此星光明-CSDN博客

原创 NASA：水瓶座官方发布第 3 级辅助雷诺海面温度标准映射图像升高 28 日运行平均数据 V5.0

水瓶座 3 级辅助海面温度 (SST) 标准映射图像数据是用于水瓶座盐度检索校准的辅助 SST 数据。它们只是雷诺国家气候数据中心（NCDC）0.25 度数据集中的日海面温度数据，使用水瓶座处理 L2-L3 处理方案对其进行网格化和平均化处理，达到与水瓶座 L3 级标准盐度和风速产品相同的 1 度空间分辨率以及日、7 天、月、7 天和年时间间隔。该数据集是与水瓶座数据集 5.0 版相关的 28 天平均上升辅助海面温度产品，是 AQUARIUS/SAC-D 任务结束时发布的正式公开数据。

2024-07-26 10:15:00 288

原创 GEE案例：Sentinel-1影像雷达图像时间序列评估孟加拉国的河岸侵蚀情况

地球上的许多河流系统都存在河岸侵蚀现象，河岸侵蚀会破坏农田和住房，从而影响沿河居民。在这项研究中，我们利用谷歌地球引擎（GEE）中提供的时间序列哨兵-1 号卫星雷达图像、重访周期为 12 天的地面探测（GRD）数据，检测了孟加拉国贾木纳河沿岸过去发生的河岸侵蚀事件。通过进行土地覆被分类和检测土地覆被从季风前的植被区到季风后的沙地或水域的变化来检测侵蚀土地。此外，如果居民点位于侵蚀土地上，则将其作为持续散射体进行检测，并将其归类为侵蚀土地。

2024-07-26 09:00:00 29

原创 GEE案例——Landsat系列（4、5、7、8和9）影像的物候监测分析

Landsat物候分析是一种利用Landsat系列卫星数据进行植被生长和变化的研究方法。物候是指植物生长和发育的季节性变化，包括植物生长、开花、结果和凋落等过程。Landsat系列卫星是美国国家航空航天局和美国地质调查局联合发起的地球观测卫星项目，主要用于监测地球表面的变化和资源管理。Landsat卫星具有高空间分辨率和较长的历史数据记录，可以提供长时间序列的遥感数据用于物候分析。通过对Landsat卫星数据进行物候分析，可以了解植被的季节性变化和发展趋势。

2024-07-25 16:00:00 29

原创 GEE图表：无法打印出正常的时序图表？Error generating chart: No features contain non-null values of “system:time_start

这段GEE教程中的书中原始的错误，这里可能是因为有些函数的更新，导致原始的代码无法进行正常的加载。所以这里我们看看问题出现在哪里？

2024-07-25 16:00:00 143

原创 NASA：水瓶座官方发布第 3 级辅助雷诺海面温度标准映射图像升高 28 日运行平均数据 V5.0

2024-07-25 08:00:00 703

原创 NASA数据：水瓶座官方发布第 2 级海面盐度和风速数据 V5.0

5.0 版宝瓶座 2 级产品是 AQUARIUS/SAC-D 任务轨道/扫描数据的第三次正式发布。宝瓶座 2 级数据集包含由 3 个不同辐射计和星载散射计得出的海面盐度（SSS）和风速数据。二级数据还包括每个辐射计的水平和垂直亮度温度（TH 和 TV）、辅助数据、标志、转换后的遥测和导航数据。每个数据文件涵盖一个 98 分钟的轨道。水瓶座 "仪器搭载在 "AQUARIUS/SAC-D "卫星上，该卫星由美国航天局和阿根廷国家空间活动委员会（CONAE）合作研制。

2024-07-24 15:00:00 651

原创 Aquarius CAP 第 2 级海面盐度、风速和风向数据 V5.0

5.0 版 Aquarius CAP Level 2 产品包含基于组合主动被动（CAP）算法的 AQUARIUS/SAC-D 轨道/扫描数据的第四次发布。CAP 是由 JPL 开发和提供的 P.I. 制作的数据集。这个 2 级数据集包含从 3 个不同辐射计和星载散射计获得的海面盐度（SSS）、风速和风向数据。CAP 算法通过最小化模式与观测数据之间的平方差之和，同时检索盐度、风速和风向。

2024-07-24 09:00:00 604

原创 GEE土地分类：中国30米年度土地覆盖产品annual China Land Cover Dataset, CLCD（面积提取）

中国30米年度土地覆盖产品（annual China Land Cover Dataset, CLCD）是基于三十万景Landsat影像，结合现有产品自动稳定样本和目视解译样本生产获得。该数据集基于5463个独立参考样本，产品整体精度为79.31%。该数据集反映了中国快速的城市化和一系列生态工程，揭示了在气候变化下人类活动对区域地表覆盖的影响。

2024-07-23 18:30:00 43

原创 GEE案例——Sentinel-2影像的物候监测分析

谷歌地球引擎（Google Earth Engine）极大地改变了地球观测数据的处理方式，可以比以往任何时候都更快、更高效地对广阔区域进行分析。谷歌地球引擎自推出以来，迅速扩大的社区已经实现了许多功能，但迄今为止，还没有一个功能专注于利用高分辨率数据计算山区的物候指标。这项工作旨在通过开发一种开源谷歌地球引擎算法来填补这一空白，该算法可利用 Landsat 系列和 Sentinel-2 的高分辨率免费卫星数据绘制全球山区的物候指标（PMs），如季节开始、季节结束和季节长度，并检测季节高峰。

2024-07-23 18:30:00 203

原创 Google Earth Engine重大更新：没有项目（projection）的脚本将被限制访问

starting。

2024-07-23 17:25:00 643

原创 GEE土地分类：如何将监督非监督分类的多类属性进行单一土地分类属性的指定阈值的显示

如果要将监督和非监督分类的多类属性转化为单一土地分类属性，可以使用以下步骤：1. 数据收集：收集包含多类属性的土地数据集。2. 监督分类：使用监督分类算法（如决策树、支持向量机等）对土地数据进行分类，将其划分为不同的类别。此步骤需要有标记的训练数据集，即土地属性已经被人工标记为不同的类别。3. 非监督分类：使用非监督分类算法（如聚类算法）对土地数据进行分类。这种方法不需要预先标记的数据集，算法会自动将土地数据分成不同的簇。每个簇可以视为一个类别。

2024-07-23 16:30:00 1152

原创 NASA：水瓶座官方发布第 3 级辅助雷诺海面温度标准映射图升序月度数据 V5.0

AQUARIUS_L3_ANCILLARY_SST_SMIA_MONTHLY_V5 说明水瓶座 3 级辅助海面温度（SST）标准映射图像数据是用于水瓶座盐度检索校准的辅助 SST 数据。它们只是雷诺国家气候数据中心（NCDC）0.25 度数据集中的日海面温度数据，使用水瓶座处理 L2-L3 处理方案对其进行网格化和平均化处理，达到与水瓶座 L3 级标准盐度和风速产品相同的 1 度空间分辨率以及日、7 天、月、季节和年时间间隔。

2024-07-23 10:18:14 724

原创 Python应用开发——30天学习Streamlit Python包进行APP的构建（19）：实用程序和用户信息

Python应用开发——30天学习Streamlit Python包进行APP的构建（19）：实用程序和用户信息

2024-07-23 10:00:00 760

原创开源项目有哪些机遇与挑战？如何赚钱？

6. **人工智能与机器学习的结合**：开源项目在人工智能和机器学习领域的应用不断增加，许多框架和工具被开源，以促进研究和应用的发展。4. **云原生技术的兴起**：随着云计算的普及，许多开源项目专注于云原生技术，如容器化、微服务和持续集成/持续部署（CI/CD）。3. **多样化的许可协议**：不同的开源许可协议不断涌现，以满足不同项目的需求，确保知识产权保护的同时促进开源精神。8. **文档与教育资源的丰富**：为了降低使用门槛，许多开源项目加强了文档和教育资源的建设，帮助新手快速上手。

2024-07-22 20:16:16 696

原创 GEE案例：整合多卫星和公民科学数据的谷歌地球引擎平台，用于河流冰层的动态监测

本研究介绍了一种新的自动化系统，该系统将多卫星信息与公民科学数据相结合，对观测不足的北方地区的湖泊和河流冰层进行可靠、及时的观测。该系统利用谷歌地球引擎资源促进冰情分析和可视化。所采用的方法结合使用了中分辨率和高分辨率光学数据以及雷达观测数据。结果表明，该系统有能力准确探测和监测河冰，尤其是在结冰和破冰等关键时期。整合后的公民科学数据在验证遥感产品以及在因云层遮挡而无法收集卫星观测数据时填补空白方面显示出更大的价值。

