Google Earth Engine——该数字高程模型 (DEM) 由 ASTER 和 SPOT-5 DEM 的组合构建而成,用于冰盖外围和边缘(即平衡线高程以下)以南约 82.5°N,以及冰盖内部

简介: Google Earth Engine——该数字高程模型 (DEM) 由 ASTER 和 SPOT-5 DEM 的组合构建而成,用于冰盖外围和边缘(即平衡线高程以下)以南约 82.5°N,以及冰盖内部

This Digital Elevation Model (DEM) is constructed from a combination of ASTER and SPOT-5 DEM's for the ice sheet periphery and margin (i.e. below the equilbrium line elevation) south of approximately 82.5°N, and AVHRR photoclinometry in the ice sheet interior and far north (Scambos and Haran, 2002).

SPOT-5 DEM's were produced and distributed as part of the Spot5 stereoscopic survey of Polar Ice: Reference Images & Topographies (SPIRIT) project (Korona et al., 2009). Ocean surfaces were masked using the GIMP Land Classification mask and replased with the CNES CLS11 mean sea surface height (Schaeffer et al., 2012).


Note

  • All land elevation data is horizontally and vertically registered to average ICESat elevations for the 2003-2009 time period, and therefore the DEM has a nominal date of 2007, although care must be taken when using the DEM in areas of rapid change, such as major outlet glaciers south of 70°N.
  • The DEM has a resolution of 30 m, although the "true" resolution of the DEM will vary from 40 m in areas of SPOT-5 coverage (see Korona et al. 2009) to 500 m in areas of photoclinometry.
  • The ice-sheet-wide root-mean-squared validation error relative to ICESat is +/-10 m, rangining from close to +/- 1 m over most ice surfaces to +/- 30 m in areas of high relief.

General documentation


该数字高程模型 (DEM) 由 ASTER 和 SPOT-5 DEM 的组合构建而成,用于冰盖外围和边缘(即平衡线高程以下)以南约 82.5°N,以及冰盖内部和远北(Scambos 和 Haran,2002 年)。

SPOT-5 DEM 是作为极地冰的 Spot5 立体测量:参考图像和地形 (SPIRIT) 项目(Korona 等人,2009 年)的一部分制作和分发的。海洋表面使用 GIMP 陆地分类掩码进行掩蔽,并使用 CNES CLS11 平均海面高度进行替换(Schaeffer 等人,2012 年)。

笔记

2003-2009 年期间,所有土地高程数据都被水平和垂直注册到平均 ICESat 高程,因此 DEM 的名义日期为 2007 年,但在快速变化的地区使用 DEM 时必须小心,例如主要70°N 以南的出口冰川。

DEM 的分辨率为 30 m,尽管 DEM 的“真实”分辨率将在 SPOT-5 覆盖区域(见 Korona 等人,2009)的 40 m 到光度测量区域的 500 m 之间变化。

相对于 ICESat 的冰盖范围均方根验证误差为 +/-10 m,范围从大多数冰面的接近 +/- 1 m 到高起伏区域的 +/- 30 m。

一般文件

Dataset Availability

1999-06-30T00:00:00 - 2002-09-04T00:00:00

Dataset Provider

NASA NSIDC DAAC at CIRES

Collection Snippet

ee.Image("OSU/GIMP/DEM")

Bands Table

Name Description Resolution Units
elevation Elevation 30 meters Meters

数据引用:

Howat, I.M., A. Negrete, B.E. Smith, 2014, The Greenland Ice Mapping Project (GIMP) land classification and surface elevation datasets, The Cryosphere, 8, 1509-1518, doi:10.5194/tc-8-1509-2014article pdf


代码:

var dataset = ee.Image('OSU/GIMP/DEM');
var elevation = dataset.select('elevation');
var elevationVis = {
  min: 0.0,
  max: 2000.0,
};
Map.setCenter(-41.0, 76.0, 4);
Map.addLayer(elevation, elevationVis, 'Elevation');


