Canada Landsat Disturbance (CanLaD) – Including Forest Insect Pest

This data publication includes three map datasets:

  1. Detailed annual disturbance maps – Forty raster layers mapping Canadian forest disturbance types from 1985 to 2024 at a 30m resolution.

  2. Latest disturbance type and latest disturbance year maps – A simplified version for enhanced usability, consisting of three rasters that represent the most recent disturbance type and year (starting and ending).

  3. Latest Landsat time series Julian day map – A raster capturing the latest Julian day for each pixel in the time series, where the Julian day represents the number of days elapsed since January 1, 1970.

The forest disturbance types include wildfire, harvesting, pest outbreaks, windthrow, and new water bodies.

The method is based on the summer composite Landsat time series (Guindon et al 2024). Disturbance breaks in the time series are first detected using the LandTrendr approach (Kennedy et al., 2010). Next, a one-dimensional convolutional neural network model (TempCNN; Pelletier et al., 2019) is applied with a 10-year window to classify disturbance types. The resulting maps achieve an overall accuracy of 81%. For aggregated pest/no-pest classes, the overall accuracy is 88.0% ±1.2%, with a commission error of 25.4% ±5.7% and an omission error of 63.2% ±4.3%.

## Data use constraints:

  1. For pest-related disturbances, the proposed defoliation severity classes do not directly correspond to annual aerial survey classifications. Instead, they represent the intensity of cumulative spectral change at the end of the epidemic or, for ongoing outbreaks, the most recent observed year. Contrary to aerial survey classifications, only moderate to severe cumulative defoliation levels are detected, representing a good compromise between omission error and commission.

  2. The models are aimed at insect pests that primarily affect conifers. However, they may also capture severe defoliation in mixed or deciduous forests.

  3. The analysis is based on a 10-year time window to adequately capture the effects of progressive defoliation. Therefore, to properly detect a pest causing this type of defoliation, such as the spruce budworm, historical data only becomes truly relevant starting around 1995. For insects with faster defoliation, the 1990s might be considered a good starting point.

  4. The wood harvesting class refers to the removal of trees, regardless of the underlying intention. It primarily includes areas intended to remain forested or to be reforested but may also encompass certain sectors converted to other uses, such as road construction, mining, or various infrastructure projects.

  5. The windthrow class is effective at detecting large-scale events but has a high false detection rate, particularly along the edges of harvested areas, where mixed pixels create spectral similarities with windthrow. Among all disturbance classes, windthrow has the highest error rate.

  6. The new water body class was not formally validated in this study, though visual assessments were conducted.

  7. Since the summer composite considers only July and August imagery, disturbances occurring in the fall are detected the following year. For example, a wildfire that occurred in August 2023 might only become visible in the 2024 composite if the 2023 composite used images from early July, before the disturbance occurred. Additionally, cloud or shadow masking can create gaps in the time series, causing some disturbance events to appear delayed by one or two years. Users can use the national fire database (NBAC Canadian Wildland Fire Information System) for validation and year adjustments of wildfires. Moreover, the last Julian days raster could be used to better interpret the predicted year of disturbance.

  8. The most recent years in the time series may have a higher commission error. These errors will be addressed in future annual updates.

  9. The minimum detectable disturbance size is 1.08 hectares (12 pixels), which may limit the detection of linear disturbances such as roads.

## More details will be available in the future scientific publication:

Perbet, P.,

## Please cite this dataset as:

Perbet, P., Guindon, L., Correia D.L.P., P. Villemaire, O., Reisi Gahrouei R. St-Amant, Canada Landsat Disturbance with pest (CanLaD): a Canada-wide Landsat-based 30-m resolution product of fire, harvest and pest outbreak detection and attribution since 1987. https://doi.org/10.23687/902801fd-4d9d-4df4-9e95-319e429545cc

## Cited references:

Guindon, Luc, Francis Manka, David L.P. Correia, Philippe Villemaire, Byron Smiley, Pierre Bernier, Sylvie Gauthier, Andre Beaudoin, Jonathan Boucher, et Yan Boulanger. 2024. « A New Approach for Spatializing the CAnadian National Forest Inventory (SCANFI) Using Landsat Dense Time Series ». Canadian Journal of Forest Research, février, cjfr-2023-0118. https://doi.org/10.1139/cjfr-2023-0118.

Kennedy, Robert E., Zhiqiang Yang, et Warren B. Cohen. 2010. « Detecting trends in forest disturbance and recovery using yearly Landsat time series: 1. LandTrendr — Temporal segmentation algorithms ». Remote Sensing of Environment 114 (12): 2897 2910. https://doi.org/10.1016/j.rse.2010.07.008.

Pelletier, Charlotte, Geoffrey I. Webb, et François Petitjean. 2019. « Temporal Convolutional Neural Network for the Classification of Satellite Image Time Series ». Remote Sensing 11 (5): 523. https://doi.org/10.3390/rs11050523.

