墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
400+累计阅读
471平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
Google Earth Engine（GEE）是一个强大的云平台，提供了丰富的地理空间数据和分析工具，用于进行地球观测和环境监测。它与MODIS（Moderate Resolution Imaging Spectroradiometer）有着密切的关系，因为GEE平台提供了对MODIS数据的广泛支持和访问。
MODIS是由美国国家航空航天局（NASA）和美国地质调查局（USGS）联合研发的一种遥感传感器，用于观测地球表面的大气、陆地和海洋等多个方面。它以中等分辨率为特点，可以提供全球范围内高质量的遥感数据。MODIS数据具有广泛的应用，包括气象学、生态学、农业、环境监测等领域。
在GEE平台上，用户可以利用其内置的函数和工具直接访问和处理MODIS数据。下面是一个示例代码，演示了如何在GEE中加载和可视化MODIS的植被指数数据（Normalized Difference Vegetation Index，简称NDVI）：
// 定义区域
var roi = ee.Geometry.Rectangle(Google Earth Engine(GEE)实例代码学习三十七——MODIS地表反射率（MOD09GA）去云处理
本文分享利用MODIS地表反射率数据MOD09GA的state_1km质量评估波段去云处理。 MOD09GA提供1-7波段，包括500米反射率值和1km观测和地理位置统计数据。此产品提供的空间分辨率500m1-7波段的反射率，质量等级，观察范围，观察数和250m扫描信息。提供的1km科学数据集包括观测次数，质量状态，传感器角度，太阳角，地理位置标记和轨道指针。 state_1km波段：表示反射率数...
使用Google Earth Engine实现MODIS NDVI作物识别
下面我将提供一个完整的GEE实现方案，使用MODIS NDVI时间序列数据来识别作物类型。
Google Earth Engine———土地类型分类
利用GEE对遥感影像进行分类后，如何对地物类型进行统计。 我们采用MODIS官方的地物分类产品（MCD12Q1.006）官网：https://lpdaac.usgs.gov/products/mcd12q1v006/， 空间分辨率为500m，时间分辨率为一年，MODIS产品中含有多个地物分类的产品。 我们选用其中一种产品，波段为LC_Type1， LC_Type1可视化 这种地物分类总共把地物分成17类，分别用从1到17的数字表示，如图各个数字代表的地物类型。 地区我们选择武汉市，对武汉市的
使用google earth engine(GEE)提取亚马逊每年森林火灾区域
2019年亚马逊大火还历历在目，作为学遥感的学生，我们可以使用遥感影像来获得着火区。但是使用传统遥感太过于麻烦，我们可以使用GEE，1分钟获得亚马逊10年的着火区域，并统计面积与导出着火区。 代码主要步骤： 1.数据选择与预处理； 数据源选择modis的火点产品数据，该数据是modis的500m月合成数据。 研究区是通过roi工具在GEE上面绘制的，包括了亚马逊森林。 var te...
Google Earth Engine（GEE）——提取MODIS影像指定区域的每一年的平均植被指数
这个例子显示了如何创建一个数据库文件，其中包含他们研究区域内各年的植被指数的分区统计。该数据库文件以后可以为各种应用进行分析。比方说，如果你有一个多边形文件（地理空间矢量文件），你需要分析其连续几年的植被模式，你可以选择植被指数，常用的NDVI（归一化差异植被指数）指数或EVI（增强植被指数）。我使用马哈拉施特拉邦的地区作为我的研究区域，但人们可以使用特征集合或多边形形状文件。为了在GEE平台上添加你的shapefile，请参考导入表格数据，这和在QGIS或ArcGIS软件上添加光栅或矢量文件一样简单。
Google Earth Engine（GEE）——将Landsat8数据和modis数据连接并保存ee.Join.saveAll()
保存连接是在 Earth Engine 中表示一对多关系的一种方式。与内部联接不同，保存联接将secondary集合中的匹配项存储为集合中特征的命名属性primary。要保存所有此类匹配项，请使用ee.Join.saveAll().如果存在一对多关系，saveAll()连接会将所有匹配的特征存储为ee.List.primary集合中不匹配的元素将被删除。例如，假设需要获取集合中每个 Landsat 影像两天内获取的所有 MODIS 影像。此示例saveAll()为此目的使用连接： 函数： ...
