Google Earth Engine ——MCD64A1.006 MODIS Burned Area Monthly Global 500m第6版燃烧区数据产品

本文主要是介绍Google Earth Engine ——MCD64A1.006 MODIS Burned Area Monthly Global 500m第6版燃烧区数据产品,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Terra和Aqua结合的MCD64A1第6版燃烧区数据产品是每月一次的全球网格化500米产品,包含每像素的燃烧区和质量信息。MCD64A1烧毁面积绘图方法采用了500米MODIS表面反射图像和1公里MODIS主动火灾观测。该算法使用对燃烧敏感的植被指数(VI)来创建动态阈值,应用于综合数据。VI是由MODIS短波红外大气校正表面反射带5和7得出的,带有时间纹理的测量。该算法确定了每个单独的MODIS瓦片中的500米网格单元的燃烧日期。日期被编码在一个单一的数据层中,作为焚烧发生的日历年的序日,其值被分配给未焚烧的土地像素,并为缺失的数据和水网格单元保留额外的特殊值。

The Terra and Aqua combined MCD64A1 Version 6 Burned Area data product is a monthly, global gridded 500m product containing per-pixel burned-area and quality information. The MCD64A1 burned-area mapping approach employs 500m MODIS Surface Reflectance imagery coupled with 1km MODIS active fire observations. The algorithm uses a burn sensitive vegetation index (VI) to create dynamic thresholds that are applied to the composite data. The VI is derived from MODIS shortwave infrared atmospherically corrected surface reflectance bands 5 and 7 with a measure of temporal texture. The algorithm identifies the date of burn for the 500m grid cells within each individual MODIS tile. The date is encoded in a single data layer as the ordinal day of the calendar year on which the burn occurred, with values assigned to unburned land pixels and additional special values reserved for missing data and water grid cells.

Documentation:

  • User's Guide

  • Algorithm Theoretical Basis Document (ATBD)

  • General Documentationhttps://ladsweb.modaps.eosdis.nasa.gov/filespec/MODIS/6/MCD64A1

Dataset Availability

 2000-11-01T00:00:00 - 2021-07-01T00:00:00

Dataset Provider

NASA LP DAAC at the USGS EROS Center

Collection Snippet

Copied

ee.ImageCollection("MODIS/006/MCD64A1")

Tags

burnfiregeophysicalmodismcd64a1monthlyglobalusgsnasa

DESCRIPTIONBANDSTERMS OF USECITATIONSDOIS

Resolution

500 meters

Bands Table

NameDescriptionMinMax
BurnDateBurn day of year. Possible values: 0 (unburned), 1-366 (approximate Julian day of burning).0366
UncertaintyEstimated uncertainty in burn day0100
QAQuality assurance indicators
QA Bitmask
  • Bit 0: Land/water
    • 0: Water grid cell
    • 1: Land grid cell
  • Bit 1: Valid data flag. A value of 1 indicates that there was sufficient valid data in the reflectance time series for the grid cell to be processed. (NB Water grid cells will always have this bit clear.)
    • 0: Insufficient valid data
    • 1: Sufficient valid data
  • Bit 2: Shortened mapping period. This flag indicates that the period of reliable mapping does not encompass the full one-month product period, i.e., burns could not be reliably mapped over the full calendar month.
    • 0: Mapping period not shortened
    • 1: Mapping period shortened
  • Bit 3: Grid cell was relabeled during the contextual relabeling phase of the algorithm.
    • 0: Grid cell was not relabeled
    • 1: Grid cell was relabeled
  • Bit 4: Spare bit
    • 0: N/A
  • Bits 5-7: Special condition code reserved for unburned grid cells. This code provides an explanation for any grid cells that were summarily classified as *unburned* by the detection algorithm due to special circumstances.
    • 0: None or not applicable (i.e., burned, unmapped, or water grid cell).
    • 1: Valid observations spaced too sparsely in time.
    • 2: Too few training observations or insufficient spectral separability between burned and unburned classes.
    • 3: Apparent burn date at limits of time series.
    • 4: Apparent water contamination.
    • 5: Persistent hot spot.
    • 6: Reserved for future use.
    • 7: Reserved for future use.
FirstDayFirst day of the year of reliable change detection0366
LastDayLast day of the year of reliable change detection0366

 使用说明:

MODIS data and products acquired through the LP DAAC have no restrictions on subsequent use, sale, or redistribution.

