自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+

qq_31988139的博客

地理信息和卫星遥感云计算专业指导

  • 博客(2711)
  • 资源 (1934)
  • 收藏
  • 关注

原创 OEEL图表——饼状图绘制(各国太阳能发电占比)

【代码】OEEL图表——饼状图绘制(各国太阳能发电占比)

2024-04-20 20:30:00 16

原创 NASA数据集——日本宇宙航空研究开发机构的 GOSAT 小组制作 GOSAT TANSO-FTS 1B (L1B) 级数据产品

9r 版是数据集的当前版本。旧版本将不再提供,并被第 9r 版取代。该数据集目前由 OCO(轨道碳观测站)项目提供。在 OCO-2 发射之前,空间大气二氧化碳观测(ACOS)任务利用 GOSAT TANSO-FTS 光谱开发了该算法,作为筹备项目。在 OCO-2 发射之后,"ACOS "数据仍在利用应用于 OCO-2 光谱的方法进行制作和改进。ACOS "数据集包含所有探测到的二氧化碳(CO2)柱平均干空气摩尔分数,并尝试对其进行检索。

2024-04-20 08:00:00 393

原创 土地分类——基于Sentinel-2多源遥感的无监督分类进行土地分类

无监督分类是一种基于统计学方法的图像分类技术,不需要先验知识和训练样本,直接对图像进行分类。基于Sentinel-2多源遥感数据进行无监督分类可以实现对土地类型的划分。本教程主要的目的是通过多源遥感影像进行土地分类,这里主要的数据是哨兵2号数据,波段+纹理特征,灰度波段用的NDVI指数。步骤如下:1. 数据预处理:对Sentinel-2数据进行预处理,包括辐射校正、大气校正和几何校正等。2. 特征提取:从预处理后的数据中提取有效的特征。

2024-04-19 20:30:00 36

原创 NASA数据集——2017 年 12 月圣巴巴拉山托马斯大火的烟雾和灰烬数据集

圣巴巴拉海峡的 ACIDD(穿越海峡调查昼夜动态)项目最初旨在描述浮游植物种群的日变化,但随着 2017 年 12 月圣巴巴拉山托马斯大火的发生,该项目演变为一项研究,以描述烟雾和灰烬对圣巴巴拉海峡混合层的影响。《Across the Channel Investigating Diel Dynamics》是一个研究项目,旨在探索海洋生态系统中的昼夜变化。该项目的主要目标是研究海洋生态系统中的昼夜周期性变化,包括物理、化学和生物过程。

2024-04-19 08:00:00 549

原创 gee教程——sentinel-2数据的两种数据预(去云)处理方式QA60和SLC

哨兵二号卫星是欧洲空间局(ESA)发射的一颗地球观测卫星,主要用于监测地球表面的变化。在数据预处理阶段,去云是非常重要的一个步骤,因为云覆盖是影响遥感数据质量和可用性的主要因素之一。在这里,我们将具体介绍哨兵二号数据预处理阶段中的两种去云方式:QA60去云方式和SLC去云方式。QA60去云方式是一种基于光学遥感数据的去云方法。它是根据云覆盖的不同,将图像分为不同的云类别进行分类。在这种方法中,QA60是指一种云掩膜数据集,其中包含了60种云类别。

2024-04-18 18:00:00 59

原创 GEE错误——Can‘t encode object: function()

这是初学者最容易犯的错误,这里我们没有搞清楚map操作对象是一个影像集合而不是影像,所以这里我们应该操作的就是再map之前不要进行裁剪融合等操作,正在对图像集合调用 .filter(filtrarImagenes),但 filtrarImagenes 是一个对图像(而不是过滤器)进行操作的函数。为了解决这个问题,我们需要找到一个代表函数的可编码的方式,可以是将函数转换为其名称或字符串表示,或者定义一个自定义的编码函数来处理函数对象的编码。这样,我们可以将函数的名称或字符串传递给需要编码的函数或方法。

2024-04-18 18:00:00 668

原创 NASA数据集——通过将强度和偏振的被动多角度、多光谱测量与高光谱分辨率激光雷达进行的主动测量相结合,可以获得最广泛的气溶胶属性数据

ACEPOL_MetNav_AircraftInSitu_Data是ACEPOL期间在ER-2上收集的现场气象和导航测量数据。为了更好地了解气溶胶对气候和空气质量的影响,测量气溶胶的化学成分、粒度分布、高度剖面和光学特性至关重要。就遥感仪器而言,通过将强度和偏振的被动多角度、多光谱测量与高光谱分辨率激光雷达进行的主动测量相结合,可以获得最广泛的气溶胶属性集合。

2024-04-18 08:00:00 865

原创 NASA数据集——ACEPOL气溶胶对气候和空气质量的影响,测量气溶胶的化学成分、粒度分布、高度剖面和光学特性

ACEPOL 研究扫描偏振计(RSP)遥感数据(ACEPOL_AircraftRemoteSensing_RSP_Data)是在 ACEPOL 期间由 ER-2 上的研究扫描偏振计(RSP)收集的遥感测量数据。为了更好地了解气溶胶对气候和空气质量的影响,测量气溶胶的化学成分、粒度分布、高度剖面和光学特性至关重要。在遥感仪器方面,通过将强度和偏振的被动多角度、多光谱测量与高光谱分辨率激光雷达进行的主动测量相结合,可以获得最广泛的气溶胶属性集合。

2024-04-17 08:30:00 799

原创 GEE案例——利用谷歌地球引擎的深度学习方法绘制哨兵 1 号地表水地图

卫星遥感在测绘地表水的位置和范围方面发挥着重要作用。绘制地表水地图有多种方法,但深度学习方法并不常见,因为它们 "数据饥渴",需要大量计算资源。不过,随着各种卫星传感器的出现和云计算的快速发展,遥感科学界正在采用现代深度学习方法。基于云计算的谷歌人工智能平台和谷歌地球引擎的新整合使用户能够大规模部署计算。在本文中,我们研究了两种自动数据标注方法:1. 联合研究中心(JRC)地表水地图;2. Edge-Otsu 动态阈值方法。

2024-04-16 11:15:00 122

原创 GEE APP——土壤水分资源管理器

由于土壤水分含量与地球气候和天气以及干旱、洪水或山体滑坡等现象有关,因此对许多科学和专业用户来说都非常宝贵。遥感技术为连续测量这一变量提供了独特的可能性。特别是在农业领域,对高空间分辨率绘图的需求非常强烈。然而,目前可操作的土壤水分产品只有中粗空间分辨率(≥1 公里)。本研究介绍了一种基于机器学习(ML)的高空间分辨率(50 米)土壤水分绘图方法,该方法基于 Landsat-8 光学和热图像、哥白尼哨兵-1 C 波段合成孔径雷达图像以及可在谷歌地球引擎中执行的模型数据的整合。

2024-04-16 10:30:00 420

原创 NASA数据集——亚太地区气溶胶特性数据集

气溶胶特性实验 Aerosol Characterization Experiment(ACE)旨在加深我们对大气气溶胶粒子如何影响地球气候系统的了解。这些实验综合了现场测量、卫星观测和模型,以减少气溶胶粒子对气候强迫计算的不确定性,并提高模型预测气溶胶对地球辐射平衡影响的能力。ACE-Asia 是国际全球大气化学计划(IGAC)(国际地圈生物圈计划的核心项目)组织的一系列实验中的第四项。2001 年春季(3 月中旬至 5 月初),ACE-Asia 的强化实地阶段在中国、日本和韩国沿海进行。

