中科星图——Landsat9_C2_TOA数据集

简介

Landsat9_C2_TOA数据集是将数据每个波段的辐射亮度值转换为大气层顶表观反射率TOA,是飞行在大气层之外的航天传感器量测的反射率,包括了云层、气溶胶和气体的贡献,可通过辐射亮度定标参数、太阳辐照度、太阳高度角和成像时间等几个参数计算得到。为了便于在线分析存储,平台将影像像素值扩大了10000倍。Landsat9卫星包含二代陆地成像仪(Operational Land Imager2,OLI-2)和二代热红外传感器(Thermal Infrared Sensor,TIRS-2)两种传感器。卫星每16 天可以实现一次全球覆盖。OLI-2包括九个波段,空间分辨率为30米,包括一个15米的全色波段,成像宽幅为185×185km。TIRS-2用于收集地球两个热区地带的热量流失,了解所观测地带的水分消耗。相较于Landsat8上的TIRS,TIRS在风险等级和设计上做了改进,以尽量减少杂光影像。前言 -- 人工智能教程

Landsat 9是美国地球观测卫星计划的最新一员,该计划旨在提供全球范围的高分辨率和连续的地球表面观测数据以支持地球科学研究、自然资源管理和环境监测等领域的应用。Landsat 9卫星搭载了一系列传感器,其中包括Landsat 9_C2_TOA数据集。

Landsat 9_C2_TOA数据集是Landsat 9卫星获取的卫星遥感图像数据经过辐射定标处理后生成的一种数据产品。TOA(Top-of-Atmosphere,大气顶层)反射率是指在大气层顶部的地球表面反射的能量,该数据集提供了地球表面在不同波段上的反射率信息。

Landsat 9_C2_TOA数据集具有以下特点和优势:

  1. 高空间分辨率:Landsat 9_C2_TOA数据集的空间分辨率为30米,能够提供较为详细的地表信息,适用于各种地理空间分析和土地利用研究。

  2. 大范围覆盖:Landsat 9_C2_TOA数据集能够提供全球范围的遥感影像数据,覆盖了地球上绝大部分的陆地和水域区域。

  3. 连续观测:Landsat 9卫星每天重复观测地球表面相同的区域,保证了数据的连续性和时序性,可以用于监测地表变化和时间序列分析。

  4. 多光谱波段:Landsat 9_C2_TOA数据集包括多个光谱波段的信息,包括可见光、近红外、短波红外等波段,能够提供丰富的地表特征信息,如植被、土壤、水体等。

  5. 辐射定标:Landsat 9_C2_TOA数据集经过了辐射定标处理,能够准确反映地球表面的辐射反射率,具有较高的数据准确性和可靠性。

Landsat 9_C2_TOA数据集的应用非常广泛,主要涵盖以下几个领域:

  1. 地表变化监测:利用Landsat 9_C2_TOA数据集,可以监测和分析地表的变化,如城市扩展、植被覆盖变化、土地利用变化等,为城市规划、自然资源管理和环境保护提供数据支持。

  2. 气候研究:Landsat 9_C2_TOA数据集可以用于气候研究,包括地表温度监测、冰雪覆盖变化分析、海洋表面温度测量等,为气候模型验证和预测提供重要数据来源。

  3. 自然灾害监测:Landsat 9_C2_TOA数据集可以用于自然灾害的监测和评估,如洪水灾害、森林火灾、地震灾害等,及时获取灾害区域的遥感图像数据,可以提供重要的灾情信息和应急响应支持。

  4. 农业和林业管理:利用Landsat 9_C2_TOA数据集,可以监测和评估农作物和森林的生长状况,如农田覆盖度、作物叶面积指数、森林生长动态等,为农业和林业管理决策提供数据支持。

总之,Landsat 9_C2_TOA数据集是一种重要的遥感数据产品,具有高空间分辨率、大范围覆盖、连续观测、多光谱波段和辐射定标等特点。其广泛应用于地表变化监测、气候研究、自然灾害监测、农业和林业管理等领域,为科学研究和社会应用提供了重要的数据支持。

