NASA数据集——1985-2015 年阿拉斯加和加拿大各地由大地遥感卫星得出的烧痕 dNBR

本文主要是介绍NASA数据集——1985-2015 年阿拉斯加和加拿大各地由大地遥感卫星得出的烧痕 dNBR,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!

简介

ABoVE: Landsat-derived Burn Scar dNBR across Alaska and Canada, 1985-2015

1985-2015 年阿拉斯加和加拿大各地由大地遥感卫星得出的烧痕 dNBR
本数据集包含以 30 米分辨率计算的差分归一化烧损率 (dNBR),这些烧损率是对 1985-2015 年期间发生在阿拉斯加和加拿大北极寒带和脆弱性实验 (ABoVE) 项目区域内的火灾烧损疤痕进行计算得出的。火灾周界来自阿拉斯加机构间协调中心 (AICC) 和加拿大自然资源部 (NRC) 的火灾发生数据集。只有面积大于 200 公顷的火灾才包括在内。利用 Landsat LEDAPS 表面反射图像对,从每个烧伤疤痕周围 5 公里缓冲区域内的 Landsat 5、7 和 8 烧伤前和烧伤后场景中得出每个烧伤疤痕 30 米像素分辨率的 dNBR。


在 1985-2015 年的每个火灾年份,每个烧伤疤痕都被分配了一个烧伤 ID(BID),烧伤疤痕中的每个 30 米像素都被分配了相应的 BID 值。BID 链接到一个单独的数据文件,其中包含具体的烧伤疤痕区域,并列出了用于计算该 BID 的 dNBR 的原始大地遥感卫星图像对。同样,在每个火灾年份,焚烧疤痕中的每个 30 米像素都会被分配一个大地遥感卫星图像对 ID(PID),表明该火灾年份用于计算该像素 dNBR 的原始大地遥感卫星图像对。PID 链接到包含原始大地遥感卫星图像信息的单独数据文件。

该数据集共有 4625 个数据文件。其中包括 4623 个 GeoTIFF(.tif)格式的 dNBR、BID 和 PID 数据文件,以及两个逗号分隔(.csv)格式的文件,其中使用了 BID 和 PID Landsat 场景数据。dNBR、BID 和 PID 数据以 ABoVE 30 米参考网格系统提供,并延伸至 128 个 ABoVE 网格瓦片。每个 dNBR 数据文件都有一个 BID 数据文件和一个 PID 数据文件,用于 ABoVE 域中每年(1985-2015 年)的烧痕数据。这两个 .csv 文件是 BID 和 PID 数据查找表。

该数据集包含对 1985-2015 年期间阿拉斯加和加拿大北极北方和脆弱性实验(ABoVE)项目区域内发生的火灾烧伤疤痕计算的 30 米分辨率差分归一化烧伤率(dNBR)。火灾周界来自阿拉斯加机构间协调中心 (AICC) 和加拿大自然资源部 (NRC) 的火灾发生数据集。只有面积大于 200 公顷的火灾才包括在内。每个烧伤疤痕的 30 米像素分辨率 dNBR 是利用 Landsat LEDAPS 表面反射图像对每个烧伤疤痕周围 5 公里缓冲区域内的 Landsat 5、7 和 8 烧伤前后场景得出的。

项目:北极-北方脆弱性实验

北极-北方脆弱性实验(ABoVE)是美国国家航空航天局(NASA)陆地生态计划的一项实地活动,于 2016 年至 2021 年期间在阿拉斯加和加拿大西部进行。ABoVE 的研究将基于实地的过程级研究与机载和卫星传感器获得的地理空间数据产品联系起来,为提高分析和建模能力奠定了基础,而分析和建模能力是了解和预测生态系统反应及社会影响所必需的。

