《Python地理空间分析指南(第2版)》——1.5 高程数据

简介:

本节书摘来自异步社区《Python地理空间分析指南(第2版)》一书中的第1章,第1.5节,作者: 【美】Joel Lawhead(莱哈德) 更多章节内容可以访问云栖社区“异步社区”公众号查看。

1.5 高程数据

数字高程模型(Digital Elevation Model,DEM)是一个星球表面的三维模型。本书中的星球如果没有特别说明就是指地球。数字高程模型的历史虽然没有遥感影像复杂,但也不简单。在发明计算机之前,高程数据只能通过土地勘测之后显示在地形图上。虽然已经存在使用粘土或者木材创建立体图像和物理模型的技术,但是它们都没有大规模地应用到地理学上。

数字高程模型概念最早出现于1986年。当时法国国家太空研究中心(Centre national d'études spatiales,CNES)发射了SPOT-1卫星,其中携带了一个立体雷达。该系统创建了第一个可用的DEM。之后欧美等国也遵循了这一标准进行了若干卫星数据采集任务。2000年2月,“奋进号”航天飞机执行了雷达地形勘测任务(Shuttle Radar Topography Mission,SRTM),通过使用支持单通的特制雷达天线,收集了超过地表面积80%的高程数据。2009年美日合作的太空计划打破了这一纪录,该计划使用的是NASA的Terra卫星,它使用了先进的星载热辐射和反辐射(Advanced Spaceborne Thermal Emission and Reflection Radiometer,ASTER)传感器。这套系统捕获的数据虽然有少许瑕疵,但是它能够覆盖地表99%的区域。因为航天飞机的轨道无法覆盖地球的两极,所以它无法捕获地表所有的区域。不过SRTM仍然是很经典的数据标准。图1-9所示是USGS提供的部分地形阴影的彩色DEM。彩色DEM上绿色的部分海拔较低,黄色和棕色的部分海拔较高。


<a href=https://yqfile.alicdn.com/16a318e84afd51e31c7b644d7eb56877de5208e3.png" >

最近和全球高程数据有关的更具雄心的计划出现了,这个计划是通过德国分别于2007年和2009年发射的卫星TerraSAR-X和TanDEM-X来执行的。这两颗高度雷达卫星协同工作,于2014年4月5日发布了名为WorldDEM的全球DEM。其数据集的相对精度为2m,绝对精度为4m。

相关文章
|
19小时前
|
机器学习/深度学习 算法 Python
数据分享|Python决策树、随机森林、朴素贝叶斯、KNN(K-最近邻居)分类分析银行拉新活动挖掘潜在贷款客户
数据分享|Python决策树、随机森林、朴素贝叶斯、KNN(K-最近邻居)分类分析银行拉新活动挖掘潜在贷款客户
|
1天前
|
机器学习/深度学习 算法 算法框架/工具
数据分享|PYTHON用KERAS的LSTM神经网络进行时间序列预测天然气价格例子
数据分享|PYTHON用KERAS的LSTM神经网络进行时间序列预测天然气价格例子
|
1天前
|
机器学习/深度学习 数据挖掘 网络架构
Python对商店数据进行lstm和xgboost销售量时间序列建模预测分析
Python对商店数据进行lstm和xgboost销售量时间序列建模预测分析
|
1天前
|
数据挖掘 数据处理 索引
如何使用Python的Pandas库进行数据筛选和过滤?
Pandas是Python数据分析的核心库,提供DataFrame数据结构。基本步骤包括导入库、创建DataFrame及进行数据筛选。示例代码展示了如何通过布尔索引、`query()`和`loc[]`方法筛选`Age`大于19的记录。
8 0
|
1天前
|
机器学习/深度学习 算法 数据挖掘
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享-2
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享
19 1
|
2天前
|
数据处理 Python
如何使用Python的Pandas库进行数据排序和排名
【4月更文挑战第22天】Pandas Python库提供数据排序和排名功能。使用`sort_values()`按列进行升序或降序排序,如`df.sort_values(by=&#39;A&#39;, ascending=False)`。`rank()`函数用于计算排名,如`df[&#39;A&#39;].rank(ascending=False)`。多列操作可传入列名列表,如`df.sort_values(by=[&#39;A&#39;, &#39;B&#39;], ascending=[True, False])`和分别对&#39;A&#39;、&#39;B&#39;列排名。
13 2
|
3天前
|
Python
如何使用Python的Pandas库进行数据缺失值处理?
Pandas在Python中提供多种处理缺失值的方法:1) 使用`isnull()`检查;2) `dropna()`删除含缺失值的行或列;3) `fillna()`用常数、前后值填充;4) `interpolate()`进行插值填充。根据需求选择合适的方法处理数据缺失。
29 9
|
5天前
|
索引 Python
如何使用Python的Pandas库进行数据透视表(pivot table)操作?
使用Pandas在Python中创建数据透视表的步骤包括:安装Pandas库,导入它,创建或读取数据(如DataFrame),使用`pd.pivot_table()`指定数据框、行索引、列索引和值,计算聚合函数(如平均分),并可打印或保存结果到文件。这允许对数据进行高效汇总和分析。
10 2
|
5天前
|
JSON 关系型数据库 数据库
《Python 简易速速上手小册》第6章:Python 文件和数据持久化(2024 最新版)
《Python 简易速速上手小册》第6章:Python 文件和数据持久化(2024 最新版)
33 0
|
6天前
|
机器学习/深度学习 Python 数据处理
Python中利用长短期记忆模型LSTM进行时间序列预测分析 - 预测电力负荷数据
Python中利用长短期记忆模型LSTM进行时间序列预测分析 - 预测电力负荷数据
28 0
Python中利用长短期记忆模型LSTM进行时间序列预测分析 - 预测电力负荷数据