相关文章
|
10月前
|
数据可视化 定位技术 Sentinel
如何用Google Earth Engine快速、大量下载遥感影像数据?
【2月更文挑战第9天】本文介绍在谷歌地球引擎(Google Earth Engine,GEE)中,批量下载指定时间范围、空间范围的遥感影像数据(包括Landsat、Sentinel等)的方法~
3095 1
如何用Google Earth Engine快速、大量下载遥感影像数据?
|
10月前
|
人工智能 自然语言处理 API
Google Gemma 模型服务:开放的生成式 AI 模型服务
Google Gemma 模型服务:开放的生成式 AI 模型服务
288 4
|
10月前
|
机器学习/深度学习 算法 数据可视化
基于Google Earth Engine云平台构建的多源遥感数据森林地上生物量AGB估算模型含生物量模型应用APP
基于Google Earth Engine云平台构建的多源遥感数据森林地上生物量AGB估算模型含生物量模型应用APP
337 0
|
12天前
|
人工智能 边缘计算 自然语言处理
Google 发布其开源模型系列最新模型 Gemma 3
Google 发布了其开源模型系列的最新成员 Gemma 3,这是一款轻量级、高性能的 AI 模型,支持多语言和复杂任务。它具备 140+ 语言支持、128K-token 上下文窗口、增强的多模态分析能力以及函数调用功能,适用于聊天 AI、代码生成等多种场景。Gemma 3 在性能上超越 Llama 3-8B 和 Mistral 7B,且仅需单 GPU 即可运行,大幅降低计算成本。提供 1B 至 27B 不同参数规模版本,满足多样化需求,并优化了量化模型以适应边缘计算和移动设备。其多模态设计整合了 SigLIP 图像编码器,扩展上下文窗口至 128k token,显著提升了视觉和文本理解能力。
89 3
Google 发布其开源模型系列最新模型 Gemma 3
|
6月前
|
SQL 监控 大数据
通过Google Dataflow,我们能够构建一个高效、可扩展且易于维护的实时数据处理系统
【9月更文挑战第7天】随着大数据时代的到来,企业对高效数据处理的需求日益增加,特别是在实时分析和事件驱动应用中。Google Dataflow作为Google Cloud Platform的一项服务,凭借其灵活、可扩展的特点,成为实时大数据处理的首选。本文将介绍Dataflow的基本概念、优势,并通过一个电商日志分析的实际案例和示例代码,展示如何构建高效的数据处理管道。Dataflow不仅支持自动扩展和高可用性,还提供了多种编程语言支持和与GCP其他服务的紧密集成,简化了整个数据处理流程。通过Dataflow,企业可以快速响应业务需求,优化用户体验。
171 3
|
7月前
|
SQL 监控 大数据
"解锁实时大数据处理新境界:Google Dataflow——构建高效、可扩展的实时数据管道实践"
【8月更文挑战第10天】随着大数据时代的发展,企业急需高效处理数据以实现即时响应。Google Dataflow作为Google Cloud Platform的强大服务,提供了一个完全托管的流处理与批处理方案。它采用Apache Beam编程模型,支持自动扩展、高可用性,并能与GCP服务无缝集成。例如,电商平台可通过Dataflow实时分析用户行为日志:首先利用Pub/Sub收集数据;接着构建管道处理并分析这些日志;最后将结果输出至BigQuery。Dataflow因此成为构建实时数据处理系统的理想选择,助力企业快速响应业务需求。
393 6
|
10月前
|
运维 监控 Serverless
一键开启 GPU 闲置模式,基于函数计算低成本部署 Google Gemma 模型服务
本文介绍如何使用函数计算 GPU 实例闲置模式低成本、快速的部署 Google Gemma 模型服务。
165062 58
|
9月前
|
人工智能 自然语言处理 机器人
[AI Google] 新的生成媒体模型和工具,专为创作者设计和构建
探索谷歌最新的生成媒体模型:用于高分辨率视频生成的 Veo 和用于卓越文本生成图像能力的 Imagen 3。还可以了解使用 Music AI Sandbox 创作的新演示录音。
[AI Google] 新的生成媒体模型和工具,专为创作者设计和构建
|
10月前
|
机器学习/深度学习 人工智能 自然语言处理
再超Transformer!Google提出两个新模型(Griffin、Hawk),强于Mamba,更省资源
【2月更文挑战第15天】再超Transformer!Google提出两个新模型(Griffin、Hawk),强于Mamba,更省资源
307 1
再超Transformer!Google提出两个新模型(Griffin、Hawk),强于Mamba,更省资源
|
10月前
|
编解码 人工智能 算法
Google Earth Engine——促进森林温室气体报告的全球时间序列数据集
Google Earth Engine——促进森林温室气体报告的全球时间序列数据集
144 0