Landsat 8 Landsat8 Collection2表面反射率数据

2024-03-27 09:12

本文主要是介绍Landsat 8 Landsat8 Collection2表面反射率数据,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

Landsat8 Collection2表面反射率数据,属Collection2二级数据产品,分辨率为30米,基于陆地表面反射率代码(LaSRC)(版本1.5.0)生成,该算法利用沿海气溶胶波段进行气溶胶反演测试,还利用了MODIS的辅助气候数据和独特的辐射传输模型。
此外,LaSRC算法将观测天顶角硬编码为“0”,太阳天顶角和观测天顶角作为大气校正的一部分参与计算。

Landsat 8 Collection 2 Surface Reflectance Data 是一种由美国地质调查局(USGS)提供的遥感数据产品,用于监测和研究地球表面的反射率。该数据集基于Landsat 8 OLI(Operational Land Imager)传感器收集的遥感图像,并经过大量的预处理和校正,以提供具有较高质量和一致性的表面反射率数据。

Landsat 8 Collection 2 Surface Reflectance Data 提供了对地球表面的多波段、多时期遥感影像进行处理和校正后的结果。这些影像包括可见光、近红外、红外和短波红外波段,可以用于监测陆地、水域和大气的变化、研究植被生长和覆盖、土地利用和土地覆盖分类等应用。

Landsat 8 Collection 2 Surface Reflectance Data 还提供了一些附加的衍生产品,如植被指数(如NDVI和EVI)、地表温度数据等。这些衍生产品可以用于进一步的地表研究和分析。

Landsat 8 Collection 2 Surface Reflectance Data 可以免费获取,并且可以通过USGS的EarthExplorer网站或其他相关的数据下载平台获得。数据以GeoTIFF格式存储,并可以与地理信息系统(GIS)软件进行集成和分析。

数据集ID: 

LC08/02/SR

时间范围: 2013年03月-现在

范围: 全国

来源: USGS

复制代码段: 

var images = pie.ImageCollection("LC08/02/SR")