2024-04-16 08:30:00 1239

原创 GEE训练——如何检查GEE中数据集的最新日期

本教程主要的目的是实现影像加载并且获取影像的最新日期,并按照指定的格式将影像时间打印到控制台中。其实这里最基本的操作步骤就是影像数据预处理,将我们影像的时间进行筛选,然后将百万毫秒单位转化为指定的时间格式,这样方便我们查询数据集的日期。在Google Earth Engine (GEE) 中检查数据集的最新日期,可以通过以下步骤实现:登录GEE账户:首先,您需要登录到您的Google Earth Engine账户。如果您尚未创建账户,您可以在GEE的官方网站上注册一个账户。

2024-04-15 10:30:00 1465

原创 Google Earth Engine(GEE)——1992-2019年全球电力消费GDP数据集

在本研究中,我们采用了粒子群优化-反向传播(PSO-BP)算法等一系列方法,统一了DMSP/OLS和NPP/VIIRS影像的尺度,获得了1992-2019年间连续的1公里×1公里网格化夜间光照数据。随后,从修正的实际增长角度,我们采用自上而下的方法,根据我们校准的夜间光照数据,计算出1992-2019年全球1公里×1公里网格化的修正实际GDP和电力消耗。最后作者指出,虽然夜间光照数据作为一个单一的指标可能会忽略一些因素,如附加值或因林业或荒漠化而减少的因素,但它仍然是校准经济增长的有效代理工具。

2024-04-15 09:30:00 698

原创 NASA数据集——亚洲夏季季候风化学和气候WB-57 飞机飞行轨迹上的气象、化学和气溶胶模型数据

ACCLIP_Model_WB57_Data 包含亚洲夏季季风化学和气候影响项目(ACCLIP)期间 WB-57 飞机飞行轨迹上的气象、化学和气溶胶模型数据。该产品的数据收集工作已经完成。亚洲夏季季候风化学和气候影响项目(ACCLIP)是一项国际性、多组织的亚轨道活动,旨在研究 2022 年 7 月 15 日至 2022 年 8 月 31 日期间西太平洋地区与亚洲夏季季候风(ASM)相关的气溶胶和化学传输。

2024-04-15 09:00:00 910

原创 Google earth engine——SG滤波算法更新了

SG滤波(Savitzky-Golay滤波)是一种常用的数字信号处理技术,用于平滑数据和降低噪音。它是一种线性滤波方法,通过在局部区域内拟合多项式来对数据进行平滑处理。SG滤波的原理是在给定的数据窗口内,使用最小二乘法拟合一个多项式曲线。然后,通过计算这个多项式的导数来获得平滑后的数据点。SG滤波器可以根据数据窗口的大小和拟合多项式的阶数来调整平滑程度。与其他滤波方法相比,SG滤波具有以下优点:1. SG滤波可以在保持数据趋势和形状的同时,有效地降低噪音。

2024-04-14 17:00:00 78

原创 GEE错误——Landsat影像加载后显示白色或黑色如何解决?

在GEE中,如果加载的Landsat影像显示为白色或黑色,可能的原因:1. 数据范围问题:Landsat影像通常以16位有符号整数的格式存储,但在加载到GEE时,默认使用了0到1的归一化数据范围。这可能导致影像显示不正确。解决方法是通过将图像转换为正确的数据范围来修复。2. 图像显示参数问题:GEE默认使用了一些图像显示参数,如增益和偏移,用于调整图像的对比度和亮度。如果这些参数设置不正确,导致图像显示为白色或黑色。可以通过调整图像显示参数来解决此问题。

2024-04-14 15:30:00 756

原创 NASA数据集——ACCLIP WB-57 Aircraft 飞机合并数据

ACCLIP_Merge_WB57-Aircraft_Data 是在亚洲夏季季风化学和气候影响项目(ACCLIP)期间从 WB-57 飞机上收集的各种现场仪器测量数据预先生成的合并文件。该产品的数据收集工作已经完成。亚洲夏季季候风化学和气候影响项目(ACCLIP)是一项国际性多组织亚轨道活动,旨在研究 2022 年 7 月 15 日至 2022 年 8 月 31 日期间西太平洋地区与亚洲夏季季候风(ASM)相关的气溶胶和化学传输。

2024-04-14 10:00:00 666

原创 GEE APP——全球环境基金-8个关键森林生物群落国家和保护区的原始森林损失应用程序(含代码)

本文的主要目的是通过GEE来实现一个东南亚地区森林损失量地图的加载和展示,这里主要用于加载国家边界,保护区边界,2001年和2003年的森林以及两者之间的森林损失量的计算。制作一个地图展示的app可以分为以下几个步骤:1. 需求分析:首先确定你的地图展示app的目标用户和功能需求。你可能需要回答以下问题:你的app是为谁制作的?用户需要什么样的地图展示功能?例如,用户是否可以搜索地点、查看街景、获取导航等功能?2. 原型设计:在纸上或使用专业的设计工具(如Sketch或Adobe XD)创建一个简单的原型。

2024-04-13 11:00:00 142

原创 NASA数据集——亚洲夏季季风化学与气候影响项目超高灵敏度气溶胶光谱(UHSAS)数据

ACCLIP_Aerosol_AircraftInSitu_WB57_Data 是亚洲夏季季风化学与气候影响项目(ACCLIP)期间收集的原地气溶胶数据。本数据集收录了来自下一代激光质谱仪(PALMS-NG)、单颗粒烟尘光度计(SP2)、成核模式气溶胶粒度光谱仪(N-MASS)、印刷光学颗粒光谱仪(POPS)和超高灵敏度气溶胶光谱仪(UHSAS)的数据。该产品的数据收集工作已经完成。

2024-04-13 10:15:00 607

原创 GEE数据集——巴基斯坦国家级土壤侵蚀数据集(2005 年和 2015 年)

巴基斯坦国家级土壤侵蚀数据集(2005 年和 2015 年)该数据集采用修订的通用土壤流失方程 (RUSLE),并考虑了六个关键影响因素:降雨侵蚀率 (R)、土壤可侵蚀性 (K)、坡长 (L)、坡陡 (S)、覆盖管理 (C) 和保护措施 (P),对 2005 年至 2015 年巴基斯坦的土壤侵蚀动态进行了全面评估。土壤侵蚀图从低侵蚀率到极高侵蚀率分为四个等级,有助于了解研究期间土壤侵蚀模式的空间分布和变化。侵蚀等级之间的过渡分析揭示了侵蚀强度的变化,同时对巴基斯坦七个行政单位的空间模式和动态进行了评估。

2024-04-13 08:00:00 719

原创 GEE数据集——1986年—2022年加拿大全国烧毁面积综合数据 (NBAC)

加拿大全国烧毁面积综合数据 (NBAC)¶全国烧毁面积综合数据 (NBAC) 是一个地理信息系统数据库和系统,用于计算自 1986 年以来每年全国范围内烧毁的森林面积。这些数据用于帮助估算加拿大的碳排放量。烧毁面积是通过评估一系列可用数据源确定的,这些数据源使用不同的技术绘制任何特定火灾的地图。该系统为每个烧毁地区选择最佳可用数据源,并建立一个全国综合图。

2024-04-12 17:00:00 630

原创 Google Earth Engine(GEE)——空间性对拟议指数(DPSVIm)在巴西大西洋森林生物群落中监测植被的性能

基于Sentinel-1任务的数据,DPSVI(双极化SAR植被指数)开发了一种不受云层影响、采用合成孔径雷达(SAR)数据来监测植被的方法。然而,DPSVI在植被茂密地区的表现和植被等级的变化尚不清楚。因此,本文旨在调查DPSVI在巴西大西洋森林生物群落中监测植被的性能,以及提出修改意见以提高其监测植被的能力,并调查季节性和空间性对拟议指数(DPSVIm)性能的影响。我们采用了三种方法。1)使用从四个水文年(2015-2016年至2018-2019年)获得的Sentinel-1和Landsat 8场景,计

