基于DEM提取坡度、坡向方法汇总

简介: 基于DEM提取坡度、坡向方法汇总

平时做研究,DEM提取坡度及坡向非常常见,介绍两种方法,一种ArcGIS提取坡度坡向,一种GEE代码,大家按需学习即可。



1GEE代码


SRTM数据产品为例,下载DEM并提取其坡度和坡向:



//研究区自己定义为roivar srtm = ee.Image('USGS/SRTMGL1_003');var elevation = srtm.select('elevation').clip(roi);//计算坡度 var slope = ee.Terrain.slope(elevation).clip(roi);//计算坡向var aspect = ee.Terrain.aspect(srtm);// 将坡向值拉伸到-1————1之间 //-1代表正西、1代表正东方向 var sinImage = aspect.divide(180).multiply(Math.PI).sin().clip(roi);Map.addLayer(slope, {min: 0, max:30}, 'slope');Map.addLayer(sinImage, {min:-1,max:1}, 'sinImage')//// 下载影像 // Export.image.toDrive({//   image: slope,//   description: 'slope',//   scale: 30,//   region:roi,//   fileFormat: 'GeoTIFF',// });

以下为贵州省为例:




2ArcGIS方法Arcgis制作坡度/坡向图:相当于arcgis-空间分析工具-表面分析-坡(10.1版为坡)/坡向。然后将SRTM输入,即可输出Slop/Aspect图。另外ArcGIS工具箱工具太多,一时想不到的或者对工具箱不熟悉的,可以Ctrl+F,搜索想要的工具,非常的好用。


目录
相关文章
|
定位技术
ArcGIS地形起伏度+地形粗糙度+地表切割深度+高程变异系数提取
ArcGIS地形起伏度+地形粗糙度+地表切割深度+高程变异系数提取
19949 0
|
数据可视化 定位技术 Sentinel
如何用Google Earth Engine快速、大量下载遥感影像数据?
【2月更文挑战第9天】本文介绍在谷歌地球引擎(Google Earth Engine,GEE)中,批量下载指定时间范围、空间范围的遥感影像数据(包括Landsat、Sentinel等)的方法~
6097 1
如何用Google Earth Engine快速、大量下载遥感影像数据?
|
定位技术 数据库 知识图谱
Google Earth Engine(GEE)——土壤网格250m v2.0
Google Earth Engine(GEE)——土壤网格250m v2.0
1244 0
|
Linux iOS开发 MacOS
DBeaver用户界面窗口失效 查询窗口不显示
DBeaver用户界面窗口失效 查询窗口不显示
|
人工智能 移动开发 搜索推荐
增强现实让广告“活”起来——AR 赋能营销的新玩法
增强现实让广告“活”起来——AR 赋能营销的新玩法
702 25
|
7月前
|
人工智能 前端开发 UED
PPT大纲生成的AI魔法:3小时工作3分钟搞定,但重点不是效率
本文从反常识角度切入,通过三个场景案例,阐述AI大纲生成工具的真正价值不在于效率提升,而在于帮助使用者建立结构化思维模式。文章提供完整的AI指令和系统的使用进阶指南。
1184 9
PPT大纲生成的AI魔法:3小时工作3分钟搞定,但重点不是效率
|
11月前
|
算法 搜索推荐 API
微信加人太频繁被限制怎么办?
微信加人限制的技术背景 微信为
|
编解码 定位技术
GIS空间分析 数字地形分析2 基本地形因子的提取
在本文中,你将学习到如何利用DEM数据在ArcGIS中提取出坡度、坡向等地形因子。
1071 0
|
自然语言处理 安全 API
1688 跨境属性 API 接口(1688API 系列)
1688跨境属性API助力跨境电商发展,提供商品目标市场适配、跨境物流、国际认证及语言文化属性等数据,支持HTTP GET/POST请求。开发者可通过商品ID、目标市场代码和语言参数精准获取信息,提升业务效率与精准度。示例代码展示了如何使用Python进行GET请求,获取商品跨境属性,确保数据准确可靠。
|
机器学习/深度学习 数据挖掘 定位技术
多元线性回归:机器学习中的经典模型探讨
多元线性回归是统计学和机器学习中广泛应用的回归分析方法,通过分析多个自变量与因变量之间的关系,帮助理解和预测数据行为。本文深入探讨其理论背景、数学原理、模型构建及实际应用,涵盖房价预测、销售预测和医疗研究等领域。文章还讨论了多重共线性、过拟合等挑战,并展望了未来发展方向,如模型压缩与高效推理、跨模态学习和自监督学习。通过理解这些内容,读者可以更好地运用多元线性回归解决实际问题。
2024 0