2024-07-22 15:00:00 68

原创 GEE案例分析——如何利用Sentinel-1数据进行大型船只监测（目标提取）和可视化分析

利用Sentinel-1数据进行海上船只的监测可以通过以下步骤进行：1. 数据获取：从Sentinel-1卫星获取雷达成像数据。Sentinel-1卫星以C波段为基础，能够在云层覆盖和夜晚等恶劣条件下获得高质量的图像。2. 数据预处理：对获取的Sentinel-1数据进行预处理，包括去除噪声、校正数据、去除地表干扰等。这样可以提高数据的质量和可用性。3. 雷达成像解释：利用预处理的Sentinel-1数据进行雷达成像解释。这可以通过分析数据中的回波信号来确定海上船只的位置和特征。

2024-07-22 15:00:00 93

原创 Python应用开发——30天学习Streamlit Python包进行APP的构建（18）：定制组件

直接使用 st.components.v1.declare_component（而不是导入其模块）已被弃用，在以后的版本中将被禁止。直接使用 st.components.v1.iframe（而非导入其模块）已被弃用，并将在以后的版本中被禁止。直接使用 st.components.v1.html（而不是导入其模块）已被弃用，以后的版本将不再允许。要使用该函数，请从 streamlit.components.v1 模块中导入。要使用此函数，请从 streamlit.components.v1 模块中导入。

2024-07-22 10:00:00 1725

原创 Python应用开发——30天学习Streamlit Python包进行APP的构建（20）：配置

config.toml 是一个可选文件，你可以为工作目录或全局开发环境定义它。当 config.toml 文件同时在全局和工作目录中定义时，Streamlit 会合并配置选项，并优先使用工作目录配置。此外，你还可以使用环境变量和命令行选项来覆盖其他配置选项。更多信息，请参阅配置选项。文件位置要在本地或按项目定义配置，请将 .streamlit/config.toml 添加到工作目录。您的工作目录就是您调用 streamlit 运行的地方。如果之前未创建 .streamlit 目录，则需要添加该目录。

2024-07-22 10:00:00 820

原创 GEE案例——利用Sentinel-1影像数据自动检测和跟踪中型冰山监测（阿蒙森海冰山）

读取图像和处理图像（分割、分类）的功能# 从 Google 地球引擎加载 S1 图像的函数# 输入# - startdate（str）：图像的开始日期# - roi (ee geometry)：图像的搜索区域kernel = ee.Kernel.gaussian(3) #高斯核函数# 检查 EE 图像的尺寸 -> 选择大尺寸图像dim = 0dim = testind = iseg = 0if value!

2024-07-21 18:30:00 96

原创 GEE案例分析：全球高分辨率 1 米全球树冠高度地图数据下载

之前写了一篇关于全球树冠高度数据的博客，有人需要下载数据，我们这里就将其数据进行了相关代码展示，具体的介绍这里不再过多介绍请看下面的博客。

2024-07-21 16:00:00 168

原创 Google Earth Engine（GEE）——影像单一波段应用形态学还原滤波器Kernel函数

函数：ee.Kernel.circle(radius,units,normalize,magnitude)Generates a circle-shaped boolean kernel.生成一个圆形的布尔核。Arguments:radius (Float):The radius of the kernel to generate.units (String, default: "pixels"):The system of measurement for the ke...

2024-07-21 14:30:00 80

原创 Python应用开发——30天学习Streamlit Python包进行APP的构建（17）：连接和数据库

Python应用开发——30天学习Streamlit Python包进行APP的构建（17）：连接和数据库

2024-07-21 10:00:00 920

原创 GEE APP——在线监测和下载流域和流域边界的APP应用

谷歌地球引擎中的形态计量分析：用于全球尺度分析的在线互动网络应用程序流域或集水区的形态分析描述了流域的物理特征，这些特征对环境研究非常有用。流域形态特征以地形处理为基础，必须针对每个不同的流域进行处理。目前还没有一款应用程序能够在全球范围内提供流域形态特征、流域边界和流域内的河流，因此开发一款新的应用程序已成为必要。在这项研究中，开发了一款在线谷歌地球引擎（GEE）应用程序，该程序可利用数字高程模型、流域边界和河流数据在全球范围内确定任何流域的形态特征。该应用程序选择梅里斯流域进行测试。

2024-07-21 08:30:00 443

原创 Google Earth Engine:使用MODIS（MYD13Q1.061）数据进行2002-至今北京市逐年最大值合成的NDVI和EVI数据下载

MYD13Q1 V6.1 产品按像素提供植被指数 (VI) 值。主要有两个植被层。第一个是归一化植被指数（NDVI），它是现有的美国国家海洋和大气管理局-高级甚高分辨率辐射计（NOAA-AVHRR）得出的 NDVI 的连续性指数。第二个植被层是增强植被指数（EVI），它能最大限度地减少冠层背景变化，并保持对茂密植被条件的敏感性。增强植被指数还使用蓝色波段去除烟雾和亚像素薄云造成的残余大气污染。

2024-07-20 16:00:00 428

原创 NASA数据集——宝瓶座天体微波发射图辅助数据集 V1.0

本数据集包含三张 L 波段（波长 = 21 厘米）天体（"银河系"）亮度温度图，用于处理美国航天局宝瓶座仪器的数据。这些天体亮度温度图以开尔文为单位，以地球中心惯性（ECI）参照系J2000纪元为网格。它们在-90度和+90度之间的721个倾角和0度和360度之间的1441个赤经上采样，所有采样间隔均为0.25度。亮度温度假定为时间不变，偏振被忽略。它们包括微波连续波和原子氢线（HI）辐射。

2024-07-20 08:30:00 797

原创 NASA数据集:水瓶座射频干扰 (RFI) 辅助数据集 V1.0

用于 ADPS 任务处理的宝瓶座辅助射频干扰（RFI）产品包含宝瓶座辐射计和散射计探测到的上升/下降经过的月平均射频干扰（RFI）数据。这些数据仅适用于卫星的上升（向北）和下降（向南）经过，也适用于上升/下降经过的组合。该产品中存储的值是每个数据点内被射频干扰检测算法[1,2]识别为受干扰破坏的辐射计和散射计测量值的百分比，取一个月的平均值。另外还有一个 RFI 标志[3]，用于识别陆地亮度温度测量值超过地表发射率预期极限的位置。

2024-07-20 08:30:00 782

原创 GEE错误：Error: Encoded object too large. (Error code: 3)

Error: Encoded object too large. (Error code: 3)函数dissolve(maxError, proj)Returns the union of the geometry. This leaves single geometries untouched, and unions multi geometries.this:geometry (Geometry):The geometry to union.maxError (ErrorMargin, d

2024-07-19 18:30:00 957

原创 AI Earth——卫星影像快速检索可视化应用APP

AI Earth是一个卫星影像快速检索可视化应用，利用人工智能技术和卫星影像数据，帮助用户快速搜索并可视化地球上的各种地理信息。AI Earth拥有庞大的卫星影像数据库，用户可以通过搜索关键词、地点或坐标来查找特定区域的卫星影像。AI Earth的人工智能算法能够智能识别并标注地球上的各种地理特征，如山脉、河流、湖泊、城市等。用户可以通过AI Earth应用程序或网页界面进行交互，并进行地图操作，如缩放、平移和旋转。

2024-07-19 10:00:00 391

原创智慧水利解决方案：构建预报、预警、预演、预案的智慧水利平台

国家规划纲要明确提出。为统一要求、明确标准，避免重复建设、信息孤岛，2022年3月，水利部组织编制了《数字孪生流域建设技术大纲（试行）》。根据上述文件，可以更好地理解。是与，包括；以及N项业务应用调用数字孪生流域提供的算据、算法、算力等资源。

2024-07-19 08:00:00 844

原创中国30米年度土地覆盖产品annual China Land Cover Dataset, CLCD

通过对土地覆盖和土地利用数据的监测和分析，可以了解土地利用变化情况，并及时制定相应的规划和政策，加强对土地资源的合理利用和保护。土地覆盖和土地利用数据可以用来监测资源的利用情况，比如农田的利用率、水资源的利用情况等，从而提供科学依据来制定资源利用规划。土地覆盖和土地利用数据可以用来评估生态环境质量，比如农田、林地、草地和城市化地区的分布情况及其变化对生态环境的影响。土地覆盖和土地利用数据可以为土地资源的可持续利用和保护提供科学依据，促进经济、社会和环境的协调发展。时间范围: 1985年-2020年。