Jeux de données disponibles au téléchargement

Informations supplémentaires

Champ Valeur
Dernière mise à jour octobre 20, 2025, 02:30 (TU)
Créé octobre 20, 2025, 02:30 (TU)
Domaine / Sujet
Domaine ou sujet du jeu de données catalogué.
Environment, Geoscientific Information, Imagery Base Maps Earth Cover
Titre
Titre du jeu de données.
Canada Landsat Disturbance (CanLaD) – Including Forest Insect Pest
Description
Une description du jeu de données.

This data publication includes three map datasets:

  1. Detailed annual disturbance maps – Forty raster layers mapping Canadian forest disturbance types from 1985 to 2024 at a 30m resolution.

  2. Latest disturbance type and latest disturbance year maps – A simplified version for enhanced usability, consisting of three rasters that represent the most recent disturbance type and year (starting and ending).

  3. Latest Landsat time series Julian day map – A raster capturing the latest Julian day for each pixel in the time series, where the Julian day represents the number of days elapsed since January 1, 1970.

The forest disturbance types include wildfire, harvesting, pest outbreaks, windthrow, and new water bodies.

The method is based on the summer composite Landsat time series (Guindon et al 2024). Disturbance breaks in the time series are first detected using the LandTrendr approach (Kennedy et al., 2010). Next, a one-dimensional convolutional neural network model (TempCNN; Pelletier et al., 2019) is applied with a 10-year window to classify disturbance types. The resulting maps achieve an overall accuracy of 81%. For aggregated pest/no-pest classes, the overall accuracy is 88.0% ±1.2%, with a commission error of 25.4% ±5.7% and an omission error of 63.2% ±4.3%.

## Data use constraints:

  1. For pest-related disturbances, the proposed defoliation severity classes do not directly correspond to annual aerial survey classifications. Instead, they represent the intensity of cumulative spectral change at the end of the epidemic or, for ongoing outbreaks, the most recent observed year. Contrary to aerial survey classifications, only moderate to severe cumulative defoliation levels are detected, representing a good compromise between omission error and commission.

  2. The models are aimed at insect pests that primarily affect conifers. However, they may also capture severe defoliation in mixed or deciduous forests.

  3. The analysis is based on a 10-year time window to adequately capture the effects of progressive defoliation. Therefore, to properly detect a pest causing this type of defoliation, such as the spruce budworm, historical data only becomes truly relevant starting around 1995. For insects with faster defoliation, the 1990s might be considered a good starting point.

  4. The wood harvesting class refers to the removal of trees, regardless of the underlying intention. It primarily includes areas intended to remain forested or to be reforested but may also encompass certain sectors converted to other uses, such as road construction, mining, or various infrastructure projects.

  5. The windthrow class is effective at detecting large-scale events but has a high false detection rate, particularly along the edges of harvested areas, where mixed pixels create spectral similarities with windthrow. Among all disturbance classes, windthrow has the highest error rate.

  6. The new water body class was not formally validated in this study, though visual assessments were conducted.

  7. Since the summer composite considers only July and August imagery, disturbances occurring in the fall are detected the following year. For example, a wildfire that occurred in August 2023 might only become visible in the 2024 composite if the 2023 composite used images from early July, before the disturbance occurred. Additionally, cloud or shadow masking can create gaps in the time series, causing some disturbance events to appear delayed by one or two years. Users can use the national fire database (NBAC Canadian Wildland Fire Information System) for validation and year adjustments of wildfires. Moreover, the last Julian days raster could be used to better interpret the predicted year of disturbance.

  8. The most recent years in the time series may have a higher commission error. These errors will be addressed in future annual updates.

  9. The minimum detectable disturbance size is 1.08 hectares (12 pixels), which may limit the detection of linear disturbances such as roads.

## More details will be available in the future scientific publication:

Perbet, P.,

## Please cite this dataset as:

Perbet, P., Guindon, L., Correia D.L.P., P. Villemaire, O., Reisi Gahrouei R. St-Amant, Canada Landsat Disturbance with pest (CanLaD): a Canada-wide Landsat-based 30-m resolution product of fire, harvest and pest outbreak detection and attribution since 1987. https://doi.org/10.23687/902801fd-4d9d-4df4-9e95-319e429545cc

## Cited references:

Guindon, Luc, Francis Manka, David L.P. Correia, Philippe Villemaire, Byron Smiley, Pierre Bernier, Sylvie Gauthier, Andre Beaudoin, Jonathan Boucher, et Yan Boulanger. 2024. « A New Approach for Spatializing the CAnadian National Forest Inventory (SCANFI) Using Landsat Dense Time Series ». Canadian Journal of Forest Research, février, cjfr-2023-0118. https://doi.org/10.1139/cjfr-2023-0118.

