NASA数据集——1985-2015 年阿拉斯加和加拿大各地由大地遥感卫星得出的烧痕 dNBR

本文主要是介绍NASA数据集——1985-2015 年阿拉斯加和加拿大各地由大地遥感卫星得出的烧痕 dNBR,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!

简介

ABoVE: Landsat-derived Burn Scar dNBR across Alaska and Canada, 1985-2015

1985-2015 年阿拉斯加和加拿大各地由大地遥感卫星得出的烧痕 dNBR
本数据集包含以 30 米分辨率计算的差分归一化烧损率 (dNBR),这些烧损率是对 1985-2015 年期间发生在阿拉斯加和加拿大北极寒带和脆弱性实验 (ABoVE) 项目区域内的火灾烧损疤痕进行计算得出的。火灾周界来自阿拉斯加机构间协调中心 (AICC) 和加拿大自然资源部 (NRC) 的火灾发生数据集。只有面积大于 200 公顷的火灾才包括在内。利用 Landsat LEDAPS 表面反射图像对,从每个烧伤疤痕周围 5 公里缓冲区域内的 Landsat 5、7 和 8 烧伤前和烧伤后场景中得出每个烧伤疤痕 30 米像素分辨率的 dNBR。


在 1985-2015 年的每个火灾年份,每个烧伤疤痕都被分配了一个烧伤 ID(BID),烧伤疤痕中的每个 30 米像素都被分配了相应的 BID 值。BID 链接到一个单独的数据文件,其中包含具体的烧伤疤痕区域,并列出了用于计算该 BID 的 dNBR 的原始大地遥感卫星图像对。同样,在每个火灾年份,焚烧疤痕中的每个 30 米像素都会被分配一个大地遥感卫星图像对 ID(PID),表明该火灾年份用于计算该像素 dNBR 的原始大地遥感卫星图像对。PID 链接到包含原始大地遥感卫星图像信息的单独数据文件。

该数据集共有 4625 个数据文件。其中包括 4623 个 GeoTIFF(.tif)格式的 dNBR、BID 和 PID 数据文件,以及两个逗号分隔(.csv)格式的文件,其中使用了 BID 和 PID Landsat 场景数据。dNBR、BID 和 PID 数据以 ABoVE 30 米参考网格系统提供,并延伸至 128 个 ABoVE 网格瓦片。每个 dNBR 数据文件都有一个 BID 数据文件和一个 PID 数据文件,用于 ABoVE 域中每年(1985-2015 年)的烧痕数据。这两个 .csv 文件是 BID 和 PID 数据查找表。

该数据集包含对 1985-2015 年期间阿拉斯加和加拿大北极北方和脆弱性实验(ABoVE)项目区域内发生的火灾烧伤疤痕计算的 30 米分辨率差分归一化烧伤率(dNBR)。火灾周界来自阿拉斯加机构间协调中心 (AICC) 和加拿大自然资源部 (NRC) 的火灾发生数据集。只有面积大于 200 公顷的火灾才包括在内。每个烧伤疤痕的 30 米像素分辨率 dNBR 是利用 Landsat LEDAPS 表面反射图像对每个烧伤疤痕周围 5 公里缓冲区域内的 Landsat 5、7 和 8 烧伤前后场景得出的。

项目:北极-北方脆弱性实验

北极-北方脆弱性实验(ABoVE)是美国国家航空航天局(NASA)陆地生态计划的一项实地活动,于 2016 年至 2021 年期间在阿拉斯加和加拿大西部进行。ABoVE 的研究将基于实地的过程级研究与机载和卫星传感器获得的地理空间数据产品联系起来,为提高分析和建模能力奠定了基础,而分析和建模能力是了解和预测生态系统反应及社会影响所必需的。

