическое сравнение классификации голосования алгоритмы: бэггинг, бустинг и варианты, Mach. ЖЖ., 36, 105–139, https://doi.org/10.1023/a:1007515423169, 1999.

Белджиу М. и Дрэгу Л.: Случайный лес в дистанционном зондировании: обзор приложения и будущие направления, ISPRS J.Фотография. Пульт Сенс., 114, 24–31, https://doi.org/10.1016/j.isprsjprs.2016.01.011, 2016.

Bontemps, S., Defourny, P., Radoux, J., Van Bogaert, E., Lamarche, C. ., Ахард, Ф., Майо, П., Бетчер, М., Брокманн, К., Кирчес, Г., Зюльхе М., Калогироу В. и Арино О.: Постоянный глобальный земной покров. карты для сообществ моделирования климата: Текущие достижения ЕКА почвенно-растительный покров CCI, в: ESA Living Planet Symposium, vol. 2013, 9–13, доступно по адресу: https://ftp.space.dtu.dk/pub/Ioana/papers/s274_2bont.pdf (последний доступ: 6 августа 2021 г.), 2013.

Чен, Дж., Чен, Дж., Ляо, А., Цао, X., Чен, Л., Чен, X., Хе, К., Хан, Г., Пэн, С., Лу, М., Чжан, В., Тонг, X., и Миллс, Дж .: Глобальный земной покров картографирование с разрешением 30 м: оперативный подход на основе POK, ISPRS J. Фотография. Remote Sens., 103, 7–27, https://doi.org/10.1016/j.isprsjprs.2014.09.002, 2015.

Defourny, P., Bontemps, S., Lamarche, C., Brockmann, C., Boettcher, M., Веверс, Дж., Кирчес, Дж., Санторо, М., и ESA: Пользователь продукта Land Cover CCI Руководство — Версия 2.0, Esa, доступно по адресу: https://www.esa-landcover-cci.org/?q=webfm_send/112 (последний доступ: 6 августа 2021 г.), 2017.

Деван, А. М. и Ямагути, Й .: Изменение землепользования и земельного покрова в Большом Дакка, Бангладеш: Использование дистанционного зондирования для содействия устойчивой урбанизации, Прил. Геогр., 29, 390–401, https://doi.org/10.1016/j.apgeog.2008.12.005, 2009.

Du, Y., Xue, H.-P., Wu, S.-j ., Линг, Ф., Сяо, Ф., и Вэй, X.-h .: Озеро изменения площади в среднем районе Янцзы Китая в течение 20 века, Дж.Environ. Управл., 92, 1248–1255, https://doi.org/10.1016/j.jenvman.2010.12.007, 2011.

Фуди, Г. М. и Арора, М. К .: Оценка некоторых факторов, влияющих на точность классификации искусственной нейронной сетью, Int. J. Удаленный Sens., 18, 799–810, https://doi.org/10.1080/014311697218764, 1997.

Foody, G. M. и Mathur, A .: К интеллектуальному обучению контролируемого имиджа классификации: Направление сбора обучающих данных для классификации SVM, Remote Sens. Environ., 93, 107–117, https://doi.org/10.1016/j.rse.2004.06.017, 2004.

Фридл, М.А., Сулла-Менаше, Д., Тан, Б., Шнайдер, А., Раманкутти, Н., Сибли, А., Хуанг, X .: Глобальный земной покров MODIS Collection 5: алгоритм уточнения и характеристики новых наборов данных, Remote Sens. Environ., 114, 168–182, https://doi.org/10.1016/j.rse.2009.08.016, 2010.

Фриц, С., См., Л., Пергер, К., МакКаллум, И., Шилл, К., Щепащенко, Д., Дуэрауэр, М., Карнер, М., Дрезель, К., Ласо-Баяс, Дж.-К., Лесив, М., Мурти, И., Солк, К.Ф., Данило, О., Стурн, Т., Альбрехт, Ф., Ю, Л., Кракснер, Ф., и Оберштайнер, М .: А глобальный набор краудсорсинговых справочных данных о земельном покрове и землепользовании (2011–2012 гг.), PANGEA, https://doi.org/10.1594/PANGAEA.869680, 2016.

