基于ArcGIS和ETOPO-2022 DEM数据分层绘制全球海陆分布

第〇部分 前言

一幅带有地理空间参考、且包含海陆分布的DEM图像在研究区的绘制中非常常见,本文将实现以下图像的绘制

关键步骤:

(1)NOAA-NCEI官方下载最新的ETOPO-2022 DEM数据

(2)在ArcGIS(ArcMap)中使用"栅格计算器"分别获取海洋、陆地图层,并分别施加色带

第一部分 ETOPO-2022 DEM数据下载

ETOPO是一个全球高分辨率的地形和海洋深度数据集,提供了地表的详细地形和海洋深度。特点是"全球覆盖"、"高分辨率"。当前最新版本是"ETOPO 2022"

ETOPO-2022 DEM数据下载网址:https://www.ncei.noaa.gov/products/etopo-global-relief-model

对于"ETOPO 2022"的DEM数据,官网提供了"GEOTIFF"和"NC"两种格式的下载。本文以GEOTIFF为例,GEOTIFF分成了三种分辨率:15弧秒分辨率(部分地区)、30弧秒分辨率(全球)、60弧秒分辨率(全球)。弧秒数越大,空间分辨率越低,数据量越小。本文以60弧秒的全球范围为例。

第二部分 在ArcGIS的ArcMap中操作

(1)将下载好的原始图层导入ArcGIS新建的工程中(请无视ETOPO_2022_OCEAN.tif 和 ETOPO_2022_LAND.tif 两个图层)

(2)在作者已知的知识范围内,没有一种方法能够实现同一张TIF图像使用两个不同的色带(colorbar)。因此便尝试以"0"值作为分界,分别基于原始TIF生成两个图层,一个是高程高于0的陆地图层,一个是高程低于等于0的海洋图层。这样、两个图层可以分别拥有不同的色带

以上想法基于"栅格计算器"实现:ArcToolBox---空间分析工具(Spatial Analysis Tool)---地图代数(Map Algebra)---栅格计算器(Raster Caculator)(图中"空间的(Spatial)"拼写错误请忽略)

(3.1)先来获取陆地的图层:

表达式中输入:

复制代码
Con("ETOPO_2022_v1_60s_N90W180_bed.tif"< 0,SetNull("ETOPO_2022_v1_60s_N90W180_bed.tif"<0,"ETOPO_2022_v1_60s_N90W180_bed.tif"),"ETOPO_2022_v1_60s_N90W180_bed.tif")

输出路径选择合适的位置,尽量保证路径上不存在中文:

复制代码
C:\Users\--o\Desktop\新建文件夹\ETOPO_2022_LAND.tif

(3.2)然后获取海洋的图层:

表达式中输入:

复制代码
Con("ETOPO_2022_v1_60s_N90W180_bed.tif" >= 0, SetNull("ETOPO_2022_v1_60s_N90W180_bed.tif" >= 0, "ETOPO_2022_v1_60s_N90W180_bed.tif"), "ETOPO_2022_v1_60s_N90W180_bed.tif")

输出路径选择合适的位置,尽量保证路径上不存在中文:

复制代码
C:\Users\--o\Desktop\新建文件夹\ETOPO_2022_OCEAN.tif

(4)如此一来,就分别得到了陆地图层(ETOPO_2022_LAND.tif )和海洋图层(ETOPO_2022_OCEAN):

(5)之后,分别对陆地图层和海洋图层选择合适的色带即可,此处陆地图层应用了"红-绿渐变(反向)"、海洋图层应用了"蓝色渐变(反向)"。此时已经可以实现和前言及thumbnail相同的结果

参考内容:

1\] https://zhuanlan.zhihu.com/p/628414578(ETOPO-2022 DEM数据下载) 鸣谢: 感谢人工智能助手kimi、豆包为本文方法、文案提供的参考和帮助

相关推荐
长桥夜波1 分钟前
机器学习日报09
人工智能·机器学习
Liudef063 分钟前
基于Java的LLM长上下文数据预处理方案:实现128k上下文智能数据选择
java·开发语言·人工智能
数智顾问5 分钟前
(108页PPT)金属加工行业智能工厂系统解决方案(附下载方式)
人工智能
TGITCIC12 分钟前
通过神经网络手搓一个带finetune功能的手写数字识别来学习“深度神经网络”
人工智能·深度学习·机器学习·卷积神经网络·dnn·文字识别·识别数字
袁气满满~_~14 分钟前
关于jupyter notebook调用GPU
人工智能·深度学习·jupyter
Dongsheng_201925 分钟前
【手机篇】AI深度学习在手机中框/RT四周外观检测应用方案
人工智能·智能手机
SEO_juper1 小时前
驱动增长,而非浪费:8步整合SEO与PMax,解锁Google AI的隐藏流量
人工智能·搜索引擎·百度·seo·数字营销
IvanCodes1 小时前
一、初识 LangChain:架构、应用与开发环境部署
人工智能·语言模型·langchain·llm
ByteCraze1 小时前
一文讲透 npm 包版本管理规范
前端·arcgis·npm
武子康1 小时前
AI研究-117 特斯拉 FSD 视觉解析:多摄像头 - 3D占用网络 - 车机渲染,盲区与低速复杂路况安全指南
人工智能·科技·计算机视觉·3d·视觉检测·特斯拉·model y