致谢

本研究得到了美国宇航局陆地生态计划的资助,资助编号为 NNX13AK44G。

数据文件

Bh01v03Bh05v04Bh08v07Bh10v13Bh12v14
Bh01v04Bh05v05Bh08v08Bh10v14Bh12v15
Bh01v05Bh05v06Bh08v09Bh10v15Bh12v16
Bh01v06Bh06v01Bh08v10Bh10v16Bh13v08
Bh01v07Bh06v02Bh08v11Bh11v05Bh13v09
Bh02v02Bh06v03Bh08v13Bh11v06Bh13v10
Bh02v03Bh06v04Bh09v04Bh11v07Bh13v11
Bh02v04Bh06v05Bh09v05Bh11v08Bh13v12
Bh02v05Bh06v06Bh09v06Bh11v09Bh13v13
Bh02v06Bh06v07Bh09v07Bh11v10Bh13v14
Bh03v03Bh06v08Bh09v08Bh11v11Bh13v15
Bh03v04Bh07v02Bh09v09Bh11v12Bh14v08
Bh03v05Bh07v03Bh09v10Bh11v13Bh14v09
Bh03v06Bh07v04Bh09v11Bh11v14Bh14v10
Bh03v07Bh07v05Bh09v12Bh11v15Bh14v11
Bh04v01Bh07v06Bh09v13Bh11v16Bh14v12
Bh04v02Bh07v07Bh09v14Bh12v05Bh14v13
Bh04v03Bh07v08Bh10v05Bh12v06Bh14v14
Bh04v04Bh07v09Bh10v06Bh12v07Bh14v15
Bh04v05Bh07v10Bh10v07Bh12v08Bh15v11
Bh04v06Bh08v02Bh10v08Bh12v09Bh15v12
Bh04v07Bh08v03Bh10v09Bh12v10Bh15v13
Bh05v01Bh08v04Bh10v10Bh12v11Bh15v14
Bh05v02Bh08v05Bh10v11Bh12v12Bh15v15
Bh05v03Bh08v06Bh10v12Bh12v13Bh16v11
Bh16v12
Bh16v13
Bh16v14

空间分辨率: 30-m

时间覆盖范围: 1985-01-01 至 2015-12-31

时间分辨率:每年

研究区域(所有经纬度均以十进制度表示)

SiteWesternmost LongitudeEasternmost LongitudeNorthernmost LatitudeSouthernmost Latitude
Alaska and Canada-168.4236111- 101.745555671.3558333350.25417

数据文件信息


本数据集共有 4625 个数据文件。其中包括 4623 个 GeoTIFF(.tif)格式的 dNBR、BID 和 PID 数据文件,以及两个逗号分隔格式(.csv)的文件,其中包含用于计算每个火灾年份和 ABoVE 网格瓦片中每个像素的 dNBR 的原始 Landsat 成对图像信息。

为每个火灾年份的每个烧伤疤痕计算 dNBR 值

大地遥感卫星图像对 ID (PID) 文件显示了用于计算每个火灾年份中每个像元的 dNBR 的原始大地遥感卫星图像对。
BID 文件包含每个火灾年份中每个火烧疤的烧伤 ID (BID)。每个 BID 都是以 XYYYY 形式分配给单个火烧疤的唯一 4 位数字。其中 X 为 1 或 2,分别代表来自 AICC 或 NRC 的烧伤疤痕,YYY 为三位数 ID,是一个火灾年份中特定烧伤疤痕的唯一标识符。

文件按照以下命名规则命名:ABoVE.XXX.YYYY.BhZvZ.003.proddatetime.tif

其中

  • ABoVE - 指活动
  • XXX - 指文件产品类型:dNBR、PID 或 BID
  • YYYY - 指烧毁年份:1985 - 2015
  • BhZvZ--指网格 B 瓦片 ID,其中 "Z "是一个数字(见图 2,ABOVE 网格,以及 Loboda 等人,2017 年)
  • 003 - 指产品版本
  • proddatetime - 指生产日期和时间(YYYYDDDHHMMSS)

 

GeoTiff files

Table 1. Properties of the GeoTIFF files

File typeData TypeValid Range (min to max)Fill value
dNBR16-bit signed integer-2999 to 2993-3000
BID16-bit signed integer1000 to 30000
PID16-bit signed integer0 to 2420

每个烧伤疤痕都有一个烧伤 ID(BID),烧伤疤痕中的每个 30 米像素都有相应的 BID 值。

该文件(*.csv)提供了火灾疤痕的面积、燃烧前和燃烧后的路径/行、年份以及研究中使用的 Landsat 图像的日期。YYYY = 1985-2015 年间的年份。

