Google Earth Engine ——数据全解析专辑(US NED Topographic Diversity地貌多样性拓扑数据集)

本文涉及的产品
云解析 DNS,旗舰版 1个月
全局流量管理 GTM,标准版 1个月
公共DNS(含HTTPDNS解析),每月1000万次HTTP解析
简介: Google Earth Engine ——数据全解析专辑(US NED Topographic Diversity地貌多样性拓扑数据集)

Topographic diversity (D) is a surrogate variable that represents the variety of temperature and moisture conditions available to species as local habitats. It expresses the logic that a higher variety of topo-climate niches should support higher diversity (especially plant) and support species persistence given climatic change.


To calculate D, the multi-scale Topographic Position Index (mTPI), being a dominant control of soil moisture (T), was used for measuring hillslope position. The mTPI was combined with the square-root transform for mTPI>0 (T’) and with the standard deviation of the Continuous Heat-Insolation Load Index (CHILI), calculated at multiple scales (C’) as: D = 1 – ((1-T’) * (1-C’). It is based on the USGS's 10m NED DEM (available in EE as USGS/NED).


The Conservation Science Partners (CSP) Ecologically Relevant Geomorphology (ERGo) Datasets, Landforms and Physiography contain detailed, multi-scale data on landforms and physiographic (aka land facet) patterns. Although there are many potential uses of these data, the original purpose for these data was to develop an ecologically relevant classification and map of landforms and physiographic classes that are suitable for climate adaptation planning. Because there is large uncertainty associated with future climate conditions and even more uncertainty around ecological responses, providing information about what is unlikely to change offers a strong foundation for managers to build robust climate adaptation plans. The quantification of these features of the landscape is sensitive to the resolution, so we provide the highest resolution possible given the extent and characteristics of a given index.


地形多样性(D)是一个替代变量,代表了物种作为当地栖息地可用的各种温度和湿度条件。它所表达的逻辑是,较多的地形气候龛位应支持较高的多样性(尤其是植物),并在气候变化的情况下支持物种的持续存在。

为了计算D,多尺度地形位置指数(mTPI),作为土壤水分(T)的主要控制因素,被用来测量山坡位置。mTPI与mTPI>0时的方根变换(T')和连续热阻负荷指数(CHILI)的标准差相结合,在多尺度下计算(C')。D=1-((1-T')*(1-C')。它基于美国地质调查局的10米NED DEM(在EE中可作为USGS/NED)。


保护科学伙伴(CSP)生态相关地貌(ERGo)数据集、地貌和地形学包含详细的、多尺度的地貌和地形学(又称土地面)模式数据。尽管这些数据有许多潜在的用途,但这些数据的最初目的是开发适合气候适应规划的生态相关的地貌和自然地理类别的分类和地图。因为未来的气候条件有很大的不确定性,围绕生态反应的不确定性甚至更大,提供有关不太可能改变的信息为管理者建立强大的气候适应计划提供了一个坚实的基础。景观的这些特征的量化对分辨率很敏感,所以我们在给定指数的范围和特征的情况下,提供尽可能高的分辨率。

Dataset Availability

2006-01-24T00:00:00 - 2011-05-13T00:00:00

Dataset Provider

Conservation Science Partners

Collection Snippet

ee.Image("CSP/ERGo/1_0/US/topoDiversity")

Resolution

90 meters

Bands Table

Name Description Min* Max*
constant NED-derived topographic diversity 0 1

* = Values are estimated


代码:

var dataset = ee.Image('CSP/ERGo/1_0/US/topoDiversity');
var usTopographicDiversity = dataset.select('constant');
var usTopographicDiversityVis = {
  min: 0.0,
  max: 1.0,
};
Map.setCenter(-111.313, 39.724, 6);
Map.addLayer(
    usTopographicDiversity, usTopographicDiversityVis,
    'US Topographic Diversity');


相关文章
|
1月前
|
存储 分布式计算 Java
存算分离与计算向数据移动:深度解析与Java实现
【11月更文挑战第10天】随着大数据时代的到来,数据量的激增给传统的数据处理架构带来了巨大的挑战。传统的“存算一体”架构,即计算资源与存储资源紧密耦合,在处理海量数据时逐渐显露出其局限性。为了应对这些挑战,存算分离(Disaggregated Storage and Compute Architecture)和计算向数据移动(Compute Moves to Data)两种架构应运而生,成为大数据处理领域的热门技术。
48 2
|
1月前
|
JavaScript API 开发工具
<大厂实战场景> ~ Flutter&鸿蒙next 解析后端返回的 HTML 数据详解
本文介绍了如何在 Flutter 中解析后端返回的 HTML 数据。首先解释了 HTML 解析的概念,然后详细介绍了使用 `http` 和 `html` 库的步骤,包括添加依赖、获取 HTML 数据、解析 HTML 内容和在 Flutter UI 中显示解析结果。通过具体的代码示例,展示了如何从 URL 获取 HTML 并提取特定信息,如链接列表。希望本文能帮助你在 Flutter 应用中更好地处理 HTML 数据。
109 1
|
20天前
|
数据采集 存储 自然语言处理
基于Qwen2.5的大规模ESG数据解析与趋势分析多Agent系统设计
2022年中国上市企业ESG报告数据集,涵盖制造、能源、金融、科技等行业,通过Qwen2.5大模型实现报告自动收集、解析、清洗及可视化生成,支持单/多Agent场景,大幅提升ESG数据分析效率与自动化水平。
|
1月前
|
JSON 前端开发 JavaScript
API接口商品详情接口数据解析
商品详情接口通常用于提供特定商品的详细信息,这些信息比商品列表接口中的信息更加详细和全面。以下是一个示例的JSON数据格式,用于表示一个商品详情API接口的响应。这个示例假定API返回一个包含商品详细信息的对象。
|
23天前
|
监控 Java 应用服务中间件
高级java面试---spring.factories文件的解析源码API机制
【11月更文挑战第20天】Spring Boot是一个用于快速构建基于Spring框架的应用程序的开源框架。它通过自动配置、起步依赖和内嵌服务器等特性,极大地简化了Spring应用的开发和部署过程。本文将深入探讨Spring Boot的背景历史、业务场景、功能点以及底层原理,并通过Java代码手写模拟Spring Boot的启动过程,特别是spring.factories文件的解析源码API机制。
61 2
|
2月前
|
缓存 Java 程序员
Map - LinkedHashSet&Map源码解析
Map - LinkedHashSet&Map源码解析
72 0
|
2月前
|
算法 Java 容器
Map - HashSet & HashMap 源码解析
Map - HashSet & HashMap 源码解析
57 0
|
2月前
|
存储 Java C++
Collection-PriorityQueue源码解析
Collection-PriorityQueue源码解析
64 0
|
2月前
|
安全 Java 程序员
Collection-Stack&Queue源码解析
Collection-Stack&Queue源码解析
85 0
|
23天前
|
存储 安全 Linux
Golang的GMP调度模型与源码解析
【11月更文挑战第11天】GMP 调度模型是 Go 语言运行时系统的核心部分,用于高效管理和调度大量协程(goroutine)。它通过少量的操作系统线程(M)和逻辑处理器(P)来调度大量的轻量级协程(G),从而实现高性能的并发处理。GMP 模型通过本地队列和全局队列来减少锁竞争,提高调度效率。在 Go 源码中,`runtime.h` 文件定义了关键数据结构,`schedule()` 和 `findrunnable()` 函数实现了核心调度逻辑。通过深入研究 GMP 模型,可以更好地理解 Go 语言的并发机制。

推荐镜像

更多