Google Earth Engine ——数据全解析专辑(US NED CHILI /Landforms/Topographic Diversity)美国DEM地形10米分辨率数据集

简介: Google Earth Engine ——数据全解析专辑(US NED CHILI /Landforms/Topographic Diversity)美国DEM地形10米分辨率数据集

本次介绍三个数据集:


CHILI

CHILI is a surrogate for effects of insolation and topographic shading on evapotranspiration represented by calculating insolation at early afternoon, sun altitude equivalent to equinox. It is based on the USGS's 10m NED DEM (available in EE as USGS/NED).

The ALOS Landform dataset provides landform classes created by combining the Continuous Heat-Insolation Load Index (CHILI) and the multi-scale Topographic Position Index (mTPI) datasets. It is based on the USGS's 10m NED DEM (available in EE as USGS/NED).


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.


CHILI是日照和地形遮挡对蒸发量影响的替代物,通过计算下午早期的日照,太阳高度相当于赤道。它基于美国地质调查局的10米NED DEM(在EE中可作为USGS/NED)。

ALOS地貌数据集提供了通过结合连续热-日照负荷指数(CHILI)和多尺度地形位置指数(mTPI)数据集创建的地貌类别。它是基于美国地质调查局的10米NED DEM(在EE中以USGS/NED的形式提供)。


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,被用于测量山坡位置。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')。它是基于美国地质调查局的10米NED DEM(在EE中以USGS/NED的名义提供)。


保护科学伙伴(CSP)的生态相关地貌(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。


US NED CHILI (Continuous Heat-Insolation Load Index)

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/CHILI")

Resolution

10 meters

Bands Table

Name Description Min Max
constant NED-derived CHILI index ranging from 0 (very cool) to 255 (very warm). This was rescaled from the [0,1] range in the publication. 0 255

var dataset = ee.Image('CSP/ERGo/1_0/US/CHILI');
var usChili = dataset.select('constant');
var usChiliVis = {
  min: 0.0,
  max: 255.0,
};
Map.setCenter(-105.8636, 40.3439, 11);
Map.addLayer(usChili, usChiliVis, 'US CHILI');

US NED Landforms

Dataset Availability

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

Dataset Provider

Conservation Science Partners

Collection Snippet

Copied

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

Resolution

10 meters

Bands Table

Name Description
constant NED-derived landform classes

Class Table: constant

Value Color Color Value Description
11 #141414 Peak/ridge (warm)
12 #383838 Peak/ridge
13 #808080 Peak/ridge (cool)
14 #EBEB8F Mountain/divide
15 #F7D311 Cliff
21 #AA0000 Upper slope (warm)
22 #D89382 Upper slope
23 #DDC9C9 Upper slope (cool)
24 #DCCDCE Upper slope (flat)
31 #1C6330 Lower slope (warm)
32 #68AA63 Lower slope
33 #B5C98E Lower slope (cool)
34 #E1F0E5 Lower slope (flat)
41 #a975ba Valley
42 #6f198c Valley (narrow)
var dataset = ee.Image('CSP/ERGo/1_0/US/landforms');
var landforms = dataset.select('constant');
var landformsVis = {
  min: 11.0,
  max: 42.0,
  palette: [
    '141414', '383838', '808080', 'EBEB8F', 'F7D311', 'AA0000', 'D89382',
    'DDC9C9', 'DCCDCE', '1C6330', '68AA63', 'B5C98E', 'E1F0E5', 'a975ba',
    '6f198c'
  ],
};
Map.setCenter(-105.58, 40.5498, 11);
Map.addLayer(landforms, landformsVis, 'Landforms');


US NED Topographic Diversity

Dataset Availability

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

var dataset = ee.Image('CSP/ERGo/1_0/US/lithology');
var lithology = dataset.select('b1');
var lithologyVis = {
  min: 0.0,
  max: 20.0,
  palette: [
    '356EFF', 'ACB6DA', 'D6B879', '313131', 'EDA800', '616161', 'D6D6D6',
    'D0DDAE', 'B8D279', 'D5D378', '141414', '6DB155', '9B6D55', 'FEEEC9',
    'D6B879', '00B7EC', 'FFDA90', 'F8B28C'
  ],
};
Map.setCenter(-105.8636, 40.3439, 11);
Map.addLayer(lithology, lithologyVis, 'Lithology');

