中科星图——Landsat9_C2_SR大气校正后的地表反射率数据
数据名称:
Landsat9_C2_SR
数据来源:
USGS
时空范围:
2022年1月-2023年3月
空间范围:
全国
数据简介:
Landsat9_C2_SR数据集是经大气校正后的地表反射率数据,属于Collection2的二级数据产品,空间分辨率为30米,基于Landsat生态系统扰动自适应处理系统(LEDAPS)(版本3.4.0)生成。水汽、臭氧、大气高度、气溶胶光学厚度、数字高程与Landsat数据一起输入到太阳光谱(6S)辐射传输模型中对卫星信号进行二次模拟,以生成大气顶部(TOA)反射率、表面反射率、TOA亮度温度和云、云影、陆地、水体的掩膜。前言 – 人工智能教程
Landsat 9是美国国家航空航天局(NASA)和美国地质调查局(USGS)合作开发的遥感卫星,于2021年9月27日发射并投入使用。Landsat 9的数据被广泛用于地表观测、环境监测、气候变化研究、城市规划、农业管理等多个领域。其中,Landsat 9的第二级表面反射率(SR)数据集(Collection 2 Surface Reflectance,简称C2_SR)是其中一种常用数据集。
C2_SR数据集是通过对Landsat 9遥感卫星获取的原始数据进行校正和处理得到的。校正包括辐射校正和几何校正。辐射校正通过将原始数据转换为表面反射率来消除大气干扰。几何校正则通过对原始数据进行校正,保证数据的地理位置和几何形状的准确性。经过这些校正和处理步骤,C2_SR数据集能够提供高质量的地表反射率数据。
C2_SR数据集包含多波段的遥感影像,包括蓝光、绿光、红光、近红外、短波红外等波段。这些波段的数据可以用于提取地表特征,如植被覆盖、土地利用变化、水体分布等。此外,C2_SR数据集还提供了云掩模和亮度温度等附加产品,用于进行云检测和表观温度估计。
C2_SR数据集具有以下特点和优势。首先,Landsat 9是一颗多光谱遥感卫星,具有较高的空间分辨率,可以提供30米的分辨率图像。这使得C2_SR数据集适用于较小尺度的地表观测和分析。其次,C2_SR数据集具有较长的时间序列,可以追踪和分析地表变化。这对于监测环境变化和进行长期的地表研究具有重要意义。此外,C2_SR数据集还提供了高质量的数据产品,经过严格的校正和处理,可以提供准确和可靠的地表反射率数据。
C2_SR数据集的应用非常广泛。在地表观测方面,C2_SR数据集可以用于监测植被生长状况、土地利用变化、森林健康状况等。在环境监测方面,C2_SR数据集可以用于监测水体分布和水质状况、土地退化和沙漠化等。在城市规划方面,C2_SR数据集可以用于获取城市扩展和土地利用变化的信息。在农业管理方面,C2_SR数据集可以用于农作物监测和农业生产估算。此外,C2_SR数据集还可以用于气候变化研究、灾害监测和资源管理等方面。
总之,Landsat 9的C2_SR数据集是一种重要的地表观测数据集,具有高质量的地表反射率数据,广泛应用于地表观测、环境监测、气候变化研究等多个领域。它提供了丰富的波段和附加产品,可以用于提取地表特征、监测地表变化,为各种应用提供基础数据。
波段
| 名称 | 单位 | 最小值 | 最大值 | 乘法比例因子 | 加性比例因子 | 波长范围(微米) | 描述 |
|---|---|---|---|---|---|---|---|
| B1 | Reflectance | 1 | 65455 | 0.0000275 | -0.2 | 0.435-0.451 | Band 1 (ultra blue, coastal aerosol) surface reflectance |
| B2 | Reflectance | 1 | 65455 | 0.0000275 | -0.2 | 0.452-0.512 | Band 2 (blue) surface reflectance |
| B3 | Reflectance | 1 | 65455 | 0.0000275 | -0.2 | 0.533-0.590 | Band 3 (green) surface reflectance |
| B4 | Reflectance | 1 | 65455 | 0.0000275 | -0.2 | 0.636-0.673 | Band 4 (red) surface reflectance |
| B5 | Reflectance | 1 | 65455 | 0.0000275 | -0.2 | 0.851-0.879 | Band 5 (near infrared) surface reflectance |
| B6 | Reflectance | 1 | 65455 | 0.0000275 | -0.2 | 1.566-1.651 | Band 6 (shortwave infrared 1) surface reflectance |
| B7 | Reflectance | 1 | 65455 | 0.0000275 | -0.2 | 2.107-2.294 | Band 7 (shortwave infrared 2) surface reflectance |
