NEON LiDAR 数据导出的地表数字模型 (DSM) 和地形数字模型 (DTM)1m分辨率

简介: NEON LiDAR 数据导出的地表数字模型 (DSM) 和地形数字模型 (DTM),分辨率为1米。DSM 包含地表特征(植被和建筑物),DTM 则为裸地高程信息。数据覆盖2013年至今,适用于生态与地形研究。提供 DTM 和 DSM 两个波段,值范围为0-3500米,单位为米。数据遵循 CC0 1.0 协议,无版权限制,鼓励广泛使用。


NEON LiDAR 数据导出的地表数字模型 (DSM) 和地形数字模型 (DTM)1m分辨率

简介
由 NEON LiDAR 数据导出的地表数字模型 (DSM) 和地形数字模型 (DTM)。 DSM: 地表特征(存在植被和人工建筑物的地形信息)。 DTM:裸地高程(去除植被和人工建筑的地形信息)。 图像以平均海平面以上的米为单位,并镶嵌在分辨率为 1 米的空间均匀网格上。

Catalog owner
Dataset Availability
2013-01-01T00:00:00 -

Dataset Provider
NEON

Contact
Contact information not available.

Collection Snippet
ee.ImageCollection("projects/neon-prod-earthengine/assets/DEM/001")

摘要
Resolution
1 meters

Bands Table
Name Description Min Max Units
DTM
Digital Terrain Model

0 3500 m
DSM
Digital Surface Model

0 3500 m
Name Type Description
AOP_VISIT_NUMBER Int
Unique visit number to the NEON site.

CITATION String
Data citation. See NEON Data Policies and Citation Guidelines.

DOI String
Digital Object Identifier. NEON data that have been released are assigned a DOI.

FLIGHT_YEAR Int
Year the data were collected.

NEON_DOMAIN String
NEON eco-climatic domain code, "D01" to "D20". See NEON Field Sites and Domains.

NEON_SITE String
NEON four-digit site code. See NEON Field Sites.

NEON_SITE_NAME String
Full name of the NEON site. See NEON Field Sites.

NEON_DATA_PROD_URL String
NEON data product url. Always set to: NEON | Data Product.

SENSOR_NAME String
Make and model of the lidar sensor: "Optech Galaxy Prime", "Optech Gemini", "Riegl Q780".

SENSOR_SERIAL String
Serial number of the lidar sensor: "11SEN287", "12SEN311", "5060445", "220855".

PROVISIONAL_RELEASED String
Whether the data are Provisional or Released. See Data Product Revisions and Releases | NSF NEON | Open Data to Understand our Ecosystems.

RELEASE_YEAR Int
If data are released, the year of the NEON Release Tag.

代码
// Read in the NEON AOP DEM Image Collection
var dem = ee.ImageCollection(
'projects/neon-prod-earthengine/assets/DEM/001');

// Display available images in the DEM/001 Image Collection
print('NEON DEM Images', dem.aggregate_array('system:index'))

// Specify the start and end dates and filter by date range
var startDate = ee.Date('2021-01-01');
var endDate = startDate.advance(1, 'year');
var dem2021 = dem.filterDate(startDate, endDate);

// Filter by NEON site name (see https://www.neonscience.org/field-sites/explore-field-sites)
var demSOAP_2021 = dem2021.filter('NEON_SITE == "SOAP"');

// Select the DTM and DSM bands in order to display each layer
var soapDTM = dem2021.select('DTM');
var soapDSM = dem2021.select('DSM');

// Define the color palette and visualization parameters
var palettes = require('users/gena/packages:palettes');
var dem_palette = palettes.colorbrewer.BrBG[9].reverse();
var demVis = {min: 700, max: 2300, palette: dem_palette};

// Add the DTM and DSM layers and center on the site
Map.addLayer(soapDTM, demVis, 'SOAP 2021 Digital Terrain Model (m)');
Map.addLayer(soapDSM, demVis, 'SOAP 2021 Digital Surface Model (m)');
Map.setCenter(-119.25, 37.06, 12);

引用
由 NEON 收集并作为数据产品提供的所有数据(与稀有、受威胁或濒危 (RTE) 物种相关的数据除外)均根据知识共享 CC0 1.0 "无保留权利 "协议发布到公共领域。 NEON 数据没有版权;任何人都可以出于商业或非商业目的复制、修改或分发这些数据,而无需征得许可。 NEON 数据仍可能受到其他法律或权利(如隐私权)的限制,NEON 不对数据作任何保证,并不承担任何责任。 在使用或引用 NEON 数据时,不得暗示 NEON 已认可这些数据。 在大多数国家,数据和事实不享有版权。 通过将 NEON 数据置于公共领域,我们鼓励广泛使用,特别是在科学分析和数据汇总方面。 但是,请注意以下学术规范: 使用 NEON 数据时应注意数据的局限性,并以数据包的相关文档为指导。 有关如何正确使用和引用 NEON 数据的详细信息,以及使用 NEON 数据发表研究成果的最佳实践,请参阅《NEON 数据指南和政策》。