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


相关文章
|
机器学习/深度学习 人工智能 算法
Google DeepMind新产物: 行星级卫星嵌入数据集(10m)光学+雷达+DEM+climate...
Google 推出 Earth Engine 卫星嵌入数据集,利用 AI 将一年的多源卫星数据压缩至每个 10 米像素,实现高效地理空间分析。基于 AlphaEarth Foundations 模型,该数据集提供 64 维嵌入向量,支持相似性搜索、变化检测、自动聚类和精准分类,助力环境研究与应用。
799 0
|
数据采集 JSON 数据可视化
JSON数据解析实战:从嵌套结构到结构化表格
在信息爆炸的时代,从杂乱数据中提取精准知识图谱是数据侦探的挑战。本文以Google Scholar为例,解析嵌套JSON数据,提取文献信息并转换为结构化表格,通过Graphviz制作技术关系图谱,揭示文献间的隐秘联系。代码涵盖代理IP、请求头设置、JSON解析及可视化,提供完整实战案例。
1033 4
JSON数据解析实战:从嵌套结构到结构化表格
|
JSON 监控 网络协议
Bilibili直播信息流:连接方法与数据解析
本文详细介绍了自行实现B站直播WebSocket连接的完整流程。解析了基于WebSocket的应用层协议结构,涵盖认证包构建、心跳机制维护及数据包解析步骤,为开发者定制直播数据监控提供了完整技术方案。
2991 9
|
缓存 监控 搜索推荐
【实战解析】smallredbook.item_get_video API:小红书视频数据获取与电商应用指南
本文介绍小红书官方API——`smallredbook.item_get_video`的功能与使用方法。该接口可获取笔记视频详情,包括无水印直链、封面图、时长、文本描述、标签及互动数据等,并支持电商场景分析。调用需提供`key`、`secret`和`num_iid`参数,返回字段涵盖视频链接、标题、标签及用户信息等。同时,文章提供了电商实战技巧,如竞品监控与个性化推荐,并列出合规注意事项及替代方案对比。最后解答了常见问题,如笔记ID获取与视频链接时效性等。
|
存储 缓存 监控
如何高效爬取天猫商品数据?官方API与非官方接口全解析
本文介绍两种天猫商品数据爬取方案:官方API和非官方接口。官方API合法合规,适合企业长期使用,需申请企业资质;非官方接口适合快速验证需求,但需应对反爬机制。详细内容涵盖开发步骤、Python实现示例、反爬策略、数据解析与存储、注意事项及扩展应用场景。推荐工具链包括Playwright、aiohttp、lxml等。如需进一步帮助,请联系作者。
|
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。
666 2
|
设计模式 存储 安全
【23种设计模式·全精解析 | 创建型模式篇】5种创建型模式的结构概述、实现、优缺点、扩展、使用场景、源码解析
结构型模式描述如何将类或对象按某种布局组成更大的结构。它分为类结构型模式和对象结构型模式,前者采用继承机制来组织接口和类,后者釆用组合或聚合来组合对象。由于组合关系或聚合关系比继承关系耦合度低,满足“合成复用原则”,所以对象结构型模式比类结构型模式具有更大的灵活性。 结构型模式分为以下 7 种: • 代理模式 • 适配器模式 • 装饰者模式 • 桥接模式 • 外观模式 • 组合模式 • 享元模式
1122 140
【23种设计模式·全精解析 | 创建型模式篇】5种创建型模式的结构概述、实现、优缺点、扩展、使用场景、源码解析
|
算法 测试技术 C语言
深入理解HTTP/2:nghttp2库源码解析及客户端实现示例
通过解析nghttp2库的源码和实现一个简单的HTTP/2客户端示例,本文详细介绍了HTTP/2的关键特性和nghttp2的核心实现。了解这些内容可以帮助开发者更好地理解HTTP/2协议,提高Web应用的性能和用户体验。对于实际开发中的应用,可以根据需要进一步优化和扩展代码,以满足具体需求。
1770 29
|
前端开发 数据安全/隐私保护 CDN
二次元聚合短视频解析去水印系统源码
二次元聚合短视频解析去水印系统源码
777 4
|
JavaScript 算法 前端开发
JS数组操作方法全景图,全网最全构建完整知识网络!js数组操作方法全集(实现筛选转换、随机排序洗牌算法、复杂数据处理统计等情景详解,附大量源码和易错点解析)
这些方法提供了对数组的全面操作,包括搜索、遍历、转换和聚合等。通过分为原地操作方法、非原地操作方法和其他方法便于您理解和记忆,并熟悉他们各自的使用方法与使用范围。详细的案例与进阶使用,方便您理解数组操作的底层原理。链式调用的几个案例,让您玩转数组操作。 只有锻炼思维才能可持续地解决问题,只有思维才是真正值得学习和分享的核心要素。如果这篇博客能给您带来一点帮助,麻烦您点个赞支持一下,还可以收藏起来以备不时之需,有疑问和错误欢迎在评论区指出~

热门文章

最新文章

推荐镜像

更多