pie

此星光明1 年前
java·服务器·javascript·数据库·数据集·pie
JRC Monthly Water History, v1.4数据集简介:JRC Monthly Water History产品,是利用1984至2020年获取的landsat5、landsat7和landsat8的卫星影像,生成的一套30米分辨率的全球地表水覆盖的月度地表水监测地图集。该数据集共有442景数据,包含1984年3月至2020年12月间的月度水体检测情况,用户可以在全球尺度上按地区回溯某月份水体检测情况。前言 – 人工智能教程
此星光明1 年前
数据库·数据集·gee·pie·土地覆盖·土地分类·esa
全球10米土地覆盖产品(ESA)数据集2020和2021年全球10米土地覆盖产品(ESA)来源于欧空局,是基于哨兵一号、哨兵二号数据制作的2020年的10m分辨率的全球土地覆盖数据。土地利用数据一共分为11类,分别是:林地、灌木、草地、耕地、建筑、裸地/稀疏植被区、雪和冰、开阔水域、草本湿地、红树林、苔藓。经验证,数据精度达到74.4%。前言 – 人工智能教程
此星光明1 年前
前端·javascript·云计算·数据集·pie·农业用地·全球
长时序全球(10000BC-2100)农地分布产品(1km)数据集全球长时序(10000BC-2100)农地分布产品(1km),由清华大学地学系俞乐课题组发布,产品空间分辨率为1000m,时间范围从公元前10000年到公元后2100年。前言 – 人工智能教程
此星光明1 年前
大数据·javascript·人工智能·云计算·pie·矢量·边界
全球国家行政区划边界(中国科学院地理科学与资源研究所)行政区划边界是指各个行政区域之间划定的界限,以确保行政管理的有序和合法。通常,这些边界是根据政治、行政、文化等因素来划分的,如国家、省份、市级行政单元、县区等。这些行政区划边界的划分和调整需要经过政府的制定和批准,并通过法律或行政文件加以规定和实施。行政区划边界的划分也常常存在争议和问题,因此需要各方面的协商和解决。前言 – 人工智能教程
此星光明1 年前
开发语言·前端·javascript·数据集·gee·pie·气象数据
全球3小时气象数据集GLDAS Noah Land Surface Model L4 3 hourly 0.25 x 0.25 degree V2.1全球3小时气象数据集(GLDAS Noah Land Surface Model L4 3 hourly 0.25 x 0.25 degree V2.1,简称GLDAS_NOAH025_3H 2.1),时空分辨率分别为3小时、0.25度。该数据产品于2020年1月重新处理,代替之前版本。前言 – 人工智能教程 该数据产品利用土地信息系统(LIS)第7版中的Noah Model 3.6模拟而成,包含2000年1月至今的36个地表字段。GLDAS-2.1 数据以NetCDF格式存档和分发,取代了相应的 GLD
此星光明1 年前
javascript·数据·gee·pie·中国·冻融·双指标
中国长序列地表冻融数据集(1978-2015)中国长序列地表冻融数据集——双指标算法(1978-2015)采用SMMR(1978-1987)、SSM/I(1987-2009)和SSMIS(2009-2015)逐日亮温数据,由双指标(TB,37v,SG)冻融判别算法生成。前言 – 人工智能教程 分类结果包含冻结地表、融化地表、沙漠及水体四种类型。数据覆盖范围为中国大陆主体部分,空间分辨率为25.067525 km,EASE-Grid投影方式,以ASCIIGRID格式存储。
此星光明1 年前
javascript·人工智能·云计算·数据集·pie·中国·植被功能
中国植被功能型图(1km分辨率)植被功能型(PFT)是根据植物种的生态系统功能及其资源利用方式而对宠大的植物种进行的组合,每一种植被功能型共享相似的植物属性,是将植物种的多样性简化为植物功能和结构的多样性,用以预测全球变化情景下生态系统结构与功能的变化。前言 – 人工智能教程 目前,植被功能型已被广泛用于生物地理模型、生物地球化学模型、陆面过程模型和全球动态植被模型,如美国国家大气研究中心(NCAR)的陆面过程模型已经将原来用土地覆盖信息变为应用植被功能型图(Bonan et al., 2002)。植被功能型已经被用于动态全球植被模型(
此星光明1 年前
云计算·植被·gee·pie·覆盖度·fvc·中国
2000至2022年中国月度植被覆盖度产品中国区域2000至2022年月度植被覆盖度产品的空间分辨率250米,合成方式采用月最大值合成。本产品采用基于归一化植被指数(NDVI)像元二分模型,根据土地利用类型确定纯植被像元值和纯裸土像元值,计算中去除湖泊、河流、冰川/永久积雪等区域,实现植被覆盖度计算。通过时空变化趋势分析检验法分析,该数据集符合时间变化趋势和空间变化趋势。前言 – 人工智能教程
WangYan20221 年前
chatgpt·gee·pie·遥感大数据处理
GEE/PIE遥感大数据处理与典型案例丨数据整合Reduce、云端数据可视化、数据导入导出及资产管理、机器学习算法等目录专题一:初识GEE和PIE遥感云平台专题二:GEE和PIE影像大数据处理基础专题三:数据整合Reduce
夏日恋雨1 年前
机器学习·信息可视化·生态学·遥感·土地利用·gee遥感云·pie
GEE-PIE遥感大数据处理与典型案例教程详情点击链接:GEE-PIE遥感大数据处理与典型案例教程一:GEE和PIE遥感云平台 1.GEE和PIE平台及典型应用案例 2.JavaScript基础,包括变量,运算符,数组,判断及循环语句等 3.遥感云重要概念与典型数据分析流程 4.遥感云基本对象及平台上手 4.1 影像与影像集 4.2 几何体、要素与要素集 4.3 日期、字符、数字 4.4 数组、列表、字典 4.5 影像/影像集、要素/要素集数据查询、时空过滤、可视化、属性查看等主要对象最常用API