2024-07-18 17:27:49 543

原创 AI Earth——基于决策树模型淮河流域冬小麦提取应用app

本应用依据利用Landsat-8数据，基于潘力、夏浩铭、王瑞萌等研究论文（基于Google Earth Engine 的淮河流域越冬作物种植面积制图）中提出的利用作物在不同物候期内卫星影像的光谱存在差异的特征，通过计算作物时间序列的皈依化植被指数(NDVI)，选取越冬作物生长旺盛期NDVI 最大值、越冬作物播种期和收获期中相应的NDVI 最小值和中位数，在像元尺度上构建越冬作物决策树提取算法，实现淮河流域冬小麦的提取。

2024-07-18 15:00:00 1227

原创 NASA数据集：多视角观测改进对沿海和内陆水域的遥感观测

根据航空或卫星数据估算水生环境中藻类和非藻类颗粒浓度的算法已相对成熟。不过，由于图像是在与太阳不同的位置拍摄的，因此有时会出现非常大的误差。事实上，当两个光学传感器测量来自同一目标的向上光束时，它们测量到的辐射值会因在目标周围的位置不同而不同。这是由于太阳光是有方向性的，当与物质相互作用时，它不会向所有方向均匀散射。例如，以水面为目标的卫星辐射计除了能观测到来自水面的光和大气散射的光之外，还能观测到太阳光束直接反射到水面所产生的光，这就是所谓的太阳光。

2024-07-18 09:00:00 533

原创 Google Earth Engine（GEE）——北京地区简单的除云影像展示（云量小于10的影像展示）

使用亮度、温度和NDSI的组合，在[0,100]范围内计算一个简单的云的可能性分数。这不是一个稳健的云检测器，主要是为了比较同一地点的多个观测点的*相对*云的可能性。要处理的Landsat TOA图像。

2024-07-17 08:00:00 642

原创极地生产力自主采样系统的观测：融池比例统计 MEDEA 融池比例数据集

该项目是美国国家航空航天局 ICESCAPE 大型项目的一部分，旨在研究浮游植物丰度的长期季节性变化与整个生长季节在波弗特海和楚科奇海测量到的海冰覆盖、分层和温度变化的关系。这将通过使用 ARGO 浮漂和近实时卫星通信进行高频观测来实现。对于楚科奇海北部和波弗特海深处的较深水域，将建造一个 ARGO 浮标，在 300 米深和海面之间循环。浮标将测量温度、电导率、溶解氧、荧光和反向散射。此外，2011 年部署的浮标将配备硝酸盐传感器，以估算 NO3-消耗量、新产量和群落净产量。

2024-07-17 08:00:00 1033

原创 Python应用开发——30天学习Streamlit Python包进行APP的构建（16）：执行流程

默认情况下，Streamlit 应用程序会完全执行脚本，但我们允许在应用程序中使用某些功能来处理控制流。

2024-07-16 17:30:00 1680

原创 AI Earth——MuSyQ 30m/10天叶片叶绿素含量产品（中国）应用 app

是空天院多源协同定量遥感产品生产系统（(Multi-source data Synergized Quantitative remote sensing production system，MuSyQ)）产品之一。叶片叶绿素含量（Chlleaf）是植被遥感监测中最重要的参数之一，目前国际上缺少高分辨率的叶绿素含量标准化产品，难以满足日益精细化的应用需求。利用Sentinel-2 MSI 数据的时空分辨率优势，生产出30米/10天高时空分辨率的Chlleaf产品。

2024-07-16 10:30:00 609

原创 Python应用开发——30天学习Streamlit Python包进行APP的构建（15）：优化性能并为应用程序添加状态

优化性能并为应用程序添加状态！

2024-07-14 16:00:00 887

原创 AI Earth——全球500m类NPP_VIIRS夜间灯光数据集应用app

全球500米分辨率的“类NPP-VIIRS”夜间灯光数据集（NPP-VIIRS-like NTL Data）是基于自编码器的跨传感器（DMSP-OLS和NPP-VIIRS）夜间灯光数据校正方案生产。通过在不同范围不同尺度下开展的精度验证工作，证明数据集具备了类似于NPP-VIIRS夜间灯光数据的质量，并能够清晰地反映出城市内部的细节信息及其时序上的变化。

2024-07-14 09:30:00 709

原创 GEE土地分类——K-fold交叉验证的应用分析

在常规准确度评估中，我们将样本分成训练和验证两部分。在 k 倍交叉验证中，这一步骤会重复多次，将数据分成多个子集（即折叠集），将其中一个折叠集作为验证集，并在其余折叠集上训练模型。这一过程会重复多次，并对每个验证步骤的准确度指标进行平均，从而对模型的性能做出更可靠的估计。K-fold交叉验证是一种用于评估机器学习模型性能的方法。在K-fold交叉验证中，数据集被分为K个相等大小的子集，其中K-1个子集用于训练模型，而剩下的1个子集用于测试模型。这个过程重复K次，每次选择不同的测试子集。最后，将K次测试结果的

2024-07-13 10:30:00 52

原创 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，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。

2024-07-13 08:00:00 971

GEE案例-Sentinel-2影像的物候监测分析.pdf

物候监测分析谷歌地球引擎（Google Earth Engine）极大地改变了地球观测数据的处理方式，可以比以往任何时候都更快、更高效地对广阔区域进行分析。谷歌地球引擎自推出以来，迅速扩大的社区已经实现了许多功能，但迄今为止，还没有一个功能专注于利用高分辨率数据计算山区的物候指标。这项工作旨在通过开发一种开源谷歌地球引擎算法来填补这一空白，该算法可利用 Landsat 系列和 Sentinel-2 的高分辨率免费卫星数据绘制全球山区的物候指标（PMs），如季节开始、季节结束和季节长度，并检测季节高峰。该脚本在整个阿尔卑斯山脉进行了测试。通过使用 R 软件包 greenbrown（允许进行地表物候和趋势分析）和中分辨率成像分光仪（MODIS）在同质引用和土地覆盖的高山地貌中交叉计算 PMs，进行了验证。计算了 MAE 和 RMSE。因此，该算法可以在一定程度上稳健地计算全球山区从 GEE 提供的更高分辨率免费 EO 数据中获取的 PMs。物候监测是指对植物的生长发育和季节性变化进行观测和记录的过程。物候现象包括花开、叶落、果实成熟等，是植物对环境变化的响应。物候监测分析则是对物候数

2024-07-24

GEE：Landsat C02-T1-L2数据（地表反射率数据）1985-2023年生态遥感指数RESI计算.pdf

生态遥感指数生态遥感指数（Remote Sensing Ecological Index, RSEI）是一种用于评估生态环境质量和监测生态系统健康的指标。它是基于遥感技术和生态学原理相结合的方法，通过分析遥感数据中的光谱信息，反映出地表覆盖类型、生物多样性、生态系统健康状况等方面的信息。 RSEI指数可以从多个方面反映生态环境的状态和变化： 1. 植被分布和生物量：通过计算植被指数，如归一化差值植被指数（NDVI）、归一化植被指数（NVI）等，可以评估植被的分布情况和生物量的变化。植被分布和生物量是生态系统的重要指标，能够反映土地覆盖类型、植被生长状况和生态系统的健康程度。 2. 土地利用和土地覆盖：通过分析遥感影像中的光谱信息，可以提取土地利用和土地覆盖的信息，如农田、森林、湿地、城市等类型的分布和变化情况。这些信息可以用于评估土地利用变化对生态环境的影响和生态系统的稳定性。 3. 水体质量和水域生态系统：通过计算水体的光谱特征，可以评估水体的质量和水域生态系统的状况。例如，可以计算水体的反射率、透明度、叶绿素含量等指标，用于监测水体富营养化、蓝藻水华等问题。