Fritz, S., See, L., Perger, C. ., Маккаллум, И., Шилль, К., Щепащенко, Д., Duerauer, M., Karner, M., Dresel, C., Laso-Bayas, J.C., Lesiv, M., Moorthy, И., Солк, К. Ф., Данило, О., Стурн, Т., Альбрехт, Ф., Ю, Л., Кракснер, Ф., и Оберштайнер, М .: Глобальный набор данных краудсорсингового земельного покрова и земли. использовать справочные данные, Sci. Data, 4, 170075, https://doi.org/10.1038/sdata.2017.75, 2017.

Goetz, S.J., Wright, R.K., Smith, A.J., Zinecker, E., and Schaub, E .: Изображения IKONOS для управления ресурсами: деревья, непроницаемые поверхности и анализ прибрежных буферов в среднеатлантическом регионе, Remote Sens. Environ., 88, 195–208, https://doi.org/10.1016/j.rse.2003.07.010, 2003.

Goldewijk, K.K .: Оценка глобальных изменений в землепользовании за последние 300 лет: База данных HYDE, Global Biogeochem.Cy., 15, 417–433, https://doi.org/10.1029/1999GB001232, 2001.

Гомес, К., Уайт, Дж. К., и Вулдер, М.А.: Оптическое дистанционно измеренное время данные серии для классификации земного покрова: обзор, ISPRS J. Photogramm. Remote Sens., 116, 55–72, https://doi.org/10.1016/j.isprsjprs.2016.03.008, 2016.

Gong, P., Wang, J., Yu, L., Zhao, Y ., Чжао, Ю., Лян, Л., Ню, З., Хуанг, X., Fu, H., Liu, S., Li, C., Li, X., Fu, W., Liu, C., Xu, Y., Wang, X., Ченг, К., Ху, Л., Яо, В., Чжан, Х., Чжу, П., Чжао, З., Чжан, Х., Чжэн, Ю., Цзи, Л., Чжан, Ю., Чен, Х., Янь, А., Го, Дж., Ю, Л., Ван, Л., Лю, X., Shi, T., Zhu, M., Chen, Y., Yang, G., Tang, P., Xu, B., Giri, C., Клинтон, Н., Чжу, З., Чен, Дж., И Чен, Дж .: Наблюдение с более высоким разрешением и мониторинг глобального земного покрова: первые результаты картирования с помощью Landsat TM и данные ETM +, Int. J. Remote Sens., 34, 2607–2654, https://doi.org/10.1080/01431161.2012.748992, 2013.

Гонг, П., Лю, Х., Чжан, М., Ли, К., Ван, Дж., Хуанг, Х., Клинтон, Н., Джи, Л., Ли, В., Бай, Ю., Чен, Б., Сюй, Б., Чжу, З., Юань, К., Пинг Суэн, Х., Го, Дж., Сюй, Н., Ли, В., Чжао, Ю., Ян, Дж., Ю, К., Ван, X., Фу, Х., Ю, Л., Дронова, И., Хуэй, Ф., Ченг, X., Ши, X., Сяо, Ф., Лю, К., и Сун, Л .: Стабильная классификация с ограниченной выборкой: перенос 30-м. набор образцов разрешения, собранный в 2015 г. для картирования глобального разрешения 10 м. земельный покров в 2017 г., Науки. Бюл., 64, 370–373, https://doi.org/10.1016/j.scib.2019.03.002, 2019.

