ASTER 全球数字高程模型 V003

简介: ASTER GDEM V3由NASA与METI合作开发,提供全球陆地高程数据,空间分辨约30米,覆盖北纬83°至南纬83°。基于188万景ASTER影像自动生成,含DEM与场景数图层,数据经云掩膜、异常值去除及多源融合优化,适用于地形分析,但可能存在局部伪影。


ASTER Global Digital Elevation Model V003

简介
Terra 先进星载热发射和反射辐射计 (ASTER) 全球数字高程模型 (GDEM) 第 3 版 (ASTGTM) 提供地球陆地区域的全球数字高程模型 (DEM),空间分辨率为 1 弧秒(赤道水平方向约为 30 米)。

ASTER GDEM 数据产品的开发是美国国家航空航天局 (NASA) 和日本经济产业省 (METI) 合作的成果。ASTER GDEM 数据产品由位于东京的传感器信息实验室公司 (SILC) 创建。

ASTER GDEM 版本 3 数据产品是通过自动处理 2000 年 3 月 1 日至 2013 年 11 月 30 日期间获取的创建的。立体相关用于生成超过一百万个基于单独场景的 ASTER DEM,并对其应用了云掩蔽。所有经过云屏蔽和未经云屏蔽的 DEM 均被堆叠。残留的坏值和异常值被移除。在数据堆叠有限的区域,使用几个现有的参考 DEM 来补充 ASTER 数据以校正残留异常。在将数据划分为 1 度纬度 x 1 度经度的图块并以一个像素重叠之前,对选定的数据进行平均以创建最终像素值。

ASTER GDEM 的地理覆盖范围从北纬 83° 延伸至南纬 83°。每个图块均通过 NASA Earthdata Search 以云优化 GeoTIFF (COG) 和 NetCDF4 格式分发,并通过 LP DAAC 数据池以标准 GeoTIFF 格式分发。数据投影到 1984 年世界大地测量系统 (WGS84)/1996 年地球引力模型 (EGM96) 大地水准面。该集合中的 22,912 个图块中,每个图块至少包含 0.01% 的陆地面积。

ASTER GDEM 产品提供 DEM 图层和场景数 (NUM)。NUM 图层表示每个像素处理的场景数以及数据来源。

虽然 ASTER GDEM 版本 3 数据产品比版本 2 有了很大的改进,但用户仍需注意,该产品仍可能包含异常和伪影,这会降低其在某些应用中的可用性。

已知问题

ASTER GDEM 版本 3 切片与切片周长的北、南、东、西方向各重叠一个像素。在大多数情况下,重叠边缘像素具有相同的像素值,但在某些情况下,值可能会有所不同。

ASTER GDEM 版本 3 被认为除了格陵兰岛和南极洲以外没有空隙。

提醒用户,由于数据集中存在已知的误差和人为因素,请在使用产品时注意这些限制。数据按“原样”提供,NASA 和 METI/地球资源卫星数据分析中心 (ERSDAC) 均不对因使用该数据而造成的任何损害负责。

相对于先前版本的改进/变化

扩大采集范围,将无云输入场景数量从版本 2 中的约 150 万个场景增加到版本 3 中的约 188 万个场景。

水体处理中江河与湖泊的分离。

最小水体检测面积从 1 平方公里 (km²) 减少到 0.2 km²。

摘要

代码
!pip install leafmap
!pip install pandas
!pip install folium
!pip install matplotlib
!pip install mapclassify

import pandas as pd
import leafmap

url = "https://github.com/opengeos/NASA-Earth-Data"
df = pd.read_csv(url, sep="\t")
df

leafmap.nasa_data_login()

results, gdf = leafmap.nasa_data_search(
short_name="AST14DEM",
cloud_hosted=True,
bounding_box=(-180.0, -83.0, 180.0, 83.0),
temporal=("2000-03-06", "2000-03-13"),
count=-1, # use -1 to return all datasets
return_gdf=True,
)

gdf.explore()

leafmap.nasa_data_download(results[:5], out_dir="data")