文件名示例:dNBR_reference_table_YYYY_BID.csv

BID 文件信息

Column HeadingUnits/formatDescription
fire_yearYYYYYear of fire from AICC and NRC sources
BIDXYYYBID is a unique 4-digit number assigned to an individual burn scar in the form of XYYY.  Where X is 1 or 2, representing burn scars from AICC or NRC sources, respectively. YYY is a three-digit ID unique identifier for a given burn scar within a fire year.
regionAlaska or Canada
area_hahaBurn scar area
satellite_pre-burn_pair1Landsat 5, Landsat 7, or Landsat 8
path_row_pre-burn_pair1PPPRRRPath/Row of Landsat pre-burn image used to calculate the dNBR. Note leading zero.
image_year_pre-burn_pair1YYYYYear pre-burn image acquired
image_julian_date_pre-burn_pair1DDDJulian date pre-burn image acquired
image_cal_date_pre-burn_pair1DD/MM/YYYYCalendar date pre-burn image acquired
satellite_post-burn_pair1Landsat 5, Landsat 7, or Landsat 8
path_row_post-burn_pair1PPPRRRPath/Row of Landsat post-burn image used to calculate the dNBR 
image_year_post-burn_pair1YYYYYear post-burn image acquired
image_julian_date_post-burn_pair1DDDJulian date post-burn image acquired
image_cal_date_post-burn_pair1DD/MM/YYYYCalendar date post-burn image acquired
satellite_pre-burn_pair2Landsat 5, Landsat 7, or Landsat 8
path_row_pre-burn_pair2PPPRRRPath/Row of Landsat pre-burn image used to calculate the dNBR. Note leading zero.
image_year_pre-burn_pair2YYYYYear pre-burn image acquired
image_julian_date_pre-burn_pair2DDDJulian date pre-burn image acquired
image_cal_date_pre-burn_pair2DD/MM/YYYYCalendar date pre-burn image acquired
satellite_post-burn_pair2Landsat 5, Landsat 7, or Landsat 8
path_row_post-burn_pair2PPPRRRPath/Row of Landsat post-burn image used to calculate the dNBR. Note leading zero.
image_year_post-burn_pair2YYYYYear post-burn image acquired
image_julian_date_post-burn_pair2DDDJulian date post-burn image acquired
image_cal_date_post-burn_pair2DD/MM/YYYYCalendar date post-burn image acquired
Notes

大地遥感卫星图像对 ID (PID)

在每个火灾年份,烧伤疤痕中的每个 30 米像素都有一个大地遥感卫星图像对 ID(PID),表明该火灾年份用于计算该像素 dNBR 的原始大地遥感卫星图像对。1984 年的大地遥感卫星图像也用于计算 1985 年的 GeoTIFFs,并包含在文件中;没有 1984 年的数据文件。

该文件(*.csv)提供了从分配的大地遥感卫星图像对 ID(PID)到研究中使用的大地遥感卫星图像的燃烧前和燃烧后路径、行、年份和日期的交叉参考。YYYY=1985-2015年间的年份。

文件名示例:dNBR_reference_table_YYYY_PID.csv DD/MM/YYYY

PID文件信息

Column HeadingUnits/formatDescription
image_year_pre-burnYYYYYear pre-burn image acquired
PIDIn each fire year, every 30-m pixel in a burn scar was assigned a Landsat image pair ID (PID), indicating the original Landsat image pair that was used to calculate the dNBR in that pixel for that fire year.
landsat_pre-burnLandsat 5, Landsat 7, or Landsat 8
path_row_pre-burnPPPRRRPath/Row of Landsat pre-burn image used to calculate the dNBR. Note leading zero.
image_julian_date_pre-burnDDDJulian date pre-burn image acquired
image_cal_date_pre-burnDD/MM/YYYYCalendar date pre-burn image acquired
landsat_post-burnLandsat 5, Landsat 7, or Landsat 8
path_row_post-burnPPPRRRPath/Row of Landsat post-burn image used to calculate the dNBR. Note leading zero.
image_year_post-burnYYYYYear post-burn image acquired
image_julian_date_post-burnDDDJulian date post-burn image acquired
image_cal_date_post-burnDD/MM/YYYYCalendar date post-burn image acquired

