Более

Данные MODIS MOD09 MOD03

Данные MODIS MOD09 MOD03


Я скачал данные MODIS для оценки тумана за весь декабрь 2014 года с сайта laads. Я получил файлы 90 для mod09 и 180 для mod03 за тот же период. как мне связать, какой файл геолокации (mod03) связан с его файлом mod09? кто-нибудь может сказать? Я пытался запустить пакетный процесс с помощью инструмента MRTSwath, для которого мне нужно создать файл параметров для всех файлов. Я попытался выбрать файл геолокации, но не могу сказать, какой mod03 сочетается с каким mod09.


Причина того, что у вас вдвое больше файлов MOD03, чем файлов MOD09, заключается в том, что у вас есть как ночная, так и дневная версии MOD03, в то время как только дневные версии MOD09.

Что касается связи правильных файлов MOD03 с вашими файлами MOD09, вы должны смотреть на метку времени в именах файлов. Обычно файл MOD03 имеет имя в следующих строках: MOD03.TYYYYJJJ.HHMM.005.XXXXXXXXXXXXX.hdf.

Таким образом, вы должны убедиться, что совпадают, это часть YYYYJJJ.HHMM, которая является вашей датой и временем приобретения. Временную метку, обозначенную в моем примере как набор крестиков, не следует принимать во внимание и, возможно, удалить, так как это только сбивает с толку большинство пользователей.


Орошаемое земледелие MODIS

Набор ирригационных продуктов для спектрорадиометра среднего разрешения (MODIS) для орошаемого земледелия для США (MIrAD-US) был разработан Центром наблюдения и науки за ресурсами земли (EROS) Геологической службы США (USGS). Цель MIrAD - предоставить комплексный и последовательно обрабатываемый набор геопространственных данных для орошаемого земледелия на территории США (КОНУС). MIrAD Version 4 предлагает наборы данных по орошению за 2002, 2007, 2012 и 2017 годы с пространственным разрешением 250 м и 1 км.

Мы использовали подход геопространственного моделирования и реализовали его в течение четырех периодов времени (2002, 2007, 2012 и 2017 годы), чтобы последовательно отображать орошаемое земледелие на территории США. Эти данные можно использовать для оценки тенденций качества воды в грунтовых и поверхностных водах. объяснить влияние засухи на растительность и поддержать применение и уточнение текущих объемов воды, используемых для орошения.

Метод включал следующие три основных входа данных:

Статистика орошаемых площадей на уровне округов USDA (https://www.nass.usda.gov/AgCensus/index.php)

Годовой пиковый индекс нормализованной разницы растительности (NDVI), полученный на основе снимков Collection 6 Aqua MODIS (https://aqua.nasa.gov/modis)

Маска земельного покрова для сельскохозяйственных земель, полученная из NLCD (https://www.mrlc.gov/)

Подробное описание исходных данных и методологии предоставлено Первезом и Брауном (2010).


СОДЕРЖАНИЕ

Благодаря низкому пространственному разрешению, но высокому временному разрешению, данные MODIS полезны для отслеживания изменений ландшафта с течением времени. Примерами таких приложений являются мониторинг здоровья растительности посредством анализа временных рядов с индексами растительности, [4] долгосрочные изменения земного покрова (например, для мониторинга темпов обезлесения), [5] [6] [7] [8] глобальные тенденции снежного покрова, [9] [10] затопление воды в результате затопления плювиальных, речных или повышенных уровней моря в прибрежных районах [11], изменение уровня воды в крупных озерах, таких как Аральское море, [12] [13] и обнаружение и картирование лесных пожаров в США. [14] Центр приложений дистанционного зондирования Лесной службы США на постоянной основе анализирует изображения MODIS, чтобы предоставить информацию для управления и подавления лесных пожаров. [15]

Характеристики
Орбита 705 км, 10:30 нисходящий узел (Terra) или 13:30 восходящий узел (Aqua), солнечно-синхронный, почти полярный, круговой
Скорость сканирования 20,3 об / мин, поперечная колея
Полоса 2330 км (поперечная) по 10 км (по колее в надире)
Габаритные размеры
Телескоп 17,78 см диам. внеосевой, афокальный (коллимированный), с промежуточным упором поля
Размер 1,0 × 1,6 × 1,0 м
Масса 228,7 кг
Мощность 162,5 Вт (среднее по одной орбите)
Скорость передачи данных 10,6 Мбит / с (пиковое дневное время) 6,1 Мбит / с (среднее орбитальное)
Квантование 12 бит
Пространственное разрешение 250 м (полосы 1–2) 500 м (полосы 3–7) 1000 м (полосы 8–36)
Временное разрешение 1-2 дня [16]
Дизайн жизни 6 лет
Группа Длина волны
(нм)
Разрешение
(м)
Основное использование
1 620–670 250 Земля / облако / аэрозоли
границы
2 841–876 250
3 459–479 500 Земля / облако / аэрозоли
характеристики
4 545–565 500
5 1230–1250 500
6 1628–1652 500
7 2105–2155 500
8 405–420 1000 Цвет океана /
фитопланктон /
биогеохимия
9 438–448 1000
10 483–493 1000
11 526–536 1000
12 546–556 1000
13 662–672 1000
14 673–683 1000
15 743–753 1000
16 862–877 1000
17 890–920 1000 Атмосферный
водяной пар
18 931–941 1000
19 915–965 1000
Группа Длина волны
(мкм)
Разрешение
(м)
Основное использование
20 3.660–3.840 1000 Поверхность / облако
температура
21 3.929–3.989 1000
22 3.929–3.989 1000
23 4.020–4.080 1000
24 4.433–4.498 1000 Атмосферный
температура
25 4.482–4.549 1000
26 1.360–1.390 1000 Перистые облака
водяной пар
27 6.535–6.895 1000
28 7.175–7.475 1000
29 8.400–8.700 1000 Свойства облака
30 9.580–9.880 1000 Озон
31 10.780–11.280 1000 Поверхность / облако
температура
32 11.770–12.270 1000
33 13.185–13.485 1000 Облако сверху
высота
34 13.485–13.785 1000
35 13.785–14.085 1000
36 14.085–14.385 1000

