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
|
1月前
|
SQL 人工智能 运维
一场由AI拯救的数据重构之战
本文以数据研发工程师小D的日常困境为切入点,探讨如何借助AI技术提升数据研发效率。通过构建“数研小助手”智能Agent,覆盖需求评估、模型评审、代码开发、运维排查等全链路环节,结合大模型能力与内部工具(如图治MCP、D2 API),实现影响分析、规范检查、代码优化与问题定位的自动化,系统性解决传统研发中耗时长、协作难、维护成本高等痛点,推动数据研发向智能化跃迁。
200 29
一场由AI拯救的数据重构之战
|
1月前
|
人工智能 监控 安全
提效40%?揭秘AI驱动的支付方式“一键接入”系统
本项目构建AI驱动的研发提效系统,通过Qwen Coder与MCP工具链协同,实现跨境支付渠道接入的自动化闭环。采用多智能体协作模式,结合结构化Prompt、任务拆解、流程管控与安全约束,显著提升研发效率与交付质量,探索大模型在复杂业务场景下的高采纳率编码实践。
320 26
提效40%?揭秘AI驱动的支付方式“一键接入”系统
|
25天前
|
数据采集 监控 API
告别手动埋点!Android 无侵入式数据采集方案深度解析
传统的Android应用监控方案需要开发者在代码中手动添加埋点,不仅侵入性强、工作量大,还难以维护。本文深入探讨了基于字节码插桩技术的无侵入式数据采集方案,通过Gradle插件 + AGP API + ASM的技术组合,实现对应用性能、用户行为、网络请求等全方位监控,真正做到零侵入、易集成、高稳定。
405 35
|
21天前
|
人工智能 运维 Cloud Native
直播|均降 40% 的 GPU 成本,大规模 Agent 部署和运维的捷径是什么?
10月28日19:30,阿里云云原生AgentRun与你《极客有约》。
174 29
|
25天前
|
人工智能 运维 Kubernetes
Serverless 应用引擎 SAE:为传统应用托底,为 AI 创新加速
在容器技术持续演进与 AI 全面爆发的当下,企业既要稳健托管传统业务,又要高效落地 AI 创新,如何在复杂的基础设施与频繁的版本变化中保持敏捷、稳定与低成本,成了所有技术团队的共同挑战。阿里云 Serverless 应用引擎(SAE)正是为应对这一时代挑战而生的破局者,SAE 以“免运维、强稳定、极致降本”为核心,通过一站式的应用级托管能力,同时支撑传统应用与 AI 应用,让企业把更多精力投入到业务创新。
356 29
|
1月前
|
缓存 运维 监控
《SaaS网关多租户治理:从串流到稳控的实践》
本文记录某制造集团SaaS协同平台API网关多租户治理的重构实践。初代网关因依赖“路径前缀+静态IP映射”,在租户增至8家(含3家私有云部署)后,爆发数据串流、混合云适配差、个性化需求迭代慢、故障定位难四大问题。通过搭建“租户元数据+动态路由表”双层隔离机制解决串流,设计多维度决策的混合云路由策略引擎降低转发延迟,构建配置化规则引擎实现零代码定制,并攻克缓存穿透、路由断连、规则冲突三大细节难题。最终租户串流率归零,混合云路由延迟降45%,规则生效时间从2天缩至10秒。
175 9
《SaaS网关多租户治理:从串流到稳控的实践》
|
1月前
|
机器学习/深度学习 城市大脑 安全
基于深度学习的客流量预测系统
本文分析了疫情后旅游市场复苏带动地铁客流增长的背景,探讨了客流预测对交通运营的重要性,综述了基于多源数据与深度学习模型(如LSTM、STGCN)的研究进展,并介绍了CNN与RNN在人流预测中的技术原理及系统实现路径。
|
1月前
|
资源调度 监控 测试技术
《SaaS多租户实战指南:从灰度发布到故障容错的全链路架构设计》
本文聚焦企业级团队协作SaaS应用的多租户架构迭代实践,针对租户规模差异大、资源冲突、定制化与标准化矛盾等核心痛点展开。初期简易多租户模式因资源共享导致故障后,作者重构架构:采用“独立数据库+共享数据库+租户标识”的混合隔离方案,解决数据隔离与成本平衡问题;搭建基于租户画像的弹性资源调度体系,通过预测式调度与实时调整提升资源利用率;以“核心标准化+定制插件化”架构,缩短定制需求响应时间;构建分层灰度发布与故障容错机制,将版本故障发生率大幅降低。最终总结出SaaS多租户架构需“以租户为中心”,在隔离、共享、定制间找到精细化平衡点的核心经验。
191 6