| SR_QA_AEROSOL | Bit index | Aerosol attributes | |||||
| QA_PIXEL | Bit Index | 21824 | 65534 | Landsat Collection 2 QA Bitmask | |||
| QA_RADSAT | Bit Index | 0 | 3829 | Radiometric saturation QA |
引用代码:
LANDSAT_9/02/T1/SR
代码
/*** @File : Landsat9_C2_SR_T1* @Time : 2023/03/07* @Author : GEOVIS Earth Brain* @Version : 0.1.0* @Contact : 中国(安徽)自由贸易试验区合肥市高新区望江西路900号中安创谷科技园一期A1楼36层* @License : (C)Copyright 中科星图数字地球合肥有限公司 版权所有* @Desc : 数据集key为LANDSAT_9/02/T1/SR的Landsat9_C2_SR类数据集* @Name : Landsat9_C2_SR_T1数据集
*/
//指定检索数据集,可设置检索的空间和时间范围,以及属性过滤条件(如云量过滤)
var imageCollection = gve.ImageCollection("LANDSAT_9/02/T1/SR").filterCloud('lt',20).filterDate('2022-01-20','2022-02-15').select(['B2','B3','B4']).limit(10);print("imageCollection",imageCollection);
//function applyScaleFactors(image) {
// var opticalBands = image.select('B.*').multiply(0.0000275).add(-0.2);
// return image.addBands(opticalBands, null, true)
//}
//
//var img = imageCollection.map(applyScaleFactors).first();
var img = imageCollection.first();
print("first", img);
var visParams = {
// min: 1,
// max: 65454,
// gamma: 1,
// brightness: 1,bands: ['B4', 'B3', 'B2']
};
Map.centerObject(img);
Map.addLayer(img,visParams);

引用
Landsat 数据集属于国际公开数据,可以在没有版权限制的情况下使用、传输或复制。有关USGS数据产品正确引用的更多详细信息,请参阅USGS Visual Identity System Guidancehttps://www.usgs.gov/information-policies-and-instructions/usgs-visual-identity-system
相关文章:
中科星图——Landsat9_C2_SR大气校正后的地表反射率数据
数据名称: Landsat9_C2_SR 数据来源: USGS 时空范围: 2022年1月-2023年3月 空间范围: 全国 数据简介: Landsat9_C2_SR数据集是经大气校正后的地表反射率数据,属于Collection2的二级数据产品&#…...
使用ros_arduino_bridge控制机器人底盘
使用ros_arduino_bridge控制机器人底盘 搭建了ROS分布式环境后,将ros_arduino_bridge功能包上传至Jetson nano,就可以在PC端通过键盘控制小车的运动了。实现流程如下: 系统准备;下载程序;程序修改;分别启动PC与Jetson…...
Nacos下载与安装【windows】
🥚今日鸡汤🥚 我不知将去何方,但我已经在路上。 ——宫崎骏《千与千寻》 目录 🥞1.Nacosdi地址 🌭2.GitHub下载 🍿3.目录结构 🥓4.启动nacos 🧂5.客户端登陆 🧈…...
【随笔】遗传算法优化的BP神经网络(随笔,不是很详细)
文章目录 一、算法思想1.1 BP神经网络1.2 遗传算法1.3 遗传算法优化的BP神经网络 二、代码解读2.1 数据预处理2.2 GABP2.3 部分函数说明 一、算法思想 1.1 BP神经网络 BP神经网络(Backpropagation Neural Network,反向传播神经网络)是一种监…...
Mysql 嵌套子查询
文章目录 子查询 大家好!我是夏小花,今天是2024年1月13日|腊月初三 子查询 需求是:最外层的查询语句里面包含四个不相同表的查询,根据月份进行关联查询,每个查询语句中的where条件可以自行去定义,最后返回数量和月份 …...