2024-04-12 14:00:00 101

原创 NASA数据集—— 亚洲夏季季风化学和气候影响项目(ACCLIP)Roscoe 激光雷达收集的云和气溶胶ADO遥感数据

ACCLIP_AerosolCloud_AircraftRemoteSensing_WB57_Data 是亚洲夏季季风化学和气候影响项目(ACCLIP)期间从 Roscoe 激光雷达收集的云和气溶胶遥感数据。该产品的数据收集工作已经完成。亚洲夏季季候风化学和气候影响项目(ACCLIP)是一项国际性、多组织的亚轨道活动,旨在研究 2022 年 7 月 15 日至 2022 年 8 月 31 日期间西太平洋地区与亚洲夏季季候风(ASM)相关的气溶胶和化学传输。

2024-04-12 10:15:00 855

原创 GEE数据集——2019—2023年全球固定宽带和移动(蜂窝)网络性能(更新)

全球固定宽带和移动(蜂窝)网络性能全球固定宽带和移动(蜂窝)网络性能,分配给缩放级别 16 的网络 mercator 瓷砖(赤道处约 610.8 米乘 610.8 米)。数据以 Shapefile 格式和 Apache Parquet 格式提供,几何图形以 EPSG:4326 中的已知文本 (WKT) 表示。下载速度、上传速度和延迟是通过 Android 和 iOS 版的 Ookla 应用程序 Speedtest 收集的,并对每个磁贴求取平均值。测量结果经过筛选,包含 GPS 质量的定位精度。

2024-04-12 08:00:00 903

原创 GEE数据集——汉森全球森林变化数据集Hansen Global Forest Change v1.11 (2000-2023)

对大地遥感卫星图像进行时间序列分析以确定全球森林范围和变化特征的结果。第一个 "和 "最后一个 "波段是大地遥感卫星光谱波段(红、近红外、SWIR1 和 SWIR2)的第一个和最后一个可用年份的参考多光谱图像。参考复合图像代表了这些波段中每个波段的生长季节质量评估观测数据集的中值观测数据。请参阅 1.11 版更新的用户说明以及相关期刊文章:Hansen、Potapov、Moore、Hancher 等:"21 世纪森林覆盖变化的高分辨率全球地图"。科学》342.6160 (2013):850-853.

2024-04-11 11:00:00 1605

原创 NASA数据集——北美地区一个标准参考网格系统,覆盖整个研究区域,并延伸至北美东部

北极-北方脆弱性实验(ABoVE)开发了两种标准化空间数据产品,以加快研究活动的协调,促进数据的互操作性。ABoVE 研究域包括美国阿拉斯加的北极和北方地区,以及北美加拿大的西部省份。在该域内指定了核心和扩展研究区域,并以矢量表示法(Shapefile)、栅格表示法(空间分辨率为 1,000 米的 GeoTIFF)和 NetCDF 文件的形式提供。已开发出一个标准参考网格系统,覆盖整个研究区域,并延伸至北美东部。该参考网格以嵌套多边形网格的形式提供,空间分辨率分别为 240 米、30 米和 5 米。

2024-04-11 08:30:00 836

原创 GEE图表案例——不同区域各地类面积直方图分布图表(矢量面积叠加直方图图)

在GEE中对不同区域面积统计的直方图绘制具体流程如下:数据准备: 首先,需要准备用于面积统计的地理数据,可以是矢量数据,如行政边界、土地使用类型等。也可以是栅格数据,如分类结果、土地覆盖数据等。区域划分: 根据需要统计的区域,将数据进行区域划分。可以使用GEE提供的几何图形对象,如点、线、面等,来定义统计区域。面积统计: 使用GEE提供的统计工具来计算不同区域的面积。可以使用.reduceRegion()函数来计算每个区域内的像素数量,并通过计算像素数量与像素分辨率的乘积来得到面积。

2024-04-10 16:00:00 841

原创 planetary computer——利用行星云计算(亚马逊云计算)实现指定区域的地物提取Segment Anything Model (SAM)

行星计算机枢纽是一个开发环境,它使我们的数据和应用程序接口能够通过熟悉的开源工具进行访问,并使用户能够利用 Azure 强大的计算能力轻松扩展其分析。GPU 28GB。

2024-04-10 11:15:00 40

原创 GEE错误——Error: Collection contains a degenerate geometry. (Error code: 3)

我有一张包含 4.7k 个管理单元的资产表,其中包含几何图形。我还有一个包含 6.6M 行的 CSV 资产(无几何图形),其中包含约 4.6k 个高格式的长时间序列(每个时间点一行)。我试图将两者合并,以将几何图形和时间序列合并为单个资产。但是导出 ID:很难完成:已经过去 2-3 天了,现在是第 4 次尝试。出了什么问题,后端有什么建议可以让这个(看似已经很简单的)操作变得更简单,以便能够完成?

2024-04-10 10:30:00 1717

原创 NASA数据集——北美地区土壤碳储量、自养呼吸(Ra)、异养呼吸(Rh)、净生态系统交换(NEE)、净初级生产力(NPP)和总初级生产力(GPP)数据

文件修订日期:2019-04-18数据集版本: 1该数据集对碳循环各组成部分的不确定性进行了估算,包括:土壤碳储量、自养呼吸(Ra)、异养呼吸(Rh)、净生态系统交换(NEE)、净初级生产力(NPP)和总初级生产力(GPP)。不确定性是根据陆地大气碳交换净值趋势计划(TRENDY)和北美碳计划(NACP)区域综合模式输出平均到年度平均值的多模式(n = 20)差异(即标准偏差)计算得出的。这个总不确定性综合了各模式间陆面物理结构的不确定性、模式内固有参数的不确定性以及强迫数据的不确定性。

2024-04-10 08:00:00 658

原创 GEE数据变更:MCD12Q1(土地覆盖)和MOD13Q1(植被指数)2020年后请使用MCD12Q2和MYD13Q1(植被指数)

这里我们需要知道一点的是MCD12Q1数据的服务年限是2000-2020年,之后的数据请使用MCD13Q1数据集,这样才能延续2020年之后的数据。不要使用“”(土地覆盖)和“”(植被指数),请尝试使用“和。

2024-04-09 15:00:00 1160

原创 NASA数据集——阿拉斯加七个地点进行的解冻深度测量

文件修订日期:2024-02-06数据集版本: 1.0该数据集提供了 2016 年 8 月、2017 年 6 月和 9 月以及 2018 年 7 月至 8 月期间在阿拉斯加七个地点进行的解冻深度测量。其中三个地点是成对的未烧毁-烧毁地点。在每个地点,建立了三个 30 米的横断面,并使用 1.15 米的 T 型解冻深度探头沿每个横断面以 1 米为单位测量解冻深度。

2024-04-09 08:00:00 978

原创 GEE python——如何利用segment-geospatial Python模型实现机场飞机的提取和识别

segment模型是一种用于图像分割的深度学习模型。图像分割是将图像划分为不同的区域或对象的过程,旨在识别和定位图像中的不同物体或区域。segment模型通常基于卷积神经网络(CNN)架构,并经过训练来学习从像素级别对图像进行分类的能力。它将输入图像作为输入,并输出一个与输入图像具有相同大小的分割结果图像。segment模型以像素为单位进行预测,将每个像素分类为图像中的某个类别。常见的应用包括语义分割(将图像中的每个像素标记为属于不同的语义类别,如道路、汽车、行人等),实例分割(将图像中的每个像素标记为不同

2024-04-08 17:30:00 346

原创 GEE案例——小流域汇流计算以缅甸仰光为例(如何绘制除小流域内的河道)