Гонг, П., Ли, Х., Ван, Дж., Бай, Ю., Чен, Б., Ху, Т., Лю, Х., Сюй, Б., Ян, Дж., Чжан, В., Чжоу, Ю.: Годовые карты глобальных искусственных водонепроницаемая зона (GAIA) с 1985 по 2018 год, Remote Sens. Environ., 236, 111510, https://doi.org/10.1016/j.rse.2019.111510, 2020.

Горелик, Н., Ханчер, М., Диксон, М., Ильющенко, С., Тау, Д., и Мур, Р .: Google Earth Engine: геопространственный анализ в планетарном масштабе для всех, Remote Sens. Environ., 202, 18–27, https://doi.org/10.1016/j.rse.2017.06.031, 2017.

Хансен, М. К., Потапов, П. В., Мур, Р., Ханчер, М., Турубанова, С. А., Тюкавина, А., Тау, Д., Стехман, С. В., Гетц, С. Дж., Ловленд, Т. Р., Коммаредди А., Егоров А., Чини Л., Джастис К. О. и Тауншенд Дж. Р. G .: Глобальные карты изменения лесного покрова в 21 веке с высоким разрешением, Science, 342, 850–853, https://doi.org/10.1126/science.1244693, 2013.

He, Y., Lee, E ., и Уорнер, Т.А.: Временные ряды годового землепользования и земли. карты обложки Китая с 1982 по 2013 год, созданные с использованием AVHRR GIMMS NDVI3g данные, Remote Sens.Environ., 199, 201–217, https://doi.org/10.1016/j.rse.2017.07.010, 2017.

Герольд, М., Латам, Дж. С., Ди Грегорио, А., и Шмуллиус, К. С .: Развитие стандарты в характеристике земного покрова, J. ​​Land Use Sci., 1, 157–168, https://doi.org/10.1080/17474230601079316, 2006.

Хоу, Х., Фэн, Л., Тан, Дж., Сун, XP, Лю, Дж., Чжан, Ю., Ван , Дж., Сюй, Ю., Дай, Ю., Чжэн, Ю., Чжэн, К., и Брайан, Б. А .: Антропогенный трансформация пресноводных озер равнины Янцзы: закономерности, движущие силы и ударов, Remote Sens.Environ., 248, 111998, https://doi.org/10.1016/j.rse.2020.111998, 2020.

Houghton, RA, House, JI, Pongratz, J., van der Werf, GR, DeFries, RS, Hansen, MC, Le Quéré, C., and Ramankutty, N .: Выбросы углерода от землепользования и земли -cover change, Biogeosciences, 9, 5125–5142, https://doi.org/10.5194/bg-9-5125-2012, 2012.

Huang, Y .: Картирование глобальных городских изменений с высоким пространственно-временным разрешением с 1985 по 2015 г., figshare [Dataset], https://doi.org/10.6084/m9.figshare.11513178.v1, 2020.

Джокар Арсанджани, Дж., Си, Л., и Тайеби, А .: Оценка пригодности GlobeLand30 для картографирования земного покрова в Германии, Int. J. Digit. Земля, 9, 873–891, https://doi.org/10.1080/17538947.2016.1151956, 2016.

Ленг, Г., Тан, К., и Рейбург, С.: Влияние изменения климата на метеорологические, сельскохозяйственные и гидрологические засухи в Китае, Glob. Планета. Change, 126, 23–34, https://doi.org/10.1016/j.gloplacha.2015.01.003, 2015.

Li, C., Гун, П., Ван, Дж., Чжу, З., Бигин, Г. С., Юань, К., Ху, Т., Чжан, Х., Ван, К., Ли, Х., Лю, Х., Сюй, Ю., Го, Дж., Лю, К., Хакман, К. О., Чжан, М., Ченг, Ю., Ю, Л., Ян, Дж., Хуанг, Х., Клинтон, Н .: Первый набор всесезонных выборок для картирования глобального земного покрова с данными Landsat-8, Sci. Bull., 62, 508–515, https://doi.org/10.1016/j.scib.2017.03.011, 2017.

