代码编织梦想

These Landsat 4 TM composites are made from Level L1T orthorectified scenes, using the computed top-of-atmosphere (TOA) reflectance. See Chander et al. (2009) for details on the TOA computation.

As of May 1, 2017, the USGS is no longer producing Pre-Collection Landsat, and therefore this collection is complete. Please switch to a Collection 1-based dataset. See this documentation page for more information.

The Burn Area Index (BAI) is generated from the Red and Near-IR bands, and measures the spectral distance of each pixel from a reference spectral point (the measured reflectance of charcoal). This index is intended to emphasize the charcoal signal in post-fire images. See Chuvieco et al. (2002) for details.

These composites are created from all the scenes in each 32-day period beginning from the first day of the year and continuing to the 352nd day of the year. The last composite of the year, beginning on day 353, will overlap the first composite of the following year by 20 days. All the images from each 32-day period are included in the composite, with the most recent pixel as the composite value.


这些Landsat 4 TM合成物是由L1T级正射场景制作的,使用计算的大气层顶部(TOA)反射率。关于TOA计算的细节,见Chander等人(2009)。

从2017年5月1日起,美国地质调查局不再生产预收集的Landsat,因此这个收集已经完成。请切换到基于集合1的数据集。更多信息请参见此文档页面。

烧伤面积指数(BAI)由红色和近红外波段产生,测量每个像素与参考光谱点(测得的木炭反射率)的光谱距离。这个指数的目的是强调火后图像中的木炭信号。详见Chuvieco等人(2002)。

这些合成物是由每年的第一天开始到第352天的每一个32天的所有场景创建的。这一年的最后一次合成,从第353天开始,将与下一年的第一次合成重叠20天。每个32天期间的所有图像都包括在合成中,以最近的像素作为合成值。

Dataset Availability

- 1993-12-19T00:00:00

Dataset Provider

USGS

Collection Snippet

ee.ImageCollection("LANDSAT/LT4_L1T_32DAY_BAI")

Bands Table

NameDescriptionResolution
BAIBurn Area Index30 meters

使用说明:

Landsat datasets are federally created data and therefore reside in the public domain and may be used, transferred, or reproduced without copyright restriction.

Acknowledgement or credit of the USGS as data source should be provided by including a line of text citation such as the example shown below.

(Product, Image, Photograph, or Dataset Name) courtesy of the U.S. Geological Survey

Example: Landsat-7 image courtesy of the U.S. Geological Survey

See the USGS Visual Identity System Guidance for further details on proper citation and acknowledgement of USGS products.

Landsat数据集是联邦创建的数据,因此属于公共领域,可以在没有版权限制的情况下使用、转让或复制。

对美国地质调查局作为数据来源的确认或信用,应通过包括一行文字引用来提供,如下面的例子。

(产品、图像、照片或数据集名称)由美国地质调查局提供。

例子。Landsat-7图像由美国地质调查局提供

请参阅美国地质调查局视觉识别系统指南,了解有关美国地质调查局产品的正确引用和鸣谢的进一步细节。

代码:

var dataset = ee.ImageCollection('LANDSAT/LT04/C01/T1_32DAY_BAI')
                  .filterDate('1989-01-01', '1992-12-31');
var scaled = dataset.select('BAI');
var scaledVis = {
  min: 0.0,
  max: 100.0,
};
Map.setCenter(6.746, 46.529, 6);
Map.addLayer(scaled, scaledVis, 'Scaled');

var dataset = ee.ImageCollection('LANDSAT/LT04/C01/T1_8DAY_BAI')
                  .filterDate('1989-01-01', '1992-12-31');
var scaled = dataset.select('BAI');
var scaledVis = {
  min: 0.0,
  max: 100.0,
};
Map.setCenter(6.746, 46.529, 6);
Map.addLayer(scaled, scaledVis, 'Scaled');
var dataset = ee.ImageCollection('LANDSAT/LT04/C01/T1_ANNUAL_BAI')
                  .filterDate('1989-01-01', '1992-12-31');
var scaled = dataset.select('BAI');
var scaledVis = {
  min: 0.0,
  max: 100.0,
};
Map.setCenter(6.746, 46.529, 6);
Map.addLayer(scaled, scaledVis, 'Scaled');

版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/qq_31988139/article/details/120422467

使用google earth engine(一):提取下载modis、landsat点数据_there2belief的博客-爱代码爱编程

    现在可以使用Google Earth Engine 快捷的提取MODIS、Landsat等产品的点(或区域)数据到自己的Google Drive下载。PS:GEE可以做全球尺度长时间序列的数据分析出图等,将来必是地球科学领域的大杀器。这里下载数据不是仅运行下面代码就行,还需要注意两点:   1)那么如何找到数据集呢?在搜索栏输入产品名,便可快速