Kennedy, Robert E., Zhiqiang Yang, et Warren B. Cohen. 2010. « Detecting trends in forest disturbance and recovery using yearly Landsat time series: 1. LandTrendr — Temporal segmentation algorithms ». Remote Sensing of Environment 114 (12): 2897 2910. https://doi.org/10.1016/j.rse.2010.07.008.

Pelletier, Charlotte, Geoffrey I. Webb, et François Petitjean. 2019. « Temporal Convolutional Neural Network for the Classification of Satellite Image Time Series ». Remote Sensing 11 (5): 523. https://doi.org/10.3390/rs11050523.
Étiquettes / Mots-clés
Mots-clés/étiquettes catégorisant le jeu de données.
Format (CSV, XLS, TXT, PDF, etc.)
Format de fichier du jeu de données.
Taille du jeu de données
Taille du jeu de données en mégaoctets.
Identifiant des métadonnées
Identifiant des métadonnées — peut être utilisé comme identifiant unique pour l’entrée du catalogue.
Date de publication
Date de publication du jeu de données.
2025-05-14
Période temporelle des données (date de début)
Date de début des données dans le jeu de données.
Période temporelle des données (date de fin)
Date de fin des données temporelles du jeu de données.
Zone géospatiale couverte
Région spatiale ou lieu nommé couvert par le jeu de données.
Champ Valeur
Catégorie d’accès
Type d’accès accordé pour le jeu de données (ouvert, restreint, service, etc.).
Licence
Licence utilisée pour accéder au jeu de données.
Open Government Licence - Canada
Restrictions d’utilisation
Restrictions d’utilisation des données.
Emplacement
Emplacement du jeu de données.
https://open.canada.ca/data/en/dataset/902801fd-4d9d-4df4-9e95-319e429545cc
Service de données
Service de données pour accéder à un jeu de données.
Propriétaire
Propriétaire du jeu de données.
Natural Resources Canada | Ressources naturelles Canada
Point de contact
Qui contacter concernant l’accès ?
Courriel du point de contact
Courriel à utiliser pour l’accès ?
Éditeur
Éditeur du jeu de données.
Courriel de l’éditeur
Adresse courriel de l’éditeur.
[email protected]
Auteur
Auteur du jeu de données.
Courriel de l'auteur
Adresse courriel de l’auteur.
Date d’accès
Date à laquelle les données et métadonnées ont été consultées.
Champ Valeur
Identifiant
Identifiant unique du jeu de données.
Langue
Langue(s) du jeu de données
Lien vers la description du jeu de données
Une URL vers un document externe décrivant le jeu de données.
Identifiant persistant
Les données sont identifiées par un identifiant persistant.
Identifiant globalement unique
Les données sont identifiées par un identifiant persistant et globalement unique.
Contient des données sur des individus
Le jeu de données contient-il des données sur des individus ?
Contient des données identifiables sur des individus
Le jeu de données contient-il des données identifiables sur des individus ?
Contient des données autochtones
Le jeu de données contient-il des données sur des communautés autochtones ?
Type de portail
Type de plateforme du portail source.
Champ Valeur
Version
Version du jeu de données
None
Source
Source du jeu de données.
None
Notes de version
Notes de version à propos du jeu de données.
Est une version d’un autre jeu de données
Lien vers le jeu de données dont celui-ci est une version.
Autres versions
Lien vers les jeux de données qui en sont des versions.
Texte de provenance
Texte de provenance des données.
URL de provenance
URL de provenance des données.
Résolution temporelle
Décrit la granularité des données temporelles dans le jeu de données.
Résolution géospatiale en mètres
Décrit la granularité (en mètres) des données géospatiales dans le jeu de données.
Résolution géospatiale (par régions)
Décrit la granularité (par régions) des données géospatiales dans le jeu de données.
Champ Valeur
Permission de la communauté autochtone
Qui détient la permission de la communauté autochtone. Qui contacter pour l’accès à un jeu de données concernant des communautés autochtones.
Permission communautaire
Permission communautaire (qui a accordé la permission).
Les communautés autochtones concernées par le jeu de données
Communautés autochtones dont sont issues les données.
Champ Valeur
Nombre de lignes de données
Pour un jeu de données tabulaire, nombre total de lignes.
Nombre de colonnes de données
Pour un jeu de données tabulaire, nombre total de colonnes uniques.
Nombre de cellules de données
Pour un jeu de données tabulaire, nombre total de cellules contenant des données.
Nombre de relations de données
Pour un jeu de données RDF, nombre total de triplets.
Nombre d’entités
Pour un jeu de données RDF, nombre total d’entités.
Nombre de propriétés de données
Pour un jeu de données RDF, nombre total de propriétés uniques utilisées par les triplets.
Qualité des données
Décrit la qualité des données du jeu de données.
Métrique de qualité des données
Une métrique utilisée pour mesurer la qualité des données, telle que les valeurs manquantes ou les formats invalides.

0 Commentaires

Please login or register to comment.