相关文章
|
3月前
|
存储 测试技术 开发者
NVFP4量化技术深度解析:4位精度下实现2.3倍推理加速
本文深入解析NVIDIA推出的NVFP4量化技术,探讨其在Blackwell GPU架构下的性能优势。通过对比主流4位量化方法,分析NVFP4在精度、内存和推理吞吐量方面的表现,结合LLM-Compressor与vLLM框架展示量化与部署实践,验证其在消费级与企业级应用中的高效性与实用性。
447 15
NVFP4量化技术深度解析:4位精度下实现2.3倍推理加速
|
编解码 算法 ice
Google Earth Engine ——MCD19A2 V6数据产品是MODIS Terra和Aqua结合的大气校正多角度实施(MAIAC)陆地气溶胶光学深度(AOD)网格化2级产品,1公里分辨率
Google Earth Engine ——MCD19A2 V6数据产品是MODIS Terra和Aqua结合的大气校正多角度实施(MAIAC)陆地气溶胶光学深度(AOD)网格化2级产品,1公里分辨率
1221 0
Google Earth Engine ——MCD19A2 V6数据产品是MODIS Terra和Aqua结合的大气校正多角度实施(MAIAC)陆地气溶胶光学深度(AOD)网格化2级产品,1公里分辨率
|
3月前
|
JSON 前端开发 JavaScript
如何开发一套EHS健康安全环境管理系统中的健康管理板块?(附架构图+流程图+代码参考)
本文深入探讨了企业EHS(环境、健康与安全)系统中的核心模块——健康管理。文章指出,企业健康管理不仅是合规要求,更是提升生产效率、降低事故率和用工成本的关键。通过构建系统化、数据化的健康管理模块,企业可以实现体检、档案、劳保用品管理、异常预警和统计看板的闭环管理。特别适用于中大型企业,文章提供了从系统架构设计、数据库建模、后端与前端实现到部署运维的完整解决方案,并附有可落地的代码示例和技术选型建议。此外,还涵盖了开发技巧、权限控制、数据隐私、接口设计等工程化实践,以及系统扩展和第三方集成的思路,为企业打造高效、合规、可持续优化的EHS健康管理体系提供了全面指导。
|
7月前
|
人工智能 自然语言处理 Rust
【内附榜单】评估AI大模型的代码修复能力!Multi-SWE-bench:字节开源代码修复能力评估基准,覆盖7大主流编程语言
Multi-SWE-bench是首个覆盖Python外7种主流编程语言的代码修复基准,包含1632个真实GitHub问题样本,通过严格筛选与人工验证确保数据质量。
505 0
【内附榜单】评估AI大模型的代码修复能力!Multi-SWE-bench:字节开源代码修复能力评估基准,覆盖7大主流编程语言
|
监控 安全 JavaScript
Web安全-ReDos正则表达式的拒绝服务攻击
Web安全-ReDos正则表达式的拒绝服务攻击
328 2
|
人工智能 机器人 Serverless
《10 分钟构建 AI 客服并应用到网站、钉钉或微信中》解决方案体验评测
一文带你详细了解如何基于百炼平台、函数计算或者计算巢AppFlow10 分钟构建 AI 客服并应用到网站、钉钉或微信中,附全篇图文详解,欢迎阅读评价。
941 9
《10 分钟构建 AI 客服并应用到网站、钉钉或微信中》解决方案体验评测
|
搜索推荐 前端开发 算法
基于用户画像及协同过滤算法的音乐推荐系统,采用Django框架、bootstrap前端,MySQL数据库
本文介绍了一个基于用户画像和协同过滤算法的音乐推荐系统,使用Django框架、Bootstrap前端和MySQL数据库构建,旨在为用户提供个性化的音乐推荐服务,提高推荐准确性和用户满意度。
920 7
基于用户画像及协同过滤算法的音乐推荐系统,采用Django框架、bootstrap前端,MySQL数据库
|
网络协议 测试技术 Apache
测试Netty高并发工具
测试Netty高并发工具
409 3
|
安全 小程序 Java
基于Java医院门诊互联电子病历管理信息系统设计和实现(源码+LW+调试文档+讲解等)
基于Java医院门诊互联电子病历管理信息系统设计和实现(源码+LW+调试文档+讲解等)
|
数据处理
大学物理-实验篇——测量误差与数据处理(测量分类、误差、有效数字、逐差法)
大学物理-实验篇——测量误差与数据处理(测量分类、误差、有效数字、逐差法)
1211 11