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
|
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~
6243 1
如何用Google Earth Engine快速、大量下载遥感影像数据?
|
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
666 4
|
11月前
|
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。
677 0
|
存储 人工智能 前端开发
Google揭秘Agent架构三大核心:工具、模型与编排层实战指南
本文为Google发布的Agent白皮书全文翻译。本文揭示了智能体如何突破传统AI边界,通过模型、工具与编排层的三位一体架构,实现自主推理与现实交互。它不仅详解了ReAct、思维树等认知框架的运作逻辑,更通过航班预订、旅行规划等案例,展示了智能体如何调用Extensions、Functions和Data Stores,将抽象指令转化为真实世界操作。文中提出的“智能体链式组合”概念,预示了未来多智能体协作解决复杂问题的革命性潜力——这不仅是技术升级,更是AI赋能产业的范式颠覆。
3385 1
|
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。
1189 3
Google 发布其开源模型系列最新模型 Gemma 3
|
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。
165543 58
|
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
607 1
再超Transformer!Google提出两个新模型(Griffin、Hawk),强于Mamba,更省资源
|
存储 编解码 数据可视化
Google Earth Engine获取随机抽样点并均匀分布在栅格的不同数值区中
【2月更文挑战第14天】本文介绍在谷歌地球引擎(Google Earth Engine,GEE)中,按照给定的地表分类数据,对每一种不同的地物类型,分别加以全球范围内随机抽样点自动批量选取的方法~
1479 1
Google Earth Engine获取随机抽样点并均匀分布在栅格的不同数值区中
|
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
|
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
425 0

热门文章

最新文章

推荐镜像

更多