Advertisement

利用Google Earth Engine的MODIS产品，并进行重投影、重采样和裁剪等预处理操作。

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
文档中详细地包含了用于检索特定感兴趣区域的MODIS产品的完整代码集。这些代码的设计以获取地表温度作为基础示例，若需提取植被指数（NDVI）数据，只需通过调整产品代号进行相应的修改即可。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 利用Google Earth Engine进行MODIS产品的获取及预处理（包括重投影、重采样与裁剪）
    优质
    本课程将指导学员使用Google Earth Engine平台高效下载和初步处理MODIS数据产品，涵盖重投影、重采样及区域裁剪等技术操作。 文档包含了获取感兴趣区域的MODIS产品的全部代码，以地表温度为例进行编写。如果要获取NDVI数据，则只需更改产品代号即可。
     
  • 使用MRT工具进行MODIS产品的批量拼接、重投影和裁剪（Envi）.doc
    优质
    本文档详细介绍了如何利用MRT工具在ENVI软件中高效地对MODIS产品进行批量处理，包括拼接、重投影及裁剪等步骤。 Envi调用MODIS Reprojection Tool（MRT）对MODIS产品进行批处理拼接、重投影和裁切。
     
  • 利用IDL调用MCTK插件进行MODIS AOD产品的批量重投影处理
    优质
    本项目探讨了使用IDL编程语言及其MCTK插件，实现对大量MODIS气溶胶光学厚度(AOD)数据产品进行高效、准确的批量地理空间坐标转换和重投影处理。 使用IDL调用MCTK插件来批量重投影MODIS AOD产品，支持10公里和3公里分辨率的产品。
     
  • 使用GEE Google Earth Engine批量裁剪和下载MODIS数据
    优质
    本教程介绍如何利用Google Earth Engine平台高效地进行MODIS卫星数据的批量裁剪与下载，适用于地球科学及环境研究领域。 这段代码用于在Google Earth Engine (GEE)上读取并处理MODIS数据集中的NDVI数据。它能够裁剪、下载数据，并支持批量操作，使用起来非常便捷且运行稳定。
     
  • 在ARCGIS中进行影像拼接、裁剪和重采样的方法
    优质
    本文章介绍了如何使用ARCGIS软件对遥感影像进行拼接、裁剪及重采样操作的具体步骤与技巧，帮助用户提高影像处理效率。 掌握ARCGIS下拼接、裁剪、重采样影像的方法非常实用。学会了这些命令后，以后再也不用担心影像处理没方法了。
     
  • FFmpegGUI：利用ffmpeg进行视频转换、修剪、裁剪、缩放和合并等操作 - matlab开发
    优质
    FFmpegGUI是一款基于MATLAB开发的图形用户界面工具，它允许用户轻松地使用FFmpeg执行各种视频编辑任务，包括转换格式、修剪片段、调整大小及合并文件。 特征视频可以将图像转换为视频或将视频分解为一系列图像。它支持在视频上叠加图像、合并最多三个视频片段以及修剪播放时间（开始和结束时间）。此外，还可以调整作物区域的大小、缩放或填充，并改变帧率设置质量及压缩参数。通常使用默认编码器如h264或者高效率的h265编码器进行处理。 声音操作包括删除音频流、提取音频流以及添加或替换音频流并同步视频和音频（延迟调整）。 由于ffmpeg提供了大量的参数选择，因此大多数情况下会采用默认设置以确保兼容性。然而，在某些情况下命令并非总是针对速度进行了优化；例如在合并同一视频的三个部分时，可以使用复制指令来避免重新编码过程中的性能损失。但关于哪些参数必须相等才能进行复制操作的具体说明并不完整。 输出文件夹统一为“…/ffmpegGUI/Output”。
     
  • 利用MRT工具进行MODIS数据的批量拼接与重投影
    优质
    本研究介绍了一种使用MRT（Modis Reprojection Tool）工具对大量MODIS数据进行高效拼接和重投影的方法，旨在提高遥感数据分析效率。 使用MRT（MODIS Reprojection Tool）工具批量处理MODIS数据的拼接和重投影操作效率较高。
     
  • Python批量处理MODIS数据的最大值合成、转换投影和重采样为ASC格式
    优质
    本教程介绍如何使用Python高效地对MODIS数据进行最大值合成，并将其转换为不同投影系统，最终以ASCII格网(ASC)格式输出。 在MODIS网站上可以下载全球数据的日值文件，这些日值数据的大小通常为500MB到1GB不等。一年的数据量约为365天，总计约300多GB，因此可以说这是一个较大的数据集。原始分辨率是每度0.05，在处理过程中需要将其按照半月合成，即生成一年24期的数据，并将这些结果转换为WGS 84投影系统并重采样至分辨率为0.5度。 考虑到使用Python进行批量操作能够直接获得最终的ASC格式文件。此外还可以在MATLAB中执行类似的批处理任务。除了最大值合成外，代码还支持平均值合成，并且考虑了闰年和平年的差异性结果举例：例如2008年1月的最大值合成文件名分别为mod09cmg200801a（一月上旬）和mod09cmg200801b（一月下旬）。整个程序处理过程中，会显示每完成一个月所用的时间。 对于基础数据的处理来说很方便。不需要打开ArcGIS,安装了GIS后自动带有Python软件，在开始菜单——ARCGIS——PYHON2.7下打开python即可运行hdf2asc_15day_max_prj_resample.py文件，只需修改年份、文件夹路径以及目标投影参考影像的路径就能顺利执行。
     
  • EarthEngine-Deep-Learning: 利用Google Earth Engine对Landsat-8影像进行土地分析...
    优质
    EarthEngine-Deep-Learning项目运用Google Earth Engine平台及深度学习技术，针对Landsat-8卫星图像开展高效的土地覆盖与利用变化分析研究。 如果您使用EarthEngine深度学习进行学术研究，请引用以下存储库： @misc{das_2019, title={基于Landsat-8影像的Google Earth Engine土地覆盖分类}, url={https://ucalyptus.me/EarthEngine-Deep-Learning/index.slides.html}, journal={EarthEngine Deep Learning}, publisher={GitHub}, author={Das, Sayantan}, year={2019}, month={Sep} }
     
  • GEE-CMIP5-气候数据处理：利用Google Earth Engine (JavaScript)...
    优质
    本项目运用Google Earth Engine平台及JavaScript语言，对CMIP5气候变化模型数据进行高效处理与分析，旨在探索全球气候变化趋势及其影响。 从一般环流模型（GCM）中提取降级的每日数据，并使用有用的JavaScript程序在CMIP5阶段下载历史和预计的气候数据（RCP 4.5和8.5）。