GEE中Landsat、Sentinel、Modis主要数据集区别

2024-01-18 09:36

本文主要是介绍GEE中Landsat、Sentinel、Modis主要数据集区别,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

一、Landsat

1. Collection 1/2 的区别

  • Collection 2 是Landsat Level 1 数据的又一次重大再处理,显著提高了绝对地理定位精度
Collection1Collection2
时间跨度1972~2021底1972~至今
数据等级level 1level1:1972~2021底
level2:1982~至今

Landsat 集合 2 包括基于场景的全球 2 级表面反射率科学产品

Landsat 集合 2 包括基于场景的全球 2 级表面温度科学产品
在这里插入图片描述

2. Level 1/2的区别

Landsat Level 2 科学产品是从满足 <76 度太阳天顶角约束的 Collection 2 Level 1 输入生成的,并包括辅助数据。
相当于Level 2 是从Level 1 中筛选出的。

3. Tier 1 (T1)、Tier 2 (T2)、Real Time (RT)的区别

  • T1数据
    具有最高数据质量的Landsat影像被归入第1级,该数据适合进行时间序列分析。
    第一级包括精度和地形(L1TP)校正的数据,这些数据具有良好的辐射测量特性,并在不同的陆地卫星仪器之间进行了相互校准。T1数据之间的地形校正是一致的,并且均方根误差(RMSE)≦12米。
  • T2数据
    在处理过程中不符合一级标准的数据归并到到二级,即T2数据
    T2使用了与T1相同的辐射标准,但由于不太准确的轨道信息(针对较早的Landsat传感器)、明显的云层覆盖、地面控制不足或其他因素影像,不能达到T1数据的几何校正精度。
  • RT数据
    实时层数据,可在12小时内下载(通常为4-6小时)
    从RT数据到T1或T2数据的转换延迟时间在14到26天之间:
    RT数据集 --(几何校正模型校正和参数优化,并对数据进行重新处理)–> T1或T2数据集

综上,一般下Collection 2 的 Level 2 中的 Tier 1

二、Landsat 8 C2 L2 T1(SR)

Landsat8:USGS Landsat 8 Level 2, Collection 2, Tier 1(“LANDSAT/LC08/C02/T1_L2”)
辐射定标:0.0000275*band-0.2在这里插入图片描述Bitmask for QA_PIXEL:去云Bit3和4

Bit012345678-910-1112-1314-15
FillDilated CloudCirrus (high confidence)CloudCloud ShadowSnowClearWaterCloud ConfidenceCloud Shadow ConfidenceSnow/Ice ConfidenceCirrus Confidence

二、Sentinel-2

2.1 Sentinel-2 MSI(L1C和L2A)

2.1.1 L1C
  • ee.ImageCollection(“COPERNICUS/S2”)
  • 该产品经正射校正和亚像元级几何精校正,为天顶表观反射率数据(TOA)
  • 时间:2015-06-23~至今
2.1.2 L2A
  • ee.ImageCollection(“COPERNICUS/S2_SR”)
  • 该产品是利用欧空局官方提供的 Sen2cor工具,对 L1C 进行大气校正得到地表反射率数据产品(SR)。从2016年10月起提供全欧洲的数据,从2017年1月起提供全球的数据。
  • 时间:2017-03-28~~至今,实际上目前GEE上很多地方2019前的L2A数据几乎没有

2.2 Harmonized Sentinel-2 MSI(L1C、L2A)

  • ee.ImageCollection(“COPERNICUS/S2_HARMONIZED”)
  • 2022-01-25 之后,PROCESSING_BASELINE 为“04.00”或更高版本的 Sentinel-2 场景的 DN(值)范围移动了 1000。HARMONIZED 集合将新场景中的数据移动到与旧场景相同的范围内。

2.3 Sentinel-2: Cloud Probability(PRB去云)

  • ee.ImageCollection(“COPERNICUS/S2_CLOUD_PROBABILITY”)
  • S2 云概率是使用 sentinel2-cloud-detector 库(使用 LightGBM)创建的。 在应用梯度提升基础算法之前,使用双线性插值将所有波段上采样到 10m 分辨率,主要用来结合L1C或L2A进行去云操作的

三、Sentinel-1(SAR)

3.1 影像格式

S1A_EW_GRDM_1SDH_20180112T0825556_20180112T082700_ 020119_0224E3_ 7F9B

  • S1A是卫星Sentinel1-A的标识
  • EW为模式名称,有SM、IIW、EW和W。
  • GRDM为产品名称以及分辨率,产品有RAW、SLC、GRD或者OCN,分辨率类型为F(Full resolution)、H(High resolution)、M(Medium resolution)。
  • 1SDH,1为处理级别,可以为0、1、2。S为产品类型是Standard (S)或者是Annotation (A),DH是极化方式,如下:
    SH (single HH polarisation)
    SV (single VV polarisationn)
    DH (dual HH+HV polarisaation)
    DV (dual W+VH polarisattion)
  • 20180112T082556 20180112T082700是产品的开始和结束的事件,其中T是日期和时间的分隔符。
  • 020119是绝对轨道号,绝对轨道数考虑的是发射后第一个上升节点穿越后的轨道。相对轨道数是从1到个重复周期中包含的轨道数的计数。

