Google Earth Engine——南极洲高程模型(REMA)2米和8米的空间分辨率数据集

简介: Google Earth Engine——南极洲高程模型(REMA)2米和8米的空间分辨率数据集

镶嵌后REMA数据

The Reference Elevation Model of Antarctica (REMA) is a high resolution, time-stamped Digital Surface Model (DSM) of Antarctica at 2-meter and 8-meter spatial resolutions.

Mosaicked DEM files are compiled from multiple strips that have been co-registered, blended, and feathered to reduce edge-matching artifacts.

南极洲参考高程模型(REMA)是一个高分辨率、有时间戳的南极洲数字表面模型(DSM),具有2米和8米的空间分辨率。

镶嵌的DEM文件是由多个条带汇编而成的,这些条带经过共同登记、混合和羽化,以减少边缘匹配的人工痕迹。

Dataset Availability

2009-01-01T00:00:00 - 2018-01-01T00:00:00

Dataset Provider

University of Minnesota Polar Geospatial Center

Collection Snippet

ee.Image("UMN/PGC/REMA/V1_1/8m")

 

Resolution

8 meters

Bands Table

Name Description Units
elevation Elevation meters

数据说明:

美国国家科学基金会(PGC的主要资金来源)的政策要求研究人员在所有出版物、网页和媒体采访中承认NSF的支持。

通过在地球引擎中使用PGC数据,用户同意引用PGC及其由NSF提供的赞助。由PGC提供的任何第三方数据的原始来源也必须适当注明。

数据引用:

Howat, I. M., Porter, C., Smith, B. E., Noh, M.-J., and Morin, P.: The Reference Elevation Model of Antarctica, The Cryosphere, 13, 665-674, 2019.

TC - The Reference Elevation Model of Antarctica

代码:

var mosaic = ee.Image('UMN/PGC/REMA/V1_1/8m');
Map.setCenter(85, -75, 3);
var elevationVis = {
  bands: ['elevation'],
  min: -50.0,
  max: 1000.0,
  palette: ['0d13d8', '60e1ff', 'ffffff'],
};
Map.addLayer(mosaic, elevationVis, 'REMA_DEM_mosaic_8m');

 


2m分辨率数据:

Strip DEM files correspond to the overlapping area of the input stereoscopic imagery pair strips as they are collected by DigitalGlobe’s constellation of polar-orbiting satellites. Strip DEM dimensions will vary according to the satellite sensor that acquired the images and the off-nadir angle of collection. Most strips are between 13 km and 17 km in width, and 110 km and 120 km in length.

条状DEM文件与输入的立体图像对条的重叠区域相对应,因为它们是由数字地球公司的极地轨道卫星群收集的。条状DEM的尺寸将根据获取图像的卫星传感器和收集的离地角度而变化。大多数条带的宽度在13公里到17公里之间,长度在110公里到120公里之间。

Collection Snippet

ee.ImageCollection("UMN/PGC/REMA/V1/2m")

Resolution

2 meters

波段信息:

Name Description Units
elevation Elevation meters
matchtag Bitmask raster indicating DEM pixels processing
matchtag Bitmask
  • Bit 0: Pixel processing
    • 0: Pixels have been interpolated
    • 1: Pixels are derived from a stereo match

代码:

var collection = ee.ImageCollection('UMN/PGC/REMA/V1/2m');
Map.setCenter(85, -75, 3);
var elevationVis = {
  bands: ['elevation'],
  min: -50.0,
  max: 1000.0,
  palette: ['0d13d8', '60e1ff', 'ffffff'],
};
Map.addLayer(collection, elevationVis, 'REMA_DEM_strips_2m');

 

8m分辨率数据:

Collection Snippet

ee.ImageCollection("UMN/PGC/REMA/V1/8m")

Resolution

8 meters

波段信息

Name Description Units
elevation Elevation meters
matchtag Bitmask raster indicating DEM pixels processing
matchtag Bitmask
  • Bit 0: Pixel processing
    • 0: Pixels have been interpolated
    • 1: Pixels are derived from a stereo match

代码:

var collection = ee.ImageCollection('UMN/PGC/REMA/V1/8m');
Map.setCenter(85, -75, 3);
var elevationVis = {
  bands: ['elevation'],
  min: -50.0,
  max: 1000.0,
  palette: ['0d13d8', '60e1ff', 'ffffff'],
};
Map.addLayer(collection, elevationVis, 'REMA_DEM_strips_8m');

 

 


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~
4207 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
393 4
|
1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。
180 0
|
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
468 0
|
3月前
|
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。
1041 1
|
6月前
|
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。
306 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。
165185 58
|
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
|
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
356 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~
1045 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

热门文章

最新文章