本案例主要介绍如何实现小流域内河流汇流的计算,这里需要用到地形中的坡度以及卷积的计算内容。

2024-04-08 15:00:00 711

原创 基于大地遥感卫星和哨兵图像的 30 米分辨率中国玉米分布图

作为全球第二大玉米生产国,中国的玉米产量占全球总产量的 23%,在保证玉米市场稳定方面发挥着重要作用。尽管其重要性不言而喻,但目前还没有全中国 30 米空间分辨率的玉米分布图。本研究采用时间加权动态时间扭曲法,通过比较每个像素点的卫星植被指数时间序列与已知玉米田得出的标准时间序列的相似性来识别玉米种植区,绘制了占中国玉米种植面积 99% 以上的 22 个省份 2016 年至 2020 年的玉米分布图。

2024-04-08 11:00:00 1508

原创 NASA数据集——北美地区站点测量到的土壤解冻深度和湿度 (STDM) 测量值以及介电特性

文件修订日期:2021-12-07数据集版本: 1该数据集提供了不同研究团队在美国阿拉斯加和加拿大西北地区站点测量到的土壤解冻深度和湿度 (STDM) 测量值以及介电特性。每个站点有多个观测数据,观测数据总数为 352,719 个。数据集包括通过机械探测(6.0%)或地面穿透雷达(GPR)(94.0%)测量的 206,000 个活动层厚度观测值。使用 GPR(22.1%)、Hydrosense I 和 II 探头(75.3%)以及 DualEM(2.6%)收集了约 16,000 个体积含水量测量值。

2024-04-08 10:15:00 1693

原创 GEE数据集—— 2020 年全球森林覆盖图10 米的空间分辨率

欧洲共同体联合研究中心的全球森林覆盖图以 10 米的空间分辨率提供了 2020 年森林存在和不存在的明确空间表示。2020 年是欧盟 "关于在欧盟市场上提供和从欧盟出口与毁林和森林退化相关的某些商品和产品 "的条例(EUDR,条例(EU)2023/1115)的截止日期。在《欧盟森林资源报告》的背景下,全球森林覆盖地图可用作非强制性、非排他性和不具法律约束力的信息来源。有关该地图及其使用的更多信息,请参见欧盟毁林和森林退化观察站 (EUFO) 的常见问题部分。

2024-04-08 08:30:00 894

原创 GEE数据集——1986—2022年DEA (Digital Earth Australia )澳大利亚数字地球项目几何中值和绝对偏差中值 - Landsat 8 3.1.0(25m分辨率)

该产品提供统计工具,用于利用澳大利亚数字地球中的 Landsat 8 数据时间序列,提供总体状况的年度图像,以及特定年份某一地区的变化程度。该产品的大地测量部分提供特定年份的 "平均 "无云图像。地磁图像采用多维中值计算,同时使用卫星图像的所有光谱测量值,以保持测量值之间的关系。

2024-04-07 14:45:00 785

原创 GEE错误——Error generating chart: User memory limit exceeded.和User memory limit exceeded.(矢量集合过多引起的超限)

当出现上面的问题的时候我们会发现肯定是出现了超限的问题,最主要的问题就是影像分辨率过高,时序研究太长,以及研究区域太大等问题所致,还有另外一种情况最主要的问题是当我们使用一个矢量集合边界范围特别细碎的情况下也会出现上面的问题。

2024-04-07 10:00:00 752

原创 NASA数据集——北美地区永久冻土影响的冻原和北方生态系统内发生的土壤呼吸作用产生的二氧化碳(CO2)排放量(300 米的空间分辨率)

该数据集以 300 米的空间分辨率提供了 2016-08-18 至 2018-09-12 期间阿拉斯加和加拿大西北部受永久冻土影响的冻原和北方生态系统内发生的土壤呼吸作用产生的二氧化碳(CO2)排放量的网格估算值。估算结果包括月平均二氧化碳通量(gCO2 C m-2 d-1)、按季节(秋季、冬季、春季、夏季)划分的日平均二氧化碳通量和误差估算值、二氧化碳年吸收偏移量(即植被总初级生产力)估算值、植被总初级生产力年度预算(GPP;

2024-04-07 08:00:00 1243

基于sentinel-2的NDSI和EVI指数的可视化操作.ipynb

可视化操作基于Sentinel-2卫星数据和NDSI(归一化差异雪指数)以及EVI(增强型植被指数)指数。首先,您需要获取Sentinel-2卫星数据。这里我们使用python中的geemap和eemont结果进行可视化加载处理。 一旦您获取了Sentinel-2数据,可以按照以下步骤进行NDSI和EVI指数的计算和可视化操作: 根据以下公式计算NDSI指数: NDSI = (Green - SWIR) / (Green + SWIR) 其中,Green代表绿色波段(B3)的反射率,SWIR代表短波红外波段(B11)的反射率。 根据以下公式计算EVI指数: EVI = 2.5 * ((NIR - Red) / (NIR + 6 * Red - 7.5 * Blue + 1))

2024-03-05

9000个NASA数据集列表详细信息和下载方案-data-lists.xlsx

9000个NASA数据集列表信息,下面是一个例子,大家通过这里列表直接访问数据集和数据下载,主要的数据信息包含以下列表,数据下载可以参考本人NASA数据有 python代码的下载数案例 DOI concept-id provider-id s3-links bbox-crs bbox horizontal_res start time endtime Creator Publisher ReleaseDate ReleasePlace Version Linkage ABI_G16-STAR-L2P-v2.70 GHRSST NOAA/STAR GOES-16 ABI L2P America Region SST v2.70 dataset in GDS2 10.5067/GHG16-2PO27 ['ABI_G16-STAR-L2P-v2.70/', 'podaac-ops-cumulus-public/ABI_G16-STAR-L2P-v2.70/'] CARTESIAN [-135.0, -59.0, -15.0, 59.0] 2017-12-15

2024-03-05

零代码智能体创建全流程教学.pdf

灵境矩阵是一种通过特定的布局和组织方式激活和利用空间能量的工具。它是基于传统的风水和能量学理论,旨在创造一种和谐、平衡和充满积极能量的环境。 灵境矩阵的设计通常包括以下几个关键要素: 1. 能量布局:灵境矩阵根据空间的特性和用途来布置能量,以确保能量的均衡和流动。这可能涉及到摆放特定的物品、使用特殊材料或调整家具等。 2. 空间净化:灵境矩阵的设计也包括对空间进行净化和清理,以去除负面能量和阻碍正能量流动的物品或元素。这可能包括清理杂物、疏通通道、使用水晶、绿植或熏香等。 3. 色彩搭配:在灵境矩阵中,色彩也被认为对能量起着重要的影响。因此,选择适合特定目的的颜色和色彩搭配也是设计的重要考虑因素。不同颜色具有不同的能量特性,可以用来调整和平衡空间的能量。 4. 自然元素:将自然元素引入灵境矩阵中也是常见的设计手段。这可以通过使用植物、石头、水、木材等自然物质来增加空间的生机和能量。 5. 意向设置:灵境矩阵的设计还涉及到设置意向和目标,以确保空间能持续地产生积极的能量。这包括设定个人或团体的意向,并通过特定的仪式或仪式来激活和注入能量。 总之,灵境矩阵的设计是一个综合考虑

2024-03-04

GEE教程-随机样本点矢量集合添加经纬度信息.pdf

问题: 有没有办法在绘制散点图后将样本的坐标信息(纬度/经度)添加到.CSV表格数据中? 主要内容: 这里我们很多时候我们需要加载样本点的基本信息作为属性,本教程主要的目的就是我们选取一个研究区,然后产生随机样本点,然后利用坐标函数,进行样本点的获取经纬度,然后通过循环注意添加到每一个矢量中,最终就可以获得每一个样本点的经纬度,然后我们以此样本点为基础,加载DEM数据集,然后根据已经添加的DEM数据,将其提取,最终就可以获取带经纬度的相关信息,我们可以这么理解,其实经纬度的提取也是一种函数操作,所以我们这里可以理解为一种信息提取。 这里主要的目的是我们需要矢量集合如何进行批量传递经纬度给每一个矢量,然后获取其经纬度。