四、Modis:MYD09GQ(A),MOD09GQ(A)

MYD09GQ,MYD09GA,MOD09GQ,MOD09GA

4.1 MYD和MOD

Modis拥有两颗卫星TERRA、AQUA,其过境时间分别为:

  • TERRA:10:30AM、10:30PM
  • AQUA:1:30AM、1:30PM

4.2 GQ和GA

  • GA:Surface Reflectance Daily Global 1km and 500m
  • GQ:Surface Reflectance Daily Global 250m
  • GQ可用GA的质量波段去云

这篇关于GEE中Landsat、Sentinel、Modis主要数据集区别的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/618639

相关文章

Python使用vllm处理多模态数据的预处理技巧

《Python使用vllm处理多模态数据的预处理技巧》本文深入探讨了在Python环境下使用vLLM处理多模态数据的预处理技巧,我们将从基础概念出发,详细讲解文本、图像、音频等多模态数据的预处理方法,... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核

Conda与Python venv虚拟环境的区别与使用方法详解

《Conda与Pythonvenv虚拟环境的区别与使用方法详解》随着Python社区的成长,虚拟环境的概念和技术也在不断发展,:本文主要介绍Conda与Pythonvenv虚拟环境的区别与使用... 目录前言一、Conda 与 python venv 的核心区别1. Conda 的特点2. Python v

Go语言中make和new的区别及说明

《Go语言中make和new的区别及说明》:本文主要介绍Go语言中make和new的区别及说明,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录1 概述2 new 函数2.1 功能2.2 语法2.3 初始化案例3 make 函数3.1 功能3.2 语法3.3 初始化

MySQL 删除数据详解(最新整理)

《MySQL删除数据详解(最新整理)》:本文主要介绍MySQL删除数据的相关知识,本文通过实例代码给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友参考下吧... 目录一、前言二、mysql 中的三种删除方式1.DELETE语句✅ 基本语法: 示例:2.TRUNCATE语句✅ 基本语

MyBatisPlus如何优化千万级数据的CRUD

《MyBatisPlus如何优化千万级数据的CRUD》最近负责的一个项目,数据库表量级破千万,每次执行CRUD都像走钢丝,稍有不慎就引起数据库报警,本文就结合这个项目的实战经验,聊聊MyBatisPl... 目录背景一、MyBATis Plus 简介二、千万级数据的挑战三、优化 CRUD 的关键策略1. 查

python实现对数据公钥加密与私钥解密

《python实现对数据公钥加密与私钥解密》这篇文章主要为大家详细介绍了如何使用python实现对数据公钥加密与私钥解密,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录公钥私钥的生成使用公钥加密使用私钥解密公钥私钥的生成这一部分,使用python生成公钥与私钥,然后保存在两个文

mysql中的数据目录用法及说明

《mysql中的数据目录用法及说明》:本文主要介绍mysql中的数据目录用法及说明,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录1、背景2、版本3、数据目录4、总结1、背景安装mysql之后,在安装目录下会有一个data目录,我们创建的数据库、创建的表、插入的

深度解析Spring Boot拦截器Interceptor与过滤器Filter的区别与实战指南

《深度解析SpringBoot拦截器Interceptor与过滤器Filter的区别与实战指南》本文深度解析SpringBoot中拦截器与过滤器的区别,涵盖执行顺序、依赖关系、异常处理等核心差异,并... 目录Spring Boot拦截器(Interceptor)与过滤器(Filter)深度解析:区别、实现

Navicat数据表的数据添加,删除及使用sql完成数据的添加过程

《Navicat数据表的数据添加,删除及使用sql完成数据的添加过程》:本文主要介绍Navicat数据表的数据添加,删除及使用sql完成数据的添加过程,具有很好的参考价值,希望对大家有所帮助,如有... 目录Navicat数据表数据添加,删除及使用sql完成数据添加选中操作的表则出现如下界面,查看左下角从左

SpringBoot中4种数据水平分片策略

《SpringBoot中4种数据水平分片策略》数据水平分片作为一种水平扩展策略,通过将数据分散到多个物理节点上,有效解决了存储容量和性能瓶颈问题,下面小编就来和大家分享4种数据分片策略吧... 目录一、前言二、哈希分片2.1 原理2.2 SpringBoot实现2.3 优缺点分析2.4 适用场景三、范围分片