Sentinel-2 命名规则(Naming Convention)

下述命名规则是2019年12月6日颁布的,自此之后的L1C级别产品都按照这个规则命名(其他级别的产品官网没说)。

下载下来的文件是个zip,解压后是个与zip同名的 '.SAFE' 文件。

MMM_MSIXXX_YYYYMMDDHHMMSS_Nxxyy_ROOO_Tnnmab_<Product Discriminator>.SAFE

MMM:S2A/S2B,表示卫星。

MSIXXX:表示产品级别。MSIL1C 表示 Level-1C 产品级别,MSIL2A 表示 Level-2A 产品级别。

YYYYMMDDHHMMSS:数据获取的开始时间(sensing time)

Nxxyy:Processing Baseline number

ROOO:Relative Orbit number

Tnnmab:Tile Number field,T之后是这一景影像的编号。Sentinel-2的数据处理是将一个大的UTM网格继续按照MGRS进一步划分。因此,每一景的编号规则为:nn表示和m表示UTM网格编号,ab表示这一景在对应UTM网格中的具体位置。具体介绍可见: 知乎 (zhihu.com)

Product Discriminator:15个字符,用于区分从相同数据中衍生出的不同的最终用户产品。

个人理解是这串字符应该是表示产品生产时间,至于为啥同一个数据要多次生产,原因很多,官网也没法总结。

比如下面这个例子:第一次生产的时候,左下角缺了一块,所以估计后面第二次生产是为了补全之前的缺失。使用的时候把这俩拼接一下,就能获取这一景的完整影像。

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
以下是一些示例代码,演示如何将 Sentinel-2 和 Sentinel-1 数据进行融合: 1. 利用Python的sentinelsat库下载Sentinel-2和Sentinel-1数据: ```python from sentinelsat import SentinelAPI, read_geojson, geojson_to_wkt # 登录sentinelsat账号 api = SentinelAPI('username', 'password', 'https://scihub.copernicus.eu/dhus') # 下载Sentinel-2数据 footprint = geojson_to_wkt(read_geojson('path/to/footprint.geojson')) products = api.query(footprint, platformname='Sentinel-2', cloudcoverpercentage=(0, 30), producttype='S2MSI1C') # 下载Sentinel-1数据 products = api.query(footprint, platformname='Sentinel-1', polarisationmode='VV VH', producttype='GRD', orbitdirection='ASCENDING') ``` 2. 使用Python的gdal库读取和处理Sentinel-1数据: ```python from osgeo import gdal # 读取Sentinel-1数据 s1_vv = gdal.Open('path/to/sentinel1_vv.tif') s1_vh = gdal.Open('path/to/sentinel1_vh.tif') # 将Sentinel-1数据转换为dB单位 s1_vv_db = 10 * np.log10(s1_vv.ReadAsArray()) s1_vh_db = 10 * np.log10(s1_vh.ReadAsArray()) # 对Sentinel-1数据进行滤波和校正 # ... # 将Sentinel-1数据重采样到Sentinel-2的分辨率 # ... # 将Sentinel-1数据和Sentinel-2数据进行融合 # ... ``` 3. 使用Python的scikit-image库将Sentinel-2和Sentinel-1数据进行融合: ```python from skimage import exposure # 将Sentinel-2数据进行拉伸和直方图匹配,使其与Sentinel-1数据的动态范围一致 s2_rgb = exposure.rescale_intensity(s2_rgb, in_range=(0, 0.3), out_range=(0, 1)) s2_rgb_matched = exposure.match_histograms(s2_rgb, s1_vv_db) # 将Sentinel-1数据和Sentinel-2数据进行加权融合 s1_weight = 0.6 s2_weight = 0.4 fused = (s1_weight * s1_vv_db + (1 - s1_weight) * s1_vh_db) * s2_weight + (1 - s2_weight) * s2_rgb_matched ``` 这只是一些示例代码,具体的融合方法和参数需要根据具体的应用场景进行调整和优化。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值