Google Earth Engine——WWF/HydroSHEDS/03DIR水文信息数据集提供了一套不同尺度的地理参考数据集(矢量和栅格),包括河流网络、流域边界、排水方向和流量积累。

简介: Google Earth Engine——WWF/HydroSHEDS/03DIR水文信息数据集提供了一套不同尺度的地理参考数据集(矢量和栅格),包括河流网络、流域边界、排水方向和流量积累。

HydroSHEDS is a mapping product that provides hydrographic information for regional and global-scale applications in a consistent format. It offers a suite of geo-referenced datasets (vector and raster) at various scales, including river networks, watershed boundaries, drainage directions, and flow accumulations. HydroSHEDS is based on elevation data obtained in 2000 by NASA's Shuttle Radar Topography Mission (SRTM).

 

This drainage direction dataset defines the direction of flow from each cell in the conditioned DEM to its steepest down-slope neighbor. Values of drainage direction vary from 1 to 128. All final outlet cells to the ocean are flagged with a value of 0. All cells that mark the lowest point of an endorheic basin (inland sink) are flagged with a value of -1. The drainage direction values follow the convention adopted by ESRI's flow direction implementation: 1=E, 2=SE, 4=S, 8=SW, 16=W, 32=NW, 64=N, 128=NE.

This dataset is at 3 arc-second resolution. The datasets available at 3 arc-seconds are the Void-Filled DEM, Hydrologically Conditioned DEM, and Drainage (Flow) Direction.

Note that the quality of the HydroSHEDS data is significantly lower for regions above 60 degrees northern latitude as there is no underlying SRTM elevation data available and thus a coarser-resolution DEM was (HYDRO1k provided by USGS).

HydroSHEDS was developed by the World Wildlife Fund (WWF) Conservation Science Program in partnership with the U.S. Geological Survey, the International Centre for Tropical Agriculture, The Nature Conservancy, and the Center for Environmental Systems Research of the University of Kassel, Germany.


HydroSHEDS是一个制图产品,以一致的格式为区域和全球范围的应用提供水文信息。它提供了一套不同尺度的地理参考数据集(矢量和栅格),包括河流网络、流域边界、排水方向和流量积累。HydroSHEDS是基于NASA的航天飞机雷达地形任务(SRTM)在2000年获得的高程数据。

这个排水方向数据集定义了从条件DEM中的每个单元到其最陡峭的下坡邻居的流动方向。排水方向的值从1到128不等。所有通向海洋的最终出口单元都标记为0,所有标志着内流盆地(内陆水槽)最低点的单元都标记为-1。 排水方向值遵循ESRI的流向实施惯例。1=e, 2=se, 4=s, 8=sw, 16=w, 32=nw, 64=n, 128=ne.

该数据集的分辨率为3弧秒。3角秒的数据集是虚空填充DEM、水文条件DEM和排水(流)方向。

请注意,在北纬60度以上的地区,HydroSHEDS数据的质量要低得多,因为没有底层的SRTM高程数据可用,因此要用更粗的分辨率DEM(美国地质调查局提供的HYDRO1k)。

HydroSHEDS是由世界自然基金会(WWF)保护科学项目与美国地质调查局、国际热带农业中心、大自然保护协会和德国卡塞尔大学环境系统研究中心合作开发的。

Dataset Availability

2000-02-11T00:00:00 - 2000-02-22T00:00:00

Dataset Provider

WWF

Collection Snippet

ee.Image("WWF/HydroSHEDS/03DIR")

Resolution

92.77 meters

Bands Table

Name Description Min* Max*
b1 Drainage direction possible values: 1=E, 2=SE, 4=S, 8=SW, 16=W, 32=NW, 64=N, 128=NE; final outlet cells to the ocean are flagged with a value of 0 and cells that mark the lowest point of an endorheic basin (inland sink) are flagged with a value of 255 (original value of -1) 0 255


* = Values are estimated

引用:

Lehner, B., Verdin, K., Jarvis, A. (2008): New global hydrography derived from spaceborne elevation data. Eos, Transactions, AGU, 89(10): 93-94.

代码:

var dataset = ee.Image('WWF/HydroSHEDS/03DIR');
var drainageDirection = dataset.select('b1');
var drainageDirectionVis = {
  min: 1.0,
  max: 128.0,
  palette: [
    '000000', '023858', '006837', '1a9850', '66bd63', 'a6d96a', 'd9ef8b',
    'ffffbf', 'fee08b', 'fdae61', 'f46d43', 'd73027'
  ],
};
Map.setCenter(-121.652, 38.022, 8);
Map.addLayer(drainageDirection, drainageDirectionVis, 'Drainage Direction');