致谢

本研究得到了美国宇航局陆地生态计划的资助,资助编号为 NNX13AK44G。

数据文件

Bh01v03Bh05v04Bh08v07Bh10v13Bh12v14
Bh01v04Bh05v05Bh08v08Bh10v14Bh12v15
Bh01v05Bh05v06Bh08v09Bh10v15Bh12v16
Bh01v06Bh06v01Bh08v10Bh10v16Bh13v08
Bh01v07Bh06v02Bh08v11Bh11v05Bh13v09
Bh02v02Bh06v03Bh08v13Bh11v06Bh13v10
Bh02v03Bh06v04Bh09v04Bh11v07Bh13v11
Bh02v04Bh06v05Bh09v05Bh11v08Bh13v12
Bh02v05Bh06v06Bh09v06Bh11v09Bh13v13
Bh02v06Bh06v07Bh09v07Bh11v10Bh13v14
Bh03v03Bh06v08Bh09v08Bh11v11Bh13v15
Bh03v04Bh07v02Bh09v09Bh11v12Bh14v08
Bh03v05Bh07v03Bh09v10Bh11v13Bh14v09
Bh03v06Bh07v04Bh09v11Bh11v14Bh14v10
Bh03v07Bh07v05Bh09v12Bh11v15Bh14v11
Bh04v01Bh07v06Bh09v13Bh11v16Bh14v12
Bh04v02Bh07v07Bh09v14Bh12v05Bh14v13
Bh04v03Bh07v08Bh10v05Bh12v06Bh14v14
Bh04v04Bh07v09Bh10v06Bh12v07Bh14v15
Bh04v05Bh07v10Bh10v07Bh12v08Bh15v11
Bh04v06Bh08v02Bh10v08Bh12v09Bh15v12
Bh04v07Bh08v03Bh10v09Bh12v10Bh15v13
Bh05v01Bh08v04Bh10v10Bh12v11Bh15v14
Bh05v02Bh08v05Bh10v11Bh12v12Bh15v15
Bh05v03Bh08v06Bh10v12Bh12v13Bh16v11
Bh16v12
Bh16v13
Bh16v14

空间分辨率: 30-m

时间覆盖范围: 1985-01-01 至 2015-12-31

时间分辨率:每年

研究区域(所有经纬度均以十进制度表示)

SiteWesternmost LongitudeEasternmost LongitudeNorthernmost LatitudeSouthernmost Latitude
Alaska and Canada-168.4236111- 101.745555671.3558333350.25417

数据文件信息


本数据集共有 4625 个数据文件。其中包括 4623 个 GeoTIFF(.tif)格式的 dNBR、BID 和 PID 数据文件,以及两个逗号分隔格式(.csv)的文件,其中包含用于计算每个火灾年份和 ABoVE 网格瓦片中每个像素的 dNBR 的原始 Landsat 成对图像信息。

为每个火灾年份的每个烧伤疤痕计算 dNBR 值

大地遥感卫星图像对 ID (PID) 文件显示了用于计算每个火灾年份中每个像元的 dNBR 的原始大地遥感卫星图像对。
BID 文件包含每个火灾年份中每个火烧疤的烧伤 ID (BID)。每个 BID 都是以 XYYYY 形式分配给单个火烧疤的唯一 4 位数字。其中 X 为 1 或 2,分别代表来自 AICC 或 NRC 的烧伤疤痕,YYY 为三位数 ID,是一个火灾年份中特定烧伤疤痕的唯一标识符。

文件按照以下命名规则命名:ABoVE.XXX.YYYY.BhZvZ.003.proddatetime.tif

其中

  • ABoVE - 指活动
  • XXX - 指文件产品类型:dNBR、PID 或 BID
  • YYYY - 指烧毁年份:1985 - 2015
  • BhZvZ--指网格 B 瓦片 ID,其中 "Z "是一个数字(见图 2,ABOVE 网格,以及 Loboda 等人,2017 年)
  • 003 - 指产品版本
  • proddatetime - 指生产日期和时间(YYYYDDDHHMMSS)

 

GeoTiff files

Table 1. Properties of the GeoTIFF files

File typeData TypeValid Range (min to max)Fill value
dNBR16-bit signed integer-2999 to 2993-3000
BID16-bit signed integer1000 to 30000
PID16-bit signed integer0 to 2420

