GEE数据集——MOD13A1.006Terra星搭载的中分辨率成像光谱仪获取的L3级植被指数产品

本文主要是介绍GEE数据集——MOD13A1.006Terra星搭载的中分辨率成像光谱仪获取的L3级植被指数产品,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!

数据名称:

MOD13A1.006

Modis

16天

Terra

500m

数据来源:

NASA

时空范围:

2000-2022年

空间范围:

全国

波段

名称波段单位最小值最大值比例因子波长描述
NDVIB1NDVI-2000100000.0001Normalized Difference Vegetation Index
EVIB2EVI-2000100000.0001Enhanced Vegetation Index
VIQB3Bit FieldVI quality indicators
RRB40100000.0001645nmRed surface reflectance
NIRRB50100000.0001858nmNIR surface reflectance
BRB60100000.0001469nmBlue surface reflectance
MIRRB70100000.00012130nm/2105-2155nmMIR surface reflectance
VZAB8Degree0180000.01View zenith angle
SZAB90180000.01Solar zenith angle
RAAB10-18000180000.01Relative azimuth angle
CDOYB11Julian day1366Julian day of year
PRB12RankQuality reliability of VI pixel

数据简介:

MOD13A1 V6数据集是由Terra星搭载的中分辨率成像光谱仪获取的L3级植被指数产品,空间分辨率为500米,具备两个主要的植被层,分别是栅格归一化植被指数(NDVI)和增强型植被指数(EVI)。产品遵循低云、低视角和最高NDVI/EVI值的原则,从获取的16天数据中选择最佳值作为影像的像素值。可用于检测植被状态和土地覆盖利用变化,并且,能够进一步用于生物化学、水循环过程和全球及区域性的气候研究,还有LAI、GPP等参数的反演。前言 – 人工智能教程

V6Terra星搭载的中分辨率成像光谱仪(MOD13A1)是一种用于获取地球植被指数的传感器。该传感器通过对地球表面的光谱信息进行观测和记录,能够提供高质量的L3级植被指数产品,为地球科学研究和生态环境监测提供了重要的数据支持。

L3级植被指数产品是通过对MODIS传感器获取的遥感数据进行处理和分析得到的。MOD13A1产品主要包括三个指标:归一化差异植被指数(NDVI)、归一化差异水体指数(NDWI)和归一化差异建筑物指数(NDWI)。

其中,归一化差异植被指数(NDVI)是衡量地表植被覆盖程度和活力的重要指标。NDVI的计算公式为(NIR - RED)/ (NIR + RED),其中NIR表示近红外波段的反射率,RED表示红光波段的反射率。NDVI的数值范围在-1到1之间,数值越高表示地表植被覆盖越多,数值越低表示植被覆盖越少。通过监测NDVI的变化,可以提供有关植被开花、叶片生长和植物胁迫状况的信息。

归一化差异水体指数(NDWI)是用于评估地表水体分布的指标。NDWI的计算公式为(NIR - SWIR)/ (NIR + SWIR),其中NIR表示近红外波段的反射率,SWIR表示短波红外波段的反射率。NDWI的数值范围从-1到1,数值越高表示地表水体分布越密集,数值越低表示水体分布越稀疏。通过监测NDWI的变化,可以提供有关水体资源分布和蓄水情况的信息。

归一化差异建筑物指数(NDBI)是用于评估建筑物分布密度的指标。NDBI的计算公式为(SWIR - NIR)/ (SWIR + NIR),其中SWIR表示短波红外波段的反射率,NIR表示近红外波段的反射率。NDBI的数值范围从-1到1,数值越高表示建筑物分布越密集,数值越低表示建筑物分布越稀疏。通过监测NDBI的变化,可以提供有关城市建设和土地利用的信息。

V6Terra星搭载的中分辨率成像光谱仪获取的L3级植被指数产品具有以下特点:

  1. 高时空分辨率:MOD13A1产品提供的植被指数数据具有250米的空间分辨率和16天的时间分辨率,可以提供详细的植被覆盖和水体分布的信息,适用于不同尺度的研究和监测需求。

  2. 高质量数据:V6Terra星搭载的中分辨率成像光谱仪通过高精度的光谱观测和数据处理算法,可以提供高质量的植被指数产品。这些产品经过严格的校正和验证,能够准确反映地表植被、水体和建筑物的分布情况。

  3. 多指标综合分析:MOD13A1产品包括了归一化差异植被指数(NDVI)、归一化差异水体指数(NDWI)和归一化差异建筑物指数(NDWI)三个指标,能够提供多层次、多维度的地表信息。这些指标可以综合分析,为地球科学研究和生态环境监测提供全面的数据支持。

总之,V6Terra星搭载的中分辨率成像光谱仪获取的L3级植被指数产品是一项重要的遥感技术应用。这些产品能够提供高质量、高时空分辨率的植被、水体和建筑物信息,为地球科学研究和生态环境监测提供了重要的数据支持。

引用代码:

MODIS/006/MOD13A1

 代码

/*** @File    :   MOD13A1.006* @Time    :   2023/06/06* @Author  :   GEOVIS Earth Brain* @Version :   0.1.0* @Contact :   中国(安徽)自由贸易试验区合肥市高新区望江西路900号中安创谷科技园一期A1楼36层* @License :   (C)Copyright 中科星图数字地球合肥有限公司 版权所有* @Desc    :  数据集key为MODIS/006/MOD13A1的MOD13A1.006类数据集  * @Name    :   MOD13A1.006数据集
*/
//指定检索数据集,可设置检索的空间和时间范围,以及属性过滤条件
var imageCollection = gve.ImageCollection("MODIS/006/MOD13A1").filterDate('2021-01-16','2021-01-31').select(['NDVI']).limit(10);print("imageCollection",imageCollection);var img = imageCollection.first();print("first", img);var visParams = {
//    gamma: 1,
//    brightness: 1,min: 0,max: 9000,palette: {"band_rendering": {"pseudocolor": {"colormap": ['#FCD163','#66A000','#3E8601','#004C00','#023B01']}}}
};Map.centerObject(img);
Map.addLayer(img,visParams);

通过LP DAAC获得的MODIS数据和产品在后续使用,销售或再分发没有任何限制,具体请参阅https://lpdaac.usgs.gov/data/data-citation-and-policies/ 

这篇关于GEE数据集——MOD13A1.006Terra星搭载的中分辨率成像光谱仪获取的L3级植被指数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/654653

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展,我们的业务数据越来越多,单纯使用 MySQL 已经不能满足我们的数据查询需求,例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后,随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步,我们目前的解决方案是建立数据中间表。把需要检索的业务数据,统一放到一张M

关于数据埋点,你需要了解这些基本知识

产品汪每天都在和数据打交道,你知道数据来自哪里吗? 移动app端内的用户行为数据大多来自埋点,了解一些埋点知识,能和数据分析师、技术侃大山,参与到前期的数据采集,更重要是让最终的埋点数据能为我所用,否则可怜巴巴等上几个月是常有的事。   埋点类型 根据埋点方式,可以区分为: 手动埋点半自动埋点全自动埋点 秉承“任何事物都有两面性”的道理:自动程度高的,能解决通用统计,便于统一化管理,但个性化定

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

异构存储(冷热数据分离)

异构存储主要解决不同的数据,存储在不同类型的硬盘中,达到最佳性能的问题。 异构存储Shell操作 (1)查看当前有哪些存储策略可以用 [lytfly@hadoop102 hadoop-3.1.4]$ hdfs storagepolicies -listPolicies (2)为指定路径(数据存储目录)设置指定的存储策略 hdfs storagepolicies -setStoragePo

Hadoop集群数据均衡之磁盘间数据均衡

生产环境,由于硬盘空间不足,往往需要增加一块硬盘。刚加载的硬盘没有数据时,可以执行磁盘数据均衡命令。(Hadoop3.x新特性) plan后面带的节点的名字必须是已经存在的,并且是需要均衡的节点。 如果节点不存在,会报如下错误: 如果节点只有一个硬盘的话,不会创建均衡计划: (1)生成均衡计划 hdfs diskbalancer -plan hadoop102 (2)执行均衡计划 hd

【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯,先赞后看哦~🎈🎈 🏆 作者简介:景天科技苑 🏆《头衔》:大厂架构师,华为云开发者社区专家博主,阿里云开发者社区专家博主,CSDN全栈领域优质创作者,掘金优秀博主,51CTO博客专家等。 🏆《博客》:Python全栈,前后端开发,小程序开发,人工智能,js逆向,App逆向,网络系统安全,数据分析,Django,fastapi

烟火目标检测数据集 7800张 烟火检测 带标注 voc yolo

一个包含7800张带标注图像的数据集,专门用于烟火目标检测,是一个非常有价值的资源,尤其对于那些致力于公共安全、事件管理和烟花表演监控等领域的人士而言。下面是对此数据集的一个详细介绍: 数据集名称:烟火目标检测数据集 数据集规模: 图片数量:7800张类别:主要包含烟火类目标,可能还包括其他相关类别,如烟火发射装置、背景等。格式:图像文件通常为JPEG或PNG格式;标注文件可能为X

pandas数据过滤

Pandas 数据过滤方法 Pandas 提供了多种方法来过滤数据,可以根据不同的条件进行筛选。以下是一些常见的 Pandas 数据过滤方法,结合实例进行讲解,希望能帮你快速理解。 1. 基于条件筛选行 可以使用布尔索引来根据条件过滤行。 import pandas as pd# 创建示例数据data = {'Name': ['Alice', 'Bob', 'Charlie', 'Dav

SWAP作物生长模型安装教程、数据制备、敏感性分析、气候变化影响、R模型敏感性分析与贝叶斯优化、Fortran源代码分析、气候数据降尺度与变化影响分析

查看原文>>>全流程SWAP农业模型数据制备、敏感性分析及气候变化影响实践技术应用 SWAP模型是由荷兰瓦赫宁根大学开发的先进农作物模型,它综合考虑了土壤-水分-大气以及植被间的相互作用;是一种描述作物生长过程的一种机理性作物生长模型。它不但运用Richard方程,使其能够精确的模拟土壤中水分的运动,而且耦合了WOFOST作物模型使作物的生长描述更为科学。 本文让更多的科研人员和农业工作者