2024-03-04

Google Earth Engine(GEE)-逐年月长时序多指数和波段图表加载(MODIS数据2013-2021.pdf

本代码的主要目的是进行长时间序列指定波段和指数计算后的图标加载,研究区才作用山西省,使用了多个MODIS数据集,分别提取EVI和ET等波段属性进行图表加载。这里会将计算出的指数加载在同一个图表,其它单独选择的波段单独加载到另一个图表上。这里的难点一是我们如何遍历:map函数的使用,另外一个是我们如何将多个不同影像集合放在一起。ee.ImageCollection.fromImages(获取多个单景影像使其变成一个影像集合)。内涵详细的代码注释和讲解,以及丰富的图表注释,能很快实现降水数据的在线可视化功能。

2024-02-26

GEE高阶应用包wxee的教程image-collection-to-xarray (1).ipynb

什么是 wxee? wxee 集成了谷歌地球引擎的数据目录和处理能力以及 xarray 的灵活性,无需复杂的设置,从而使网格化、中尺度时间序列数据的处理变得简单快捷。为此,wxee 实现了便捷的数据处理、聚合、下载和摄取方法。最主要的功能是实现代码的简化,只需要导入安装包即可应用,该python包中的操作很简单,对于科研出图和在线云计算分析起着至关重要的作用。本教程中包含了众多案例只需一行代码即可将时间序列图像集合转换为 xarray 或 GeoTIFF 地球引擎中的气候异常和时间聚合、插值、平滑和间隙填充功能 xarray 数据集的彩色合成图 并行处理实现快速下载

2024-02-25

利用降雨量和降雨量减去蒸散量的伽马分布和对数-逻辑分布、植被的 z 分数以及基于格林诺登绘图位置的径流经验概率,获得干旱指数

这些脚本与需要使用谷歌地球引擎(GEE)的 colab 笔记本相对应,可以利用降雨量和降雨量减去蒸散量的伽马分布和对数-逻辑分布、植被的 z 分数以及基于格林诺登绘图位置的径流经验概率,获得标准化的干旱指数。 这些数据可通过存储在 GEE 中的水文气象网格数据计算得出,包括 CHIRPS 的降雨量、ERA5 和 FLDAS 的蒸散量计算变量组合、AVHRR 和 MODIS 的 NDVI 以及 ERA5 的径流。不过,也可以使用其他数据集。趋势和平均干旱特征函数可在伽马分布文件中找到,稍加修改后也可用于其他分布/指数。此外,该脚本还包括一个使用 ARIMA 预白化数据进行交叉相关的 python 文件。

2024-02-21

中科星图GVE-矢量之间的交集,并集和差集等关系.pdf

矢量是数学中的一个重要概念,它可以分为有序矢量和无序矢量。在数学中,我们经常需要对矢量之间的关系进行分析,包括求交集、并集和差集等运算。下面将对这些概念进行具体解释。 1. 交集: 矢量的交集是指两个矢量中共同存在的元素所构成的集合。假设有两个矢量A和B,它们分别包含了一些元素,我们需要找出这两个矢量中共有的元素。例如,A={1, 2, 3, 4}、B={3, 4, 5, 6},那么A与B的交集为{3, 4}。交集的概念可以推广到多个矢量的情况,即求多个矢量的共同部分。 2. 并集: 矢量的并集是指两个矢量中所有元素的集合。如果有两个矢量A和B,我们需要找出这两个矢量中所有的元素。例如,A={1, 2, 3, 4}、B={3, 4, 5, 6},那么A与B的并集为{1, 2, 3, 4, 5, 6}。并集的概念同样可以推广到多个矢量的情况。 3. 差集: 矢量的差集是指从一个矢量中删除另一个矢量中包含的元素所构成的集合。如果有两个矢量A和B,我们需要找出A中不包含在B中的元素。例如,A={1, 2, 3, 4}、B={3, 4, 5, 6},那么A与B的差集为{1, 2}等等

2024-02-19

Google Earth Engine(GEE)-利用Landsat卫星影像计算EVI数据并下载以山西省为例.pdf

这里简单说明以下本次适用的数据是Landsat系列,但是Landsat系列卫星中常用的数据包含地表反射率数据SR和大气层顶反射数据,这里面用到的去云方法是不一样的,所以大家要根据所选择的系列影像去采取不同的去云方法,本次案例我们以Landsat SR数据为实验目标。 之前关于去云的文章请参考: (452条消息) Google Earth Engine(GEE)——Landsat 8TI/TOA/SR影像对比分析区别和去云即NDVI计算_此星光明2021年博客之星云计算Top3的博客-CSDN博客 第一步我们进行SR去云函数的设定:第二步:设定EVI波段运算的函数;第三步:加载我们的研究区矢量;第四步:进行影像的筛选和map操作:第五步:将影像进行最大值合成第六步:影像下载

2024-02-14

EE19 Geometries.docx

Google Earth Engine 初学者教程,是非常基础的教学资料,适合新手小白来快速上手GEE,所有的培训数据文档包括了38个基础教程,从最基础的影像和像素到GEE中用到的时间、数组、列表,再到GEE的各类对象含有更富的教学内容,,整个内容权威英文版本,但是通俗易懂。

2024-02-09

EE20 Features.docx

Google Earth Engine 初学者教程,是非常基础的教学资料,适合新手小白来快速上手GEE,所有的培训数据文档包括了38个基础教程,从最基础的影像和像素到GEE中用到的时间、数组、列表,再到GEE的各类对象含有更富的教学内容,,整个内容权威英文版本,但是通俗易懂。

2024-02-09

EE17 Lists.docx

Google Earth Engine 初学者教程,是非常基础的教学资料,适合新手小白来快速上手GEE,所有的培训数据文档包括了38个基础教程,从最基础的影像和像素到GEE中用到的时间、数组、列表,再到GEE的各类对象含有更富的教学内容,,整个内容权威英文版本,但是通俗易懂。

2024-02-09

EE16 Arrays.docx

Google Earth Engine 初学者教程,是非常基础的教学资料,适合新手小白来快速上手GEE,所有的培训数据文档包括了38个基础教程,从最基础的影像和像素到GEE中用到的时间、数组、列表,再到GEE的各类对象含有更富的教学内容,,整个内容权威英文版本,但是通俗易懂。

2024-02-09

EE18 Dictionaries.docx

Google Earth Engine 初学者教程,是非常基础的教学资料,适合新手小白来快速上手GEE,所有的培训数据文档包括了38个基础教程,从最基础的影像和像素到GEE中用到的时间、数组、列表,再到GEE的各类对象含有更富的教学内容,,整个内容权威英文版本,但是通俗易懂。

2024-02-09

EE15 Numbers.docx

Google Earth Engine 初学者教程,是非常基础的教学资料,适合新手小白来快速上手GEE,所有的培训数据文档包括了38个基础教程,从最基础的影像和像素到GEE中用到的时间、数组、列表,再到GEE的各类对象含有更富的教学内容,,整个内容权威英文版本,但是通俗易懂。

2024-02-09

EE14 Strings.docx

Google Earth Engine 初学者教程,是非常基础的教学资料,适合新手小白来快速上手GEE,所有的培训数据文档包括了38个基础教程,从最基础的影像和像素到GEE中用到的时间、数组、列表,再到GEE的各类对象含有更富的教学内容,,整个内容权威英文版本,但是通俗易懂。

2024-02-09

EE13 Variables.docx

Google Earth Engine 初学者教程,是非常基础的教学资料,适合新手小白来快速上手GEE,所有的培训数据文档包括了38个基础教程,从最基础的影像和像素到GEE中用到的时间、数组、列表,再到GEE的各类对象含有更富的教学内容,,整个内容权威英文版本,但是通俗易懂。