Наборы данных MODIS Level 3 Править

Следующие наборы данных MODIS уровня 3 (L3) доступны в НАСА и обработаны программным обеспечением Collection 5. [17]

Повседневная 8-дневный 16-дневный 32-дневный Ежемесячно Ежегодно Сетка Платформа Описание
MИксD08_D3 MИксD08_E3 MИксD08_M3 1 ° CMG Терра, Аква Аэрозоль, водяной пар облаков, озон
MИксD10A1 MИксD10A2 500 м SIN Терра, Аква Снежный покров
MИксD11A1 MИксD11A2 1000 м SIN Терра, Аква Температура поверхности земли / коэффициент излучения
MИксD11B1 6000 м SIN Терра, Аква Температура поверхности земли / коэффициент излучения
MИксD11C1 MИксD11C2 MИксD11C3 0,05 ° CMG Терра, Аква Температура поверхности земли / коэффициент излучения
MИксD13C1 MИксD13C2 0,05 ° CMG Терра, Аква Индексы растительности
MИксD14A1 MИксD14A2 1000 м SIN Терра, Аква Тепловые аномалии, пожар
MCD45A1 500 м SIN Терра + Аква Обожженная область
250 м SIN 500 м SIN 1000 м SIN 0,05 ° CMG 1 ° CMG Временное окно Платформа Описание
MИксD09Q1 MИксD09A1 8-дневный Терра, Аква Отражение поверхности
MИксD09CMG Повседневная Терра, Аква Отражение поверхности
MCD12Q1 MCD12C1 Ежегодно Терра + Аква Тип земного покрова
MCD12Q2 Ежегодно Терра + Аква Динамика земного покрова

Доступность Править

Поток сырых данных MODIS может быть получен в реальном времени с помощью отслеживающей антенны благодаря возможности прямого вещания прибора. [18]

В качестве альтернативы, научные данные становятся общедоступными через несколько сайтов в Интернете и FTP-архивы, такие как:

    - инструмент для обнаружения метаданных и сервисов нового поколения, [19] который заменил прежний инструмент инвентаризации и поиска хранилища (WIST) - веб-интерфейс уровня 1 и системы архивации и распространения атмосферы (LAADS) - Land Atmosphere Возможность работы в режиме, близком к реальному времени для EOS [20]
  • ftp://ladsftp.nascom.nasa.gov/ - базовый FTP-сервер LAADS
  • http://e4ftl01.cr.usgs.gov/ - наборы данных о поверхности земли и суши
  • ftp://n4ftl01u.ecs.nasa.gov/ - наборы данных по снегу и льду.

Большая часть данных доступна в формате HDF-EOS - варианте формата иерархических данных, предписанном для данных, полученных в ходе миссий Системы наблюдения Земли. [21]


Команда ORNL DAAC MODIS получила национальную премию

Команда MODIS в ORNL DAAC была удостоена национальной награды Дуга Д. Неберта «Чемпион мира» за свою работу по разработке набора инструментов MODIS.

Джош Блюменфельд, научный писатель EOSDIS

Команда из Национальной лаборатории распределенного активного архивного центра в Ок-Ридж (ORNL DAAC), занимающаяся данными спектрорадиометра со средним разрешением (MODIS), стала первым лауреатом награды Дуга Д. Неберта в Национальной инфраструктуре пространственных данных (NSDI) за свои возможности. работа над инновационным набором инструментов для использования наборов данных MODIS (http://daac.ornl.gov/modisglobal).

Представители ORNL DAAC принимают награду FGDC Doug D. Nebert «Чемпион года NSDI». Слева направо: Иван ДеЛоатч, исполнительный директор, представители FGDC ORNL, доктор Роберт Кук, доктор Махан Вирди, и Суреш Ваннан, Камилла Тутон, заместитель помощника министра по водным ресурсам и науке, департамент внутренних дел Кевин Галлахер, заместитель директора Геологической службы США по основным направлениям Системы науки. Изображение предоставлено ORNL DAAC.