Google Earth Engine ：基于MOD13A1数据进行植被指数与蒸散发的分析，散点图对比分析
本文介绍了使用Google Earth Engine (GEE)分析植被指数(NDVI、EVI、SAVI)与蒸散发(ET)关系的方法。通过定义感兴趣区域和时间范围，从MODIS数据集(MOD13A1、MOD16A2GF、MOD09A1)提取数据，计算各植被指数并与ET数据进行时间匹配。最后对每个指数进行线性回归分析，计算斜率、截距和R平方值。该流程可用于定量评估不同植被指数与蒸散发之间的关系，为生态水文研究提供技术支持。
GEE——如何基于MODIS NDVI和高程数据采用where方法进行分值统计和绘图（以西班牙为例）
本次实验的主要目的是我们分等定级，这里会用多一些逻辑运算，也就是你在将你的研究内容的数据进行归一化后，分为几等 ，这里面就是对栅格数据的操作，操作的主要方面就是对影像进行划分，划分前我们首先要进行一个0值属性的栅格，或者其它常量影像，因为0值属性更为方便，不用后续减去相应的数值，所以一般以0栅格作为一个基础栅格，然后对这个栅格进行分类，你将会在这个栅格上利用where把你所有想分类的属性进行划分，划分后，通过掩膜更新，将范围才见到研究区，通过不同配色的可视化，就能呈现其最终结果。
Google Earth Engine 在计算两列数据的相关性方面提供了强大的功能
接下来，我们需要选择要分析的图像或数据集。在本文中，我们将探讨如何使用 Google Earth Engine 平台计算两列数据的相关性，并提供相应的源代码。通过上述步骤，我们可以使用 Google Earth Engine 平台计算并可视化两列数据的相关性。根据具体的数据集和分析需求，你可能需要调整代码中的参数和选项。希望本文对你有所帮助！在计算相关性之前，我们需要对数据进行处理，以确保两个数据集具有相同的时间范围和相同的分辨率。接下来，我们可以通过计算两列数据的相关系数来评估它们之间的相关性。
GEE生物量预测和可视化：使用Google Earth Engine (GEE) 对德国地区的生物量进行预测和模型评估
GEE生物量计算
Google Earth Engine (GEE) ——Google Earth Engine 和modi的关系
如引言中所述，雪盖的全球尺度映射有几个要求。由于积雪可能是一种短暂的土地覆盖状态，因此需要较高的时间分辨率来捕捉积雪的变化。此外，空间分辨率越高越好；与具有 20 km2像素的雪盖地图相比，30 m2像素的雪盖变化图将具有更多实际应用和价值，后者又比具有 500 km2像素的地图具有更多价值像素。幸运的是，MODIS 系统满足所有这些要求。MODIS Terra 和 Aqua 这两颗卫星按照所谓的太阳同步、近极、圆形轨道绕地球运行，并每隔大约 3 小时穿过赤道，收集 36 个单独的波段来测量地表状况...
SIwave学习记录：电热耦合仿真
SIwave电热耦合仿真
vCenter6.7证书过期导致503报错的全面修复指南：从STS证书更新到SSL信任修复
本文详细解析了VMware vCenter 6.7因STS证书过期导致503服务不可用错误的根本原因，并提供了从诊断、更新STS证书到修复SSL信任链的完整解决方案。通过命令行工具检查证书状态，使用官方脚本更新过期STS证书，并利用lsdoctor工具修复深层SSL信任问题，最终指导用户使用certificate-manager彻底重置所有证书，帮助管理员快速恢复vCenter服务。
LoRa物联网实战：用新大陆模块打造智能LED呼吸灯（附完整代码解析）
本文详细介绍了如何利用新大陆LoRa模块实现工业级智能LED呼吸灯的设计与开发。通过256级PWM调制的呼吸灯效果，结合LoRa无线控制技术，实现设备状态的可视化反馈和多设备同步控制。文章包含完整的硬件选型、电路设计、算法优化和代码实现，特别适合物联网开发者和硬件工程师参考。
LEAP模型—低排放分析平台
LEAP 正在迅速成为进行综合资源规划、温室气体 (GHG) 缓解评估和低排放发展战略 (LEDS) 的国家的事实标准，尤其是在发展中国家，许多国家也选择使用 LEAP 作为其承诺的一部分向联合国气候变化框架公约（UNFCCC）报告。至少有 32 个国家使用 LEAP 来创建能源和排放情景，这些情景是其国家自主气候变化贡献计划 (INDC) 的基础：具有历史意义的巴黎气候协议的基础旨在表明各国开始经济脱碳的意图和投资于气候适应力。
A股历史数据免费下载终极指南：4000+个股数据一键打包获取
本文提供了获取A股历史数据的完整免费方案，重点介绍了Tushare Pro、AkShare等开源金融数据API的使用方法。通过详细的Python脚本示例，指导读者如何自动化批量抓取、清洗、存储4000多只个股的历史行情数据，并分享数据质量校验与性能优化技巧，助力量化研究与市场分析。
Unreal Engine鸿蒙移植实战：环境配置、构建流程与性能优化指南
游戏引擎移植是跨平台开发中的关键技术环节，其核心原理在于通过适配目标操作系统的底层接口和工具链，实现同一套代码在不同硬件和软件环境下的高效运行。这项技术的价值在于最大化代码复用率，降低多平台维护成本，并能让应用快速触达新兴生态系统的用户。在移动游戏和XR应用领域，随着鸿蒙HarmonyOS生态的快速发展，将成熟的商业引擎如Unreal Engine迁移至此平台，成为开发者探索新市场机会的重要路径。本文聚焦于Unreal Engine项目向鸿蒙系统的移植实践，详细解析了从环境搭建、源码适配到构建打包的全链路流
Transformer实战（38）——视觉Transformer (Vision Transformer, ViT)
Transformer 在自然语言处理 (NLP) 领域取得了显著成就，在许多不同的任务中都表现出色。在本节中，我们将探索视觉 Transformer (Vision Transformer, ViT) 模型。正如 NLP 领域创建了多种模型一样，视觉领域也开发了多种模型，每种模型都为计算机视觉提供了新的视角。通过本节，将学习如何使用 ViT 等模型进行计算机视觉任务，了解基于 Transformer 的预训练计算机视觉模型的工作原理，以及如何针对特定任务进行微调。
Fastgpt本地使用Docker Compose 快速部署
修改文件，并执行再执行d重起容器。具体配置，参考配置详解。可以查看日志，在启动容器后，第一次请求网页，会进行配置文件读取，可以看看有没有读取成功以及有无错误日志。进入 FastGPT 容器，可以通过ls data查看目录下是否成功挂载文件。可通过查看配置文件。可能不生效的原因挂载目录不正确配置文件不正确，日志中会提示invalid json，配置文件需要是标准的 JSON 文件。
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
NTscan扫描工具
ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
1万+
扫一扫