Ли, Дж., Хуанг, X., Ху, Т., Цзя, X. , и Бенедиктссон, JA: Роман метод неконтролируемого сбора образцов для картирования городского земельного покрова с использованием спутниковые изображения, IEEE Trans.Geosci. Remote Sens., 57, 3933–3951, г. https://doi.org/10.1109/TGRS.2018.2889109, 2019.

Ли, Дж., Гао, Ю. и Хуанг, X .: Влияние городской агломерации на озон условия-предвестники: систематическое расследование по всему миру агломерации, использующие наборы геопространственных данных из нескольких источников, Sci. Общий Environ., 704, 135458, https://doi.org/10.1016/j.scitotenv.2019.135458, 2020a.

Ли, У., Донг, Р., Фу, Х., Ван, Дж., Ю, Л. и Гонг, П .: Интеграция с Google Снимки Земли с данными Landsat для улучшения земного покрова с разрешением 30 м отображение, Remote Sens.Environ., 237, 111563, https://doi.org/10.1016/j.rse.2019.111563, 2020b.

Ли, X., Гонг, П., и Лян, Л.: 30-летний (1984–2013) рекорд годового динамика городов Пекина по данным Landsat, Remote Sens. Environ., 166, 78–90, https://doi.org/10.1016/j.rse.2015.06.007, 2015.

Li, X.-z., Chen, Z.-j., Fan, X .-c., и Cheng, Z.-j .: Hydropower. ситуация и перспективы развития в Китае, Renew. Поддерживать. Энергия Rev., 82, 232–239, https://doi.org/10.1016/j.rser.2017.08.090, 2018.

Лю, Х., Гонг, П., Ван, Дж., Клинтон, Н., Бай, Ю., и Лян, С.: Годовая динамика глобального земного покрова и ее долгосрочные изменения от 1982–2015 гг., Earth Syst. Sci. Data, 12, 1217–1243, https://doi.org/10.5194/essd-12-1217-2020, 2020a.

Лю Дж., Лю М., Чжуан Д., Чжан З. и Дэн Х .: Исследование пространственного модель изменения землепользования в Китае в 1995–2000 гг., Sci. China Ser. D Науки о Земле, 46, 373–384, https://doi.org/10.1360/03yd9033, 2003.

Лю Дж., Куанг, В., Чжан, З., Сюй, Х., Цинь, Ю., Нин, Дж., Чжоу, В., Чжан, С., Ли, Р., Янь, Ч., Ву, С., Ши, X., Цзян, Н., Ю, Д., Пан, X., и Чи, W .: Пространственно-временные характеристики, закономерности и причины изменений землепользования. в Китае с конца 1980-х годов Dili Xuebao / Acta Geogr. Син., 69, 3–14, https://doi.org/10.11821/dlxb201401001, 2014.

Лю, Дж., Нин, Дж., Куанг, В., Сюй, X., Чжан, С., Янь, К., Ли, Р. , Ву, С., Ху, Ю., Ду, Г., Чи, В., Пан, Т., и Нин, Дж .: Пространственно-временные модели и характеристики изменений в землепользовании в Китае в 2010–2015 гг., Дили Xuebao / Acta Geogr.Sin., 73, 789–802, https://doi.org/10.11821/dlxb201805001, 2018.

Лю, X., Хуан, Y., Xu, X., Li, X., Li, X., Ciais, P., Lin, P., Gong, K., Зиглер, А.Д., Чен, А., Гонг, П., Чен, Дж., Ху, Г., Чен, Ю., Ван, С., Ву, К., Хуанг, К., Эстес, Л., и Цзэн, З .: Высокое пространственно-временное разрешение картирование глобальных городских изменений с 1985 по 2015 гг., Нац. Сустейн., 3, 564–570, https://doi.org/10.1038/s41893-020-0521-x, 2020b.

Лавленд, Т. Р. и Дуайер, Дж. Л .: Ландсат: построение сильного будущего, Удаленное Sens.Environ., 122, 22–29, https://doi.org/10.1016/j.rse.2011.09.022, 2012.

