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
|
5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。
|
存储 NoSQL Linux
Redis三种集群模式原理与搭建配置
Redis三种集群模式原理与搭建配置
2945 0
|
9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,
1515 0
释放终端潜能----端侧AI模型
|
3月前
|
安全 数据建模 物联网
阿里云SSL证书怎么买?免费版每年20张名额,收费版254元起+最快15分钟签发,购买流程参考
阿里云SSL证书怎么样?有哪些品牌?价格是多少?阿里云SSL证书有免费版也有收费版,目前免费版每年20张名额,收费版最低为254元起。本文为大家介绍阿里云SSL证书的技术优势、规格配置、多元化售卖策略、功能模块、应用场景覆盖及具体购买操作流程,为企业构建全方位数据安全防护体系提供参考指南。
574 1
|
6月前
|
机器学习/深度学习 存储 自然语言处理
语义检索翻车?可能是你的Embedding模型没选对!
本文深入解析Embedding模型在RAG系统中的核心作用,涵盖其原理、类型、选型策略及实战建议。选对模型可显著提升语义检索准确性与效率,避免成本浪费。干货满满,值得收藏!
2933 52
|
5月前
|
人工智能 JSON 测试技术
Dify入门实战:5分钟搭建你的第一个AI测试用例生成器
本文教你利用Dify平台,结合大模型API,5分钟内搭建一个无需编程基础的AI测试用例生成器。通过配置提示词、连接AI模型,实现自动输出覆盖正常、异常及边界场景的结构化测试用例,提升测试效率与质量,并支持集成到CI/CD流程,助力智能化测试落地。
|
前端开发 JavaScript Docker
拿下奇怪的前端报错(五):SyntaxError: Unexpected token ‘??=‘或‘xxx‘ - 基于容器搭建开发环境或许是更好的选择
在前端开发中,同时维护多个项目时可能会遇到不同Node.js版本的问题。低版本Node.js可能导致依赖无法安装或启动失败,而高版本Node.js则可能引起第三方库的兼容性问题。推荐使用Docker搭建独立的开发环境,以避免版本不一致带来的困扰。
3882 3
|
人工智能 算法 测试技术
论文介绍:进化算法优化模型融合策略
【5月更文挑战第3天】《进化算法优化模型融合策略》论文提出使用进化算法自动化创建和优化大型语言模型,通过模型融合提升性能并减少资源消耗。实验显示,这种方法在多种基准测试中取得先进性能,尤其在无特定任务训练情况下仍能超越参数更多模型。同时,该技术成功应用于创建具有文化意识的日语视觉-语言模型。然而,模型融合可能产生逻辑不连贯响应和准确性问题,未来工作将聚焦于图像扩散模型、自动源模型选择及生成自我改进的模型群体。[论文链接: https://arxiv.org/pdf/2403.13187.pdf]
455 1

热门文章

最新文章