Landsat 8 Landsat8 Collection2表面反射率数据

2024-03-27 09:12
文章标签 数据 表面 landsat collection2 反射率 landsat8

本文主要是介绍Landsat 8 Landsat8 Collection2表面反射率数据，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

Landsat8 Collection2表面反射率数据，属Collection2二级数据产品，分辨率为30米，基于陆地表面反射率代码(LaSRC)(版本1.5.0)生成，该算法利用沿海气溶胶波段进行气溶胶反演测试，还利用了MODIS的辅助气候数据和独特的辐射传输模型。
此外，LaSRC算法将观测天顶角硬编码为“0”，太阳天顶角和观测天顶角作为大气校正的一部分参与计算。

Landsat 8 Collection 2 Surface Reflectance Data 是一种由美国地质调查局（USGS）提供的遥感数据产品，用于监测和研究地球表面的反射率。该数据集基于Landsat 8 OLI（Operational Land Imager）传感器收集的遥感图像，并经过大量的预处理和校正，以提供具有较高质量和一致性的表面反射率数据。

Landsat 8 Collection 2 Surface Reflectance Data 提供了对地球表面的多波段、多时期遥感影像进行处理和校正后的结果。这些影像包括可见光、近红外、红外和短波红外波段，可以用于监测陆地、水域和大气的变化、研究植被生长和覆盖、土地利用和土地覆盖分类等应用。

Landsat 8 Collection 2 Surface Reflectance Data 还提供了一些附加的衍生产品，如植被指数（如NDVI和EVI）、地表温度数据等。这些衍生产品可以用于进一步的地表研究和分析。

Landsat 8 Collection 2 Surface Reflectance Data 可以免费获取，并且可以通过USGS的EarthExplorer网站或其他相关的数据下载平台获得。数据以GeoTIFF格式存储，并可以与地理信息系统（GIS）软件进行集成和分析。

数据集ID: 

LC08/02/SR

时间范围: 2013年03月-现在

范围: 全国

来源: USGS

复制代码段: 

var images = pie.ImageCollection("LC08/02/SR")