Награда, учрежденная в этом году, вручается Федеральным комитетом по географическим данным (FGDC) и присуждается отдельному лицу или группе в США, которые разработали «выдающийся, инновационный и рабочий инструмент, приложение или услугу, используемую несколько организаций, которые продвигают видение NSDI ». Менеджер ORNL DAAC Суреш Ваннан, ведущий специалист по инструментам ORNL DAAC MODIS доктор Махан Вирди и главный научный сотрудник ORNL DAAC (в отставке) доктор Роберт Кук приняли награду на церемонии в Вашингтоне, округ Колумбия, 29 сентября.

Команда ORNL DAAC MODIS разработала инструменты для поднабора и визуализации MODIS, которые позволяют пользователям данных, особенно наземным экологам, получать доступ к многолетним данным MODIS и анализировать эти данные по областям от 1 пикселя MODIS (около 1 x 1 км) до 201 x 201 км. Простой интерфейс и структуры данных набора инструментов MODIS были признаны FGDC «образцом успеха благодаря интеграции и предоставлению пространственных данных, инструментов и услуг широкому глобальному сообществу практиков, преподавателей и студентов». Как отмечает FGDC, инструменты поднабора и визуализации MODIS ORNL DAAC обслуживают аудиторию из более чем 7000 различных пользователей и обрабатывают в среднем 20 миллионов глобальных запросов в год.

Видение NSDI состоит в том, чтобы гарантировать, что пространственные данные из множества источников доступны и легко интегрируются, чтобы улучшить понимание физического и культурного мира. Кандидаты на премию Даг Д. Неберт «Чемпион года NSDI» оцениваются по следующим критериям:

  • Инновации и видение
  • Совместимость
  • Использование стандартов
  • Продвижение принципов NSDI
  • Сервис для сообществ пользователей
  • Разработан один раз, но используется многими
  • Повышенная производительность и сервис
  • Реальное приложение

ORNL DAAC - это один из Центров распределенного активного архива (DAAC) системы данных и информации Системы наблюдения за Землей (EOSDIS), которые находятся в ведении проекта NASA по Системе данных и информации по наукам о Земле (ESDIS). ORNL DAAC предоставляет данные и информацию, относящиеся к биогеохимической динамике, экологическим данным и экологическим процессам, которые имеют решающее значение для понимания биологических, геологических и химических компонентов окружающей среды Земли.

EOSDIS НАСА обеспечивает сквозные возможности для управления данными НАСА в области наук о Земле. Эти данные представляют собой одни из самых сложных и разнообразных наборов данных по науке о Земле на планете и поступают со спутников, самолетов, полевых измерений и множества других программ в рамках EOSDIS. Основными услугами, предоставляемыми EOSDIS, являются архивирование данных, управление и распространение информации, создание продуктов и поддержка пользователей.


MODIS Data MOD09 MOD03 - Географические информационные системы

OSPO производит огневую продукцию MODIS, используя данные системы быстрого реагирования NASA MODIS, работающей в режиме, близком к реальному времени. Инструмент MODIS летает на борту спутников NASA TERRA и AQUA, а алгоритм возгорания был разработан командой MODIS Fire and Thermal Anomalies.

Пожарный продукт, полученный ОСПО, находится в крупном (

13mb) файлы HDF. Мы извлекаем огневые позиции и значения достоверности и помещаем их в таблицы с разделителями-запятыми, чтобы их можно было легко прочитать в Географической информационной системе (ГИС) в виде табличных данных.

  • Эти данные генерируются автоматическим алгоритмом и размещаются на веб-странице почти в реальном времени. Контроль качества не проводился. Усилия по валидации только начинаются. Для продукта с контролируемым качеством пользователи могут обратиться к продукту Hazard Mapping System (HMS), созданному сателлитными аналитиками SPSD.
  • Места возгорания представляют собой приблизительное расположение пикселя возгорания и не отражают фактический размер возгорания. Мгновенное поле зрения MODIS в надире для каналов, используемых для создания продукта пожара, составляет 1х1 км, но явление пожара может быть намного меньше этого.
  • Мы публикуем эти данные, как только мы их получаем, но система обработки, близкая к реальному времени, не считается работоспособной. В настоящее время мы не гарантируем круглосуточный доступ к этим данным.
  • Если для данного прохода возгорание не обнаружено, файл не помещается на сервер.

Последние данные о возгорании MODIS, а также другие слои, составляющие продукт HMS Fire and Smoke, лучше всего можно просмотреть на нашей странице SPSD Fire Web-GIS.

Загрузите самые последние файлы огня (доступны в форматах ASCII, GIS и в графических форматах).

Последние пожары, идентифицированные пожарным продуктом MODIS, показаны ниже (README):


MODIS Data MOD09 MOD03 - Географические информационные системы

Все статьи, опубликованные MDPI, немедленно становятся доступными по всему миру по лицензии открытого доступа. Для повторного использования всей или части статьи, опубликованной MDPI, включая рисунки и таблицы, специального разрешения не требуется. Для статей, опубликованных под лицензией Creative Common CC BY с открытым доступом, любая часть статьи может быть повторно использована без разрешения при условии четкого цитирования исходной статьи.

Тематические статьи представляют собой самые передовые исследования со значительным потенциалом воздействия в данной области. Тематические статьи представляются по индивидуальному приглашению или рекомендации научных редакторов и проходят рецензирование перед публикацией.