Qt QLabel标签控件
文章目录 1 属性和方法1.1 文本1.2 对齐方式1.3 换行1.4 图像 2. 实例2.1 布局2.2 为标签添加背景色2.3 为标签添加图片2.4 代码实现 QLabeI是Qt中的标签类,通常用于显示提示性的文本,也可以显示图像 1 属性和方法 QLabel有很多属性,完整的可…...
iOS14 Widget 小组件调研
桌面小组件是iOS14推出的一种新的桌面内容展现形式。 根据苹果的统计数据,“一般用户每天进入主屏幕的次数超过90次”,如果有一个我们应用的小组件在桌面,每天都有超过90次曝光在用户眼前的机会,这绝对是一个顶级的流量入口。 “…...
HarmonyOS的应用类型(FA vs Stage)
HarmonyOS目前提供两种应用模型 FA(Feature Ability)模型: HarmonyOS API 7开始支持的模型,已经不再主推。 Stage模型: HarmonyOS API 9开始新增的模型,是目前主推且会长期演进的模型。在该模型中,由于提供了AbilityStage、WindowStage等类作为应用组件和Window窗口的…...
Jeecg创建表单页面步骤
1.在Online表单开发里面新建一个表单页面,可以修改数据库属性、页面属性、校验字段、外键、索引,新建完成之后然后同步数据库 2.选中该表,然后生成代码,可以先把代码放在桌面,然后将文件夹是包名称的文件复制到后端代…...
leetcode17 电话号码的字母组合
方法1 if-else方法 if-else方法的思路及其简单粗暴,如下图所示,以数字234为例,数字2所对应的字母是abc,数字3所对应的是def,数字4所对应的是ghi,最后所产生的结果就类似于我们中学所学过的树状图一样&…...
用html和css实现一个加载页面【究极简单】
要创建一个简单的加载页面,你可以使用 HTML 和 CSS 来设计。以下是一个基本的加载页面示例: HTML 文件 (index.html): <!DOCTYPE html> <html lang"en"> <head><meta charset"UTF-8"><meta name"…...
Android-消息机制Handler
Handler的机制:Android 消息传递机制就是handler。在多线程的应用场景中,将工作线程中需更新UI的操作信息 传递到 UI主线程,从而实现对UI的更新处理,最终实现异步消息的处理。多个线程并发更新UI的同时 保证线程安全。Handler只是一个入口&am…...
MySQL夯实之路-事务详解
事务四大特性 事务需要通过严格的acid测试。Acid表示原子性,一致性,隔离性,持久性。 原子性(atomicity) 事务是不可分割的最小单元,对于整个事务的操作,要么全部提交成功,要么全部…...
安泰电子前置微小信号放大器怎么用的
前置微小信号放大器是一种重要的电子设备,用于放大微弱的输入信号,提高系统的灵敏度。它在各种领域中都有广泛的应用,包括音频、通信、测量等。在这篇文章中,我们将详细介绍前置微小信号放大器的使用方法,以便更好地理…...
【深度学习每日小知识】Overfitting 过拟合
过拟合是机器学习(ML)中的常见问题,是指模型过于复杂,泛化能力较差的场景。当模型在有限数量的数据上进行训练,并且学习了特定于该特定数据集的模式,而不是适用于新的、看不见的数据的一般模式时࿰…...
嵌入式必备的WEB知识
写在前面 嵌入式要学习Wed前端吗?答案是要的,不需要深入学习,只需要简单了解即可。为什么要学习? 原因如下: 可以远程控制和管理设备:通过简单的Web知识,嵌入式系统可以建立Web界面,…...
Scipy 中级教程——信号处理
Python Scipy 中级教程:信号处理 Scipy 的信号处理模块提供了丰富的工具,用于处理和分析信号数据。在本篇博客中,我们将深入介绍 Scipy 中的信号处理功能,并通过实例演示如何应用这些工具。 1. 信号生成与可视化 首先ÿ…...
【排序篇2】选择排序、计数排序
目录 一、选择排序二、计数排序 一、选择排序 整体思想: 从数组中选出最小值和最大值放在起始位置,直到排序完成 具体步骤: 定义两个变量begin和end为下标,指向数组始末定义要找的最大值的下标为maxi,最小值的下标为…...
重生奇迹mu敏弓加点攻略
1. 选择正确的属性点分配 在重生奇迹mu游戏中敏弓的属性点分配非常重要。建议将主要属性点分配在敏捷和力量上这样可以提高敏弓的攻击力和闪避能力。适当加点在体力和魔力上可以提高敏弓的生存能力和技能释放次数。不要忘记适当加点在智力上可以提高敏弓的技能威力和命中率。 …...