CC0-1.0

机器学习
https://www.cbedai.net/xg

相关文章
|
8月前
|
机器学习/深度学习 算法 数据可视化
利用SVM(支持向量机)分类算法对鸢尾花数据集进行分类
本文介绍了如何使用支持向量机(SVM)算法对鸢尾花数据集进行分类。作者通过Python的sklearn库加载数据,并利用pandas、matplotlib等工具进行数据分析和可视化。
620 70
|
8月前
|
机器学习/深度学习 人工智能 算法
《一文读懂!Q-learning状态-动作值函数的直观理解》
Q-learning算法是强化学习领域的核心,广泛应用于机器人控制、游戏AI和自动驾驶等领域。其关键在于理解状态-动作值函数(Q值),即智能体在特定状态下采取某动作的长期价值评估。通过不断与环境交互,智能体根据奖励信号更新Q值,逐步优化行为策略,最终实现累积奖励最大化。掌握Q值计算及其更新机制,是深入理解强化学习的基础,也是设计高效AI系统的关键。
364 25
|
8月前
|
机器学习/深度学习 人工智能 算法
《深度剖析Q-learning中的Q值:解锁智能决策的密码》
Q-learning是强化学习中的重要算法,其核心是Q值,即智能体在特定状态下采取某一动作后预计能获得的长期累积奖励。Q值如同“智慧密码”,指导智能体做出最优决策。通过贝尔曼方程更新Q值,智能体能在探索与利用之间找到平衡,逐渐学习到最优策略。在简单场景中,Q表可有效存储和更新Q值;而在复杂场景如自动驾驶中,则需借助深度神经网络近似Q值函数,推动强化学习在实际应用中的突破。
299 23
|
8月前
|
机器学习/深度学习 数据采集 监控
深度学习中模型训练的过拟合与欠拟合问题
在机器学习和深度学习中,过拟合和欠拟合是影响模型泛化能力的两大常见问题。过拟合指模型在训练数据上表现优异但在新数据上表现差,通常由模型复杂度过高、数据不足或质量差引起;欠拟合则指模型未能充分学习数据中的模式,导致训练和测试数据上的表现都不佳。解决这些问题需要通过调整模型结构、优化算法及数据处理方法来找到平衡点,如使用正则化、Dropout、早停法、数据增强等技术防止过拟合,增加模型复杂度和特征选择以避免欠拟合,从而提升模型的泛化性能。
|
8月前
|
人工智能 自然语言处理 Java
Spring AI,搭建个人AI助手
本期主要是实操性内容,聊聊AI大模型,并使用Spring AI搭建属于自己的AI助手、知识库。本期所需的演示源码笔者托管在Gitee上(https://gitee.com/catoncloud/spring-ai-demo),读者朋友可自行查阅。
2351 44
Spring AI,搭建个人AI助手
|
8月前
|
机器学习/深度学习 人工智能 监控
DiffuEraser:阿里通义实验室推出的视频修复模型,支持高清修复、时间一致性优化
DiffuEraser 是阿里通义实验室推出的基于稳定扩散模型的视频修复工具,能够生成丰富的细节并保持时间一致性,适用于电影修复、监控增强等场景。
486 27
DiffuEraser:阿里通义实验室推出的视频修复模型,支持高清修复、时间一致性优化
|
8月前
|
存储 关系型数据库 MySQL
美团面试:MySQL为什么 不用 Docker部署?
45岁老架构师尼恩在读者交流群中分享了关于“MySQL为什么不推荐使用Docker部署”的深入分析。通过系统化的梳理,尼恩帮助读者理解为何大型MySQL数据库通常不使用Docker部署,主要涉及性能、管理复杂度和稳定性等方面的考量。文章详细解释了有状态容器的特点、Docker的资源隔离问题以及磁盘IO性能损耗,并提供了小型MySQL使用Docker的最佳实践。此外,尼恩还介绍了Share Nothing架构的优势及其应用场景,强调了配置管理和数据持久化的挑战。最后,尼恩建议读者参考《尼恩Java面试宝典PDF》以提升技术能力,更好地应对面试中的难题。
|
8月前
|
机器学习/深度学习 数据可视化 数据处理
构建可靠的时间序列预测模型:数据泄露检测、前瞻性偏差消除与因果关系验证
在时间序列分析中,数据泄露、前瞻性偏差和因果关系违反是三大常见且严重影响模型有效性的技术挑战。数据泄露指预测模型错误使用了未来信息,导致训练时表现优异但实际性能差;前瞻性偏差则是因获取未来数据而产生的系统性误差;因果关系违反则可能导致虚假相关性和误导性结论。通过严格的时序数据分割、特征工程规范化及因果分析方法(如格兰杰因果检验),可以有效防范这些问题,确保模型的可靠性和实用性。示例分析展示了日本天然气价格数据中的具体影响及防范措施。 [深入阅读](https://avoid.overfit.cn/post/122b36fdb8cb402f95cc5b6f2a22f105)
328 24
构建可靠的时间序列预测模型:数据泄露检测、前瞻性偏差消除与因果关系验证
|
8月前
|
机器学习/深度学习 人工智能 自然语言处理
Baichuan-Omni-1.5:百川智能开源全模态理解与生成模型,支持文本、图像、音频和视频的多模态输入和输出
Baichuan-Omni-1.5 是百川智能开源的全模态理解模型,支持文本、图像、音频和视频的多模态输入和输出,显著提升多模态交互体验。
576 22
Baichuan-Omni-1.5:百川智能开源全模态理解与生成模型,支持文本、图像、音频和视频的多模态输入和输出
|
8月前
|
存储 缓存 数据处理
Pandas高级数据处理:缓存与持久化
本文介绍 Pandas 中的缓存与持久化技术,涵盖其意义、常见方式及问题解决方案。缓存可提高效率、减少重复计算;持久化则优化资源使用。文中探讨内存缓存、文件系统和数据库持久化,并提供代码示例,如 LRU 缓存、Parquet 格式保存及 SQLite 数据库交互,帮助读者理解和应用这些技术。
227 73

热门文章

最新文章