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

在线体验各类最新模型,更有模型 免费Token 额度领取!
立即体验
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
|
编解码 人工智能 定位技术
哥白尼数字高程模型(Copernicus DEM)30/90m数据集
哥白尼数字高程模型(Copernicus DEM)30/90m数据集
1222 0
|
编译器
GEE脚本——GEE中如何查询历史脚本和防丢失记录
GEE脚本——GEE中如何查询历史脚本和防丢失记录
990 4
|
机器学习/深度学习 缓存 人工智能
一文了解DeepSeek及应用场景
本文详细介绍了DeepSeek及其应用场景,涵盖了大模型的发展历程、基本原理和分类(通用与推理模型)。文章分析了DeepSeek的具体特性、性能优势、低成本训练与调用特点,以及其技术路线(如MoE、MLA架构),并与竞品进行了对比。此外,还探讨了DeepSeek在金融风控等领域的应用前景。
一文了解DeepSeek及应用场景
|
机器学习/深度学习 存储 算法
latent space
【9月更文挑战第23天】
1051 7
|
机器学习/深度学习 数据采集 数据可视化
基于python 机器学习算法的二手房房价可视化和预测系统
文章介绍了一个基于Python机器学习算法的二手房房价可视化和预测系统,涵盖了爬虫数据采集、数据处理分析、机器学习预测以及Flask Web部署等模块。
812 2
基于python 机器学习算法的二手房房价可视化和预测系统
|
存储 Windows
在 PowerShell 中获取代理设置
【8月更文挑战第27天】
1893 6
|
存储 编解码 数据安全/隐私保护
ISPRS Vaihingen 数据集解析
ISPRS Vaihingen 数据集解析
3102 0
ISPRS Vaihingen 数据集解析
|
机器学习/深度学习 算法 PyTorch
Pytorch-SGD算法解析
SGD(随机梯度下降)是机器学习中常用的优化算法,特别适用于大数据集和在线学习。与批量梯度下降不同,SGD每次仅使用一个样本来更新模型参数,提高了训练效率。本文介绍了SGD的基本步骤、Python实现及PyTorch中的应用示例。
1247 0
关于RoPE旋转位置编码的理解
关于RoPE旋转位置编码的理解
1018 1
|
弹性计算 Java 芯片
阿里云张伟分享 | 软件跨架构迁移(x86->ARM)的原理及实践
2023年8月31日,系列课程第四节《软件跨架构迁移(X86 -> ARM)的原理及实践》正式上线,由阿里云弹性计算架构师主讲,内容涵盖:ARM与x86架构的差异分析;软件跨架构迁移的原理;软件迁移策略制定、环境准备、执行、测试优化及持续部署与维护等;以及软件迁移的全流程解读。
阿里云张伟分享 | 软件跨架构迁移(x86->ARM)的原理及实践