Google Earth Engine ——MYD09Q1.006 Aqua 地表反射率 8-Day Global 250m提供了第1和第2波段的表面光谱反射率的估计,并对气体、气溶胶和瑞利散射等校正

简介: Google Earth Engine ——MYD09Q1.006 Aqua 地表反射率 8-Day Global 250m提供了第1和第2波段的表面光谱反射率的估计,并对气体、气溶胶和瑞利散射等校正

The MYD09Q1 product provides an estimate of the surface spectral reflectance of bands 1 and 2 at 250m resolution and corrected for atmospheric conditions such as gasses, aerosols, and Rayleigh scattering. Along with the two reflectance bands, a quality layer is also included. For each pixel, a value is selected from all the acquisitions within the 8-day composite on the basis of high observation coverage, low view angle, the absence of clouds or cloud shadow, and aerosol loading.

Documentation:


MYD09Q1产品以250米的分辨率提供了第1和第2波段的表面光谱反射率的估计,并对气体、气溶胶和瑞利散射等大气条件进行了校正。与两个反射带一起,还包括一个质量层。对于每个像素,根据高观测覆盖率、低视角、无云或云影以及气溶胶负荷,从8天合成的所有采集中选择一个值。

Dataset Availability

2002-07-04T00:00:00 - 2021-09-06T00:00:00

Dataset Provider

NASA LP DAAC at the USGS EROS Center

Collection Snippet

ee.ImageCollection("MODIS/006/MYD09Q1")

使用说明:

Please visit LP DAAC 'Citing Our Data' page for information on citing LP DAAC datasets.

数据引用:

https://doi.org/10.5067/MODIS/MYD09Q1.006

Resolution

250 meters

Bands Table

Name Description Min Max Wavelength Scale
sur_refl_b01 Surface reflectance band 1 -100 16000 620-670nm 0.0001
sur_refl_b02 Surface reflectance for band 2 -100 16000 841-876nm 0.0001
State Surface reflectance 250m state flags 0
State Bitmask
  • Bits 0-1: Cloud state
    • 0: Clear
    • 1: Cloudy
    • 2: Mixed
    • 3: Not set, assumed clear
  • Bit 2: Cloud shadow
    • 0: No
    • 1: Yes
  • Bits 3-5: Land/water flag
    • 0: Shallow ocean
    • 1: Land
    • 2: Ocean coastlines and lake shorelines
    • 3: Shallow inland water
    • 4: Ephemeral water
    • 5: Deep inland water
    • 6: Continental/moderate ocean
    • 7: Deep ocean
  • Bits 6-7: Aerosol quantity
    • 0: Climatology
    • 1: Low
    • 2: Average
    • 3: High
  • Bits 8-9: Cirrus detected
    • 0: None
    • 1: Small
    • 2: Average
    • 3: High
  • Bit 10: Internal cloud algorithm flag
    • 0: No cloud
    • 1: Cloud
  • Bit 11: Internal fire algorithm flag
    • 0: No fire
    • 1: Fire
  • Bit 12: MOD35 snow/ice flag
    • 0: No
    • 1: Yes
  • Bit 13: Pixel is adjacent to cloud
    • 0: No
    • 1: Yes
  • Bit 14: BRDF correction performed data
    • 0: No
    • 1: Yes
  • Bit 15: Internal snow mask
    • 0: No snow
    • 1: Snow
QA Surface reflectance 250m band quality control flags 0
QA Bitmask
  • Bits 0-1: MODLAND QA bits
    • 0: Corrected product produced at ideal quality - all bands
    • 1: Corrected product produced at less than ideal quality - some or all bands
    • 2: Corrected product not produced due to cloud effects - all bands
    • 3: Corrected product not produced for other reasons - some or all bands, may be fill value (11) [Note that a value of (11) overrides a value of (01)]
  • Bits 2-3: Spare (unused)
    • 0: N/A
  • Bits 4-7: Band 1 data quality
    • 0: Highest quality
    • 7: Noisy detector
    • 8: Dead detector, data interpolated in L1B
    • 9: Solar zenith ≥ 86 degrees
    • 10: Solar zenith ≥ 85 and < 86 degrees
    • 11: Missing input
    • 12: Internal constant used in place of climatological data for at least one atmospheric constant
    • 13: Correction out of bounds, pixel constrained to extreme allowable value
    • 14: L1B data faulty
    • 15: Not processed due to deep ocean or clouds
  • Bits 8-11: Band 2 data quality
    • 0: Highest quality
    • 7: Noisy detector
    • 8: Dead detector, data interpolated in L1B
    • 9: Solar zenith ≥ 86 degrees
    • 10: Solar zenith ≥ 85 and < 86 degrees
    • 11: Missing input
    • 12: Internal constant used in place of climatological data for at least one atmospheric constant
    • 13: Correction out of bounds, pixel constrained to extreme allowable value
    • 14: L1B data faulty
    • 15: Not processed due to deep ocean or clouds
  • Bit 12: Atmospheric correction performed
    • 0: No
    • 1: Yes
  • Bit 13: Adjacency correction performed
    • 0: No
    • 1: Yes
  • Bit 14: Different orbit from 500m
    • 0: No
    • 1: Yes
  • Bit 15: Spare (unused)
    • 0: N/A

