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

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