2024-07-23

GEE案例-利用Sentinel-1影像数据自动检测和跟踪中型冰山监测（阿蒙森海冰山）.pdf

监测南极冰山有助于我们了解南大洋海洋、大气和海冰之间的相互作用。虽然巨型冰山是许多遥感研究的对象，但南大洋中型冰山却很少受到监测或追踪。在本研究中，我们基于谷歌地球引擎（GEE），使用 Python 编程语言和哨兵-1（S1）图像，开发了一种冰山探测和跟踪工具，特别适用于中型和大型冰山（0.4-10 平方公里）。为了检测冰山，我们采用简单非迭代聚类（SNIC）和区域邻接图（RAG）合并法进行基于对象的图像分割，并使用 40 幅 S1 图像（2019-2021 年）中 6432 个标记的冰山或非冰山片段来训练/测试支持向量机（SVM）模型。这些片段的雷达反向散射特征和形态特征被用作 SVM 模型的输入。在不同日期的两个图像场景中检测到冰山后，我们通过比较其一维形状信号来跟踪检测到的冰山的位移。根据图像场景的日差，我们的模型检测冰山的准确率为 99%，跟踪冰山的准确率为 93-98%。使用我们的工具监测阿蒙森海的冰山时，我们发现 2021 年的冰山比例从 2% 到 8% 不等，大多数冰山以小于 0.2 公里/天的速度向西移动。 ————————————————

2024-07-22

星载热发射和反射辐射计（ASTER）AST-L1T-User-Guide-V3.pdf

先进的星载热发射和反射辐射计（ASTER）1级精确地形修正注册现场传感器辐射产品（AST_L1 T）高级星载热发射和反射辐射计（ASTER）是一款多光谱成像仪，由日本通产省（MITI）提供，于1999年12月在美国国家航空航天局（NASA）地球观测系统（EOS）Terra航天器上发射。自ASTER仪器发射以来，该任务生成了超过300万个ASTER场景，提供了涵盖可见红外的丰富观察范围。可观察光谱的长波红外和热红外。 ASTER仪器由四台覆盖14个频段的望远镜、三台天面瞄准望远镜、加上一台复制最低点频率的附加后指向望远镜Band 3。一台最低点指向望远镜覆盖可见光和近红外（VNIR）频率，具有15米分辨率的3个频段。另一台覆盖长波红外（SWIR）频率，具有30米分辨率的6个频段。第三台覆盖热红外（TLR）分辨率为90米的5个频段的波长。使用Band 3频率的后指向望远镜覆盖VNIR最低点Band 3后55秒的同一场景，实现立体视图。ASTER指向能力使得地球上的任何点至少每16天访问一次所有14个频段，每5天访问一次可见光和近红外频段。

2024-07-22

GEE中主成分分析PCA附带全部代码.pdf

本次案例分析主要在于利用一景影像当中的多个波段分别求取各个波段的主成分结果，当然后续还可以优化，主要的目的在于展示如何统计每一个波段并且展示图层结果。因为之前已经讲了很多节的基础知识，所以本届只讲流程。先看下什么是主成分分析：主成分分析(英语：Principal components analysis,PCA)是一种分析、简化数据集的技术。主成分分析经常用于减少数据集的维数，同时保持数据集中的对方差贡献最大的特征。这是通过保留低阶主成分，忽略高阶主成分做到的。这样低阶成分往往能够保留住数据的最重要方面。但是，这也不是一定的，要视具体应用而定。由于主成分分析依赖所给数据，所以数据的准确性对分析结果影响很大。

2024-07-18

关史蒂文斯河冰绘图系统APPStevens-River-Ice-Mapping-System.pdf.zip

该 HydroShare 资源提供了有关史蒂文斯河冰绘图系统的详细教程，该系统是一个新颖的平台，通过谷歌地球引擎将多卫星图像和公民科学数据结合起来，以监测美国和加拿大的河冰动态。为了应对河流冰层监测的挑战，尤其是阿拉斯加等偏远地区的挑战，本文档为用户提供了有关系统界面导航、冰层状况可视化以及下载相关数据的说明。

2024-07-17

GEE数据集-高分辨率全球树冠高度地图（1 米）Meta 公司.pdf

绘制植被结构图对于了解全球碳循环以及监测基于自然的气候适应和减缓方法至关重要。通过对这些数据的重复测量，可以观察现有森林的砍伐或退化情况、森林的自然再生以及农林业等可持续农业实践的实施情况。高空间分辨率的树冠高度和树冠投影面积评估对于监测碳通量和评估基于树木的土地利用也很重要，因为森林结构在空间上可能高度异质，特别是在农林系统中。极高分辨率的卫星图像（地面采样距离小于一米）使提取树木层面的信息成为可能，同时还能进行大尺度监测。本文介绍了第一份同时为多个次国家辖区制作的高分辨率树冠高度图。具体来说，我们为加利福尼亚州和圣保罗州制作了非常高分辨率的树冠高度地图，与之前基于哨兵/GEDI 的全球树冠高度地图的十米（10 米）分辨率相比，分辨率有了显著提高。这些地图是通过在 2017 年至 2020 年的 Maxar 图像上训练的自监督模型中提取特征，并根据航空激光雷达地图训练密集预测解码器生成的。我们还引入了一个后处理步骤，使用在 GEDI 观测数据上训练的卷积网络。我们利用预留验证激光雷达数据以及与其他遥感地图和实地收集的数据进行比较，对所提出的地图进行了评估，发现我们的模型产生的平均绝对

2024-07-17

GEE土地分类-基于遥感影像数据的不同作物的分类.pdf

简介这里我们首先要更改原始代码的中的影像和研究区矢量的问题，这个为了防止我们计算的过程超限，建议先将我们的研究区影像和样本点先存在自己的assets中，然后导入到新的脚本中。然周本文就是对其进行影像进行归一化处理，然后进行样本点值提取至点，然后训练样本点，进行训练，然后对样本点随机化，然后计算相应的精度即可。

2024-07-15

如何利用多年的ESRI-Global-LULC-10m将研究区的指定区域重分类分为两类数据：将多类土地分类转化为草地和非草地区域

简介本教程主要的目的是利用自己上传的多年土地分类应先过来实现指定区域的土地分类，而且只提取 ESRI_Global-LULC_10m ESRI_Global-LULC_10m数据集是由ESRI（环境系统研究研究所）开发的一个全球级别的土地利用/土地覆盖数据集。该数据集使用10米的空间分辨率，并提供了详细的土地利用/土地覆盖分类信息。该数据集基于多源的遥感影像数据，包括卫星图像和高分辨率航拍图像。这些数据通过遥感图像解译和机器学习算法进行处理，从而得到了覆盖全球的土地利用/土地覆盖分类结果。 ESRI_Global-LULC_10m数据集的分类体系包括多个不同的土地利用/土地覆盖类别，如农田、林地、草地、城市等。每个像元都根据其在分类体系中的特征被赋予一个特定的类别标签。这个数据集的具体介绍包括以下几个方面： 1. 数据集名称：ESRI_Global-LULC_10m 2. 数据集提供方：ESRI（环境系统研究研究所） 3. 数据源：多源遥感影像数据，包括卫星图像和高分辨率航拍图像 4. 空间分辨率：10米 5. 土地利用/土地覆盖分类体系：包括多个不同的类别，如农田、林

2024-07-13

GEE案例-利用多源遥感数据（Landsat sentinel）光谱波段和光谱指数实现大米种植区域的分类.pdf

1. 数据获取：获取Landsat 8和Sentinel-2的遥感数据，包括多光谱波段和植被指数数据。 2. 数据预处理：对获取的遥感数据进行预处理，包括辐射校正、大气校正、噪声去除等。 3. 特征提取：根据大米的特征，提取与大米种植相关的光谱波段和光谱指数作为分类特征。常用的光谱指数包括NDVI（归一化植被指数）、GNDVI（绿光归一化差异植被指数）等。 4. 数据融合：将Landsat 8和Sentinel-2的光谱波段和光谱指数数据进行融合，可以采用加权平均等方法。 5. 数据分类：使用机器学习算法对融合后的数据进行分类，常用的分类算法包括支持向量机（SVM）、随机森林（Random Forest）等。 6. 精度评估：对分类结果进行精度评估，可以使用混淆矩阵、精确度、召回率等指标评估分类结果的准确性。 7. 结果可视化：将分类结果进行可视化展示，可以生成分类地图或统计图表。需要注意的是，以上流程是一个简化的大致流程，并且具体的实施方法可能会因实际应用场景和数据特点而有所不同。在实际操作中，可能还需要进行特征选择、数据增强等操作，以提高分类结果的准确性和稳定性。