波段

名称单位类型值域范围填充值乘法比例因子加性比例因子描述信息
B1Reflectanceuint167273~4363600.0000275-0.2Band 1 SR
B2Reflectanceuint167273~4363600.0000275-0.2Band 2 SR
B3Reflectanceuint167273~4363600.0000275-0.2Band 3 SR
B4Reflectanceuint167273~4363600.0000275-0.2Band 4 SR
B5Reflectanceuint167273~4363600.0000275-0.2Band 5 SR
B6Reflectanceuint161~6553500.0000275-0.2Band 6 SR
B7Reflectanceuint167273~4363600.0000275-0.2Band 7 SR
B10Kelvinuint161~6553500.00341802149Band 10 ST
QA_PIXELBit Indexuint1621824~655341--Level 2 Pixel Quality Band
SR_QA_AEROSOLBit Indexuint80~2551--Aerosol QA
QA_RADSATBit Indexuint160~382932768--Radiometric Saturation QA
ST_QAKelvinint160~32767-99990.01-Surface Temperature Uncertainty
ST_TRANW/(m 2.sr.μm)/ DNint160~22000-99990.001-Thermal Band in Radiance
ST_URADW/(m 2.sr.μm)/ DNint160~28000-99990.001-Upwelled Radiance
ST_DRADW/(m 2.sr.μm)/ DNint160~28000-99990.001-Downwelled Radiance
ST_ATRADUnitlessint160~10000-99990.0001-Atmospheric Transmittance
ST_EMISUnitlessint160~10000-99990.0001-Emissivity estimated from ASTER GED
ST_EMSDUnitlessint160~10000-99990.0001-Emissivity standard deviation
ST_CDISTKilometersint160~24000-99990.01-Pixel distance to cloud
QA_PIXEL Bit Index
  • Bit 0: Fill
    • 0: Image data
    • 1: Fill data
  • Bit 1: Dilated Cloud
    • 0: Cloud is not dilated or no cloud
    • 1: Cloud dilation
  • Bit 2: Cirrus
    • 0: Cirrus Confidence: no confidence level set or Low Confidence
    • 1: High confidence cirrus
  • Bit 3: Cloud
    • 0: Cloud confidence is not high
    • 1: High confidence cloud
  • Bit 4: Cloud shadow
    • 0: Cloud Shadow Confidence is not high
    • 1: High confidence cloud shadow
  • Bit 5: Snow
    • 0: Snow/Ice Confidence is not high
    • 1: High confidence snow cover
  • Bit 6: Clear
    • 0: Cloud or Dilated Cloud bits are set
    • 1: Cloud and Dilated Cloud bits are not set
  • Bit 7: Water
    • 0: Land or cloud
    • 1: Water
  • Bits 8-9: Cloud Confidence
    • 00: No confidence level set
    • 01: Low confidence
    • 10: Medium confidence
    • 11: High confidence
  • Bits 10-11: Cloud Shadow Confidence
    • 00: No confidence level set
    • 01: Low confidence
    • 10: Reserved
    • 11: High confidence
  • Bits 12-13: Snow/Ice Confidence
    • 00: No confidence level set
    • 01: Low confidence
    • 10: Reserved
    • 11: High confidence
  • Bits 14-15: Cirrus Confidence
    • 00: No confidence level set
    • 01: Low confidence
    • 10: Reserved
    • 11: High confidence
QA_RADSAT Bit Index
  • Bit 0: Band 1 Data Saturation
    • 0: No saturation
    • 1: Saturated data
  • Bit 1: Band 2 Data Saturation
    • 0: No saturation
    • 1: Saturated data
  • Bit 2: Band 3 Data Saturation
    • 0: No saturation
    • 1: Saturated data
  • Bit 3: Band 4 Data Saturation
    • 0: No saturation
    • 1: Saturated data
  • Bit 4: Band 5 Data Saturation
    • 0: No saturation
    • 1: Saturated data
  • Bit 5: Band 6 Data Saturation
    • 0: No saturation
    • 1: Saturated data
  • Bit 6: Band 7 Data Saturation
    • 0: No saturation
    • 1: Saturated data
  • Bit 8: Band 9 Data Saturation
    • 0: No saturation
    • 1: Saturated data
  • Bit 11: Terrain occlusion
    • 0: No terrain occlusion
    • 1: Terrain occlusion
QA_AEROSOL Bit Index
  • Bit 0: Fill
    • 0: Pixel is not fill
    • 1: Pixel is fill
  • Bit 1: Valid aerosol retrieval
    • 0: Pixel retrieval is not valid
    • 1: Pixel retrieval is valid
  • Bit 2: Water
    • 0: Pixel is not water
    • 1: Pixel is water
  • Bit 5: Interpolated Aerosol
    • 0: Pixel is not aerosol interpolated
    • 1: Pixel is aerosol interpolated
  • Bits 6-7: Aerosol Level
    • 00: Climatology
    • 01: Low
    • 10: Medium
    • 11: High

属性

landsat_product_id

string

影像名称

processing_level

string

产品级别

date_acquired

string

拍摄日期(ISO 8601格式)

collection_category

string

影像质量级别属性,如T2,T1等

cloud_cover

float

云量覆盖百分比,-1表示未计算

sun_azimuth

double

太阳方位角

sun_elevation

double

太阳高度角

sensor_id

string

传感器类型

wrs_path

int

条带号

wrs_row

int

行编号

date

string

影像日期

代码:

/*** @File    :   HelloPIE* @Time    :   2020/7/21* @Author  :   piesat* @Version :   1.0* @Contact :   400-890-0662* @License :   (C)Copyright 航天宏图信息技术股份有限公司* @Desc    :   时空计算云服务平台的入门程序*/
//地图居中并且缩放到第6级别
Map.setCenter(120.254, 41.726, 6);
//设置显示显示参数
var visParam = {min: 0,max: 0.3,bands: ["B4","B3","B2"]
};
//加载指定的影像数据数据,筛选特定的波段数据
var image = pie.Image("LC08/02/SR/LC08_121031_20170101").select(["B4","B3","B2"]).multiply(0.0000275).subtract(0.2);
//输出影像的信息
print("image", image);
//加载显示影像
Map.addLayer(image, visParam, "image");