Тематический доклад может быть либо оригинальной исследовательской статьей, либо существенным новым исследованием, которое часто включает несколько методов или подходов, либо всеобъемлющим обзорным документом с краткими и точными обновлениями последних достижений в этой области, в котором систематически рассматриваются самые захватывающие достижения в области науки. литература. Этот тип статьи дает представление о будущих направлениях исследований или возможных приложениях.

Статьи Editor’s Choice основаны на рекомендациях научных редакторов журналов MDPI со всего мира. Редакторы выбирают небольшое количество недавно опубликованных в журнале статей, которые, по их мнению, будут особенно интересны для авторов или важны в этой области. Цель состоит в том, чтобы сделать снимок некоторых из наиболее интересных работ, опубликованных в различных исследовательских областях журнала.


Будущие миссии НАСА для исследований LCLUC

Разработка Landsat 9 в настоящее время осуществляется в рамках партнерства между НАСА и Геологической службой США, чтобы продолжить многолетнее наследие датчиков Landsat и связанных с ними исторических данных. Он окажется полезным для картирования земельных ресурсов, мониторинга растительного покрова и последствий изменения землепользования, включая функции и услуги экосистем, которые имеют последствия для здоровья человека, экономики и общества. Система датчиков Landsat помогла заинтересованным сторонам во всем мире лучше управлять ресурсами фермерских хозяйств, бороться с лесными пожарами, отслеживать засуху, составлять карты наводнений и многое другое. Запуск спутника Landsat 9 запланирован на конец 2020 года, он будет включать в себя научные приборы OLI-2 и TIRS-2 с расчетным сроком службы 5 лет и, по сути, является реконструированным спутником Landsat-8, который может обеспечить более быстрый и безопасный запуск и длительный срок службы.

НАСА в настоящее время разрабатывает систему SAR в сотрудничестве с Индийским космическим агентством. Система называется NASA-ISRO SAR Mission (NISAR), запуск которой запланирован на 2020 год. Это будет первый спутник на околоземной орбите с двухдиапазонным частотным (S-диапазон и L-диапазон) SAR с приложениями для мониторинга опасностей и глобального изменения окружающей среды. , и больше.

Дополнительная информация о планируемой миссии НАСА доступна здесь.

Благодаря международному охвату программы LCLUC мы взаимодействуем с международными учеными и космическими агентствами, выступая за повышение доступности бесплатного и открытого обмена данными со спутников, имеющими отношение к исследованиям LCLUC.


Благодарности

Это исследование было частично поддержано ICIWaRM инженерного корпуса армии США, программой ЮНЕСКО G-WADI, программой Совместного института климата и спутников (CICS) (основная награда NOAA № NA14NES4320003, дополнительная награда № 2014-2913-03) для OHD. - Студенческая стипендия NWS, Управление армейских исследований (награда № W911NF-11-1-0422), Национальный научный фонд (награда NSF № 1331915), Министерство энергетики (основная награда Министерства энергетики США № DE-IA0000018) и Энергетическая комиссия Калифорнии (награда CEC № 300-15-005).


MODIS Data MOD09 MOD03 - Географические информационные системы

CER_SSF1deg-Month_Aqua-MODIS_Edition4A - система радиантной энергии облаков и Земли (CERES) Интерполированные по времени потоки, облака и аэрозоли в верхней части атмосферы (TOA) Ежемесячный продукт данных Aqua Edition4A, собранный с помощью CERES Flight Model 3 (FM3). ) и FM4 на платформе Aqua. Сбор данных для этого продукта продолжается.

CERES Single Scanner Footprint One Degree Day (SSF1deg) Day обеспечивает ежедневные средние региональные постоянные метеорологические потоки TOA, интерполированные по времени, облака, полученные с помощью совместно расположенного тепловизора, и аэрозоли на сетке с координатами 1 градус по широте и долготе. Это единый вспомогательный продукт, который использует основной инструмент CERES в режиме кросс-трека. Потоки TOA предусмотрены для условий чистого неба и всего неба для длинноволнового (LW), коротковолнового (SW) и оконного (WN) диапазонов длин волн. Поступающее солнечное дневное излучение получено в результате экспериментов SOlar Radiation and Climate Experiment (SORCE) и полного солнечного излучения (TSI). Свойства облаков усредняются как для дневных, так и для ночных (24-часовых) и только дневных периодов времени. Свойства облаков разделены на 4 атмосферных слоя (поверхность - 700 гПа, 700 гПа, - 500 гПа, 500 гПа, - 300 гПа, 300 гПа, - 100 гПа) и в общей сложности все слои. Аэрозоли представляют собой усредненные мгновенные значения от совместно расположенного тепловизора.

CERES является ключевым компонентом программы Системы наблюдения Земли (EOS). Инструменты CERES обеспечивают радиометрические измерения атмосферы Земли по трем широкополосным каналам. Миссии CERES являются продолжением успешной миссии Earth Radiation Budget Experiment (ERBE). Первый прибор CERES, пролетная модель (PFM), был запущен 27 ноября 1997 года в рамках миссии по измерению тропических осадков (TRMM). Два прибора CERES (FM1 и FM2) были запущены на полярную орбиту на борту флагмана Системы наблюдения Земли (EOS) Terra 18 декабря 1999 года. Два дополнительных прибора CERES (FM3 и FM4) были запущены на борту системы наблюдения Земли (EOS) Aqua 4 мая 2002 г. Инструмент CERES FM5 был запущен на борту спутника Suomi National Polar-orbiting Partnership (NPP) 28 октября 2011 г. На борту Совместной полярно-орбитальной спутниковой системы 1 был запущен новейший инструмент CERES (FM6). (JPSS-1), теперь называемый NOAA-20, 18 ноября 2017 года.