相关文章
|
9天前
|
机器学习/深度学习 计算机视觉
RT-DETR改进策略【Neck】| ASF-YOLO 注意力尺度序列融合模块改进颈部网络,提高小目标检测精度
RT-DETR改进策略【Neck】| ASF-YOLO 注意力尺度序列融合模块改进颈部网络,提高小目标检测精度
40 3
RT-DETR改进策略【Neck】| ASF-YOLO 注意力尺度序列融合模块改进颈部网络,提高小目标检测精度
|
10天前
|
机器学习/深度学习 编解码 计算机视觉
RT-DETR改进策略【Backbone/主干网络】| 替换骨干网络为:Swin Transformer,提高多尺度特征提取能力
RT-DETR改进策略【Backbone/主干网络】| 替换骨干网络为:Swin Transformer,提高多尺度特征提取能力
40 12
RT-DETR改进策略【Backbone/主干网络】| 替换骨干网络为:Swin Transformer,提高多尺度特征提取能力
|
10天前
|
计算机视觉 Perl
RT-DETR改进策略【Backbone/主干网络】| 替换骨干网络为CVPR-2024 PKINet 获取多尺度纹理特征,适应尺度变化大的目标
RT-DETR改进策略【Backbone/主干网络】| 替换骨干网络为CVPR-2024 PKINet 获取多尺度纹理特征,适应尺度变化大的目标
39 10
RT-DETR改进策略【Backbone/主干网络】| 替换骨干网络为CVPR-2024 PKINet 获取多尺度纹理特征,适应尺度变化大的目标
|
11天前
|
机器学习/深度学习 计算机视觉
YOLOv11改进策略【Neck】| ASF-YOLO 注意力尺度序列融合模块改进颈部网络,提高小目标检测精度
YOLOv11改进策略【Neck】| ASF-YOLO 注意力尺度序列融合模块改进颈部网络,提高小目标检测精度
42 9
YOLOv11改进策略【Neck】| ASF-YOLO 注意力尺度序列融合模块改进颈部网络,提高小目标检测精度
|
13天前
|
机器学习/深度学习 编解码 异构计算
YOLOv11改进策略【模型轻量化】| 替换骨干网络为 ICCV 2023的EfficientViT 用于高分辨率密集预测的多尺度线性关注
YOLOv11改进策略【模型轻量化】| 替换骨干网络为 ICCV 2023的EfficientViT 用于高分辨率密集预测的多尺度线性关注
42 11
YOLOv11改进策略【模型轻量化】| 替换骨干网络为 ICCV 2023的EfficientViT 用于高分辨率密集预测的多尺度线性关注
|
9天前
|
机器学习/深度学习 编解码 异构计算
RT-DETR改进策略【模型轻量化】| 替换骨干网络为 ICCV 2023的EfficientViT 用于高分辨率密集预测的多尺度线性关注
RT-DETR改进策略【模型轻量化】| 替换骨干网络为 ICCV 2023的EfficientViT 用于高分辨率密集预测的多尺度线性关注
20 0
RT-DETR改进策略【模型轻量化】| 替换骨干网络为 ICCV 2023的EfficientViT 用于高分辨率密集预测的多尺度线性关注
|
13天前
|
计算机视觉 Perl
YOLOv11改进策略【Backbone/主干网络】| 替换骨干网络为CVPR-2024 PKINet 获取多尺度纹理特征,适应尺度变化大的目标
YOLOv11改进策略【Backbone/主干网络】| 替换骨干网络为CVPR-2024 PKINet 获取多尺度纹理特征,适应尺度变化大的目标
18 0
YOLOv11改进策略【Backbone/主干网络】| 替换骨干网络为CVPR-2024 PKINet 获取多尺度纹理特征,适应尺度变化大的目标
|
13天前
|
机器学习/深度学习 编解码 计算机视觉
YOLOv11改进策略【Backbone/主干网络】| 替换骨干网络为:Swin Transformer,提高多尺度特征提取能力
YOLOv11改进策略【Backbone/主干网络】| 替换骨干网络为:Swin Transformer,提高多尺度特征提取能力
27 0
YOLOv11改进策略【Backbone/主干网络】| 替换骨干网络为:Swin Transformer,提高多尺度特征提取能力
|
3月前
|
运维 网络协议 算法
7 层 OSI 参考模型:详解网络通信的层次结构
7 层 OSI 参考模型:详解网络通信的层次结构
579 1
|
3月前
|
机器学习/深度学习 计算机视觉 网络架构
【YOLO11改进 - C3k2融合】C3k2融合DWRSeg二次创新C3k2_DWRSeg:扩张式残差分割网络,提高特征提取效率和多尺度信息获取能力,助力小目标检测
【YOLO11改进 - C3k2融合】C3k2融合DWRSDWRSeg是一种高效的实时语义分割网络,通过将多尺度特征提取方法分解为区域残差化和语义残差化两步,提高了多尺度信息获取的效率。网络设计了Dilation-wise Residual (DWR) 和 Simple Inverted Residual (SIR) 模块,分别用于高阶段和低阶段,以充分利用不同感受野的特征图。实验结果表明,DWRSeg在Cityscapes和CamVid数据集上表现出色,以每秒319.5帧的速度在NVIDIA GeForce GTX 1080 Ti上达到72.7%的mIoU,超越了现有方法。代码和模型已公开。

热门文章

最新文章