每个烧伤疤痕都有一个烧伤 ID(BID),烧伤疤痕中的每个 30 米像素都有相应的 BID 值。

该文件(*.csv)提供了火灾疤痕的面积、燃烧前和燃烧后的路径/行、年份以及研究中使用的 Landsat 图像的日期。YYYY = 1985-2015 年间的年份。

文件名示例:dNBR_reference_table_YYYY_BID.csv

BID 文件信息

Column HeadingUnits/formatDescription
fire_yearYYYYYear of fire from AICC and NRC sources
BIDXYYYBID is a unique 4-digit number assigned to an individual burn scar in the form of XYYY.  Where X is 1 or 2, representing burn scars from AICC or NRC sources, respectively. YYY is a three-digit ID unique identifier for a given burn scar within a fire year.
regionAlaska or Canada
area_hahaBurn scar area
satellite_pre-burn_pair1Landsat 5, Landsat 7, or Landsat 8
path_row_pre-burn_pair1PPPRRRPath/Row of Landsat pre-burn image used to calculate the dNBR. Note leading zero.
image_year_pre-burn_pair1YYYYYear pre-burn image acquired
image_julian_date_pre-burn_pair1DDDJulian date pre-burn image acquired
image_cal_date_pre-burn_pair1DD/MM/YYYYCalendar date pre-burn image acquired
satellite_post-burn_pair1Landsat 5, Landsat 7, or Landsat 8
path_row_post-burn_pair1PPPRRRPath/Row of Landsat post-burn image used to calculate the dNBR 
image_year_post-burn_pair1YYYYYear post-burn image acquired
image_julian_date_post-burn_pair1DDDJulian date post-burn image acquired
image_cal_date_post-burn_pair1DD/MM/YYYYCalendar date post-burn image acquired
satellite_pre-burn_pair2Landsat 5, Landsat 7, or Landsat 8
path_row_pre-burn_pair2PPPRRRPath/Row of Landsat pre-burn image used to calculate the dNBR. Note leading zero.
image_year_pre-burn_pair2YYYYYear pre-burn image acquired
image_julian_date_pre-burn_pair2DDDJulian date pre-burn image acquired
image_cal_date_pre-burn_pair2DD/MM/YYYYCalendar date pre-burn image acquired
satellite_post-burn_pair2Landsat 5, Landsat 7, or Landsat 8
path_row_post-burn_pair2PPPRRRPath/Row of Landsat post-burn image used to calculate the dNBR. Note leading zero.
image_year_post-burn_pair2YYYYYear post-burn image acquired
image_julian_date_post-burn_pair2DDDJulian date post-burn image acquired
image_cal_date_post-burn_pair2DD/MM/YYYYCalendar date post-burn image acquired
Notes

大地遥感卫星图像对 ID (PID)

在每个火灾年份,烧伤疤痕中的每个 30 米像素都有一个大地遥感卫星图像对 ID(PID),表明该火灾年份用于计算该像素 dNBR 的原始大地遥感卫星图像对。1984 年的大地遥感卫星图像也用于计算 1985 年的 GeoTIFFs,并包含在文件中;没有 1984 年的数据文件。

该文件(*.csv)提供了从分配的大地遥感卫星图像对 ID(PID)到研究中使用的大地遥感卫星图像的燃烧前和燃烧后路径、行、年份和日期的交叉参考。YYYY=1985-2015年间的年份。

文件名示例:dNBR_reference_table_YYYY_PID.csv DD/MM/YYYY

PID文件信息

Column HeadingUnits/formatDescription
image_year_pre-burnYYYYYear pre-burn image acquired
PIDIn each fire year, every 30-m pixel in a burn scar was assigned a Landsat image pair ID (PID), indicating the original Landsat image pair that was used to calculate the dNBR in that pixel for that fire year.
landsat_pre-burnLandsat 5, Landsat 7, or Landsat 8
path_row_pre-burnPPPRRRPath/Row of Landsat pre-burn image used to calculate the dNBR. Note leading zero.
image_julian_date_pre-burnDDDJulian date pre-burn image acquired
image_cal_date_pre-burnDD/MM/YYYYCalendar date pre-burn image acquired
landsat_post-burnLandsat 5, Landsat 7, or Landsat 8
path_row_post-burnPPPRRRPath/Row of Landsat post-burn image used to calculate the dNBR. Note leading zero.
image_year_post-burnYYYYYear post-burn image acquired
image_julian_date_post-burnDDDJulian date post-burn image acquired
image_cal_date_post-burnDD/MM/YYYYCalendar date post-burn image acquired