2024-02-09

EE11 Charts.docx

Google Earth Engine 初学者教程,是非常基础的教学资料,适合新手小白来快速上手GEE,所有的培训数据文档包括了38个基础教程,从最基础的影像和像素到GEE中用到的时间、数组、列表,再到GEE的各类对象含有更富的教学内容,,整个内容权威英文版本,但是通俗易懂。

2024-02-09

EE10 Layers.docx

Google Earth Engine 初学者教程,是非常基础的教学资料,适合新手小白来快速上手GEE,所有的培训数据文档包括了38个基础教程,从最基础的影像和像素到GEE中用到的时间、数组、列表,再到GEE的各类对象含有更富的教学内容,,整个内容权威英文版本,但是通俗易懂。

2024-02-09

EE12 Sessions.docx

Google Earth Engine 初学者教程,是非常基础的教学资料,适合新手小白来快速上手GEE,所有的培训数据文档包括了38个基础教程,从最基础的影像和像素到GEE中用到的时间、数组、列表,再到GEE的各类对象含有更富的教学内容,,整个内容权威英文版本,但是通俗易懂。

2024-02-09

GEE案例-利用谷歌地球引擎的深度学习方法绘制哨兵 1 号地表水地图.pdf

卫星遥感在测绘地表水的位置和范围方面发挥着重要作用。绘制地表水地图有多种方法,但深度学习方法并不常见,因为它们 "数据饥渴",需要大量计算资源。不过,随着各种卫星传感器的出现和云计算的快速发展,遥感科学界正在采用现代深度学习方法。基于云计算的谷歌人工智能平台和谷歌地球引擎的新整合使用户能够大规模部署计算。在本文中,我们研究了两种自动数据标注方法:1. 联合研究中心(JRC)地表水地图;2. Edge-Otsu 动态阈值方法。我们部署了一个 U-Net 卷积神经网络来绘制哨兵-1 合成孔径雷达 (SAR) 数据中的地表水图,并使用不同的超参数调整组合测试了模型性能,以确定最佳学习率和损失函数。然后使用独立的验证数据集对性能进行评估。我们共测试了 12 个模型,发现使用 JRC 数据标签的模型性能更好,训练测试和验证工作的 F1 分数从 0.972 到 0.986 不等。此外,我们还使用了一个独立采样的高分辨率数据集来进一步评估模型性能。通过这一独立验证工作,我们发现利用 JRC 数据标签的模型产生了 0.9130.922 的 F1 分数。通过不同的输入数据、学习率和损失函数成分对模型进行

2024-04-17

土壤水分绘图工具箱(PYthon Sentinel-1 soil-Moisture Mapping ToolPYSMM).zip

PYthon哨兵-1土壤水分绘图工具箱(PYSMM) 由于土壤水分含量与地球气候和天气以及干旱、洪水或山体滑坡等现象有关,因此对许多科学和专业用户来说都非常宝贵。遥感技术为连续测量这一变量提供了独特的可能性。一种基于机器学习(ML)的高空间分辨率(50 米)土壤水分绘图方法,该方法基于 Landsat-8 光学和热图像、哥白尼哨兵-1 C 波段合成孔径雷达图像以及可在谷歌地球引擎中执行的模型数据的整合。这种方法的新颖之处在于将完全由数据驱动的 ML 概念应用于地表土壤水分含量的全球估算。 该软件包是谷歌地球引擎的一个接口,用于根据哥白尼哨兵-1 的强度数据估算地表土壤湿度。它是对以下出版物的补充:Greifeneder, F., C. Notarnicola, W. Wagner.基于机器学习的谷歌地球引擎全球地表土壤湿度估算方法。土壤湿度的估算基于梯度提升树回归机器学习方法。模型训练基于国际土壤水分网络(ISMN)的现场数据。PYSMM地表土壤水分空间和时间绘图的所有处理步骤均在GEE上在线执行,无需下载任何输入数据集。

2024-04-10

美国大陆逐日逐月气候数据集PRISM数据详细介绍pdf.pdf

PRISM气候小组开展了一系列项目,其中一些项目支持空间气候数据集的开发。由此产生的一系列数据集反映了项目目标的范围,需要不同的站点网络、建模技术和时空分辨率。在可能的情况下,我们向公众提供这些数据集,有的是免费的,有的是收费的,这取决于提供数据集的规模和难度以及活动的资金情况。 为了让用户在知情的情况下决定哪种数据集最适合他们的需要,本文件提供了有关目前可用的 PRISM 空间气候数据集的信息。我们将努力保持本文档的时效性,但不一致的地方难免会出现。概述 PRISM 数据集提供了七个主要气候要素的估计值:降水量(ppt)、最低气温(tmin)、最高气温(tmax)、平均露点(tdmean)、最小水汽压差(vpdmin)、最大水汽压差(vpdmax)和水平面上的全球短波太阳辐射总量(soltotal;目前仅提供常量)。 常模数据集提供了三个辅助太阳辐射变量:晴空条件下水平表面上的全球太阳辐射总量(solclear)、有效云透射率(soltrans)和倾斜表面上的全球太阳辐射总量(solslope)。

2024-04-09

Landsat/Sentinel-2 地表反射数据集说明文档(算法)HLS-ATBD-V15-provisional.pdf

本《用户指南》ATBD 引用了临时 HLS 1.5 版数据,这些数据的科学质量未经验证,不应 用于科学研究或应用。 许多陆地监测应用需要比单个 "大地遥感卫星级 "传感器更频繁的观测。这些应用的例子包括作物类型和状况监测、植被物候、灾害响应和地表水质。这些应用和许多其他应用都需要中等空间分辨率的近日成像。 由于试图通过一个经过良好校准的单一卫星系统实现近乎每日的观测频率可能过于昂贵,一个合理的替代方法是将多个国际来源的数据结合起来。大地遥感卫星-圣天诺 2 号协调项目(HLS)通过从Landsa 8 号和sentinel2 号输入数据中生成统一的地表反射率产品来支持这一目标。 - 以共同的像素分辨率、投影和空间范围(即瓦片)划分网格(即瓦片); - 使用通用的辐射传输算法对表面反射率进行大气校正; - 通过双向反射率分布函数(BRDF)估算,归一化为通用的天底视角几何图形; - 进行调整,以表示来自通用光谱带通的响应。 HLS 生成两个空间分辨率为 30 米的平铺图像产品,即 "L30 "和 "S30",分别来自 Landsat-8 和 Sentinel-2

2024-04-07

基于GEE云平台实现NDWI水体提取并计算面积覆盖代码.txt

基于GEE云平台实现NDWI水体提取并计算面积覆盖代码,所使用的数据是LANDSAT/LC08/C02/T1 NDWI数值范围 NDWI (Normalized Difference Water Index) 的数值范围在-1到1之间。数值越接近1表示水体的可能性越高,数值越接近-1表示植被的可能性越高,数值接近0表示陆地或无水体的可能性较高。NDWI与植被指数的关系 NDWI与NDVI (Normalized Difference Vegetation Index) 一样都是基于植被和水体特征波段的归一化差值指数。NDWI主要用于提取和分析水体信息,而NDVI更多用于植被分析。两个指数数值范围相似,都在-1到1之间。

2024-04-06

中科星图 空天·灵眸大模型 面向地球科学的全功能AI开发平台使用手册.pdf

平台提供多种辅助标注能力,用户可通过预标注功能或将现有的矢量数据导入至平台来 自动标注部分数据。 操作流程: 第一步:点击“开始标注”按钮,进入标注页面,准备开始标注任务。 第二步:选择标注标签。根据任务需求,从自定义的标签列表或预置标签中选择适当的标注标签。支持用户创建时添加标签。 第三步:绘制标签。使用绘制工具(例如矩形、多边形)在样本上绘制相应的标注标签。确保准确地勾画出标签所涵盖的区域或目标。 第四步:预标注功能(可选)。平台集成多个预置模型,您可以使用预标注功能来自动标注部分数据。 第五步:导入现有的矢量数据(可选)。如果您有现有的矢量数据,您可以将其导入,以辅助您的标注过程