通过LP DAAC获得的MODIS数据和产品对后续使用、销售或再分配没有限制。

引用:

LP DAAC - MCD12Q1LP DAAC - Land Processes Distributed Active Archive Center - Sioux Falls, SDhttps://doi.org/10.5067/MODIS/MCD12Q1.006

代码:

var dataset = ee.ImageCollection('MODIS/006/MCD64A1').filter(ee.Filter.date('2017-01-01', '2018-05-01'));
var burnedArea = dataset.select('BurnDate');
var burnedAreaVis = {min: 30.0,max: 341.0,palette: ['4e0400', '951003', 'c61503', 'ff1901'],
};
Map.setCenter(6.746, 46.529, 2);
Map.addLayer(burnedArea, burnedAreaVis, 'Burned Area');

这篇关于Google Earth Engine ——MCD64A1.006 MODIS Burned Area Monthly Global 500m第6版燃烧区数据产品的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/604153

相关文章

使用MongoDB进行数据存储的操作流程

《使用MongoDB进行数据存储的操作流程》在现代应用开发中,数据存储是一个至关重要的部分,随着数据量的增大和复杂性的增加,传统的关系型数据库有时难以应对高并发和大数据量的处理需求,MongoDB作为... 目录什么是MongoDB?MongoDB的优势使用MongoDB进行数据存储1. 安装MongoDB

Python MySQL如何通过Binlog获取变更记录恢复数据

《PythonMySQL如何通过Binlog获取变更记录恢复数据》本文介绍了如何使用Python和pymysqlreplication库通过MySQL的二进制日志(Binlog)获取数据库的变更记录... 目录python mysql通过Binlog获取变更记录恢复数据1.安装pymysqlreplicat

Linux使用dd命令来复制和转换数据的操作方法

《Linux使用dd命令来复制和转换数据的操作方法》Linux中的dd命令是一个功能强大的数据复制和转换实用程序,它以较低级别运行,通常用于创建可启动的USB驱动器、克隆磁盘和生成随机数据等任务,本文... 目录简介功能和能力语法常用选项示例用法基础用法创建可启动www.chinasem.cn的 USB 驱动

Oracle数据库使用 listagg去重删除重复数据的方法汇总

《Oracle数据库使用listagg去重删除重复数据的方法汇总》文章介绍了在Oracle数据库中使用LISTAGG和XMLAGG函数进行字符串聚合并去重的方法,包括去重聚合、使用XML解析和CLO... 目录案例表第一种:使用wm_concat() + distinct去重聚合第二种:使用listagg,

Python实现将实体类列表数据导出到Excel文件

《Python实现将实体类列表数据导出到Excel文件》在数据处理和报告生成中,将实体类的列表数据导出到Excel文件是一项常见任务,Python提供了多种库来实现这一目标,下面就来跟随小编一起学习一... 目录一、环境准备二、定义实体类三、创建实体类列表四、将实体类列表转换为DataFrame五、导出Da

Python实现数据清洗的18种方法

《Python实现数据清洗的18种方法》本文主要介绍了Python实现数据清洗的18种方法,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学... 目录1. 去除字符串两边空格2. 转换数据类型3. 大小写转换4. 移除列表中的重复元素5. 快速统

Python数据处理之导入导出Excel数据方式

《Python数据处理之导入导出Excel数据方式》Python是Excel数据处理的绝佳工具,通过Pandas和Openpyxl等库可以实现数据的导入、导出和自动化处理,从基础的数据读取和清洗到复杂... 目录python导入导出Excel数据开启数据之旅:为什么Python是Excel数据处理的最佳拍档

在Pandas中进行数据重命名的方法示例

《在Pandas中进行数据重命名的方法示例》Pandas作为Python中最流行的数据处理库,提供了强大的数据操作功能,其中数据重命名是常见且基础的操作之一,本文将通过简洁明了的讲解和丰富的代码示例,... 目录一、引言二、Pandas rename方法简介三、列名重命名3.1 使用字典进行列名重命名3.编

Python使用Pandas库将Excel数据叠加生成新DataFrame的操作指南

《Python使用Pandas库将Excel数据叠加生成新DataFrame的操作指南》在日常数据处理工作中,我们经常需要将不同Excel文档中的数据整合到一个新的DataFrame中,以便进行进一步... 目录一、准备工作二、读取Excel文件三、数据叠加四、处理重复数据(可选)五、保存新DataFram

使用Java解析JSON数据并提取特定字段的实现步骤(以提取mailNo为例)

《使用Java解析JSON数据并提取特定字段的实现步骤(以提取mailNo为例)》在现代软件开发中,处理JSON数据是一项非常常见的任务,无论是从API接口获取数据,还是将数据存储为JSON格式,解析... 目录1. 背景介绍1.1 jsON简介1.2 实际案例2. 准备工作2.1 环境搭建2.1.1 添加