数据获取材料和方法

差分归一化烧毁率(dNBR)是对 1985-2015 年期间阿拉斯加和加拿大北极寒带脆弱性实验(ABoVE)项目区域内发生的火灾中的每个烧痕进行计算得出的。火灾周界来自阿拉斯加机构间协调中心 (AICC; https://fire.ak.blm.gov/) 和加拿大自然资源部 (NRC; https://www.nrcan.gc.ca/) 数据集。只有 ABoVE 核心区域内面积大于 200 公顷的燃烧才被包括在内。

每年的 dNBR 数据来自燃烧前和燃烧后的 Landsat 5 号、7 号和 8 号卫星上的燃烧疤痕场景。本研究中使用的火灾前和火灾后产品来自 Landsat 5 专题成像仪 (TM)、Landsat 7 增强型专题成像仪增强版 (ETM+) 和 Landsat 8 业务陆地成像仪 (OLI)/ 热红外传感器 (TIRS)。

将年度 dNBR 数据网格化为 ABoVE 30 米网格系统,从而得到 128 个网格瓦片,其中包含研究期间的烧伤疤痕和衍生 dNBR。数据文件包括 ABoVE 的具体网格名称和年份。

焚烧前和焚烧后图像选择

焚烧前和焚烧后图像的选择基于以下标准:

图像必须包含极少量的云层和燃烧疤痕内的云影。
燃烧前和燃烧后图像可有以下组合:OLI-OLI、TM-TM、ETM+-ETM+、TM-ETM+、ETM+-TM。由于 OLI 和先前传感器的波段范围不同,OLI 和非 OLI 图像的组合被排除在外。
焚烧前(后)图像的首选采集日期是根据以下策略选定的:火灾发生前(后)当年的 5 月中旬至 6 月下旬 > 火灾发生前(后)当年的 7 月初至 9 月中(开始下雪前) > 火灾发生前(后)当年的无雪图像。
阿拉斯加上空的 "烧伤严重程度趋势监测"(MTBS; https://www.mtbs.gov/)图像对被用作阿拉斯加烧伤疤痕上空所选 Landsat 图像对的基础;但是,任何不符合我们标准的 MTBS 图像对都会被删除,并选择新的图像对(另请参阅配套文件 ABoVE_Burn_Severity_Product_Users_Guide.pdf)。

数据链接

ABoVE: Landsat-derived Burn Scar dNBR across Alaska and Canada, 1985-2015, https://doi.org/10.3334/ORNLDAAC/1564

代码

!pip install leafmap
!pip install pandas
!pip install folium
!pip install matplotlib
!pip install mapclassifyimport pandas as pd
import leafmapurl = "https://github.com/opengeos/NASA-Earth-Data/raw/main/nasa_earth_data.tsv"
df = pd.read_csv(url, sep="\t")
dfleafmap.nasa_data_login()results, gdf = leafmap.nasa_data_search(short_name="ABoVE_Fire_Severity_dNBR_1564",cloud_hosted=True,bounding_box=(-168.42, 50.25, -101.74, 71.36),temporal=("2010-01-15", "2010-05-28"),count=-1,  # use -1 to return all datasetsreturn_gdf=True,
)gdf.explore()#leafmap.nasa_data_download(results[:5], out_dir="data")

引用

Loboda, T.V., D. Chen, J.V. Hall, and J. He. 2018. ABoVE: Landsat-derived Burn Scar dNBR across Alaska and Canada, 1985-2015. ORNL DAAC, Oak Ridge, Tennessee, USA. ABoVE: Landsat-derived Burn Scar dNBR across Alaska and Canada, 1985-2015, https://doi.org/10.3334/ORNLDAAC/1564

网址推荐

机器学习

前言 – 人工智能教程

地图应用制作

Mapmost login

这篇关于NASA数据集——1985-2015 年阿拉斯加和加拿大各地由大地遥感卫星得出的烧痕 dNBR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!