2024-07-04

水瓶座 L3 网格化 1 度每日土壤水分 aq3-ansm-v005-userguide.pdf

- ** 水瓶座 L3 网格化 1 度每日土壤水分 V005** 该数据集包含从美国宇航局水瓶座被动微波辐射计获取的 3 级网格化每日全球土壤水分估计值，该辐射计位于阿根廷的 Satélite de Observación de la Tierra (SAOCOM) 1A 卫星上。 - **数据下载** 您可以通过以下链接直接下载该数据集。数据值以字节、2 字节整数和 4 字节浮点数的形式存储，土壤湿度数据为 32 位浮点数，调色板值为 8 位无符号整数。每个数据文件都与相关的 XML 文件配对。由于 "科学应用卫星"（SACD）航天器于2015年6月发生电源故障，美国国家航空航天局（NASA）"宝瓶座"（Aquarius）仪器的数据将不再产生。有关此事件的更多信息，请参阅美国国家航空航天局（NASA）的官方公告："搭载NASA'宝瓶座'仪器的国际航天器结束运行"。美国国家航空航天局国家冰雪数据中心分布式主动存档中心（NSIDC DAAC）将继续分发 "宝瓶座 "号整个飞行任务期间（2011年8月25日至2015年6月7日）的土壤湿度和极地网格数据集。

2024-07-01

水瓶座 L3 每周极地网格景观冻融数据，第 5 版.pdf

这套三级（L3）数据包括每周北半球地貌冻融（FT）数据，这些数据来自阿根廷科学应用卫星（SAC-D）上的宝瓶座传感器采集的 L 波段辐射计亮度温度观测数据。数据分布在等面积可扩展地球网格 2.0 版（EASE-Grid 2.0）上，空间分辨率为 36 千米。SAC-D 卫星由美国国家航空航天局和阿根廷航天局（CONAE）合作开发。此外，该产品还为 37 GHz MEaSUREs Global Record of Daily Landscape Freeze/Thaw Status,Version 3（NSIDC-0477）数据集提供了一个互补的冻土数据集，在应用了相互校准后，可考虑用于扩展 SMAP 任务提供的冻土数据（Derksen 等，2017 年）。

2024-07-01

国家海岸线变化情况报告National Assessment of Shoreline Change.pdf

这份关于新英格兰和大西洋中部海岸的报告是历史海岸线变化系列报告的第五份。以前的调查包括对墨西哥湾（Morton 等，2004 年）、东南大西洋（Morton 和 Miller，2005 年）以及加利福尼亚的沙质海岸线（Hapke 等，2006 年）和海岸悬崖（Hapke 和 Reid，2007 年）的分析和描述性报告。本报告和以前的报告一样，总结了分析方法，解释了分析结果，说明了长期和短期的变化趋势和变化率，并介绍了不同的沿岸社区如何应对海岸侵蚀。本报告与美国地质调查局以前的系列报告不同，以前的海岸线变化分析只包括四条海岸线，以代表特定的时间段。新英格兰和大西洋中部的评估则包括了所有可获得的、可进行质量检查的海岸线。海岸线变化评估基于从地图或航空摄影数据源中数字化的历史海岸线位置与近期海岸线的比较，其中至少有一条海岸线是通过激光雷达（光探测与测距）勘测得出的。历史海岸线涵盖从 19 世纪到 2000 年代的不同时期，而激光雷达海岸线则是 1997 年或 2000 年的数据。长期变化率使用所有海岸线进行计算，短期变化率则使用激光雷达海岸线和历史海岸线进行计算，从而得出 25 至 30

2024-06-27

GEE案例：Landsat系列影像遥感水覆盖评估的简单填云方法.pdf

简介在很多时候我们进行长时序的水域面积评估的时候，会发现当期影像或者多期影像会无法覆盖所选研究区域，或者因为云层较多，使得影像无法准确获取地表信息。因此我们如何解决这种问题就成为一个值得关注的问题，因此我们参考2021年的一篇文章给大家一个影像修复的方法。包含全部代码摘要水文变化的实证归因在确定基线先验条件方面提出了一个独特的数据可用性挑战，因为我们无法追溯到过去收集必要的数据。虽然全球遥感数据可以缓解这一挑战，但大多数卫星任务都太新，无法捕捉到很久以前发生的变化，因此无法为充分的统计推断提供足够的观测数据。在这种情况下，大地遥感卫星任务所提供的长达 40 年的连续全球高分辨率监测是无与伦比的信息来源。然而，由于云层遮挡和图像质量不一致使得光学图像的自动判读变得复杂，因此构建一个跨大地遥感卫星任务的土地覆被观测时间序列仍然是一项重大挑战。针对湖泊水域范围的监测，我们提出了一种自动填补空白的方法，以推断被云层或传感误差遮挡的像素的类别（湿或干）。基于不同像素在不同时间被遮挡的假设，对不同日期拍摄的图像中未被遮挡像素的分类结果进行汇编，以估算每个像素的淹没频率。然后，通过监督分类.

2024-06-26

GEE案例分析-利用全球地表水（JRC）数据实现全球任何区域的逐像.pdf

要利用全球地表水数据集（JRC/GSW1_4/YearlyHistory）计算新增水域面积，可以按照以下步骤进行： 1. 下载和准备数据集：从相关数据源（如JRC网站）下载全球地表水数据集（JRC/GSW1_4/YearlyHistory）的相关文件。确保你有数据集的文件和相关元数据。 2. 数据预处理：根据你的分析需求，选择适当的时间范围和地理区域，将数据集进行筛选和裁剪，以获取你需要的数据。确保你的数据集与你要分析的区域和时间范围相匹配。 3. 数据处理：将数据集中的各时间步骤的水域分类进行比较，找出新增水域的面积。可以通过减去前一时间步骤的水域面积来计算新增水域的面积。 4. 面积计算：对每个时间步骤的新增水域进行面积计算。可以使用地理信息系统（GIS）软件或GEE（如JavaScript、Python）中的相关库和函数来执行此计算。 5. 结果分析：根据你的分析需求，你可以进一步分析和可视化新增水域的面积数据。你可以计算整个时间范围内的总新增水域面积，或者分析不同地理区域或时间段内的新增水域面积变化。值得注意的是，计算新增水域面积是一个复杂的过程，需要对数据集有一

2024-06-26

GEE（六边形制作）-实现研究去边界蜂窝状（六边形）矢量的转换.pdf

在GEE中实现研究区边界蜂窝状矢量的转换，这里我们首先获取研究区边界，然后进行边界坐标点进行获取，然后根据六边形坐标点计算公式，然后遍历研究区即可。在Google Earth Engine（GEE）中，可以使用以下步骤来制作去边界的六边形矢量： 1. 首先，选择一个区域或图像，在该区域或图像上创建一个六边形网格。 2. 使用六边形网格创建一个六边形矢量图层。 - 首先，使用六边形的中心点坐标和边长来计算六边形的顶点坐标，可以参考前面给出的坐标计算公式。 - 使用GEE的几何对象（Geometry）来创建六边形的多边形对象。 - 根据需要，可以将多个六边形对象组合成一个图层。 3. 根据你的研究目的，可以进一步对六边形矢量进行分析和处理。 - 例如，可以计算每个六边形的面积、周长或其他属性。 - 可以使用相应的算法和函数来进行分析，如`area()`函数计算面积、`perimeter()`函数计算周长。 4. 最后，将六边形矢量图层可视化或导出为需要的格式。 - 可以使用GEE的Map模块进行可视化，如`Map.addLayer()`

2024-06-26

GEE问题：使用reduceRegion求单点均值过程中出现值不一样的情况如何解决？.pdf

问题简介我首先将 mean() 函数应用于图像集合，该函数会创建一个图像，其中每个像素都是该像素处所有图像的平均值。然后，对于 Point ROI，我希望将均值带添加到图表中，并显示平均值。问题是它们不同（-8.030 与 -8.524）。函数 reduceRegion(reducer, geometry, scale, crs, crsTransform, bestEffort, maxPixels, tileScale) Apply a reducer to all the pixels in a specific region. Either the reducer must have the same number of inputs as the input image has bands, or it must have a single input and will be repeated for each band. Returns a dictionary of the reducer's outputs.