这篇关于Landsat 8 Landsat8 Collection2表面反射率数据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/851615

相关文章

Spring 请求之传递 JSON 数据的操作方法

《Spring请求之传递JSON数据的操作方法》JSON就是一种数据格式,有自己的格式和语法,使用文本表示一个对象或数组的信息,因此JSON本质是字符串,主要负责在不同的语言中数据传递和交换,这... 目录jsON 概念JSON 语法JSON 的语法JSON 的两种结构JSON 字符串和 Java 对象互转

C++如何通过Qt反射机制实现数据类序列化

《C++如何通过Qt反射机制实现数据类序列化》在C++工程中经常需要使用数据类,并对数据类进行存储、打印、调试等操作,所以本文就来聊聊C++如何通过Qt反射机制实现数据类序列化吧... 目录设计预期设计思路代码实现使用方法在 C++ 工程中经常需要使用数据类,并对数据类进行存储、打印、调试等操作。由于数据类

SpringBoot使用GZIP压缩反回数据问题

《SpringBoot使用GZIP压缩反回数据问题》:本文主要介绍SpringBoot使用GZIP压缩反回数据问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录SpringBoot使用GZIP压缩反回数据1、初识gzip2、gzip是什么,可以干什么?3、Spr

SpringBoot集成Milvus实现数据增删改查功能

《SpringBoot集成Milvus实现数据增删改查功能》milvus支持的语言比较多,支持python,Java,Go,node等开发语言,本文主要介绍如何使用Java语言,采用springboo... 目录1、Milvus基本概念2、添加maven依赖3、配置yml文件4、创建MilvusClient

SpringValidation数据校验之约束注解与分组校验方式

《SpringValidation数据校验之约束注解与分组校验方式》本文将深入探讨SpringValidation的核心功能,帮助开发者掌握约束注解的使用技巧和分组校验的高级应用,从而构建更加健壮和可... 目录引言一、Spring Validation基础架构1.1 jsR-380标准与Spring整合1

MySQL 中查询 VARCHAR 类型 JSON 数据的问题记录

《MySQL中查询VARCHAR类型JSON数据的问题记录》在数据库设计中,有时我们会将JSON数据存储在VARCHAR或TEXT类型字段中,本文将详细介绍如何在MySQL中有效查询存储为V... 目录一、问题背景二、mysql jsON 函数2.1 常用 JSON 函数三、查询示例3.1 基本查询3.2

SpringBatch数据写入实现

《SpringBatch数据写入实现》SpringBatch通过ItemWriter接口及其丰富的实现,提供了强大的数据写入能力,本文主要介绍了SpringBatch数据写入实现,具有一定的参考价值,... 目录python引言一、ItemWriter核心概念二、数据库写入实现三、文件写入实现四、多目标写入

使用Python将JSON,XML和YAML数据写入Excel文件

《使用Python将JSON,XML和YAML数据写入Excel文件》JSON、XML和YAML作为主流结构化数据格式,因其层次化表达能力和跨平台兼容性,已成为系统间数据交换的通用载体,本文将介绍如何... 目录如何使用python写入数据到Excel工作表用Python导入jsON数据到Excel工作表用

Mysql如何将数据按照年月分组的统计

《Mysql如何将数据按照年月分组的统计》:本文主要介绍Mysql如何将数据按照年月分组的统计方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录mysql将数据按照年月分组的统计要的效果方案总结Mysql将数据按照年月分组的统计要的效果方案① 使用 DA

鸿蒙中Axios数据请求的封装和配置方法

《鸿蒙中Axios数据请求的封装和配置方法》:本文主要介绍鸿蒙中Axios数据请求的封装和配置方法,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友参考下吧... 目录1.配置权限 应用级权限和系统级权限2.配置网络请求的代码3.下载在Entry中 下载AxIOS4.封装Htt