Руководство пользователя Modis Snow Production

руководство пользователя Modis Snow Production
Для SDS было реализовано соглашение об именах, поэтому продукты данных стали более единообразными. Некоторые имена SD отличаются в Коллекции 5 Новым в Коллекции 5 является использование внутреннего сжатия HdF в продуктах уровня 3 и выше для уменьшения объема файлов данных в архиве и количества сетевых ресурсов, необходимых для передачи файлов данных. . внутреннее сжатие должно быть невидимым для пользователей и программных пакетов, которые могут читать формат HDF, HDF-EOS. Для опытных пользователей внутреннее сжатие создает в продукте vgroup и Data. продукты полосы 2 уровня сжимаются с использованием инструмента сжатия командной строки Ncsa HdF hrepack вместо внутреннего кодирования сжатия, которое может быть или не быть невидимым в зависимости от программного обеспечения, используемого для доступа к продуктам данных. Возможно, потребуется распаковать данные с помощью репака. См. Http://hdf.ncsa.uiuc.edu/tools/hrepack/hrepack.htmlforinformationandusage Последовательность продуктов для снега Продукты данных по снегу производятся в виде серии из семи продуктов. Последовательность начинается с полосы (сцена с номинальным пространственным разрешением в пикселях 500 м с номинальным охватом полосы 2330 км (поперек пути) к 2030 км (вдоль пути, пять минут сканирования MODiS дается краткий список последовательности продуктов) в таблице 1. Продукты в EOSDIS помечены как тип данных науки о Земле (ESDT), ярлык ESDT ShortName используется для идентификации продуктов данных о снеге. Короткое имя EOSDIS также указывает, какая пространственная и временная обработка была применена к продукту данных. Данные краткое описание уровней продукта Уровень 1B (L1B) - это ряд (сцена) данных Modis, привязанных к центрам широты и долготы с разрешением в 1 км. Продукт уровня 2 (L2) - это геофизический продукт, который остается в ориентации L1B по широте и долготе. Продукт с координатной сеткой уровня 2 (L2G) находится в формате с координатной сеткой проекции карты. В L2G продукты данных называются тайлами, причем каждый тайл представляет собой часть, например область 10x10, картографической проекции. Продукты данных L2 являются сетка на тайлы L2G путем сопоставления пикселей L2 с ячейками тайла в сетке проекции карты. Алгоритм L2G создает продукт с координатной сеткой, необходимый для продуктов уровня 3. продукт уровня 3 L3 - это геофизический продукт, который подвергался временным и / или пространственным манипуляциям, имеет формат проекции карты с координатной сеткой и представляет собой фрагмент глобальной сетки. Снежные изделия Modis L3 имеют синусоидальную или географическую проекцию. Прогнозы определяются с использованием параметров GCTP USGS. Здесь даны краткие описания продуктов данных по снегу, чтобы дать представление о последовательности. Расширенные описания снежных продуктов приведены в следующих разделах. Первый продукт, MOD10 L2, имеет карты снежного покрова (снежный покров и частичные карты снежного покрова) с пространственным разрешением 500 м для полосы. Снежные карты являются результатом алгоритма определения снега и других объектов на сцене. Данные геолокации (широта и долгота) с разрешением 5 км сохраняются в продукте. Второй продукт, MOD1OL2G, представляет собой многомерный продукт данных 3of80, созданный путем сопоставления пикселей из гранул L2 mod10 за день в соответствующие местоположения на земле на синусоидальной картографической проекции, таким образом, несколько наблюдений, т.е. Пиксели, покрывающие географическое местоположение (ячейку) в плитке, уложены друг на друга "все снежные карты включены". Информация о пикселях, отображаемых в ячейку, хранится в продуктах указателя и геолокации, связанных с продуктом L2G. Третий продукт, MOD10A1, представляет собой фрагмент ежедневных карт снежного покрова с пространственным разрешением 500 м. ежедневное наблюдение, которое выбирается из нескольких наблюдений в ячейке MOD10L2G, выбирается с использованием алгоритма подсчета очков для выбора наблюдения, ближайшего к местному полудню и ближайшего к надиру. Четвертый продукт MOD10C1 представляет собой ежедневную глобальную карту снежного покрова в географической картографической проекции. Он создается путем сборки ежедневных тайлов MOD10A1 и объединения наблюдений с ячейками 500 м с пространственным разрешением 0,05 сетки моделирования климата (ячейки CMG. Продукт восьмидневного снежного покрова, MOD10A2, представляет собой восьмидневный состав MOD10A1, чтобы показать максимальное количество снега. Глобальный восьмидневный продукт снежного покрова, MOD10C2, создается путем сборки ежедневных тайлов Mod 10A2 и объединения наблюдений с ячейками 500 м до пространственного разрешения 0,05 cmg. Ежемесячный продукт снежного покрова MOD 10CM является составным из ежедневных Mod10C1 наносит на карту месячный график максимального снежного покрова за месяц. Таблица 1. Сводная информация о модифицируемых продуктах данных о снеге. Продукт Земли Номинальные данные. Пространственные временные данные. Уровень данных. Разрешение. Разрешение. Разрешение. Тип проекции карты. (широта, долгота 2000 км (ссылка на