数据名称:

Landsat9_C2_TOA

数据来源:

USGS

时空范围:

2022年1月-2023年3月

空间范围:

全国

波段

名称 分辨率(米) 比例因子 波长范围(微米) 描述
B1 30 10000 0.43 - 0.45 Coastal aerosol(沿海气溶胶波段)
B2 30 10000 0.45 - 0.51 Blue(蓝色波段)
B3 30 10000 0.53 - 0.59 Green(绿色波段)
B4 30 10000 0.64 - 0.67 Red(红色波段)
B5 30 10000 0.85 - 0.88 Near infrared(近红外)
B6 30 10000 1.57 - 1.65 Shortwave infrared 1(短波红外)
B7 30 10000 2.11 - 2.29 Shortwave infrared 2(短波红外)
B8 15 10000 0.52 - 0.90 Panchromatic(全色波段)
B9 30 10000 1.36 - 1.38 Cirrus(卷云波段)
B10 30 10 10.60 - 11.19 Thermal infrared 1, resampled from 100m to 30m(热红外)
B11 30 10 11.50 - 12.51 Thermal infrared 2, resampled from 100m to 30m(热红外)
QA_PIXEL 30 Landsat Collection 2 QA Bitmask(像素质量评估波段)
QA_RADSAT 30 Radiometric saturation QA(辐射饱和度和地形遮挡的质量评估波段)
SAA 30 Solar Azimuth Angle(太阳方位角)
SZA 30 Solar Zenith Angle(太阳天顶角)
VAA 30 View Azimuth Angle(卫星方位角)
VZA 30 View Zenith Angle(卫星天顶角)

代码:

javascript 复制代码
/**
 * @File    :   Landsat9_C2_TOA_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/TOA的Landsat9_C2_TOA类数据集
 * @Name    :   Landsat9_C2_TOA_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/TOA")
                    .filterCloud('lt',20)
                    .filterDate('2022-01-01','2022-02-15')
                    .select(['B2','B3','B4'])
                    .limit(10);
					
print("imageCollection",imageCollection);

//function applyScaleFactors(image) {
//    var opticalBands = image.select('B.*').multiply(0.0001);
//    return image.addBands(opticalBands, null, true)
//}
//
//var img = imageCollection.map(applyScaleFactors).first();
var img = imageCollection.first();

print("first", img);

var visParams = {
//    min: 462,
//    max: 16127,
//    gamma: 1,
//    brightness: 1,
    bands: ['B4', 'B3', 'B2']
};

Map.centerObject(img);
Map.addLayer(img,visParams);

数据引用

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

相关推荐
李加号pluuuus13 分钟前
【扩散模型】LCM LoRA:一个通用的Stable Diffusion加速模块
人工智能·stable diffusion
Alkali!1 小时前
2-5 softmax 回归的简洁实现
人工智能·数据挖掘·回归
哥廷根数学学派2 小时前
基于Maximin的异常检测方法(MATLAB)
开发语言·人工智能·深度学习·机器学习
xrgs_shz2 小时前
人工智能、机器学习、神经网络、深度学习和卷积神经网络的概念和关系
人工智能·深度学习·神经网络·机器学习·卷积神经网络
zzyincsdn4 小时前
从FasterTransformer源码解读开始了解大模型(2.1)代码通读03
人工智能·llm·fastertransform
强迫老板HelloWord4 小时前
前端JS特效第22波:jQuery滑动手风琴内容切换特效
前端·javascript·jquery
dc爱傲雪和技术4 小时前
相机参数与图像处理技术解析
图像处理·人工智能·数码相机
QQ21696368814 小时前
Hi6602 恒压恒流SSR电源方案
人工智能·硬件架构·硬件工程·信息与通信·智能硬件
wodertianna4 小时前
机器学习原理之 -- 神经网络:由来及原理详解
人工智能·神经网络·机器学习