
- در دسترس بودن مجموعه دادهها
- 1999-06-30T00:00:00Z–2002-09-04T00:00:00Z
- تولیدکننده مجموعه داده
- سازمان زمینشناسی آمریکا (USGS)
- برچسبها
توضیحات
تصویر موزاییکی لندست از قطب جنوب (LIMA) یک تصویر موزاییکی یکپارچه و تقریباً بدون ابر است که از صحنههای پردازششدهی لندست ۷ ETM+ ایجاد شده است.
صحنههای پردازششده لندست (۱۶ بیتی) صحنههای NLAPS سطح ۱Gt هستند که به ۱۶ بیتی تبدیل شدهاند، با تصحیح زاویه خورشید پردازش شدهاند و به مقادیر بازتاب تبدیل شدهاند ( Bindschadler 2008 ).
هر صحنه لندست با دادههای ارتفاعی و تصحیح زاویه خورشید پردازش میشود تا از نمایش دقیق ویژگیهای سطح اطمینان حاصل شود. زاویه خورشید در قطب جنوب، ظاهری شبیه به غروب خورشید ایجاد میکند. به دلیل زاویه کم خورشید، هنگام عبور لندست از فراز قطب جنوب، لبههای بیرونی این قاره روشنتر از مناطق نزدیک به قطب جنوب به نظر میرسند، بنابراین صحنهها دارای مناطق روشن و تاریک هستند. زاویهها و سایههای خورشید ناهماهنگ برای این صحنهها اصلاح شدند. بدون این فرآیند، موزاییکسازی صحنههای پراکندهای ایجاد میکرد، زیرا هر صحنه یک طرف روشنتر و یک طرف تاریکتر داشت.
این جدولی است که شامل فرادادههای مجموعه تصاویر USGS/LIMA/SR است.
طرحواره جدول
طرحواره جدول
| نام | نوع | توضیحات |
|---|---|---|
| تاریخ | رشته | تاریخ خرید با فرمت YYYY-MM-DD |
| مسیر | داخلی | مسیر WRS |
| شناسه چندوجهی | داخلی | شناسه منحصر به فرد اختصاص داده شده به یک چندضلعی |
| ردیف | داخلی | ردیف WRS |
| شناسه صحنه | رشته | شناسه صحنه |
| سنسور | رشته | سنسور |
| فضا | رشته | نام ماهوارهای که برای جمعآوری دادهها استفاده شده است |
شرایط استفاده
شرایط استفاده
این تصاویر در مالکیت عمومی هستند و میتوان آنها را آزادانه و بدون ذکر منبع استفاده کرد. با این حال، از پروژه موزاییک تصویر لندست از قطب جنوب (LIMA) بسیار سپاسگزاریم.
نقل قولها
بیندشادلر، ر.، ورنبرگر، پ.، فلمینگ، آ.، فاکس، آ.، مولینز، ج.، بینی، د.، پالسون، س.، گرانمن، ب.، و گورودتزکی، د.، ۲۰۰۸، موزاییک تصویر لندست از قطب جنوب، سنجش از دور محیط زیست، ۱۱۲، صفحات ۴۲۱۴-۴۲۲۶. PDF
با موتور زمین کاوش کنید
ویرایشگر کد (جاوااسکریپت)
var dataset = ee.FeatureCollection('USGS/LIMA/SR_METADATA'); // Calculate the age of each feature by subtracting // the acquisition date from "today". var feature_ages = dataset.map( function(feature) { var today = ee.Date.fromYMD(2024, 1, 12); var acq_date = ee.Date.parse( 'yyyy-MM-dd', feature.get('ACQ_DATE')); var diff = today.difference(acq_date, 'day'); return feature.set({'ACQ_AGE': diff}); } ); // Reduce by calculating the smallest ACQ_AGE, // which gives the most recent acquisition date for // that area. var reduced_ages = feature_ages.reduceToImage({ properties: ['ACQ_AGE'], reducer: ee.Reducer.min() }); var reduced_ages_vis = { min: 6000, max: 9000, palette: ['00ff00', 'ff0000'], }; var lon = -43.6; var lat = -74.2; var gray = 150; var background = ee.Image.rgb(gray, gray, gray).visualize({min: 0, max: 255}); Map.setCenter(lon, lat, 2); Map.addLayer( reduced_ages, reduced_ages_vis, 'Acquisition Age');