2024-04-05

基于GEE云平台sentinel-2影像的土地分类代码.js

基于Google Earth Engine (GEE) 平台进行 Sentinel-2 影像的土地分类的具体流程和下载如下: 登录到 GEE 平台 (https://earthengine.google.com/) 上的账号,并打开代码编辑器。 添加 Sentinel-2 影像数据集。在代码编辑器中搜索并添加 Sentinel-2 影像数据集。 获取感兴趣区域(Region of Interest, ROI)的范围。选择你想要进行土地分类的区域。 预处理影像数据。根据需要对影像数据进行预处理,例如裁剪、云去除、辐射校正等。 特征提取。选择适当的波段组合或指数(例如NDVI,NDWI等)作为分类的特征。 数据采样。从不同土地类别中随机采样一定数量的样本点。 训练分类器。使用采样的样本点训练分类器模型,例如支持向量机 (Support Vector Machine, SVM)、随机森林 (Random Forest) 等。 分类影像。对整个影像进行分类,使用训练好的分类器模型。 结果验证。对分类结果进行验证和评估,可以使用验证样本点进行精度评估。 结果导出。将分类结果导出为图像或地图格式

2024-04-01

基于GEE云平台Landsat 8 TOA影像的冰雪覆盖代码(NDSI指数).txt

以下是基于GEE云平台Landsat 8 TOA影像进行冰雪覆盖分析的流程介绍: 导入Landsat 8 TOA影像:使用GEE的内置函数导入您感兴趣的Landsat 8 TOA影像数据集。您可以通过指定时间范围、地理范围等条件来选择您想要分析的影像。 预处理影像:根据您的需求,进行预处理来提取冰雪覆盖信息。一般来说,可以进行大气校正和云掩膜处理。大气校正可以使用GEE内置的函数进行,而云掩膜处理可以使用Landsat 8的云掩膜波段。 计算NDSI指数:使用GEE的图像计算功能,根据以下公式计算正规化差异雪指数(NDSI):NDSI = (green - swir1) / (green + swir1)。这个指数可以用来识别冰雪覆盖区域。 设置阈值:根据您的研究区域和特定场景,选择适当的阈值来将NDSI图像二值化为冰雪区域和非冰雪区域。通常情况下,较高的阈值可以提取较纯净的冰雪区域。 可视化结果:使用GEE的图像可视化功能,将NDSI二值图像可视化,以便观察冰雪覆盖区域。 导出结果

2024-04-01

GEE案例-利用NDWI指数和大津法OTSU进行水域面积提取.pdf

本文通过GEENDWI指数和大津法进行了水域面积提取,文中包含python和JavaScript代码,NDWI指数的计算公式为: NDWI = (Green - NIR) / (Green + NIR) 其中,Green代表绿波段(例如Landsat 8卫星的绿波段),NIR代表近红外波段(例如Landsat 8卫星的近红外波段)。 NDWI指数的数值范围在-1到1之间,数值越接近1表示水体的可能性越高,数值越接近-1表示植被的可能性越高,数值接近0表示陆地或无水体的可能性较高。 NDWI指数在水资源监测、植被提取等领域具有广泛应用。例如,可以利用NDWI指数来提取水体边界、监测水体污染、测算湖泊蓄水量、提取洪水等。同时,NDWI指数还可以用于植被健康状况的评估和监测。 大津法(Otsu's method)是一种图像分割的算法,常用于将图像分割为背景和前景两个部分。它是基于最大类间方差的阈值选择方法。 该方法首先计算图像灰度级的直方图,并计算出每个可能的阈值对应的类间方差。类间方差表示两个类之间的分离程度,值越大表示两个类之间差异越大。 然后,从计算得到的类间方差中选择最大值,将

2024-04-01

利用遥感和归一化差异植被指数分析野葛(Pueraria montana)侵扰的物候动态.pdf

利用遥感和归一化差异植被指数分析野葛(Pueraria montana)侵扰的物候动态。 非本地入侵物种是全球生态系统面临的主要威胁之一。野葛(Pueraria montana)是一种生长迅速的藤本植物,原产于亚洲,现已入侵美国多个地区,因此该物种的管理成为一个重要问题。利用 Landsat 和 MODIS 平台收集的数据,计算了 2000 年至 2015 年肯塔基州三个侵扰地点的归一化差异植被指数(NDVI)估算值。使用 STARFM 图像融合算法将大地遥感卫星和 MODIS 得出的 NDVI 结合成空间分辨率为 30 米、时间分辨率为 16 天的时间序列。融合后的时间序列使用 "季节和趋势添加断裂"(BFAST)算法进行分解。结果表明,可以估算出三个站点的融合 NDVI,但无法检测到随时间的变化。将这种方法与实地数据收集和其他类型的分析相结合,可能对葛藤的监测和管理有用。内包含GEE数据融合下载代码和R语言数据处理代码

2024-03-31

2006 IPCC Guidelines for National Greenhouse Gas.pdf

议上邀请IPCC结合公约和京都议定书下的相关工作,修订《修订的1996年IPCC国家温室气体清单指南》(1996年IPCC指南),并争取在2006年初完成这项工作 2.IPCC应邀启动了 "制定2006年IPCC国家温室气体清单指南(2006年IPCC指南) "项目,以评估和整理与估算温室气体排放相关的科技信息。 2. 应此邀请,IPCC 启动了 "制定《2006 年 IPCC 国家温室气体清单指南》(2006 年 IPCC 指南)"项目,以评估和整理与《1996 年 IPCC 指南》、《国家温室气体清单中的良好做法指导意见和不确定性的管理》(GPG2000)和《土地利用、土地利用的变化和林业良好做法指导意见》(GPG-LULUCF)范围内估算温室气体排放量和清除量有关的科技信息。 2003 年 9 月召开了一次范围界定会议,制定了职权范围 (TOR)、目录 (TOC) 和工作计划,以便在 2006 年完成该项目。3. 2003 年 11 月,政府间气候变化专门委员会(IPCC XXI)接受

2024-03-26

GEE学习-初学者如何下载指定区域的Sentinel-2影像.pdf

初学者可以按照以下步骤利用Google Earth Engine(GEE)下载指定区域的Sentinel-2影像: 登录GEE账号并打开代码编辑器。代码编辑器位于GEE主页左上角的"Code Editor"按钮。 在代码编辑器中,点击左上角的"Script"按钮,打开一个新的脚本。 在脚本中,首先导入Sentinel-2影像的库: 确定你感兴趣的区域,并用一个几何图形表示。例如,你可以创建一个矩形: 其中xMin,yMin,xMax,yMax是你定义的感兴趣区域的最小经度、最小纬度、最大经度和最大纬度。 使用filterBounds()函数筛选位于感兴趣区域内的Sentinel-2影像: 使用filterDate()函数选择特定的时间范围内的影像,如果你有时间限制的话: 然后利用export函数导出到指定的资产或者谷歌云盘当中即可,然后再从两者中进行调用以实现影像的加载和下载。

2024-03-26

GEE 高阶案例-利用MCD43A4影像计算并制作全球逐月KNDVI指数的分布图.pdf

本文主要引用了几个python包来实现全球范围的KNDVI指数的分布计算,其实代码很简单,主要用到了wxee和eemont两个软件包,然后实现了具体的分析,整个运行过程主要在colab中实现,数据的处理过程花费了4分多钟。wxee是一个很好的融合了plot的绘图软件包,很简单就能绘制出很漂亮的研究区大范围的图,xarray是数据压缩的一种方式,可以高效处理大量的遥感数据。 MODIS/006/MCD43A4简介 MODIS/006/MCD43A4是MODIS(Moderate Resolution Imaging Spectroradiometer,中分辨率成像光谱仪)卫星遥感数据的一种产品,用于获取地表植被指数和地表反射率的信息。MCD43A4是MODIS Collection 6(第6版)中的一个数据集,提供全球范围内的连续时间序列数据。 MCD43A4数据集包括三个主要的变量:植被指数(Normalized Difference Vegetation Index,NDVI)、植被红外辐射比(Normalized Difference Infrared Index,NDII)