2024-06-23

AMSR-E Aqua L1A Raw Observation Counts, Version 3用户指南.pdf

AMSR-E Aqua L1A 原始观测计数第 3 版数据集是测量地球微波辐射的卫星数据集。这些数据由美国国家航空航天局于 2002 年发射的 Aqua 卫星上的高级微波扫描辐射计-地球观测系统（AMSR-E）仪器收集。AMSR-E 仪器测量水平和垂直极化的六个频率（6.9 千兆赫、10.7 千兆赫、18.3 千兆赫、23.8 千兆赫、36.5 千兆赫和 50.3 千兆赫）的微波辐射。原始观测计数数据是 AMSR-E 数据的最低处理级别，也是最基本的数据产品。数据格式 AMSR-E Aqua L1A 第 3 版原始观测计数数据存储在 HDF/EOS2 文件中。每个文件包含 Aqua 卫星一个轨道的数据，约为 16 天的数据量。数据被组织成一系列颗粒，每个颗粒对应 AMSR-E 仪器对地球的一次特定扫描。每个颗粒包含以下数据：元数据：有关颗粒的信息，如扫描的日期、时间和地点原始观测计数：每个频率和偏振的微波辐射原始计数校准数据：用于校准原始观测计数的数据数据使用 AMSR-E Aqua L1A 原始观测计数第 3 版数据可用于多种科学应用

2024-06-20

GEE使用STARFM 图像融合算法将Landsat 和 MODIS 融合得出2000-2023 NDVI长时序图

Google Earth Engine——使用STARFM 图像融合算法将Landsat 和 MODIS 融合得出2000-2023 NDVI长时序图（空间分辨率为 30 米、时间分辨率为 16 天） STARFM（Spatial and Temporal Adaptive Reflectance Fusion Model）方法 STARFM（Spatial and Temporal Adaptive Reflectance Fusion Model）是一种用于图像融合的算法，旨在将高空间分辨率和低时间分辨率的遥感图像融合为高空间分辨率和高时间分辨率的图像。 STARFM算法基于时间序列的概念，通过将时间序列中的连续图像进行融合，从而生成具有高空间分辨率的图像。算法基于以下假设：在一个时间段内，地物的空间分布是相对稳定的，因此可以通过时间序列中其他时间点的图像来估计当前时间点的高空间分辨率图像。具体实现上，STARFM算法分为以下几个步骤： 1. 数据预处理：对输入的时间序列图像进行预处理，包括辐射校正、大气校正等。 2. 构建空间和时间邻域：根据输入的时间序列图像，构建空间。。。

2024-06-18

GEE：Landsat C01和C02数据集进行LST（Land Surface Temperature）地表温度分析.pdf

LST（Land Surface Temperature）是指地表温度，是地表上空气与地表之间的热交换过程的结果。地表温度是一个重要的地理要素，对气候研究、气象预报、农业生产、环境评估等方面有着重要的影响。下面将详细介绍LST的定义、计算方法以及其在不同领域的应用。首先，LST的定义是指地表的温度，即地球表面的实际温度。它与空气温度、室内温度等不同，因为地表温度受到地表的直接照射和辐射的影响，具有一定的时空变化特征。地表温度通常是通过遥感技术获取的，例如红外辐射遥感技术可以捕捉到地表辐射出的红外辐射，从而估算地表温度。计算LST的过程并不简单，需要考虑到许多因素。首先，地表温度受到太阳辐射、大气辐射、地面辐射以及热储存和热传导等因素的影响。其次，地表的类型和覆盖物也会对LST产生影响，例如植被的覆盖会使地表温度降低。因此，在计算LST时，需要考虑到这些因素，并采用相应的算法和模型进行处理。目前，计算LST的常用方法有多种，其中最常见的是基于热辐射遥感技术的方法。该方法通过测量地表辐射出的红外辐射，利用相关的物理模型计算出地表温度。常用的热辐射遥感技术包括热红外成像辐射计。

2024-06-17

全球海面下温度第 2P 级 8.2 版 (v8.2)数据手册

本产品提供了高分辨率海面温度（GHRSST）项目组的 "最终"（改进）二级海面温度（SST）（目前在文件名中以 "v8.2 "标识），该温度源于遥感系统（RSS，或 REMSS）的高级微波扫描辐射计 2（AMSR2）。AMSR2 于 2012 年 5 月 18 日在日本宇宙航空研究开发机构（JAXA）开发的全球变化观测任务--水（GCOM-W）卫星上发射。全球变化观测任务-水旨在建立全球长期观测系统，收集了解气候和水循环变化机制所需的数据，并展示其利用情况。第一代 GCOM-W 卫星上的 AMSR2 将继续 Aqua/AMSR-E 对水汽、云液态水、降水、海温、海面风速、海冰浓度、雪深和土壤湿度的观测。AMSR2 是一种遥感仪器，用于测量来自地球表面和大气层的微弱微波辐射。AMSR2 的天线每 1.5 秒旋转一次，在 1450 千米的扫描范围内获取数据。这种锥形扫描机制使 AMSR2 能够每两天获取一组日间和夜间数据，对地球的覆盖率超过 99%。当 RSS 接收到国家环境预报中心（NCEP）大气模式最终分析（FNL）运行全球分析时，将对 "最终 "海温进行处理。

2024-06-17

AMSR/ADEOS-II L1A Raw Observation Counts, Version 3用户手册

AMSR 通过接收从地球表面和大气层自然辐射的微弱微波，提供与水有关的地球物理信息，如大气水汽、降水、海面风速、海面温度、土壤湿度、海冰范围和雪水当量。AMSR 观测的是微波而不是光学数据，它可以从白天到黑夜、在任何天气条件下以及在有云的情况下进行观测。AMSR 是一个双极化的八频总功率微波辐射计（50 GHz 波段的两个垂直通道除外），采用锥形扫描，以 55 度恒定入射角观测地球表面，通过一次同频器阵列进行多频测量，每次扫描利用热负荷目标（约 300 K）和冷空镜获得校准计数，以引入深空温度（约 3 K）。

2024-06-16

全球太阳能光伏分布数据集

TZ-SAM 是一个全球资产级数据集，包含商业和公用事业规模的太阳能光伏设施。该数据集由 TransitionZero 和 Global Energy Monitor 合作开发，包含 183 个国家超过 19100 平方公里的太阳能发电场，总容量估计为 711 千兆瓦，对小型设施的覆盖率是现有设施的三倍。通过地球观测数据和机器学习，我们可以大规模识别中小型太阳能资产，同时估算发电量和建设日期。太阳能的快速和分散增长给预测带来了困难。TZ-SAM 将弥补传统太阳能资产报告方法的不足，从而支持更有效的预测和规划全球首创的无代码用户界面--模型生成器（Model Builder）集成，为电网扩容和机组调度建模。太阳能是历史上增长最快的发电技术。仅在 2023 年，全球太阳能发电能力就增加了近 400 千兆瓦，相当于每小时安装超过 192 个足球场的太阳能电池板¹。根据国际能源机构（IEA）的净零情景预测，全球太阳能发电能力将从 2023 年的 1200 千兆瓦大幅增加到 2030 年的 4800 千兆瓦。

2024-06-14

利用多源遥感数据：光谱波段和光谱指数实现大米种植区域的分类（含Landsat 8 和sentinel-2数据融合）.pdf

洪灾前后大米产区反演可以通过遥感影像的变化分析来实现。具体的数据流程如下： 1. 数据获取：获取洪灾前后的遥感影像数据，包括洪灾前和洪灾后的Landsat或Sentinel遥感影像。 2. 数据预处理：对获取的遥感影像数据进行预处理，包括辐射校正、大气校正、投影校正等。 3. 影像配准：将洪灾前后的遥感影像进行配准，使其具有相同的空间参考和分辨率。 4. 影像变化检测：使用图像处理技术进行影像变化检测，常用的技术包括差异图像、比值图像、归一化差异植被指数（NDVI）等。 5. 反演分析：根据变化检测结果，结合地理信息系统（GIS）数据和地面调查等信息，对洪灾前后的大米产区进行反演分析，判断受灾程度和产量损失。 6. 结果评估：对反演结果进行评估和验证，可以通过实地调查和样本数据进行验证，分析反演结果的准确性和可靠性。 7. 结果可视化：将反演结果进行可视化展示，例如生成洪灾前后的大米产区变化图或统计图表，以便更直观地了解洪灾对大米产区的影响。

2024-06-13

GEE案例分析-利用Sentinel-1数据和SDWI 指数提取水域面积并下载（逐月巢湖水域提取）.pdf

要使用Sentinel-1数据提取水域面积并进行下载，可以按照以下处理过程进行操作： 1. 获取Sentinel-1数据：可以通过Copernicus Open Access Hub或Sentinel Data Hub等数据提供商获取Sentinel-1数据。这些数据提供商通常需要用户进行注册和登录。 2. 数据预处理：从Sentinel-1数据中提取水域面积之前，需要进行一些数据预处理。首先，将SAR图像校正为地表反射率或等效散射横截面积（sigma0）。这可以通过应用辐射定标和地平校正实现。此外，还可以对图像进行滤波来减少噪声。 3. SAR图像分割：使用适当的图像分割算法将水体与其他地物进行分割。常用的算法包括基于阈值的方法、基于区域的方法和基于图论的方法。选择适合的算法取决于具体的应用场景和数据特征。 4. 预测水域面积：根据分割后的水体区域，通过计算像素数量或区域面积来预测水域的面积。可以根据需要进行进一步的统计分析，如计算水体的形状指标或变化情况。 5. 下载结果：将提取的水域面积结果保存为图像文件或矢量文件，以便进一步分析和使用。