Люй, Ю., Ма, З., Чжан, Л., Фу, Б., и Гао, Г.: Рекомендации по озеленению Китая, Environ. Sci. Policy, 33, 346–353, 2013.

Lutz, A. F., Immerzeel, W. W., Shrestha, A. B., and Bierkens, M. F. P .: Последовательное увеличение стока в Высоких частях Азии из-за растущего таяния ледников и осадки, прир. Клим. Чанг., 4, 587–592, https://doi.org/10.1038/nclimate2237, 2014.

Мичевич, Э., Хак, М.О., Мишра, Н .: Обновления радиометрической калибровки. в коллекцию Landsat, в: Системы наблюдения Земли XXI Международного общества оптики и фотоники, 99720D, 2016.

Пекель, Дж. Ф., Коттам, А., Горелик, Н., и Белвард, А. С .: Высокое разрешение картографирование глобальных поверхностных вод и их долгосрочных изменений, Природа, 540, 418–422, https://doi.org/10.1038/nature20584, 2016.

Schewe, J., Gosling, SN, Reyer, C., Zhao, F., Ciais, P., Elliott, J. , Франсуа, Л., Хубер, В., Лотце, Х.К., Сеневиратне, С. И., ван Влит, М. Т. Х., Вотар, Р., Вада, Ю., Брейер, Л., Бюхнер, М., Кароцца, Д. А., Чанг, Дж., Колл, М., Деринг, Д., Де Вит, А., Эдди, Т. Д., Фолберт, К., Фрилер, К., Френд, А. Д., Гертен, Д., Гудмундссон, Л., Ханасаки, Н., Ито, А., Хабаров, Н., Ким, Х., Лоуренс, П., Морфопулос, К., Мюллер, К., Мюллер Шмид, Х., Орт, Р., Остберг, С., Покхрел, Ю., Пью, Т. А. М., Сакураи, Г., Сато, Ю., Шмид, Э., Стаке, Т., Стинбек, Дж., Стейнкамп, Дж., Тан, К., Тиан, Х., Титтензор, Д.П., Волхольц Дж., Ван X. и Варшавский, Л .: Современные глобальные модели недооценивают влияние экстремальные климатические условия, Nat. Commun., 10, 1–14, https://doi.org/10.1038/s41467-019-08745-6, 2019.

Сонг, К., Хуанг, Б., Ричардс, К., Кэ, Л., и Хиен Фан, В .: Ускорено расширение озера на Тибетском плато в 2000-х годах: вызвано ледниковыми таяние или другие процессы, водные ресурсы. Res., 50, 3170–3186, https://doi.org/10.1002/2013WR014724, 2014.

Сулла-Менаше, Д., Грей, Дж.М., Аберкромби, С. П., и Фридл, М. А .: Иерархическое картирование годового глобального земного покрова с 2001 г. по настоящее время: MODIS Коллекция 6 «Земельный покров», Remote Sens. Environ., 222, 183–194, https://doi.org/10.1016/j.rse.2018.12.013, 2019.

Tang, Q .: Гидрология глобальных изменений: наземный водный цикл и глобальный изменить, Sci. China Earth Sci., 63, 459–462, https://doi.org/10.1007/s11430-019-9559-9, 2020.

Тауберт, Ф., Фишер, Р., Греневельд, Дж., Леманн, С., Мюллер, М. С., Рёдиг, Э., Виганд Т. и Хут А. Глобальные закономерности тропических лесов. фрагментация, Nature, 554, 519–522, https://doi.org/10.1038/nature25508, 2018.

Tucker, C.J .: Красные и фотографические инфракрасные линейные комбинации для мониторинг растительности, Remote Sens. Environ., 8, 127–150, https://doi.org/10.1016/0034-4257(79)-0, 1979.

