《Python地理空间分析指南(第2版)》——1.5 高程数据

简介:

本节书摘来自异步社区《Python地理空间分析指南(第2版)》一书中的第1章,第1.5节,作者: 【美】Joel Lawhead(莱哈德) 更多章节内容可以访问云栖社区“异步社区”公众号查看。

1.5 高程数据

数字高程模型(Digital Elevation Model,DEM)是一个星球表面的三维模型。本书中的星球如果没有特别说明就是指地球。数字高程模型的历史虽然没有遥感影像复杂,但也不简单。在发明计算机之前,高程数据只能通过土地勘测之后显示在地形图上。虽然已经存在使用粘土或者木材创建立体图像和物理模型的技术,但是它们都没有大规模地应用到地理学上。

数字高程模型概念最早出现于1986年。当时法国国家太空研究中心(Centre national d'études spatiales,CNES)发射了SPOT-1卫星,其中携带了一个立体雷达。该系统创建了第一个可用的DEM。之后欧美等国也遵循了这一标准进行了若干卫星数据采集任务。2000年2月,“奋进号”航天飞机执行了雷达地形勘测任务(Shuttle Radar Topography Mission,SRTM),通过使用支持单通的特制雷达天线,收集了超过地表面积80%的高程数据。2009年美日合作的太空计划打破了这一纪录,该计划使用的是NASA的Terra卫星,它使用了先进的星载热辐射和反辐射(Advanced Spaceborne Thermal Emission and Reflection Radiometer,ASTER)传感器。这套系统捕获的数据虽然有少许瑕疵,但是它能够覆盖地表99%的区域。因为航天飞机的轨道无法覆盖地球的两极,所以它无法捕获地表所有的区域。不过SRTM仍然是很经典的数据标准。图1-9所示是USGS提供的部分地形阴影的彩色DEM。彩色DEM上绿色的部分海拔较低,黄色和棕色的部分海拔较高。


<a href=https://yqfile.alicdn.com/16a318e84afd51e31c7b644d7eb56877de5208e3.png" >

最近和全球高程数据有关的更具雄心的计划出现了,这个计划是通过德国分别于2007年和2009年发射的卫星TerraSAR-X和TanDEM-X来执行的。这两颗高度雷达卫星协同工作,于2014年4月5日发布了名为WorldDEM的全球DEM。其数据集的相对精度为2m,绝对精度为4m。

相关文章
|
23天前
|
机器学习/深度学习 TensorFlow 算法框架/工具
使用Python实现深度学习模型:智能数据隐私保护
使用Python实现深度学习模型:智能数据隐私保护 【10月更文挑战第3天】
74 0
|
11天前
|
数据采集 JSON 数据处理
抓取和分析JSON数据:使用Python构建数据处理管道
在大数据时代,电商网站如亚马逊、京东等成为数据采集的重要来源。本文介绍如何使用Python结合代理IP、多线程等技术,高效、隐秘地抓取并处理电商网站的JSON数据。通过爬虫代理服务,模拟真实用户行为,提升抓取效率和稳定性。示例代码展示了如何抓取亚马逊商品信息并进行解析。
抓取和分析JSON数据:使用Python构建数据处理管道
|
21天前
|
数据处理 Python
Python实用记录(十):获取excel数据并通过列表的形式保存为txt文档、xlsx文档、csv文档
这篇文章介绍了如何使用Python读取Excel文件中的数据,处理后将其保存为txt、xlsx和csv格式的文件。
41 3
Python实用记录(十):获取excel数据并通过列表的形式保存为txt文档、xlsx文档、csv文档
|
21天前
|
计算机视觉 Python
Python实用记录(九):将不同的图绘制在一起、将不同txt文档中的数据绘制多条折线图
这篇文章介绍了如何使用Python的OpenCV库将多张图片合并为一张图片显示,以及如何使用matplotlib库从不同txt文档中读取数据并绘制多条折线图。
38 3
Python实用记录(九):将不同的图绘制在一起、将不同txt文档中的数据绘制多条折线图
|
22天前
|
数据可视化 算法 Python
基于OpenFOAM和Python的流场动态模态分解:从数据提取到POD-DMD分析
本文介绍了如何利用Python脚本结合动态模态分解(DMD)技术,分析从OpenFOAM模拟中提取的二维切片数据,以深入理解流体动力学现象。通过PyVista库处理VTK格式的模拟数据,进行POD和DMD分析,揭示流场中的主要能量结构及动态特征。此方法为研究复杂流动系统提供了有力工具。
51 2
基于OpenFOAM和Python的流场动态模态分解:从数据提取到POD-DMD分析
|
9天前
|
数据可视化 算法 JavaScript
基于图论的时间序列数据平稳性与连通性分析:利用图形、数学和 Python 揭示时间序列数据中的隐藏模式
本文探讨了如何利用图论分析时间序列数据的平稳性和连通性。通过将时间序列数据转换为图结构,计算片段间的相似性,并构建连通图,可以揭示数据中的隐藏模式。文章介绍了平稳性的概念,提出了基于图的平稳性度量,并展示了图分区在可视化平稳性中的应用。此外,还模拟了不同平稳性和非平稳性程度的信号,分析了图度量的变化,为时间序列数据分析提供了新视角。
25 0
基于图论的时间序列数据平稳性与连通性分析:利用图形、数学和 Python 揭示时间序列数据中的隐藏模式
|
18天前
|
自然语言处理 算法 数据挖掘
探讨如何利用Python中的NLP工具,从被动收集到主动分析文本数据的过程
【10月更文挑战第11天】本文介绍了自然语言处理(NLP)在文本分析中的应用,从被动收集到主动分析的过程。通过Python代码示例,详细展示了文本预处理、特征提取、情感分析和主题建模等关键技术,帮助读者理解如何有效利用NLP工具进行文本数据分析。
40 2
|
19天前
|
JSON 安全 数据安全/隐私保护
深度剖析:Python如何运用OAuth与JWT,为数据加上双保险🔐
【10月更文挑战第10天】本文介绍了OAuth 2.0和JSON Web Tokens (JWT) 两种现代Web应用中最流行的认证机制。通过使用Flask-OAuthlib和PyJWT库,详细展示了如何在Python环境中实现这两种认证方式,从而提升系统的安全性和开发效率。OAuth 2.0适用于授权过程,JWT则简化了认证流程,确保每次请求的安全性。结合两者,可以构建出既安全又高效的认证体系。
35 1
|
27天前
|
JSON 安全 数据安全/隐私保护
深度剖析:Python如何运用OAuth与JWT,为数据加上双保险🔐
【10月更文挑战第2天】当讨论Web应用安全时,认证与授权至关重要。OAuth 2.0 和 JSON Web Tokens (JWT) 是现代Web应用中最流行的两种认证机制。OAuth 2.0 是一种开放标准授权协议,允许资源拥有者授予客户端访问资源的权限,而不需直接暴露凭据。JWT 则是一种紧凑、URL 安全的信息传输方式,自我包含认证信息,无需服务器查询数据库验证用户身份。在 Python 中,Flask-OAuthlib 和 PyJWT 分别用于实现 OAuth 2.0 和 JWT 的功能。结合两者可构建高效且安全的认证体系,提高安全性并简化交互过程,为数据安全提供双重保障。
26 7
|
26天前
|
数据采集 存储 监控
如何使用 Python 爬取商品数据
如何使用 Python 爬取京东商品数据
32 3