数据获取材料和方法

差分归一化烧毁率(dNBR)是对 1985-2015 年期间阿拉斯加和加拿大北极寒带脆弱性实验(ABoVE)项目区域内发生的火灾中的每个烧痕进行计算得出的。火灾周界来自阿拉斯加机构间协调中心 (AICC; https://fire.ak.blm.gov/) 和加拿大自然资源部 (NRC; https://www.nrcan.gc.ca/) 数据集。只有 ABoVE 核心区域内面积大于 200 公顷的燃烧才被包括在内。

每年的 dNBR 数据来自燃烧前和燃烧后的 Landsat 5 号、7 号和 8 号卫星上的燃烧疤痕场景。本研究中使用的火灾前和火灾后产品来自 Landsat 5 专题成像仪 (TM)、Landsat 7 增强型专题成像仪增强版 (ETM+) 和 Landsat 8 业务陆地成像仪 (OLI)/ 热红外传感器 (TIRS)。

将年度 dNBR 数据网格化为 ABoVE 30 米网格系统,从而得到 128 个网格瓦片,其中包含研究期间的烧伤疤痕和衍生 dNBR。数据文件包括 ABoVE 的具体网格名称和年份。

焚烧前和焚烧后图像选择

焚烧前和焚烧后图像的选择基于以下标准:

图像必须包含极少量的云层和燃烧疤痕内的云影。
燃烧前和燃烧后图像可有以下组合:OLI-OLI、TM-TM、ETM+-ETM+、TM-ETM+、ETM+-TM。由于 OLI 和先前传感器的波段范围不同,OLI 和非 OLI 图像的组合被排除在外。
焚烧前(后)图像的首选采集日期是根据以下策略选定的:火灾发生前(后)当年的 5 月中旬至 6 月下旬 > 火灾发生前(后)当年的 7 月初至 9 月中(开始下雪前) > 火灾发生前(后)当年的无雪图像。
阿拉斯加上空的 "烧伤严重程度趋势监测"(MTBS; https://www.mtbs.gov/)图像对被用作阿拉斯加烧伤疤痕上空所选 Landsat 图像对的基础;但是,任何不符合我们标准的 MTBS 图像对都会被删除,并选择新的图像对(另请参阅配套文件 ABoVE_Burn_Severity_Product_Users_Guide.pdf)。

数据链接

ABoVE: Landsat-derived Burn Scar dNBR across Alaska and Canada, 1985-2015, https://doi.org/10.3334/ORNLDAAC/1564

代码

!pip install leafmap
!pip install pandas
!pip install folium
!pip install matplotlib
!pip install mapclassifyimport pandas as pd
import leafmapurl = "https://github.com/opengeos/NASA-Earth-Data/raw/main/nasa_earth_data.tsv"
df = pd.read_csv(url, sep="\t")
dfleafmap.nasa_data_login()results, gdf = leafmap.nasa_data_search(short_name="ABoVE_Fire_Severity_dNBR_1564",cloud_hosted=True,bounding_box=(-168.42, 50.25, -101.74, 71.36),temporal=("2010-01-15", "2010-05-28"),count=-1,  # use -1 to return all datasetsreturn_gdf=True,
)gdf.explore()#leafmap.nasa_data_download(results[:5], out_dir="data")

引用

Loboda, T.V., D. Chen, J.V. Hall, and J. He. 2018. ABoVE: Landsat-derived Burn Scar dNBR across Alaska and Canada, 1985-2015. ORNL DAAC, Oak Ridge, Tennessee, USA. ABoVE: Landsat-derived Burn Scar dNBR across Alaska and Canada, 1985-2015, https://doi.org/10.3334/ORNLDAAC/1564

网址推荐

机器学习

前言 – 人工智能教程

地图应用制作

Mapmost login

这篇关于NASA数据集——1985-2015 年阿拉斯加和加拿大各地由大地遥感卫星得出的烧痕 dNBR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/815172