Ван, Дж., Фэн, Л., Палмер, П.И., Лю, Ю., Фанг, С., Бёш, Х., О’Делл, C. W., Tang, X., Yang, D., Liu, L., и Xia, C. Z .: Исправление издателя: большой наземный сток углерода в Китае, оцененный на основе данных о двуокиси углерода в атмосфере, Nature, 588, E19, https: // doi.org / 10.1038 / s41586-020-2986-1, 2020.

Wehmann, A. and Liu, D .: Пространственно-временное контекстуальное марковское ядро метод разновременного картирования земного покрова, ISPRS J. Photogramm. Удаленный Sens., 107, 77–89, https://doi.org/10.1016/j.isprsjprs.2015.04.009, 2015.

Wessels, KJ, Bergh, F. van den, Roy, DP, Salmon, BP, Стинкамп, К. К., Макалистер Б., Свейнпол Д. и Джевитт Д.: Быстрая карта земного покрова. обновления с использованием обнаружения изменений и надежных классификаторов случайных лесов, Remote Sens., 8, 888, https://doi.org/10.3390/rs8110888, 2016.

Вудкок, К. Э., Аллен, Р., Андерсон, М., Белвард, А., Биндшадлер, Р., Коэн, В., Гао, Ф., Говард, С. Н., Хелдер, Д., Хелмер, Э., Немани, Р., Ореопулос, Л., Шотт, Дж., Тенкабайль, П. С., Вермоте, Э. Ф., Фогельманн, Дж., Вулдер, Массачусетс, и Винн, Р .: Свободный доступ к изображениям Landsat, Science, 320, 1011, https://doi.org/10.1126/science.320.5879.1011a, 2008.

Wulder, MA, White , JC, Лавленд, Т.Р., Вальдшнеп, CE, Белвард, А.С., Коэн, В. Б., Фоснайт, Э. А., Шоу, Дж., Масек, Дж. Г. и Рой, Д. П.: Глобальный архив Landsat: статус, консолидация и направление, удаленный Sens. Environ., 185, 271–283, https://doi.org/10.1016/j.rse.2015.11.032, 2016.

Wulder, MA, Coops, NC, Roy, DP, White, JC, и Эрмосилла, Т .: Почвенный покров 2.0, Int. J. Remote Sens., 39, 4254–4284, https://doi.org/10.1080/01431161.2018.1452075, 2018.

Сяо, Р., Лю, Ю., Хуан, X., Ши, Р., Ю, В. и Чжан, Т .: Исследование в движущие силы потери сельскохозяйственных земель в условиях быстрой урбанизации с использованием бинарных логистическая регрессия и пространственная регрессия: пример Шанхая и Залив Ханчжоу, Экол.Индик., 95, 455–467, https://doi.org/10.1016/j.ecolind.2018.07.057, 2018.

Xie, C., Huang, X., Mu, H., and Yin, W.: Влияние изменений в землепользовании на Озера в пойме Янцзы в Китае, Environ. Sci. Технол., 51, 3669–3677, https://doi.org/10.1021/acs.est.6b04260, 2017.

Xie, H., Chen, Q., Wang, W., and He, Y .: Анализ экологической эффективности пашня в Китае, Technol. Прогноз. Soc. Смена, 133, 15–28, https://doi.org/10.1016/j.techfore.2018.03.015, 2018.

Xin, H., Jiayi, L., Jie, Y., Zhen, Z., Dongrui, L., и Xiaoping, L.: 30-м. наблюдается глобальная динамика площади непроницаемой поверхности и модель расширения городов спутниками Landsat: с 1972 по 2019 гг. China Earth Sci., https://doi.org/10.1007/s11430-020-9797-9, 2021.

Xiong, D., Shi, P., Zhang, X., и Zou, C.B .: Последствия исключения пастбищ по связыванию углерода и разнообразию растений на лугах Китая — А метаанализ, Ecol. Eng., 94, 647–655, https://doi.org/10.1016/j.ecoleng.2016.06.124, г. 2016.

