NASA数据集——非洲加蓬上空的回波能量波形、高程数据和地理标记图像V001版本

最新推荐文章于 2024-05-16 08:00:00 发布

此星光明

最新推荐文章于 2024-05-16 08:00:00 发布

阅读量1k

点赞数 21

分类专栏： NASA 文章标签： nasa 数据集加蓬非洲高程雷达地表

本文链接：https://blog.csdn.net/qq_31988139/article/details/138524625

版权

NASA 专栏收录该内容

154 篇文章 0 订阅

订阅专栏

数据英文名称

AfriSAR LVIS L1B Geolocated Return Energy Waveforms V001

AfriSAR LVIS L2 Geolocated Surface Elevation Product V001

AfriSAR LVIS L1A Geotagged Images V001

简介

该数据集包含非洲加蓬上空的回波能量波形数据。测量数据由美国国家航空航天局的陆地、植被和冰雪传感器（LVIS）采集，这是一种机载激光雷达扫描激光测高仪。这些数据是美国国家航空航天局（NASA）与欧洲航天局（ESA）的非洲合成孔径雷达（AfriSAR）任务合作收集的。

该数据集包含非洲加蓬上空的地表高程数据。测量数据由 NASA 陆地、植被和冰雪传感器（LVIS）采集，这是一种机载激光雷达扫描激光测高仪。这些数据是美国国家航空航天局（NASA）与欧洲航天局（ESA）的非洲合成孔径雷达（AfriSAR）任务合作收集的。

该数据集包含在非洲加蓬上空采集的地理标记图像。这些图像由 NASA 数字测绘相机与机载激光雷达扫描激光测高仪--土地、植被和冰雪传感器（LVIS）配对拍摄。这些数据是美国国家航空航天局与欧洲空间局（ESA）的非洲合成孔径雷达（AfriSAR）任务合作收集的。

AfriSAR LVIS L1B Geolocated Return Energy Waveforms V001数据是由NASA（美国国家航空航天局）开展的AfriSAR项目收集的数据。LVIS指的是Land, Vegetation, and Ice Sensor，它是一款用于激光高程测量和地形建模的仪器。LVIS可以测量地球表面的返回能量波形，以获取关于地形和地貌特征的信息。

该数据集提供了AfriSAR项目期间在非洲收集的LVIS仪器返回的能量波形数据。这些波形数据是以地理定位的形式提供的，因此可以准确地标记出来。这使得用户可以使用这些数据进行地形建模、地貌分析和环境研究等应用。

AfriSAR LVIS L1B Geolocated Return Energy Waveforms V001数据集包含的信息有：
- 激光波形的返回能量
- 波形的地理位置（经度、纬度和高程）
- 波形的时间戳

这些数据对于研究非洲地区的植被分布、地形特征和环境变化等问题非常有用。然而，由于数据的复杂性和需要专业知识进行分析，使用者需要具备相关领域的知识和技能才能充分利用这些数据。

参数：传感器数量
平台：飞机、B-200、C-130、DC-8、G-V、HU-25C、P-3B、RQ-4
传感器：高度计、激光、LVIS
数据格式： HDF5
时间覆盖范围：2016 年 2 月 20 日至 2016 年 3 月 8 日
时间分辨率：
空间分辨率：
空间参照系统：WGS 84EPSG:4326
空间覆盖范围：
N:1S:-2E:12W:8

代码

!pip install leafmap
!pip install pandas
!pip install folium
!pip install matplotlib
!pip install mapclassify
 
import pandas as pd
import leafmap
 
url = "https://github.com/opengeos/NASA-Earth-Data/raw/main/nasa_earth_data.tsv"
df = pd.read_csv(url, sep="\t")
df
 
leafmap.nasa_data_login()
 
 
results, gdf = leafmap.nasa_data_search(
    short_name="AFLVIS1B",
    cloud_hosted=True,
    bounding_box=(8.0, -2.0, 12.0, 1.0),
    temporal=("2016-02-01", "2016-03-08"),
    count=-1,  # use -1 to return all datasets
    return_gdf=True,
)
 
 
gdf.explore()
 
#leafmap.nasa_data_download(results[:5], out_dir="data")