сцену)) день MOD10L2G L2G 1200 км на 1200 км 500 м несколько совпадающих синусоидальных / полос MOD10A1 L3 1200 км на 1200 км 500 м или синусоидальный MOD10A2 L3 200 км на 1200 км 500 м восемь дней Синусоидальный 360 ° на 180 ° 0,05 ° по MOD10C1 L3 (глобальный) 0,05 дня Географический MOD10C2 L3 360 ° на 180 0,05 ° по (глобальный) 0,05 ° восемь дней Географический MOD10CM L3 360 ° на 180 0,05 ° b (г лоба) Географический 0,05 ° месяц 4of80 Формат файла снежных продуктов Снежные продукты MODis заархивированы в файлах формата системы наблюдений за Землей в иерархическом формате данных (HDF-EOS). HDF, разработанный Национальным центром суперкомпьютерных приложений (NCSA), является стандартным форматом архива для продуктов EOS Data Information System (EOSDIS). Файлы снежного продукта содержат глобальные атрибуты (метаданные и наборы научных данных (SDS), то есть массивы данных с локальными атрибутами. Уникальным в файлах данных HDF-EoS является использование функций HDF для создания точечных, полосовых и сеточных структур для поддержки геолокации данных. Информация о геолокации и взаимосвязи между данными в sds и географическими координатами (широта и долгота или проекции карты) для поддержки сопоставления данных, поддерживающих сопоставление, хранящихся в виде vgroup и данных в файле. Sdss прикрепляются как поля данных к полосе обзора hdF-Eos или структура сетки Доступ к данным геолокации возможен только из атрибута structMetadata 0 Для геолокации данных необходимо получить доступ к StructMetadata 0 для получения географической информации и полей данных, т.е. SDS без доступа к structMetadata 0, но информация о геолокации не будет прикреплена к SDS. Пользователи, незнакомые с форматами hdF и HdF-EOS, могут пожелать минус Веб-сайты ult, перечисленные в разделе Связанные веб-сайты для получения дополнительной информации. Файлы продуктов данных Snow содержат три глобальных атрибута EOS Data Information System EOSDIS) Core System (ECS), также называемых метаданными в ECS. Эти EC глобальные атрибуты CoreMetadata. 0, ArchiveMetadata.0 и StructMetadata. 0 содержат информацию, относящуюся к производству, архивированию, пользовательским услугам, геолокации и анализу данных. глобальные атрибуты ecs записываются на языке значений параметров (PVL) и хранятся в виде символьной строки. Метаданные и значения хранятся как объекты в строке PVL. Продукты могут также содержать специфические для продукта атрибуты (PSas), определенные разработчиками продукта как часть атрибута ECS CoreMetadata 0 Геолокация и привязка к сетке между точками, полосами и сетками HDF-EOS, а данные содержатся в глобальном атрибуте ecs StructuralMetadata. 0. Другая информация о сопоставлении, версии алгоритма, обработке и структуре может храниться в ArchiveMetadata. 0 также в PVL или как отдельные глобальные атрибуты. Другая информация о продукте может храниться в глобальных атрибутах отдельно от глобальных атрибутов ecs. Хранится с каждым SDS - это локальный атрибут, который является ключом к значениям данных в SDS. Также могут быть другие локальные атрибуты с информацией о данных. Подробные описания паспортов безопасности даны для каждого снежного продукта в следующих разделах. Отдельный файл, содержащий метаданные, будет сопровождать информационные продукты, заказанные у daac. этот файл метаданных будет иметь расширение xm & quotextension и написан на расширяемом языке разметки. XML-файл содержит некоторые из тех же метаданных, что и в файле продукта, но также содержит другую информацию, касающуюся архивирования и услуг поддержки пользователей, а также некоторую информацию об оценке качества (QA) постпроизводства, относящуюся к заказанной грануле. Метаданные постпроизводства QA могут или могут не присутствовать в зависимости от того, исследована ли гранула данных. Необходимо изучить файл «xml», чтобы определить, применено ли к грануле 5of80 Qa постпроизводства. в разделах «Оценка качества» данного руководства представлена ​​информация по обеспечению качества постпродакшена). Продукты данных были созданы в системе производства научных данных ECS с использованием HDF-EOS версии 5.2.9, набора инструментов для обработки научных данных (SDP), HDF API и языка программирования c. . Различные программные пакеты, коммерческие и общедоступные, могут получить доступ к файлам HDF-Eos. MOD10 L2 Продукт полосы пропускания генерируется с использованием продуктов данных яркости, откалиброванных MoDis (MODO2HKM и MOD021 KM), продукта геолокации (MOD03) и маски облаков. продукт (MOD35 L2) в качестве входов. Выходной продукт алгоритма modis снежного покрова, MOD10 L2, содержит две SdS снежного покрова, SDS оценки качества (QA), SDS широты и долготы, локальные атрибуты и глобальные атрибуты. Алгоритм снежного покрова определяет заснеженные земли. покрытый снегом лед на внутренних водоемах и вычисляет частичный снежный покров. При дневном свете получается около 288 участков орбиты Terra, поэтому в день выпадает примерно 288 снежных продуктов MOD10 L2. Пример карты снежного покрова продукта MOd10 L2 показан на рис. 1a-c как в непроектированном, так и в прогнозируемом формате. Описание алгоритма. Здесь приведен набросок алгоритма снежного покрова, чтобы