相关文章

SpringBoot分段处理List集合多线程批量插入数据方式

《SpringBoot分段处理List集合多线程批量插入数据方式》文章介绍如何处理大数据量List批量插入数据库的优化方案:通过拆分List并分配独立线程处理,结合Spring线程池与异步方法提升效率... 目录项目场景解决方案1.实体类2.Mapper3.spring容器注入线程池bejsan对象4.创建

PHP轻松处理千万行数据的方法详解

《PHP轻松处理千万行数据的方法详解》说到处理大数据集,PHP通常不是第一个想到的语言,但如果你曾经需要处理数百万行数据而不让服务器崩溃或内存耗尽,你就会知道PHP用对了工具有多强大,下面小编就... 目录问题的本质php 中的数据流处理:为什么必不可少生成器:内存高效的迭代方式流量控制:避免系统过载一次性

C#实现千万数据秒级导入的代码

《C#实现千万数据秒级导入的代码》在实际开发中excel导入很常见,现代社会中很容易遇到大数据处理业务,所以本文我就给大家分享一下千万数据秒级导入怎么实现,文中有详细的代码示例供大家参考,需要的朋友可... 目录前言一、数据存储二、处理逻辑优化前代码处理逻辑优化后的代码总结前言在实际开发中excel导入很

MyBatis-plus处理存储json数据过程

《MyBatis-plus处理存储json数据过程》文章介绍MyBatis-Plus3.4.21处理对象与集合的差异:对象可用内置Handler配合autoResultMap,集合需自定义处理器继承F... 目录1、如果是对象2、如果需要转换的是List集合总结对象和集合分两种情况处理,目前我用的MP的版本

GSON框架下将百度天气JSON数据转JavaBean

《GSON框架下将百度天气JSON数据转JavaBean》这篇文章主要为大家详细介绍了如何在GSON框架下实现将百度天气JSON数据转JavaBean,文中的示例代码讲解详细,感兴趣的小伙伴可以了解下... 目录前言一、百度天气jsON1、请求参数2、返回参数3、属性映射二、GSON属性映射实战1、类对象映

C# LiteDB处理时间序列数据的高性能解决方案

《C#LiteDB处理时间序列数据的高性能解决方案》LiteDB作为.NET生态下的轻量级嵌入式NoSQL数据库,一直是时间序列处理的优选方案,本文将为大家大家简单介绍一下LiteDB处理时间序列数... 目录为什么选择LiteDB处理时间序列数据第一章:LiteDB时间序列数据模型设计1.1 核心设计原则

Java+AI驱动实现PDF文件数据提取与解析

《Java+AI驱动实现PDF文件数据提取与解析》本文将和大家分享一套基于AI的体检报告智能评估方案,详细介绍从PDF上传、内容提取到AI分析、数据存储的全流程自动化实现方法,感兴趣的可以了解下... 目录一、核心流程:从上传到评估的完整链路二、第一步:解析 PDF,提取体检报告内容1. 引入依赖2. 封装

MySQL中查询和展示LONGBLOB类型数据的技巧总结

《MySQL中查询和展示LONGBLOB类型数据的技巧总结》在MySQL中LONGBLOB是一种二进制大对象(BLOB)数据类型,用于存储大量的二进制数据,:本文主要介绍MySQL中查询和展示LO... 目录前言1. 查询 LONGBLOB 数据的大小2. 查询并展示 LONGBLOB 数据2.1 转换为十

使用SpringBoot+InfluxDB实现高效数据存储与查询

《使用SpringBoot+InfluxDB实现高效数据存储与查询》InfluxDB是一个开源的时间序列数据库,特别适合处理带有时间戳的监控数据、指标数据等,下面详细介绍如何在SpringBoot项目... 目录1、项目介绍2、 InfluxDB 介绍3、Spring Boot 配置 InfluxDB4、I

Java整合Protocol Buffers实现高效数据序列化实践

《Java整合ProtocolBuffers实现高效数据序列化实践》ProtocolBuffers是Google开发的一种语言中立、平台中立、可扩展的结构化数据序列化机制,类似于XML但更小、更快... 目录一、Protocol Buffers简介1.1 什么是Protocol Buffers1.2 Pro