用通俗易懂的方式讲解:一文讲透主流大语言模型的技术原理细节
大家好,今天的文章分享三个方面的内容: 1、比较 LLaMA、ChatGLM、Falcon 等大语言模型的细节:tokenizer、位置编码、Layer Normalization、激活函数等。 2、大语言模型的分布式训练技术:数据并行、张量模型并行、流水线并行、3D …...
Double Q-learning实战:如何用Python解决过估计问题(附代码示例)
Double Q-learning实战:如何用Python解决过估计问题(附代码示例) 强化学习中的Q-learning算法因其简洁高效而广受欢迎,但在某些场景下会出现严重的过估计问题。本文将深入探讨这一现象的本质,并手把手教你用Python实现…...
华硕梅林固件下,让HP1020打印机在Linux网络环境中重获新生
1. 为什么HP1020打印机在Linux网络环境中会"罢工"? 每次看到那台尘封已久的HP LaserJet 1020打印机,我都觉得特别可惜。这台老伙计在Windows系统下表现一直很稳定,但当我尝试把它接入刷了梅林固件的华硕路由器时,却遇到…...
OpenClaw备份恢复:Qwen3-VL:30B飞书配置迁移指南
OpenClaw备份恢复:Qwen3-VL:30B飞书配置迁移指南 1. 为什么需要备份恢复OpenClaw配置 上周我的主力开发机突然硬盘故障,导致所有数据丢失。最让我头疼的不是代码仓库——它们都有远程备份,而是那套精心调校的OpenClaw飞书助手配置。这个助手…...
__attribute__((unused))的妙用:如何优雅地处理未使用的变量与参数
1. 为什么我们需要__attribute__((unused)) 在C/C开发中,编译器警告就像一位严格的代码审查员,时刻提醒我们可能存在的问题。但有时候,我们确实需要定义一些暂时不使用的变量或参数,比如为了保持接口兼容性,或者在某些…...
零基础玩转OpenClaw:星图Qwen3-32B镜像的10个入门级自动化案例
零基础玩转OpenClaw:星图Qwen3-32B镜像的10个入门级自动化案例 1. 为什么选择OpenClawQwen3-32B组合? 去年冬天,当我第一次听说OpenClaw这个开源自动化框架时,内心是既兴奋又忐忑的。兴奋的是终于有一个能在本地电脑上实现AI自动…...
单片机I/O口阻抗特性及其在电路设计中的关键作用
1. 阻抗基础:从水管到电路的理解 第一次接触阻抗概念时,我盯着教科书上的公式发呆了半小时。直到有天修水管时突然开窍——这不就是水管的粗细对水流的影响吗?在电路中,阻抗就是电子流动遇到的"阻力"。但和水管不同&…...
TouchGal Galgame社区完整指南:打造你的二次元游戏乐园
TouchGal Galgame社区完整指南:打造你的二次元游戏乐园 【免费下载链接】kun-touchgal-next TouchGAL是立足于分享快乐的一站式Galgame文化社区, 为Gal爱好者提供一片净土! 项目地址: https://gitcode.com/gh_mirrors/ku/kun-touchgal-next TouchGal是一个专…...
【实战指南】Green Hills MULTI-IDE 从零安装到嵌入式开发环境搭建
1. Green Hills MULTI-IDE 初探:为什么选择它? 如果你正在寻找一款强大的嵌入式开发工具,Green Hills MULTI-IDE 绝对值得考虑。作为一个在嵌入式领域摸爬滚打多年的老手,我用过Keil、IAR等各种IDE,但MULTI-IDE给我的体…...
嵌入式系统中void指针与函数指针的高级应用
void指针与函数指针在嵌入式系统中的高级应用1. void指针的工程应用1.1 void指针的本质特性void指针(void*)在C语言中表示一个"不知道类型"的指针变量,其核心特性在于:int nums[] {3, 5, 6, 7, 9}; void* ptr1 nums; int* ptr2 (int*)nums;…...
从“机器会思考”的执念说起,聊聊神经网络到底是个啥(下篇)
一、神经网络的类型:别被名字搞晕,核心就几种 现在叫“神经网络”的东西五花八门,但绝大多数都是从下面这几类衍生出去的。 1. 前馈神经网络(FNN)—— 最朴素的直筒子 数据从输入层进,经过若干隐藏层&am…...