помочь пользователю понять и интерпретировать продукт данных. . Алгоритм снега подробно описан в алгоритме теоретического базового документа (ATBD). Анализ снега в полосе MODIS выполняется на пикселях суши или внутренних водоемов, которые имеют номинальные данные яркости L1B, находятся при дневном свете и применяется маска облачности. решение о снеге также проверяется на температуру и разницу в соотношении полос, чтобы уменьшить возникновение ошибочного снега в некоторых ситуациях. Входные данные для алгоритма снега перечислены в таблице 2. Земля и внутренние воды маскируются с разрешением 1 км земля / вода. маска, содержащаяся в модифицированном продукте геолокации (MOD03. В Коллекции 5 используется маска земли / воды, созданная командой Бостонского университета (Bu) на основе данных EOS. Во время Коллекции 4 маска земля / вода bU заменяет eos земля / вода Более подробная информация о маске суши / воды приведена в разделах «Обеспечение качества» ниже.) Данные 1 км маски суши / воды применяются к четырем соответствующим пикселям размером 500 м в алгоритме снега. Воды океана не анализируются на наличие снега. Внутренние воды, озера и реки анализируются на предмет наличия заснеженного льда. MODI L1B проверяется на отсутствие данных и на непригодные для использования данные. Неиспользуемые данные являются результатом обработки на L 1B, когда данные датчика яркости не соответствуют приемлемым критериям. Данные modiS могут быть непригодными для использования по нескольким причинам. Особенности обработки L1B и критериев можно найти на веб-странице группы поддержки калибровки MOdis (MCST) и в сопроводительной документации. Если обнаруживаются отсутствующие данные, эти пиксели идентифицируются как отсутствующие данные в MOD10 L2. Если обнаруживаются непригодные для использования данные, то для этих пикселей записывается результат решения 6of80. Используемые калиброванные данные яркости L1B преобразуются в спутниковую отражательную способность для использования в алгоритме снежного покрова Зона, покрытая снегом, определяется с помощью двух групп сгруппированных критериальных тестов для характеристик отражения снега в видимой и ближней инфракрасной областях и проверки решений по снегу. . Глобальные критерии для снега - это нормализованный индекс разности снега (NDSI), ((полоса 4-диапазон 6) / (полоса 4+ полоса 6)) более 0,4 и коэффициент отражения в ближней инфракрасной области (полоса 2) более 0 1 1 и коэффициент отражения полосы 4 больше 0. 10. Если пиксель проходит тесты по этой группе критериев, он идентифицируется как снег. Тесты с минимальным коэффициентом отражения проверяют поверхности с низким коэффициентом отражения, например вода, которая может иметь высокое значение NDsI из-за ошибочного определения снега. Чтобы включить обнаружение снега в густой растительности, критерий теста с использованием NDsI и нормализованного разностного индекса растительности (NDvi) ((полоса 2-полоса 1) / (полоса 2 + полоса 1)) применяется к пикселям, которые имеют значение ndsl в диапазон от 0,1 до 0. 4. В этих критериях тестируйте пиксель со значениями nDsl и nDvi в определенном многоугольнике диаграммы рассеяния двух индексов и который имеет отражательную способность в ближней инфракрасной области в полосе 2 больше 0 1 1 и полоса 1 с коэффициентом отражения более 0,1 определяется как снег. Этот последний критерий проверки применяется без учета экосистемы. Заснеженный лед на внутренних водоемах определяется путем применения глобальных критериев обнаружения снега к пикселям, отображаемым как внутренние воды маской наземных вод. Другой экран применяется к решению о снеге по всем вышеуказанным критериям, чтобы уменьшить количество ошибочных обнаружений снега. экран с температурой поверхности 283 K применяется для предотвращения ошибочного определения ярких теплых поверхностей как снега. The screen functions to reduce the occurrence of erroneous snow detection in some situations and is described in subsections of the Quality Assessment section Intermediate checks for theoretical bounding of reflectance data and the NDSI ratio are made in the algorithm In theory, reflectance values should lie within the 0-100% range and the ndsi ratio should lie within the.0 to +1.0 range. Summary statistics are kept within the algorithm for pixels that exceed these theoretical limits however, the test for snow is done regardless of violations of these limits. These violations suggest that error or other anomalies may have crept into the input data and indicate that further investigation may be warranted to uncover the causes Fractional snow cover is computed for all land and inland water body pixels in a swath Fractional snow cover is calculated using the regression equation of salomonson and Appel(2004 and in press). The fractional snow cover calculation is applied to the full range of ndsl values 0.0-1.0. Fractional snow is constrained to upper limit of 100%. the fractional snow cover map and the snow cover map may be different. Fractional snow cover may have greater the snow cover area calculation The fractional snow cover result is screener n areal extent because its calculation is not restricted to the same NDsl range