【RS&GIS数据资源】2003-2022年黄河流域TCI、VCI、VHI、TVDI逐年1km分辨率数据集

文章目录

摘要

黄河流域大部分属于干旱、半干旱气候,先天水资源条件不足,是中国各大流域中受干旱影响最为严重的流域。随着全球环境和气候变化,黄河流域的干旱愈加频繁,对黄河流域的干旱监测研究已经成为当下的热点。本数据集基于MODIS植被和地表温度产品,通过对逐年数据进行去云、重构等质量控制,分别生产了2003–2022年黄河流域逐年的温度条件指数(Temperature Condition Index,TCI)、植被状态指数(Vegetation Condition Index,VCI)、植被健康指数(Vegetation Health Index,VHI)、温度植被干旱指数(Temperature Vegetation Dryness Index,TVDI)数据集。本数据集空间范围为32°10′N–41°50′N,95°53′E–119°05′E,数据格式为GeoTiff,空间分辨率为1 km。同其他干旱指数数据集相比,本产品可以在逐年时间尺度上表现黄河流域的干旱格局,在时间序列上反映黄河流域干旱变化趋势,为黄河流域干旱灾害监测提供基础数据支撑。

20240520143117 [1].png20240520143117 [2].png20240520143117 [3].png20240520143117 [4].png

基本信息

最新发布日期: 2023-09-12存储量: 469.76MB
存储类型: 栅格图像学科分类: 地球科学>地球科学其他学科;生物学>生态学
时间范围: 2003-2022年空间范围: 黄河流域

注意:请数据使用者在基于本数据所产生的研究成果中标注数据来源,
并按照[文献引用方式]标注需引用的参考文献。


仅供学习交流,不能用于商业通途,
资料数据来源于网络
本公众号只负责数据的搜集和整理工作
不能保证资料的精度和准确度以及时效性
如有侵权请联系删除
欢迎批评指正
关注微信公众号:【GeoLearning】
CSND 同号
欢迎关注
### 关于低光照条件下的多流渐进恢复用于暗图像增强和去噪 在低光照条件下,图像通常会受到噪声的影响,导致视觉质量下降。为了应对这一挑战,研究者们提出了多种方法来提高图像质量和减少噪声。其中一种有效的方法是采用多流渐进恢复策略来进行低光图像增强和去噪。 #### 多流渐进恢复的工作原理 该方法通过多个并行处理路径(即多流),逐步改善输入图像的质量。每一流专注于不同的特征提取或特定类型的降噪操作。随着网络层次加深,不同流之间的信息逐渐融合,从而实现更精细的细节保留和更好的去噪效果[^1]。 对于具体的技术实现方面,在北京交通大学的一项研究中提到的一种基于Transformer架构的设计——TCI (Transformer-based Cascaded Integration),它能够有效地捕捉空间上下文依赖关系,并且利用级联结构进一步增强了模型的学习能力[^2]。 ```python import torch from torchvision import transforms from PIL import Image class TCIModel(torch.nn.Module): def __init__(self, num_streams=3): super(TCIModel, self).__init__() # Define multiple streams here def forward(self, x): outputs = [] for stream in range(num_streams): output_stream = ... # Process each stream separately outputs.append(output_stream) final_output = sum(outputs)/len(outputs) # Simple averaging as an example return final_output def preprocess_image(image_path): transform = transforms.Compose([ transforms.Resize((256, 256)), transforms.ToTensor(), ]) img = Image.open(image_path).convert('RGB') tensor_img = transform(img).unsqueeze(0) return tensor_img if __name__ == "__main__": model = TCIModel() input_tensor = preprocess_image("path_to_low_light_image.jpg") enhanced_image = model(input_tensor) ``` 此代码片段展示了如何定义一个多流渐进恢复框架以及预处理函数以准备输入数据给定一个具体的图片文件路径。请注意这只是一个简化版本的实际应用可能更加复杂涉及到更多组件如注意力机制等特性。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值