ASTER 传感器注册辐射度 - 正射校正 V003

简介: ASTER正射校正辐射产品(AST14OTH V003)将影像从透视投影转为正交投影,具备地图几何特性,经地形与辐射校正后映射至UTM坐标系。基于ASTER L1A数据与星历姿态信息生成,2021年起采用SILCAST 3.0提升精度,无需外部DEM。注意:2008年后SWIR数据存条纹问题,2024年11月起曾有数据中断。

​ASTER Registered Radiance at the Sensor - Orthorectified V003

简介

Terra 先进星载热辐射与反射辐射计 (ASTER) 正射校正传感器注册辐射 (AST14OTH) 产品包含从透视投影转换为正交投影的影像。正射校正影像具有地图的几何特征,每个位置均呈现近乎垂直的视图。这些产品经过地形校正,提供经辐射校准的辐射,并映射到通用横轴墨卡托 (UTM) 坐标系。

输入内容包括:ASTER 1A 级重建未处理仪器数据集;ASTER 仪器和 Terra 平台星历表及姿态数据的地理配准信息;以及基于 ASTER 的数字高程模型 (DEM)。输出产品包含 15 幅正射影像,每个波段一幅,经 ASTER 1B 级校准的辐射度影像,如下所列。

已知问题

请注意,从 2008 年 4 月至今获取的 ASTER SWIR 数据表现出异常饱和值和异常条纹。这种现象在之前的某些获取时期也存在。更多详情,请参阅 ASTER SWIR 用户咨询。

数据采集​​缺口:2024 年 11 月 28 日,Terra 的一个电力传输分流装置发生故障。结果导致电力不足以维持 ASTER 仪器的正常运行。ASTER 于 2025 年 1 月 18 日恢复了 VNIR 波段的采集,并于 2025 年 4 月 15 日恢复了 TIR 波段的采集。用户应注意,ASTER 在 2024 年 11 月 28 日至 2025 年 1 月 16 日期间采集的 VNIR 观测数据存在数据缺口,在 2024 年 11 月 28 日至 2025 年 4 月 15 日期间采集的 TIR 观测数据也存在数据缺口。

相对于先前版本的改进/变化

自 2021 年 1 月起,LP DAAC 已实施传感器信息实验室公司 ASTER DEM/Ortho (SILCAST) 软件 3.0 版,该软件用于生成二级按需 ASTER 正射影像和数字高程模型 (DEM) 产品 (AST14)。更新后的软件可从 ASTER L1A 输入数据中提取数字高程并进行正射影像校正,无需输入地面控制点或依赖 30 角秒分辨率的外部全球 DEM (GTOPO30)。它利用来自 ASTER 仪器和 Terra 航天器平台的星历表和姿态数据。此版本的输出经过大地水准面高程校正,并自动检测水体。用户会注意到 2021 年 1 月之前订购的 AST14DEM、AST14DMO 和 AST14OTH 产品(使用 SILCAST V1 生成)与使用更新版本的生产软件(3.0 版)生成的产品之间的差异。差异可能包括不同地表类型(包括水体)的轻微高程变化。在 ASTER 图像的云层部分也观察到了差异。

除了最近将 SILCAST 从 1.0 版本升级到 3.0 版本之外,LP DAAC 还于 2021 年 3 月 18 日将处理系统中使用的交互式数据语言 (IDL) 软件从 8.7.0 更新至 8.8.0。因此,用户在比较更新前后生成的输出文件时,可能会注意到该产品在 1-3 波段 (B/N) 生成的输出文件中存在细微且孤立的差异。

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="AST14OTH",
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
|
19天前
|
存储 监控 数据可视化
大模型可观测1-5-10:发现、定位、恢复的三层能力建设
本文通过丰富的代码Demo和截图为读者提供了可落地的实践指南。
320 34
大模型可观测1-5-10:发现、定位、恢复的三层能力建设
|
2月前
|
存储 消息中间件 人工智能
Lazada 如何用实时计算 Flink + Hologres 构建实时商品选品平台
本文整理自 Lazada Group EVP 及供应链技术负责人陈立群在 Flink Forward Asia 2025 新加坡实时分析专场的分享。作为东南亚领先的电商平台,Lazada 面临在六国管理数十亿商品 SKU 的挑战。为实现毫秒级数据驱动决策,Lazada 基于阿里云实时计算 Flink 和 Hologres 打造端到端实时商品选品平台,支撑日常运营与大促期间分钟级响应。本文深入解析该平台如何通过流式处理与实时分析技术重构电商数据架构,实现从“事后分析”到“事中调控”的跃迁。
308 55
Lazada 如何用实时计算 Flink + Hologres 构建实时商品选品平台
|
2月前
|
人工智能 监控 前端开发
支付宝 AI 出行助手高效研发指南:4 人团队的架构迁移与提效实战
支付宝「AI 出行助手」是一款集成公交、地铁、火车票、机票、打车等多项功能的智能出行产品。
337 21
支付宝 AI 出行助手高效研发指南:4 人团队的架构迁移与提效实战
|
27天前
|
XML 前端开发 决策智能
多智能体自主规划模式性能提升:五大精准策略详解
本文基于生产环境中的多智能体 React 模式实践,系统剖析了自主规划架构在工具调用延迟、上下文膨胀、中间态缺失、循环失控与监督缺位等方面的典型挑战。
251 19
人工智能 关系型数据库 分布式数据库
216 19
|
3天前
|
JavaScript 前端开发 Java
基于springboot的养老院管理系统
随着人口老龄化加剧,传统养老院管理效率低下,亟需信息化升级。本文基于Java、Spring Boot、Vue等技术构建智慧养老系统,结合MySQL与MyBatis实现数据高效管理,提升服务精准性与运营效率,推动养老服务向智能化、现代化发展。
|
1月前
|
人工智能 缓存 自然语言处理
从 Prompt 到 Context:基于 1400+ 论文的 Context Engineering 系统综述
本文探讨了Prompt Engineering的发展趋势及其扩展——Context Engineering的重要性。随着大语言模型(LLM)的发展,构建合适的上下文(context)成为影响模型性能的关键因素。Context Engineering不仅包括传统的提示词工程,还涵盖了上下文的构建、管理与优化,被视为LLM时代的新软件工程范式。文章结合最新研究成果与行业实践,系统解析了Context Engineering的概念、分类、挑战及其在LLM应用中的核心作用,帮助开发者更好地理解和应用这一新兴技术。
237 26
从 Prompt 到 Context:基于 1400+ 论文的 Context Engineering 系统综述