原文地址:
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.chinasem.cn/article/815172

相关文章

Python实现数据可视化图表生成(适合新手入门)

《Python实现数据可视化图表生成(适合新手入门)》在数据科学和数据分析的新时代,高效、直观的数据可视化工具显得尤为重要,下面:本文主要介绍Python实现数据可视化图表生成的相关资料,文中通过... 目录前言为什么需要数据可视化准备工作基本图表绘制折线图柱状图散点图使用Seaborn创建高级图表箱线图热

MySQL数据脱敏的实现方法

《MySQL数据脱敏的实现方法》本文主要介绍了MySQL数据脱敏的实现方法,包括字符替换、加密等方法,通过工具类和数据库服务整合,确保敏感信息在查询结果中被掩码处理,感兴趣的可以了解一下... 目录一. 数据脱敏的方法二. 字符替换脱敏1. 创建数据脱敏工具类三. 整合到数据库操作1. 创建服务类进行数据库

MySQL中处理数据的并发一致性的实现示例

《MySQL中处理数据的并发一致性的实现示例》在MySQL中处理数据的并发一致性是确保多个用户或应用程序同时访问和修改数据库时,不会导致数据冲突、数据丢失或数据不一致,MySQL通过事务和锁机制来管理... 目录一、事务(Transactions)1. 事务控制语句二、锁(Locks)1. 锁类型2. 锁粒

Qt中实现多线程导出数据功能的四种方式小结

《Qt中实现多线程导出数据功能的四种方式小结》在以往的项目开发中,在很多地方用到了多线程,本文将记录下在Qt开发中用到的多线程技术实现方法,以导出指定范围的数字到txt文件为例,展示多线程不同的实现方... 目录前言导出文件的示例工具类QThreadQObject的moveToThread方法实现多线程QC

SpringBoot集成EasyExcel实现百万级别的数据导入导出实践指南

《SpringBoot集成EasyExcel实现百万级别的数据导入导出实践指南》本文将基于开源项目springboot-easyexcel-batch进行解析与扩展,手把手教大家如何在SpringBo... 目录项目结构概览核心依赖百万级导出实战场景核心代码效果百万级导入实战场景监听器和Service(核心

使用Python开发一个Ditto剪贴板数据导出工具

《使用Python开发一个Ditto剪贴板数据导出工具》在日常工作中,我们经常需要处理大量的剪贴板数据,下面将介绍如何使用Python的wxPython库开发一个图形化工具,实现从Ditto数据库中读... 目录前言运行结果项目需求分析技术选型核心功能实现1. Ditto数据库结构分析2. 数据库自动定位3

pandas数据的合并concat()和merge()方式

《pandas数据的合并concat()和merge()方式》Pandas中concat沿轴合并数据框(行或列),merge基于键连接(内/外/左/右),concat用于纵向或横向拼接,merge用于... 目录concat() 轴向连接合并(1) join='outer',axis=0(2)join='o

批量导入txt数据到的redis过程

《批量导入txt数据到的redis过程》用户通过将Redis命令逐行写入txt文件,利用管道模式运行客户端,成功执行批量删除以Product*匹配的Key操作,提高了数据清理效率... 目录批量导入txt数据到Redisjs把redis命令按一条 一行写到txt中管道命令运行redis客户端成功了批量删除k

SpringBoot多环境配置数据读取方式

《SpringBoot多环境配置数据读取方式》SpringBoot通过环境隔离机制,支持properties/yaml/yml多格式配置,结合@Value、Environment和@Configura... 目录一、多环境配置的核心思路二、3种配置文件格式详解2.1 properties格式(传统格式)1.

解决pandas无法读取csv文件数据的问题

《解决pandas无法读取csv文件数据的问题》本文讲述作者用Pandas读取CSV文件时因参数设置不当导致数据错位,通过调整delimiter和on_bad_lines参数最终解决问题,并强调正确参... 目录一、前言二、问题复现1. 问题2. 通过 on_bad_lines=‘warn’ 跳过异常数据3