ASTER 全球数字高程模型 V003

简介: ASTER全球数字高程模型V003(ASTGTM)由NASA与日本METI合作生成,覆盖北纬83°至南纬83°,空间分辨率约30米。基于2000–2013年ASTER立体影像自动处理,融合超188万场景,优化水体与地形精度,提供DEM与场景数量图层,数据无显著空隙,适用于多领域地形分析。

​ASTER Global Digital Elevation Model V003

简介

Terra 先进星载热辐射与反射辐射计 (ASTER) 全球数字高程模型 (GDEM) 第 3 版 (ASTGTM) 提供了地球陆地区域的全球数字高程模型 (DEM),空间分辨率为 1 角秒(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) 的合作成果。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 第 3 版数据产品是通过对 2000 年 3 月 1 日至 2013 年 11 月 30 日期间获取的整个场景档案进行自动处理而创建的。立体相关法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。所有经过云屏蔽的 DEM 和非经过云屏蔽的 DEM 均进行了堆叠。删除了残留的错误值和异常值。在数据堆叠有限的区域,使用多个现有的参考 DEM 来补充 ASTER 数据,以纠正残留异常。对选定的数据取平均值以创建最终像素值,然后将数据划分为 1 度纬度 x 1 度经度的区块,并有一个像素重叠。为了校正水体表面的高程值,还生成了 ASTER 全球水体数据库 第 1 版数据产品。ASTER GDEM 的地理覆盖范围从北纬 83° 延伸到南纬 83°。每个区块都以云优化 GeoTIFF (COG) 和 NetCDF4 格式通过 NASA Earthdata Search 分发,并以标准 GeoTIFF 格式通过 LP DAAC 数据池分发。 数据投影于 1984 年世界大地测量系统 (WGS84)/1996 年地球重力模型 (EGM96) 大地水准面。该系列中的 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 图层和场景数量 (NUM)。NUM 图层表示每个像素处理的场景数量以及数据来源。虽然 ASTER GDEM 版本 3 数据产品相比版本 2 有了显著改进,但用户仍需注意,该产品可能仍存在一些异常和伪影,这会降低其在某些应用中的可用性。已知问题: ASTER GDEM 版本 3 图块在其周边的北、南、东、西方向重叠一个像素。在大多数情况下,重叠边缘像素的像素值相同,但在某些情况下,值可能会有所不同。 除格陵兰岛和南极洲外,ASTER GDEM 版本 3 被认为没有空隙。 提醒用户,由于数据集中存在已知的误差和伪影,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) 均不对因使用数据造成的任何损害负责。与上一版本相比的改进/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。 在水体处理中将河流与湖泊分离。最小水体检测面积从 1 平方公里 (km²) 降低到 0.2 平方公里。

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="ASTGTM_NUMNC",
cloud_hosted=True,
bounding_box=(-180.0, -83.0, 180.0, 82.0),
temporal=("2000-03-01", "2013-11-30"),
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
|
7月前
|
存储 缓存 NoSQL
探秘HashMap
探秘HashMap:基于数组+链表/红黑树的高效键值存储,通过哈希计算、扰动函数与位运算实现O(1)级访问,结合扩容与树化机制,在性能与空间间达到精妙平衡,是Java集合核心利器。
|
7月前
|
机器学习/深度学习 测试技术 Docker
使用Ray进行大规模并行智能体仿真
https://www.anyscale.com/blog/massively-parallel-agentic-simulations-with-ray 译文
|
11月前
|
人工智能 安全 物联网
释放终端潜能----端侧AI模型
端侧AI将智能直接部署于终端设备,实现毫秒级响应、极致隐私保护与显著成本优化。其核心优势包括极速响应(告别网络延迟)、隐私安全(数据不出本地)及成本优化(减少云端依赖)。通过模型小型化、硬件感知优化、高效推理引擎和端云协同等关键技术,端侧AI在有限资源下保持高性能,
1730 0
释放终端潜能----端侧AI模型
|
10月前
|
机器学习/深度学习 人工智能 自然语言处理
OpenSearch 视频 RAG 实践
本文介绍了 OpenSearch LLM 版中视频 RAG 的具体实现流程。
993 4
|
数据采集 编解码 人工智能
中科星图——Sentinel-1_SAR_GRD数据集
中科星图——Sentinel-1_SAR_GRD数据集
1400 3
|
人工智能 自然语言处理 数据挖掘
RAG 系统高效检索提升秘籍:如何精准选择 BGE 智源、GTE 阿里与 Jina 等的嵌入与精排模型的完美搭配
RAG 系统高效检索提升秘籍:如何精准选择 BGE 智源、GTE 阿里与 Jina 等的嵌入与精排模型的完美搭配
RAG 系统高效检索提升秘籍:如何精准选择 BGE 智源、GTE 阿里与 Jina 等的嵌入与精排模型的完美搭配
|
数据采集 存储 编解码
使用Arcgis pro做流域分析(河网+集水区)
【8月更文挑战第10天】使用ArcGIS Pro进行流域分析包括河网与集水区提取。首先准备DEM及河流数据,然后在软件中加载。若无河网数据,可用“Fill”填洼、“Flow Direction”计算流向、“Flow Accumulation”计算累积量,并通过“Stream Definition”定义河流。集水区分析则使用“Watershed”工具确定特定点的流域范围。最后,通过符号化展示结果,并结合其他数据深入分析流域特性。注意数据质量与参数选择以保证分析准确性。
2476 1
|
传感器 编解码 算法
Sentinel-1的GRD和SLC数据的区别和联系
Sentinel-1的GRD和SLC数据的区别和联系
2863 1
|
人工智能 语音技术 数据格式
三文带你轻松上手鸿蒙的AI语音01-实时语音识别
三文带你轻松上手鸿蒙的AI语音01-实时语音识别
555 0
三文带你轻松上手鸿蒙的AI语音01-实时语音识别