ABoVE:2017 年和 2019 年北美 LVIS L3 网格植被结构

简介: 该数据集包含2017至2019年NASA陆地、植被与冰传感器(LVIS)在北美地区采集的L3级网格化植被结构数据,涵盖冠层高度、覆盖度及地面高程等信息,分辨率为30米,支持ABoVE和GEDI科学研究。

ABoVE: LVIS L3 Gridded Vegetation Structure across North America, 2017 and 2019

简介

该数据集提供了 2017 年至 2019 年期间 NASA 陆地、植被和冰传感器 (LVIS) 设施仪器为每条航线收集的三级 (L3) 覆盖区级网格化指标和属性。2017 年,LVIS 设施仪器搭载于 Dynamic Aviation Super King Air B200T 飞机,飞行高度为 28,000 英尺。2019 年,LVIS 设施和 LVIS-Classic 仪器搭载于 NASA 湾流 V 飞机,飞行高度为 41,000 英尺。LVIS 数据以波形形式收集,覆盖区直径约为 10 米。 L3 数据包括冠层相对高度 (RH)、复杂性、冠层覆盖度 (CC)、地面高程以及可用于生成像素估算值的 LVIS 覆盖区数量的网格。这些分辨率为 30 米的网格通过相对冠层高度指标详细描述了植被冠层的垂直柱状图,并补充了一系列高度阈值下的冠层覆盖度估算值。2017 年和 2019 年 LVIS 设施仪器采集的数据涵盖北极、北方、温带和亚热带景观,以支持各种北极-北方脆弱性实验 (ABoVE) 和全球生态系统动态调查 (GEDI) 相关科学。在阿拉斯加北极和北方地区以及加拿大西部的 ABoVE 研究领域中,其中一些采集的数据在空间上与传统的小型机载激光雷达重合。数据包括 ABoVE 领域以及来自 GEDI 的美国大陆和中美洲的数据。数据文件以 GeoTIFF 格式提供,其中一个地理包文件显示飞行路线。

摘要
File Name Number of Files Description
LVISF3_ABoVEYYYY_MMDD_FLIGHTLINE_GRIDNAME_STAT_30m.tif 128,278
2017: 48,346
2019: 79,932 2017 and 2019 flights flown over the ABoVE domain.
LVISF3_GEDIYYYY_MMDD_FLIGHTLINE_GRIDNAME_STAT_30m.tif 36,170 2019 flights flown over Central America obtained during the GEDI program with the instrument onboard the International Space Station (ISS).
LVIS_ABoVE_spatial_footprints_2017_2019.gpkg 1 Spatial footprints of the extent of each 30 m raster flightline from both the 2017 and 2019 campaigns. It is spatially detailed and serves as a spatial index for the grids that are grouped by flightline name.
lvis_metrics.R 1 R Script used to generate this gridded dataset.

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://github.com/opengeos/NASA-Earth-Data"
df = pd.read_csv(url, sep="\t")
df

leafmap.nasa_data_login()

results, gdf = leafmap.nasa_data_search(
short_name="ABoVE_LVIS_VegetationStructure_1923",
cloud_hosted=True,
bounding_box=(-167.32, 7.13, -28.82, 78.14),
temporal=("2017-06-29", "2019-08-08"),
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
|
人工智能 JSON 数据格式
GEE、PIE和AI Earth平台进行案例评测:NDVI计算,结果差异蛮大
GEE、PIE和AI Earth平台进行案例评测:NDVI计算,结果差异蛮大
487 0
|
JavaScript 前端开发 Linux
QCefView初步使用
QCefView初步使用
1004 0
在GEE上展示影像和显示大小
在GEE上展示影像和显示大小
575 0
在GEE上展示影像和显示大小
|
Shell 开发工具 git
brew - 常用命令
brew - 常用命令
1444 0
|
8月前
|
存储 XML JSON
Activiti 7 核心数据库表概览及流程生命周期中的作用
Activiti 7 工作流引擎通过约25张核心数据库表实现流程定义、运行时状态、历史记录与身份数据的存储。表名以ACT_开头,后跟标识用途的字母组合(如RE表示Repository静态信息,RU表示Runtime动态数据)。流程启动时在运行时表登记数据,任务执行中更新关联信息,结束时清理运行时记录并完善历史记录。各表分工明确且逻辑紧密关联,确保高效运行与完整留痕的平衡。掌握这些表的作用和关联有助于深入理解Activiti底层原理及进行高级应用开发。
625 0
|
数据采集 安全 Java
Web 漏洞扫描之 BurpSuite(一)| 学习笔记
快速学习 Web 漏洞扫描之 BurpSuite(一)
2173 0
Web 漏洞扫描之 BurpSuite(一)| 学习笔记
|
算法 知识图谱
ACL 2024 Oral:我们离真正的多模态思维链推理还有多远?
【9月更文挑战第5天】近年来,多模态思维链推理(MCoT)受到广泛关注,但现有基准仍面临诸多挑战。为此,研究人员提出了M$^3$CoT基准,旨在推动多领域、多步骤、多模态的推理能力发展。M$^3$CoT涵盖科学、数学等多个领域,要求模型进行多步骤推理,并结合文本和视觉信息。尽管当前视觉大语言模型(VLLMs)在M$^3$CoT上的表现不佳,但该基准为MCoT的发展提供了新机遇,未来可从模型改进、数据增强及知识融合等方面进行探索。论文详情见:https://arxiv.org/abs/2405.16473。
252 1
|
JavaScript 中间件 API
Node.js进阶:Koa框架下的RESTful API设计与实现
【10月更文挑战第28天】本文介绍了如何在Koa框架下设计与实现RESTful API。首先概述了Koa框架的特点,接着讲解了RESTful API的设计原则,包括无状态和统一接口。最后,通过一个简单的博客系统示例,详细展示了如何使用Koa和koa-router实现常见的CRUD操作,包括获取、创建、更新和删除文章。
298 4
|
安全 应用服务中间件 网络安全
Nginx入门 -- 了解Nginx中证书配置
Nginx入门 -- 了解Nginx中证书配置
518 0
|
数据采集 并行计算 安全
Python中的多线程与协程的比较与应用场景
Python中的多线程与协程的比较与应用场景
827 0