Xiu, L., Yan, C., Li, X., Qian, D., and Feng, K .: Мониторинг реакции от динамики растительности до экологической инженерии на песчаной земле Му Ус Китай с 1982 по 2014 год, Environ. Монит. Асс., 190, 543, https://doi.org/10.1007/s10661-018-6931-9, 2018.

Xu, H .: Модификация нормализованного разностного водного индекса (NDWI) для улучшения объекты открытой воды на изображениях дистанционного зондирования, Int. J. Remote Sens., 27, 3025–3033, https://doi.org/10.1080/01431160600589179, 2006.

Ян, Дж. И Хуанг, X .: 30-метровый годовой покров земли и его динамика в Китае с 1990 по 2019 год, Зенодо, https://doi.org/10.5281/ZENODO.4417810, 2021.

Ян, Дж., Хуанг, X., и Тан, Q .: Ширина реки, полученная со спутников, и ее пространственно-временные модели в Китае в 1990–2015 гг., Remote Sens. Environ., 247, 111918, https://doi.org/10.1016/j.rse.2020.111918, 2020a.

Ян, К., Хуанг, X., и Тан, К.: Эффект городского теплового острова в 302 китайских городах: временные тенденции и связанные факторы, Науки.Общий Environ., 655, 652–662, https://doi.org/10.1016/j.scitotenv.2018.11.171, 2019.

Ян, К., Хуанг, X., и Тан, К.: Глобальная оценка влияние орошение по температуре поверхности земли, Науки. Бюл., 65, 1440–1443, г. https://doi.org/10.1016/j.scib.2020.04.005, 2020b.

Яо С. и Чжан З .: Региональный рост в Китае в условиях экономических реформ, Дж. Dev. Stud., 38, 167–186, https://doi.org/10.1080/00220380412331322301, 2001.

Инь, Р. и Инь, Г.: Основные программы Китая по наземным экосистемам. восстановление: начало, реализация и проблемы, Environ.Управлять., 45, 429–441, https://doi.org/10.1007/s00267-009-9373-x, 2010.

Zha, Y., Gao, J., and Ni, S .: Использование нормированного индекса накопленных разностей в автоматическое отображение городских территорий по изображениям TM, Int. J. Remote Sens., 24, 583–594, https://doi.org/10.1080/01431160304987, 2003.

Чжай, П., Сунь, А., Жэнь, Ф., Лю, X., Гао, Б., и Чжан, К .: Изменения Экстремальные климатические явления в Китае, в: Погода и экстремальные климатические явления, Springer, 203–218, 1999.

Zhang, H.K. и Roy, D.П .: Использование земного покрова MODIS 500 м для получить согласованный континентальный масштаб 30 м земного покрова Landsat классификация, Remote Sens. Environ., 197, 15–34, https://doi.org/10.1016/j.rse.2017.05.024, 2017.

Чжан, Дж., Ма, К., и Фу, Б.: Утрата водно-болотных угодий под воздействием сельскохозяйственных развитие на равнине Саньцзян, северо-восток Китая, окружающая среда. Монит. Оценивать., 166, 139–148, https://doi.org/10.1007/s10661-009-0990-x, 2010.

Чжан, С., На, Х., Конг, Б., Ван, З., Цзян, Х., Ю, Х., Чжао, З., Ли, Х., Лю К. и Дейл П.: Определение изменений водно-болотных угодий на равнине Саньцзян в Китае с использованием дистанционного зондирования, Wetlands, 29, 302–313, https://doi.org/10.1672/08-04.1, 2009.

Zhang, X., Liu, L., Wu, C., Chen, X., Гао, Ю., Се, С., и Чжан, Б.: Разработка глобальной карты 30-метровой непроницаемой поверхности с использованием наборов данных дистанционного зондирования из нескольких источников и с использованием платформы Google Earth Engine, Earth Syst.