2024-06-03

ALOS-PALSAR-Product-Format-Description-Level-1-1.5.pdf

PALSAR（Phased Array type L-band Synthetic Aperture Radar）是日本宇宙航空研究开发机构（JAXA）开发的L波段合成孔径雷达（SAR）系统，搭载在ALOS（Advanced Land Observing Satellite，高级陆地观测卫星）上。PALSAR是全球首个商用L波段SAR系统，它提供了一种独特的遥感手段，用于地球观测。以下是PALSAR产品的一些关键特点： 1. **L波段的优势**：L波段雷达波具有较长的波长，能够穿透云层、雨雾和植被，因此PALSAR数据可以在任何天气条件下获取，几乎不受日照条件的限制。 2. **多极化观测**：PALSAR能够提供多种极化组合的数据，包括HH（水平发送/水平接收）、HV（水平发送/垂直接收）、VH（垂直发送/水平接收）和VV（垂直发送/垂直接收），这有助于分析不同的地表特征。 3. **高分辨率**：PALSAR提供不同分辨率的数据产品，能够满足从区域监测到详细地表特征分析的需求。 4. **多种成像模式**：PALSAR具备多种成像模式，如精细模式（Fine Mode）

2024-06-02

GEE案例分析-基于照明条件函数的Landsat C01单景影像的地形校正.pdf

地形校正地形校正是遥感和地理信息系统（GIS）领域中的一个术语，指的是对遥感数据进行的一种处理过程，目的是消除由于地形引起的误差，以便更准确地表示地表特征。这种校正是必要的，因为遥感数据（如卫星或航空摄影）通常是在不同的角度和高度上获取的，而地球表面是不规则的，这会导致数据中的畸变和误差。以下是地形校正的一些具体解释： 1. **原理**：地形校正的基本思想是利用已知的地形信息（如数字高程模型，DEM）来调整原始遥感图像，以模拟如果从正上方垂直拍摄时的图像。 2. **方法**：地形校正可以通过多种方法实现，包括但不限于： - **辐射校正**：调整图像数据以补偿地形引起的光照变化。 - **几何校正**：调整图像的几何形状，以反映真实的地表特征。 3. **目的**：地形校正的主要目的是为了提高数据的可用性和准确性，使得分析结果更加可靠。 4. **应用**：地形校正在多种应用中都非常重要，包括但不限于： - **土地覆盖分类**：确保不同地形上的相同类型土地被正确分类。 - **林业管理**：评估不同地形上的森林覆盖和健康状况。

2024-05-27

GEE教程-如何利用otsu大津法实现阈值的动态获取（含直方图统计）-以NBR指数为例（含代码）.pdf

本教程主要是利用大津法实现某研究去阈值的获取，这里以NBR指数来举例实现。大津法大津法（Otsu's method），也称为最大类间方差法，是一种用于图像处理和计算机视觉中的自动阈值选择技术。该方法由Nobuyuki Otsu在1979年提出，目的是将图像分割成前景和背景两部分，通过选择一个阈值将图像的直方图分为两个具有最小类内方差（最大化类间方差）的区域。以下是大津法的一些关键点： 1. **直方图统计**：首先计算图像的直方图，直方图显示了图像中每个像素强度值的出现频率。 2. **类内方差和类间方差**：对于每个可能的阈值，计算前景和背景的类内方差以及类间方差。类内方差衡量的是同一类别内像素值的分散程度，而类间方差衡量的是两个类别之间像素值的差异。 3. **最佳阈值选择**：通过遍历所有可能的阈值，选择使得类间方差最大（或类内方差最小）的阈值作为最佳阈值。这个阈值能够最好地区分前景和背景。 4. **应用**：大津法可以应用于二值化图像，也可以用来确定多阈值分割的最佳阈值。 5. **优点**：简单、计算效率高，适用于各种类型的图像，尤其是当图像的前景和背景

2024-05-24

2000 年至 2015 年中国三种主要农作物（即水稻、小麦和玉米）的 1km 网格农作物收获面积数据集

为了获取中国三大主粮作物长期以来的动态变化，本研究提出了一种新的基于物候学的作物测绘方法，基于GLASS LAI产品生成了2000-2015年三大主粮作物1 km作物收获面积数据集，即ChinaCropArea1 km。与县级农业统计数据相比，ChinaCropArea1 km 被证实具有高度一致性，基于物候学的方法是稳健可靠的。我们还基于作物分类图对全国范围内的误差（即 RRMSE）进行了量化，结果表明大部分地区的误差较小。论文名称：Identifying the spatiotemporal changes of annual harvesting areas for three staple crops in China by integrating multi-data sources

2024-05-24

GEE神经网络课程pptG4G23- Neural Networks.pdf

先决条件您必须注册才能使用地球引擎。您必须有访问云项目的权限：启用 API。创建并写入云存储桶。消耗计费资源。设置计费账户（如有必要）。警告！运行这些演示可能会对您的帐户产生费用！

2024-05-19

大气红外探测仪AIRS-V5-Tropospheric-CO2-Products.pdf

大气红外探测仪（AIRS）安装在美国宇航局 Aqua 卫星的太阳同步、近极轨道上，赤道当地上升交叉时间为当地太阳时 13:38；它是一个跨轨道扫描光栅光谱仪，覆盖 3.74 微米到 15.4 微米的光谱范围，有 2378 个通道，标称光谱分辨率（7/87）为 1200。由此产生的 AIRS 2 级产品包括这些云清除的红外辐射和大气温度 T(p)、水蒸气 H2O(p)和臭氧 O3(p)的检索剖面，名义空间分辨率为天底 45 公里。这种时变气候学是必要的，以确保在检索过程中，用于根据大气物理状态前向计算辐射的快速透射算法在整个任务期间保持线性状态。值得注意的是，这是实现这一预期结果的最简单的气候学，它不会给测量或检索带来季节或地理空间信号。

2024-05-13

GEE案例-广东省梅州市梅县区松口镇的梅江横山水灾监测（利用sentinel-1和大津法计算洪水时序面积）.pdf

2024年4月5日晚，广东省气象部门发布消息称，4月5日0时到20时，广东中北部出现了暴雨到大暴雨，其中从化吕田累计雨量最大达到225.7毫米。累计降水量达到大暴雨的地方还包括惠州龙门县永汉镇205.2毫米、清远佛冈县水头镇188.6毫米、韶关新丰县梅坑镇174.5毫米、河源东源县新回龙镇166.1毫米。Sentinel-1是欧洲空间局（ESA）的一颗雷达卫星，用于监测地球表面的变化和环境变化。它提供高分辨率的雷达影像数据，可以用于监测冰川、海洋、地壳变形、森林、城市等地区的变化。在GEE云平台实现广东省梅州市梅县区松口镇的梅江横山水灾监测（利用sentinel-1和大津法计算洪水时序面积）监测洪水范围，实现洪水面积监测并可以查看其洪水面积分布状态。以及动态的洪水灾害图

2024-05-12

AIRS Version 006 Products README.AIRS-V6.pdf

本README文件适用于大气红外探测器（AIRS）的第6版数据产品，包含有关AlRS产品的基本信息。更广泛的文档（包括本README中引用的所有文档）可从戈达德地球科学数据和信息服务中心（GES DISC）的AlRS文档页面获取。V6 Data Release User Guide（V6 数据发布用户指南）包含仪器和所有已发布数据产品的概述，还介绍了仪器套件，包括红外光谱仪 AIRS、可见光成像仪和两个微波辐射计：高级微波探测装置（AMSU）和巴西湿度探测仪（HSB）。AIRS 科学团队不断改进检索算法。在每个开发周期结束时，都会向 GES DISC 提供新版本的算法，以便对历史数据进行预处理和再处理。从第 5 版到第 6 版的变化摘要》中介绍了与第 5 版相比的变化，《AIRS/AMSU/HSB 第 6 版数据免责声明》中提供了新文件名、产品、留置和数据中断的列表，《第 6 版处理文件说明》中介绍了所有已发布的第 6 版产品。