波段

名称单位类型值域范围填充值乘法比例因子加性比例因子描述信息
B1Reflectanceuint167273~4363600.0000275-0.2Band 1 SR
B2Reflectanceuint167273~4363600.0000275-0.2Band 2 SR
B3Reflectanceuint167273~4363600.0000275-0.2Band 3 SR
B4Reflectanceuint167273~4363600.0000275-0.2Band 4 SR
B5Reflectanceuint167273~4363600.0000275-0.2Band 5 SR
B6Reflectanceuint161~6553500.0000275-0.2Band 6 SR
B7Reflectanceuint167273~4363600.0000275-0.2Band 7 SR
B10Kelvinuint161~6553500.00341802149Band 10 ST
QA_PIXELBit Indexuint1621824~655341--Level 2 Pixel Quality Band
SR_QA_AEROSOLBit Indexuint80~2551--Aerosol QA
QA_RADSATBit Indexuint160~382932768--Radiometric Saturation QA
ST_QAKelvinint160~32767-99990.01-Surface Temperature Uncertainty
ST_TRANW/(m 2.sr.μm)/ DNint160~22000-99990.001-Thermal Band in Radiance
ST_URADW/(m 2.sr.μm)/ DNint160~28000-99990.001-Upwelled Radiance
ST_DRADW/(m 2.sr.μm)/ DNint160~28000-99990.001-Downwelled Radiance
ST_ATRADUnitlessint160~10000-99990.0001-Atmospheric Transmittance
ST_EMISUnitlessint160~10000-99990.0001-Emissivity estimated from ASTER GED
ST_EMSDUnitlessint160~10000-99990.0001-Emissivity standard deviation
ST_CDISTKilometersint160~24000-99990.01-Pixel distance to cloud
QA_PIXEL Bit Index
  • Bit 0: Fill
    • 0: Image data
    • 1: Fill data
  • Bit 1: Dilated Cloud
    • 0: Cloud is not dilated or no cloud
    • 1: Cloud dilation
  • Bit 2: Cirrus
    • 0: Cirrus Confidence: no confidence level set or Low Confidence
    • 1: High confidence cirrus
  • Bit 3: Cloud
    • 0: Cloud confidence is not high
    • 1: High confidence cloud
  • Bit 4: Cloud shadow
    • 0: Cloud Shadow Confidence is not high
    • 1: High confidence cloud shadow
  • Bit 5: Snow
    • 0: Snow/Ice Confidence is not high
    • 1: High confidence snow cover
  • Bit 6: Clear
    • 0: Cloud or Dilated Cloud bits are set
    • 1: Cloud and Dilated Cloud bits are not set
  • Bit 7: Water
    • 0: Land or cloud
    • 1: Water
  • Bits 8-9: Cloud Confidence
    • 00: No confidence level set
    • 01: Low confidence
    • 10: Medium confidence
    • 11: High confidence
  • Bits 10-11: Cloud Shadow Confidence
    • 00: No confidence level set
    • 01: Low confidence
    • 10: Reserved
    • 11: High confidence
  • Bits 12-13: Snow/Ice Confidence
    • 00: No confidence level set
    • 01: Low confidence
    • 10: Reserved
    • 11: High confidence
  • Bits 14-15: Cirrus Confidence
    • 00: No confidence level set
    • 01: Low confidence
    • 10: Reserved
    • 11: High confidence
QA_RADSAT Bit Index
  • Bit 0: Band 1 Data Saturation
    • 0: No saturation
    • 1: Saturated data
  • Bit 1: Band 2 Data Saturation
    • 0: No saturation
    • 1: Saturated data
  • Bit 2: Band 3 Data Saturation
    • 0: No saturation
    • 1: Saturated data
  • Bit 3: Band 4 Data Saturation
    • 0: No saturation
    • 1: Saturated data
  • Bit 4: Band 5 Data Saturation
    • 0: No saturation
    • 1: Saturated data
  • Bit 5: Band 6 Data Saturation
    • 0: No saturation
    • 1: Saturated data
  • Bit 6: Band 7 Data Saturation
    • 0: No saturation
    • 1: Saturated data
  • Bit 8: Band 9 Data Saturation
    • 0: No saturation
    • 1: Saturated data
  • Bit 11: Terrain occlusion
    • 0: No terrain occlusion
    • 1: Terrain occlusion
QA_AEROSOL Bit Index
  • Bit 0: Fill
    • 0: Pixel is not fill
    • 1: Pixel is fill
  • Bit 1: Valid aerosol retrieval
    • 0: Pixel retrieval is not valid
    • 1: Pixel retrieval is valid
  • Bit 2: Water
    • 0: Pixel is not water
    • 1: Pixel is water
  • Bit 5: Interpolated Aerosol
    • 0: Pixel is not aerosol interpolated
    • 1: Pixel is aerosol interpolated
  • Bits 6-7: Aerosol Level
    • 00: Climatology
    • 01: Low
    • 10: Medium
    • 11: High

属性

landsat_product_id

string

影像名称

processing_level

string

产品级别

date_acquired

string

拍摄日期（ISO 8601格式）

collection_category

string

影像质量级别属性,如T2，T1等

cloud_cover

float

云量覆盖百分比，-1表示未计算

sun_azimuth

double

太阳方位角

sun_elevation

double

太阳高度角

sensor_id

string

传感器类型

wrs_path

int

条带号

wrs_row

int

行编号

date

string

影像日期

代码：

/*** @File    :   HelloPIE* @Time    :   2020/7/21* @Author  :   piesat* @Version :   1.0* @Contact :   400-890-0662* @License :   (C)Copyright 航天宏图信息技术股份有限公司* @Desc    :   时空计算云服务平台的入门程序*/
//地图居中并且缩放到第6级别
Map.setCenter(120.254, 41.726, 6);
//设置显示显示参数
var visParam = {min: 0,max: 0.3,bands: ["B4","B3","B2"]
};
//加载指定的影像数据数据，筛选特定的波段数据
var image = pie.Image("LC08/02/SR/LC08_121031_20170101").select(["B4","B3","B2"]).multiply(0.0000275).subtract(0.2);
//输出影像的信息
print("image", image);
//加载显示影像
Map.addLayer(image, visParam, "image");

这篇关于Landsat 8 Landsat8 Collection2表面反射率数据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/851615。

相关文章

一文教你Python如何快速精准抓取网页数据

一文教你Python如何快速精准抓取网页数据

《一文教你Python如何快速精准抓取网页数据》这篇文章主要为大家详细介绍了如何利用Python实现快速精准抓取网页数据,文中的示例代码简洁易懂,具有一定的借鉴价值,有需要的小伙伴可以了解下... 目录1. 准备工作2. 基础爬虫实现3. 高级功能扩展3.1 抓取文章详情3.2 保存数据到文件4. 完整示例
阅读更多...
使用Java将各种数据写入Excel表格的操作示例