增强型植被指数——EVI-爱代码爱编程

@97@365《增强型植被指数——EVI》TOC 97@365《增强型植被指数——EVI》 [http://blog.sina.com.cn/s/blog_bbfb0a2401019jjl.html] The coefficients adopted in the EVI algorithm are, L=1, C1 = 6, C2 = 7.5, and

森林火灾遥感评估区划方法-爱代码爱编程

2020年3月28日19时30分,四川省凉山州木里县乔瓦镇锄头湾村与项脚蒙古族乡项脚村交界处发生森林火灾。火灾发生后,我们需要努力测量火灾后迹地,为森林重建和植被演替创造基线。借助火灾前后的Landsat8影像,利用归一化燃烧指数计算损失,然后将数据作为要素类发布以与其他人共享。 比较波段组合 首先,通过usgs获取 Landsat 8 影像初步查看火

增强植被指数evi公式_什么是植被指数?RADARSAT-2数据 地灾解译 生态旅游解译-爱代码爱编程

什么是植被指数? 植被指数(vegetation index, VI)是无量纲的、利用叶冠的光学参数提取的。设计植被指数的目的是建立一种经验的或半经验的、强有力的、对地球上所有生物群体都适用的植被观测量。通常使用红色可见光通道和近红外光谱通道的组合来设计植被指数。 土壤调节植被指数(soil-adjusted vegetation

ArcGis10.5+ENVI5.3处理Landsat-8数据24景影像水体提取得到shp图层总结心得-爱代码爱编程

目录 数据介绍 数据的预处理 水体处理 数据介绍:http://glovis.usgs.gov/ Landsat-8 Collection 1 Level 1数据 下载的时候,可以选择官网下载(可以下载任何年限,需要咳血上网,我们实验室的网加上我的ti子,让年仅十二岁的我差点离开这个美丽的人间),或者地理空间数据云查询下载数据,网址如下: htt

GEE基础学习——EVI指数计算-爱代码爱编程

利用表达式的形式计算EVI指数 // Compute Enhanced Vegetation Index (EVI) over the MODIS MOD09GA product // using an expression. // Load a MODIS image and apply the scaling factor. var img = e

Google Earth Engine(GEE)——Landsat 系列卫星及其算法的介绍(新手必备)!-爱代码爱编程

Landsat 采集结构 USGS 为每颗卫星生成 3 层(类别)数据: 第 1 层 (T1) - 满足几何和辐射质量要求的数据第 2 层 (T2) - 不符合第 1 层要求的数据实时 (RT) - 尚未评估的数据(最多需要一个月)。有关详细信息,请参阅有关 Collection 1 Tiers 的 USGS 文档(https://www.usgs.g

全球土地利用数据ESRI 10m Land Cover 2020 in GEE(Google Earth Engine)-爱代码爱编程

此图层显示土地利用/土地覆盖 (LULC) 的全球地图。该地图来自 ESA Sentinel-2 图像,分辨率为 10m。它综合了全年 10 个类别的 LULC 预测,以生成 2020 年的代表性快照。该地图由深度学习模型生成,该模型使用超过 50 亿个手工标记的 Sentinel-2 像素进行训练,从 20,000 多个站点中采样分布于世界所有主要生物群

归一化差异雪指数 (NDSI)的简介-爱代码爱编程

什么是遥感中的 NDSI?   归一化差雪指数 (NDSI) 雪盖是与像素中雪的存在相关的指数,与分数雪盖 (FSC) 相比,它是雪检测的更准确描述。雪通常具有非常高的可见光 (VIS) 反射率和非常低的短波红外 (SWIR) 反射率,这是通过区分雪和大多数云类型来检测雪的特征。      如何计算NDSI?   NDSI 是衡量可见光(GR

Google Earth Engine(python)——卷积神经网络第 2 部分-爱代码爱编程

在上一篇文章中,我们将数据导出到 Google Cloud Storage。在这篇文章中将读取数据并使用数据运行模型。有很多使用 colab 的例子。在这里,我们专注于在您的 PC 或服务器上训练您的模型。 从 gcp 存储桶下载数据。 使用 gsutil 将文件复制到您电脑上选择的文件夹中 gsutil -m cp -r gs://wfpbuck

google earth engine ——landsat 8 collection 1 tier 1数据集_landsat 8 handbook-爱代码爱编程

Landsat 8 Collection 1 Tier 1 DN values, representing scaled, calibrated at-sensor radiance. Landsat scenes with the highest available data quality are placed into Tier 1 and are

【技术类】landsat 7 etm+影像条带去除妙招_landsat7条带修复-爱代码爱编程

      使用过Landsat-7 ETM+影像数据的童鞋,你们是否因为影像的数据条带丢失所困扰呢?数据条带丢失也就是我们通常说的坏条带问题,遇到这种数据很让人头疼。 图:原始影像       坏条带的由来:2003年5月31日,Landsat-7ETM+机载扫描行校正器(SLC) 故障,导致此后获取的影像出现了数据条带丢失,严重影响了Lands