2024-05-12

AIRS-CloudSat利用云分类的多传感器水蒸气气候数据.pdf

利用云分类的多传感器水蒸气气候数据记录文件数据集/任务仪器描述基本任务是汇集来自多个 "A-train "仪器（AIRS CloudSat）的水汽和云层属性检索，利用云层信息对每个 "场景"（仪器外观）进行分类，并按云层类别分层建立大气水汽随高度变化的合并多传感器气候学。这是一个大型科学分析项目，需要使用 HySDS（混合云科学数据系统）和 SciFlo 技术来发现和组织所有数据集，根据需要移动和缓存数据集，找到成对仪器之间的空间/时间 "匹配"，并扩大多年卫星数据的处理规模，以生成气候数据记录。

2024-05-11

利用GEE Colab实现研究区概况图的加载.ipynb

访问Google Colab：打开浏览器，访问 https://colab.research.google.com/。创建新Notebook：在Google Colab主页，点击“New Notebook”创建一个新的Python编程环境。安装Geemap库：在Notebook中运行!pip install geemap命令来安装Geemap库。授权GEE账户：使用import geemap后，运行geemap.eeAuthorize()来授权并连接到Google Earth Engine。定义研究区域：使用经纬度坐标或其他地理信息定义研究区的边界。添加遥感数据：选择并加载所需的遥感数据集，如Landsat或Sentinel图像。进行图像处理：对选定的遥感数据进行必要的图像处理，比如计算NDVI、EVI等植被指数。创建地图对象：使用Geemap创建一个地图对象，用于后续的图层添加和地图展示。添加图层：向地图对象中添加遥感图像和其他相关图层，如地形图、边界图等。地图定制：根据需要调整图层的显示参数，如透明度、颜色等。地图展示：利用Geemap提供的

2024-05-11

HSR-GEE：美国中部地区 1 米 GEE 陆面温度自动降尺度系统.pdf

摘要：基于遥感的地表温度（LST）数据集的降尺度对于城市供暖、灌溉调度、火山监测等多个研究领域至关重要。即使技术不断发展，特别是卫星传感器的空间、时间和光谱分辨率不断提高，全球卫星最多也只能提供 60 米的地表温度数据集。在本研究中，我们利用谷歌地球引擎（GEE）平台的海量计算能力和大型数据集目录，设计了一个 1 米全自动、开源和用户友好的 LST 降尺度系统，命名为高空间分辨率-GEE 或 HSR-GEE。该系统能够将 Landsat-8 LST 与国家农业成像计划（NAIP）图像相结合，降尺度为 1 米高空间分辨率 LST。 HSR-GEE 仅使用红、绿、蓝和近红外波段，采用了多种机器学习方法，包括稳健最小平方（RLS）、随机森林（RF）和支持向量机（SVM），并与两种常见的经典方法进行了比较：辐射表面温度分解程序（DisTrad）和热锐化（TsHARP）。我们利用美国多幅机载热图像验证了 HSR-GEE 的输出结果。RLS、RF、SVM、DisTrad 和 TsHARP 的 MAE 分别为 1.92C、2.53C、1.33C、3.42C 和 3.4C。通过www.Dee

2024-05-08

GEE案例分析-2019年3月30日四川省凉山州木里县雅砻江镇立尔村火灾面积分析.pdf

简介 2019年3月30日18时许，四川省凉山州木里县雅砻江镇立尔村发生森林火灾，着火点在海拔3800米左右，地形复杂、坡陡谷深，交通、通讯不便。 1212据凉山州人民政府新闻办公室消息，火场在雅砻江边上，距木里县车程6到7个小时，火场平均海拔4000米，多个火点均位于悬崖上。森林过火面积约为20公顷（0.2平方公里）。利用哨兵2号数据和Normalized Burn Ratio（NBR）指数进行火灾损失评估的具体流程如下： 1. 数据获取：获取哨兵2号卫星影像数据，可以从欧空局（European Space Agency）或其他相关网站下载。 2. 影像预处理：对获取的卫星影像数据进行预处理，包括辐射校正、大气校正和几何校正等，以确保数据质量。 3. NBR指数计算：根据以下公式计算NBR指数： NBR = (NIR - SWIR2) / (NIR + SWIR2) 其中，NIR表示近红外波段，SWIR2表示短波红外波段。 4. 火灾区域提取：根据NBR指数的阈值，将火灾区域从整个影像中提取出来。一般来说，低NBR值的区域代表火灾区域。 5. 火灾面积计算

2024-05-06

土壤湿度数据文件AMSR-E Aqua L2B Surface Soil Moisture, Ancillary.pdf

AMSR-E Aqua L2B土壤湿度数据技术手册土壤湿度是根据 AMSR-E/Aqua L2A 的亮度温度（T）测量值估算的，使用了两种不同的方法：归一化极化差算法（NPD）和单通道算法（SCA）。此外，还提供了辅助数据以帮助解释土壤水分观测结果，包括植被粗糙度、各种环境表面条件下的足迹计数以及质量保证标志。1.2 文件信息 1.2.1 格式 AMSR-E Level-2B 土壤水分数据由以分层数据格式-地球观测系统第 5 版（HDF-EOS5）存储的点数据组成。HDF-EOS5 是一种文件格式和软件库，用 NASA EOS 任务数据特有的约定、数据类型和元数据元素增强了标准 HDF5。1.2.2 文件内容在 HDF-EOS5 数据文件中，科学数据和文件属性等类似变量被组合在一起。陆地第 3 版科学数据存储在"/HDFEOS/POINTS/AMSR-E Level 2 Land Data/Data/"中名为 "Combined NPD and SCA Output Fields "的变量中：

2024-05-04

GEE训练-如何确定影像数据集多个指定时间范围的影像数量（sentinel-1数据为例）含全部代码.pdf

简介本次我们使用sentinel-1数据集对4个不同时间段的影像进行数据筛选，也就是确定指定范围内的数据集影像数量。这里我们用map函数来实现循环遍历指定数据数量统计分析。数据集 Sentinel-1是欧洲空间局（ESA）的一颗雷达卫星，用于进行地表观测。它的主要任务是提供高性能的雷达成像数据，用于监测地球表面的变化情况，例如土地使用变化、冰川变化、森林变化等。 Sentinel-1卫星于2014年4月发射并投入运营，主要提供C波段雷达数据，可以在任何天气条件下观测地表。它具有全天候、全季候和全球覆盖的能力，可以提供定期的、一致的数据集。 Sentinel-1数据集的特点包括以下几个方面： 1. 高分辨率：Sentinel-1的影像分辨率可达到5-20米，可以提供细致的地表信息。 2. 多模式观测：Sentinel-1可以以多种模式观测地表，包括成像模式和散射模式，可以适应不同的应用需求。 3. 多角度观测：Sentinel-1可以以多个观测角度观测地表，可以提供多角度的数据，用于研究地物特性。 4. 高重访频率：Sentinel-1可以以较高的重访频率观测地表，可以提供连续。

2024-05-04

GEE案例-1990-2023年计算某个区域的NDVI时序变化轨迹（以徐州市为例）含全部代码.pdf

简介我们在长时间序列的分析中，往往会根据影像时序的长短来进行分析，这里我们以NDVI指数进行长时序分析，来实现NDVI1990-2023年长时序的监测。时序监测时序监测是指通过对连续时间序列的遥感图像进行分析，以观察和监测地表特征、植被生长、环境变化等的动态变化过程。时序监测的核心思想是利用多个时间点的遥感数据，通过比较和分析不同时间点的图像，来获取目标地区的动态变化信息。时序监测可以使用各种遥感数据，包括多光谱、高光谱和雷达数据等。这些数据可以提供不同波段的信息，例如红外波段和可见光波段，以及不同频率和极化的雷达数据。时序监测的分析方法包括但不限于以下几种： 1. 变化检测：通过对不同时间点的遥感图像进行像元级别或对象级别的比较，检测地表特征的变化情况。这种方法可以用于监测城市扩张、森林砍伐、农田变化等。 2. 趋势分析：通过对多个时间点的遥感图像进行统计和分析，来识别和分析地表特征的趋势变化。这种方法可以用于监测植被生长、土地利用变化、水体面积的变化等。 3. 时间序列分析：通过对多个时间点的遥感数据进行时间序列分析，来提取目标地区的周期性变化、季节性变化等信

2024-04-30

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人