使用Java将各种数据写入Excel表格的操作示例

《使用Java将各种数据写入Excel表格的操作示例》在数据处理与管理领域,Excel凭借其强大的功能和广泛的应用,成为了数据存储与展示的重要工具,在Java开发过程中,常常需要将不同类型的数据,本文... 目录前言安装免费Java库1. 写入文本、或数值到 Excel单元格2. 写入数组到 Excel表格
阅读更多...
python处理带有时区的日期和时间数据

python处理带有时区的日期和时间数据

《python处理带有时区的日期和时间数据》这篇文章主要为大家详细介绍了如何在Python中使用pytz库处理时区信息,包括获取当前UTC时间,转换为特定时区等,有需要的小伙伴可以参考一下... 目录时区基本信息python datetime使用timezonepandas处理时区数据知识延展时区基本信息
阅读更多...
Qt实现网络数据解析的方法总结

Qt实现网络数据解析的方法总结

《Qt实现网络数据解析的方法总结》在Qt中解析网络数据通常涉及接收原始字节流,并将其转换为有意义的应用层数据,这篇文章为大家介绍了详细步骤和示例,感兴趣的小伙伴可以了解下... 目录1. 网络数据接收2. 缓冲区管理（处理粘包/拆包）3. 常见数据格式解析3.1 jsON解析3.2 XML解析3.3 自定义
阅读更多...
SpringMVC 通过ajax 前后端数据交互的实现方法

SpringMVC 通过ajax 前后端数据交互的实现方法

《SpringMVC通过ajax前后端数据交互的实现方法》：本文主要介绍SpringMVC通过ajax前后端数据交互的实现方法,本文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... 在前端的开发过程中，经常在html页面通过AJAX进行前后端数据的交互，SpringMVC的controll
阅读更多...
Pandas统计每行数据中的空值的方法示例

Pandas统计每行数据中的空值的方法示例

《Pandas统计每行数据中的空值的方法示例》处理缺失数据（NaN值）是一个非常常见的问题,本文主要介绍了Pandas统计每行数据中的空值的方法示例,具有一定的参考价值,感兴趣的可以了解一下... 目录什么是空值？为什么要统计空值？准备工作创建示例数据统计每行空值数量进一步分析www.chinasem.cn处
阅读更多...
如何使用 Python 读取 Excel 数据

如何使用 Python 读取 Excel 数据

《如何使用Python读取Excel数据》：本文主要介绍使用Python读取Excel数据的详细教程,通过pandas和openpyxl,你可以轻松读取Excel文件,并进行各种数据处理操... 目录使用 python 读取 Excel 数据的详细教程1. 安装必要的依赖2. 读取 Excel 文件3. 读
阅读更多...
Spring 请求之传递 JSON 数据的操作方法

Spring 请求之传递 JSON 数据的操作方法

《Spring请求之传递JSON数据的操作方法》JSON就是一种数据格式,有自己的格式和语法,使用文本表示一个对象或数组的信息,因此JSON本质是字符串,主要负责在不同的语言中数据传递和交换,这... 目录jsON 概念JSON 语法JSON 的语法JSON 的两种结构JSON 字符串和 Java 对象互转
阅读更多...
C++如何通过Qt反射机制实现数据类序列化

C++如何通过Qt反射机制实现数据类序列化

《C++如何通过Qt反射机制实现数据类序列化》在C++工程中经常需要使用数据类,并对数据类进行存储、打印、调试等操作,所以本文就来聊聊C++如何通过Qt反射机制实现数据类序列化吧... 目录设计预期设计思路代码实现使用方法在 C++ 工程中经常需要使用数据类，并对数据类进行存储、打印、调试等操作。由于数据类
阅读更多...
SpringBoot使用GZIP压缩反回数据问题

SpringBoot使用GZIP压缩反回数据问题

《SpringBoot使用GZIP压缩反回数据问题》：本文主要介绍SpringBoot使用GZIP压缩反回数据问题,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SpringBoot使用GZIP压缩反回数据1、初识gzip2、gzip是什么，可以干什么？3、Spr
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2