代码:

1. var dataset = ee.ImageCollection('MODIS/006/MYD09Q1')
2.                   .filter(ee.Filter.date('2018-01-01', '2018-05-01'));
3. 
4. var falseColorVis = {
5. min: -100.0,
6. max: 6000.0,
7. bands: ['sur_refl_b02', 'sur_refl_b02', 'sur_refl_b01'],
8. };
9. Map.setCenter(6.746, 46.529, 2);
10. Map.addLayer(dataset, falseColorVis, 'False Color');


相关文章
|
7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~
2691 1
如何用Google Earth Engine快速、大量下载遥感影像数据?
|
7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
101 0
|
7月前
|
编解码 人工智能 数据库
Google Earth Engine(GEE)——全球道路盘查项目全球道路数据库
Google Earth Engine(GEE)——全球道路盘查项目全球道路数据库
165 0
|
7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
251 0
|
5月前
|
自然语言处理 安全 Shell
Linux 提权-SUID/SGID_1 本文通过 Google 翻译 SUID | SGID Part-1 – Linux Privilege Escalation 这篇文章所产生,本人仅是对机器翻译中部分表达别扭的字词进行了校正及个别注释补充。
接下来,让我们看看 SUID3NUM 在枚举 SUID 二进制文件方面的表现如何。 3.2、枚举 SUID 二进制文件 – SUID3NUM 我们将用来枚举 SUID 二进制文件的第二个工具是 SUID3NUM。这是一个很棒的工具,因为它是专门为枚举 SUID 二进制文件而创建的。但这还不是全部,它还提供了可用于提升权限的命令(命令从 GTFOBins 中提取)。 这还不是最好的部分,SUID3NUM 还具有内置的 autopwn 功能,可以通过 -e 开关激活! 在 OSCP 考试中也使用此工具,只要您不使用自动利用功能。 3.2.1、下载并执行 SUID3NUM 我们可以从 GitHubs
47 0
|
7月前
|
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~
662 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
|
7月前
|
数据处理
Google Earth Engine(GEE)——sentinel-1数据处理过程中出现错误Dictionary does not contain key: bucketMeans
Google Earth Engine(GEE)——sentinel-1数据处理过程中出现错误Dictionary does not contain key: bucketMeans
124 0
|
7月前
|
数据采集 编解码 人工智能
Google Earth Engine(GEE)——全球每日近地表空气温度(2003-2020年)
Google Earth Engine(GEE)——全球每日近地表空气温度(2003-2020年)
243 0
|
7月前
|
人工智能
Google Earth Engine(GEE)——1984-2019年美国所有土地上的大火烧伤严重程度和范围数据集
Google Earth Engine(GEE)——1984-2019年美国所有土地上的大火烧伤严重程度和范围数据集
76 0
|
7月前
Google Earth Engine(GEE)——当你无法进行两个图像相减的时候发生错误lst2020.subtract is not a function
Google Earth Engine(GEE)——当你无法进行两个图像相减的时候发生错误lst2020.subtract is not a function
88 0