2024-03-25

GEE 案例-如何计算sentinel-2中每一个单景影像的波段的DN值并绘制直方图.pdf

原始问题 我正试图在 Google 地球引擎中为整个图像集合计算一个直方图。为了达到我想要的结果,我现在所做的是计算每个单独图像的直方图直方图1 并将它们相加,不知道是否正确。 简介 直方图基本上是一个配对值列表。因此,您可以用函数映射它,而无需 for/ 循环。以下代码片段包含了为整个图像集生成直方图的算法的重要部分。 函数 ee.Reducer.fixedHistogram(min, max, steps, cumulative) 创建一个聚类器,使用固定数量、固定宽度的分隔来计算输入的直方图。超出 [min, max] 范围的值将被忽略。输出是一个 Nx2 数组,包含桶下边缘和计数(或累计计数),适合按像素使用。

2024-03-20

GEE错误-Dictionary does not contain key constant.pdf

错误 I am unable to correct the error in my code. The error is " List (Error) Dictionary.getNumber: Dictionary does not contain key:constant." Would be generous to take some time out and help me correct the error? 我无法纠正代码中的错误。错误如下 (错误)Dictionary.getNumber:Dictionary does not contain key: constant."

2024-03-18

Google Earth Engine(GEE)-矢量面积计算和图像面积计算.pdf

对于gee初学者来说,我们经常会用到gee去计算各类矢量的面积,其实这两种面积计算相对比较简单,矢量的化可以直接通过内置的函数来进行分析也就是.area(),图像面积的计算使用的ee.Image.pixelArea()函数和group来统计各地类分类面积。 area(maxError, proj) 返回该特征的默认几何体的面积。点和线串的面积为0,多几何体的面积为其组成部分的面积之和(相交面积被多次计算)。 参数。 this:feature(元素)。 取自几何图形的特征。 maxError(ErrorMargin,默认为空)。 在执行任何必要的重新投影时,可以容忍的最大误差量。 proj(投影,默认为空)。 如果指定,结果将以该投影的坐标系为单位。否则,它将以平方米为单位。 返回。浮点数 简单举个例子:这里以我自己上传的乌鲁木齐市为例,单位市平方千米

2024-03-17

ABoVE-AirSWOT-Water-Masks数据介绍文件.pdf

2017 年阿拉斯加和加拿大上空的 AirSWOT 彩色红外图像水体数据集 该数据集包含 2017 年 7 月 9 日至 8 月 17 日期间在阿拉斯加和加拿大选定表层水域采集的分辨率为 1 米的绿光、红光和近红外(NIR)三波段数字图像的地理坐标正射影像图。正射影像图由安装在 Beechcraft Super King Air B200 飞机上的 Cirrus Designs 数字摄像系统 (DCS) 从约 8-11 千米高度采集的单个图像生成。飞机飞越了以下地区萨斯喀彻温河、萨斯卡通、伊努维克、育空河(包括育空平原)、萨加瓦尼尔克托克河、北极沿海平原、老鸦平原、和平-阿萨巴斯卡三角洲、奴隶河、阿萨巴斯卡河、耶洛奈夫、大奴湖、麦肯齐河和三角洲、达林湖以及其他选定地点。在加拿大和阿拉斯加的两次飞行活动中,对大多数地点进行了两次成像,大致为东南-西北和西北-东南方向,相隔时间长达一个月。数据使用整个研究区域的 303 个地面控制点 (GCP) 进行地理参照。 这些数据旨在验证地表水范围,以帮助解释 AirSWOT ABoVE 项目中的 AirSWOT Ka 波段雷达回波。AirSWOT

2024-03-14

Google Earth Engine -在 GEE 中计算面积含各类要素计算(土地分类为例)含讲解和代码.pdf

在 GEE 中计算面积含各类要素计算(土地分类为例)含讲解和代码。 本教程中 从土地分类影像的加载,地图统计和面积统计等多个环节对如何在GEE中进行土地分类进行了全面分析,包含了所有计算代码。省去了下面再本地计算的过程,只需要几秒钟就能轻松实现大范围土地分类面的计算 土地分类面积计算的具体流程通常包括以下几个步骤: 收集土地信息:收集相关土地信息,包括土地的位置、形状、边界线、使用权等。 绘制土地边界:使用地理信息系统(GIS)或其他绘图工具,将土地的边界线绘制出来,以便后续计算面积。 数据处理:将绘制的土地边界导入地理信息系统软件中,进行一些数据处理工作,例如坐标转换、去除不需要的数据等。 面积计算:使用地理信息系统软件的面积计算功能,对绘制的土地边界进行面积计算。计算结果可以以平方米、公顷或其他单位呈现。 精度控制:根据实际需要和计算精度要求,对计算结果进行修正和调整。例如,四舍五入到特定位数,或进行误差估计。 结果输出:将计算得到的土地分类面积结果输出成表格、图形或报告等形式,以便后续使用或分析。

2024-03-11

北极-北 极脆弱性实验(ABoVE)v001-用户手册-1-1.pdf

本 Level-1B 产品中的数据由 NASA 陆地、植被和冰雪传感器(LVIS)收集,是北极-北 极脆弱性实验(ABoVE)的一部分。 (LVIS) 收集的,是北极-北方脆弱性实验 (ABoVE) 的一部分。ABoVE 是美国宇航局陆地 生态学计划在阿拉斯加和加拿大西部开展的实地活动。ABoVE 数据用于 用于研究环境变化及其对社会生态系统的影响。数据 本 Level-1B 产品的数据文件包含每个激光足迹的地理定位激光波形数据。这些 数据也以 Level-2 格式通过 ABoVE LVIS Level-2 Geolocated 地表高程产品数据集。Level-2 数据文件包含树冠顶和地面 以及从 Level-1B 数据中得出的相对高度。其他相关的 LVIS 数据集 包括作为冰桥行动一部分收集的 Level-0、Level-1B 和 Level-2 产品。活动中收集的产品。有关这些数据集的链接,请参见第 4.1 节。 通过www.DeepL.com/Translator(免费版)翻译

2024-03-10

GEE机器学习-利用最短距离方法进行土地分类和精度评定(代码和介绍).pdf

本教程使用MD算法在GEE平台实现了土地分类 最短距离方法(Minimum Distance)是一种常用的模式识别算法,用于计算样本之间的相似度或距离。该方法通过计算样本之间的欧氏距离或其他距离度量,来确定样本之间的相似程度或差异程度。 最短距离方法的具体步骤如下: 1. 数据准备:收集并准备用于训练的数据集,确保数据集包含标记好的样本点。 2. 特征选择:根据问题的特点选择合适的特征,并对特征进行预处理(如归一化、标准化等)。 3. 计算距离:使用合适的距离度量方法(如欧氏距离、曼哈顿距离等),计算待分类样本与训练集中每个样本之间的距离。 4. 分类决策:根据最小距离原则,将待分类样本分配给与其距离最近的训练集样本所属的类别。 5. 模型评估:使用测试数据集评估模型的性能,通常使用准确率、精确率、召回率等指标进行评估。 最短距离方法的优点是简单直观,易于理解和实现。然而,它也存在一些缺点: - 对于高维数据或特征空间中的非线性关系,最短距离方法可能表现不佳。 - 在处理不平衡数据集时,最短距离方法可能偏向于多数类别。 因此,在实际应用中,需要根据具体问题和数据特点选择合适的分类算法。

2024-03-10

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除