as is with the same screens as the snow cover area algorithm Clouds are masked using data from the modis Cloud Mask data product MOD35 L2). The Mod35 l2 data is checked to determine if the cloud mask algorithm was applied to a pixel. If it was applied then results of the cloud mask algorithm are used. If it was not applied then the cloud mask is not used and the 7of80 snow algorithm will process for snow assuming that the pixel is unobstructed by cloud. Only the summary cloud result, the unobstructed field-of-view flag from MOD35 L2 is used to mask clouds in the snow algorithm. The day/night flag determined where the solar zenith angle is equal to or greater than 85 u from the mod35 L2 is also used to mask pixels that lie in night. Night The snow cover map Snow Cover Reduced Cloud SDs)made with selected cloud spectral tests from the cloud mask in Collection 4 is omitted in Collection 5. Though it was possible to reduce cloud obscuration in some situations or reduce cloud commission errors in others those advantages were outweighed by the disadvantage in situations where clouds where not mapped as clouds and thus as land by the snow algorithm, though it was actually snow covered land beneath the clouds. it is possible to make selective use of the cloud mask spectral tests and other data for snow mapping however, refinement of that approach was not pursued for Collection 5 Table 2. MOdis data product inputs to the modis snow algorithm ESDT Long name Data used Reflectance for modis bands MODO2HKM MODIS Level 1B calibrated and 1(0.645m Geolocated radiances 2(0.865pm 4(0.55pm 6(1.640μm) MOD021KM/ MODIS Level 1B Calibrated and 31(1128pm) Geolocated radiances 32(1227pm) Land/Water mask Solar Zenith Angles MODO3 MODIS Geolocation Sensor Zenith angles Latitude Longitude Cloud Mask Flag MOD35 L2 MODIS Cloud Mask Unobstructed field of View Flag Day/Night Flag Scientific Data Sets Snow Cover Results of the snow cover mapping algorithm are stored as coded integers in the Snow Cover SDS. The snow cover algorithm identifies pixels as snow, snow-covered water body(typically lakes or rivers) land, water, cloud or other condition. A color-coded image of a snow map is shown in Figure 1b, a winter image of the northern us plains and south central canada alongside a false- 8of80 color reflectance image of the swath Fig. 1a. Images in Fig la, b are un projected Fig. 1c is the snow map in sinusoidal projection HdF predefined and custom local attributes are stored. The HDF predefined attributes may be used by some software packages. The custom local attributes are specific to the data in the sds, Local attributes are listed in table 3 Table 3. local attributes with Snow Cover SDS Attribute name Definition Value long_name* Long Name of the SDS Snow covered land units SI units of the data, if any none format How the data should be viewed Fortran format notation Coordinate system to use for coords the data cartesian valid range Max and min values within a selected data range 0-254 FillValue Data used to fill gaps in the swath 255 0=missing data, 1=no decision 11=night, 25=no snow, 37=lake Key Key to meaning of data in the 39=ocean SDS 50=cloud 100=lake ice 200=snow 254=detector saturated 255=fill Nadir data res olution Nominal pixel resolution at nadir 500 m Valid ev obs The percentage of valid Band 1(%) observations from Level 1B in 0.0-100.0 Band 1 in the swath(0.0-100.0) Valid ev obs The percentage of valid observations from Level 1B in 0.0-100.0 Band 2(%) Band 2 in the swath(0.0-100.0) Valid EV Obs The percentage of valid Band 4 % observations from level 1b in 0.0-100.0 9of80 Band 4 in the swath(0.0-100 ∨ alid ev obs The percentage of valid Band 6 observations from Level 1B in 0.0-100.0 Band 6 in the swath(0.0-100.0) Saturated e∨ The percentage of saturated 0.0-1000 The percentage of Saturated Saturated ev 0.0-1000 Obs Band 2(%0)Band 2 in the swath(0.0-100.0) Saturated ev The percentage of saturated Obs Band 4 (%)observations from Level 1B in 0.0-100.0 Band 4 in the swath(0.0-100.0) Saturated ev The percentage of saturated Obs Band 6(%) observations from Level 1B in0.0-100.0 Band 6 in the swath(0.0-100.0) HDF predefined attribute names Fractional Snow Cover Results of the fractional snow cover algorithm are stored as coded integers in the Fractional Snow Cover SDS. The fractional snow algorithm calculates fractional snow in the 0-100% range, including inland water bodies Pixels that are not identified as snow are labeled as water cloud or other condition A fractional snow map is shown in Figure 2. HDF predefined and custom local attributes are stored. The HdF predefined attributes may be used by some software packages. The custom local attributes are specific to the data in the sds, local attributes are listed in table 4 Table 4. local attributes with fractional snow Cover sds Attribute name Definition Valu long_ name ong name of the sds Fractional snow cover, 500m units SI units of the data, if any none format* How the data should be viewed Fortran format notation 3 coords Coordinate system to use for cartesian the data valid range Max and min values within a selected data range 0-254 10of80

试读 80P