ABoVE: Lake Growing Season Green Surface Reflectance Trends, AK and Canada, 1984-2019

简介

该数据集提供了1984年至2019年期间ABoVE扩展研究域内472,890个湖泊的大地遥感卫星绿色表面反射率年度时间序列和衍生的年度生长季节（6月和7月）趋势。反射率数据来自 Landsat-5、Landsat-7 和 Landsat-8 传感器的绿色波段（中心波长 560 纳米）。对超过 270,000 个 Landsat 场景进行了评估，并确保了无云和水上场景的质量。湖泊选自 HydroLAKES，这是一个至少有 10 公顷湖泊的全球数据库。湖泊表面反射率是从根据湖泊多边形确定的选定 Landsat 场景中以每个湖泊中心点为中心的 3 乘 3 像素区域中提取的。该数据集展示了北美洲北极和北方地区湖泊颜色随时间的变化。该地区是世界上湖泊最密集的地区之一，气候变化可能会对其产生重大影响，而湖泊颜色与了解该地区的物理、生态和生物地球化学过程息息相关。

ABoVE是美国宇航局陆地生态计划的一项实地活动，从2015年开始在阿拉斯加和加拿大西部进行，为期8至10年。ABoVE 的研究将基于实地的过程级研究与机载和卫星传感器获得的地理空间数据产品联系起来，为提高分析和建模能力奠定了基础，这些能力是了解和预测北极和北方地区生态系统对气候变化的反应以及气候变化对社会的影响所必需的。

1984-2019 年北纬 75 度以下各生长季节湖面反射率 "绿度 "呈明显负值趋势（左）和正值趋势（右）的湖泊：资料来源：Kuhn 和 Butman，2021 年。 

Platforms

LANDSAT-5, LANDSAT-7, LANDSAT-8

Instruments

TM, ETM+, OLI

Data Formats

Distribution: Text File

Temporal Extent

1984-07-01 to 2019-09-01

Data Centers

ORNL_DAAC

Spatial Extent

Bounding Box: (75.0°, -81.23°), (49.54°, -168.1°)

空间覆盖范围： 美国阿拉斯加州，加拿大阿尔伯塔省、不列颠哥伦比亚省、西北地区、努纳武特地区、萨斯喀彻温省和育空地区
上方参考位置
域： 扩展 ABoVE（Laboda 等人，2019 年）
州/地区： 阿拉斯加和加拿大
网格单元： Ah000v000, Ah000v001, Ah001v000, Ah001v001 Ah001v002, Ah002v000, Ah002v001, Ah002v002, Ah003v000, Ah003v001、
Ah003v002、Ah003v003。
空间分辨率： 点位置
时间覆盖范围： 1984-07-01 至 2019-09-01
时间分辨率 生长季节（6 月至 7 月）年度合成数据
研究区域： 以十进制度表示的所有经纬度

湖泊绿度

每个湖泊的生长季节绿度都是通过在研究区域内的 HydroLAKES 多边形计算出的每个湖泊中心点为中心的 3 乘 3 像素区域取样确定的。HydroLAKES（Messager 等人，2016 年）是一个包含至少 10 公顷湖泊的数据集。中位数、平均值、SD以大地遥感卫星绿色波段的原生比例（30 米）计算每个湖泊 3×3 像素框内绿色波段的像素数。然后导出每年每个湖泊的生长季绿度，以便进行可视化和统计分析。数据集经过进一步筛选，排除了负像素（占数据集的 1%）和数据年限少于 10 年的湖泊（占数据集的 2%）。为保守起见，确保每个观测值都是无云且在水面上，使用像素质量保证（"pixel_qa"）波段进行最终过滤，以确定识别出无云层和水域的湖泊。湖泊中心点进一步与全球地表水数据集（Pekel 等人，2016 年）相交，只有那些在 3 × 3 网格内被识别为只有永久性地表水（"transition_class"=1）的湖泊才保留在数据集中。

时间序列分析

为了评估湖面反射率随时间的变化，最终的时间序列是以平均生长季节反射率创建的，根据文献中的先例（Sulla-Menashe 等人，2018 年；Miles 等人，2019 年），该平均生长季节反射率是以 6-7 月份获取的 Landsat 场景的平均值计算的，并避免了 8 月份的高云量。避免 8 月份的高云量。使用 SciPy 软件包（Jones 等人，2001 年）中的 Theil-Sen's Slope Estimator 计算趋势，并使用 Mann-Kendall 检验对斜率进行显著性检验，该检验旨在识别单调趋势，被广泛用于识别陆地绿化和褐化趋势（de Jong 等人，2011 年）。这种非参数方法考虑了观测年份的差距。

代码

!pip install leafmap
!pip install pandas
!pip install folium
!pip install matplotlib
!pip install mapclassify
 
import pandas as pd
import leafmap
 
url = "https://github.com/opengeos/NASA-Earth-Data/raw/main/nasa_earth_data.tsv"
df = pd.read_csv(url, sep="\t")
df
 
leafmap.nasa_data_login()
 
 
results, gdf = leafmap.nasa_data_search(
    short_name="ABoVE_GrowingSeason_Lake_Color_1866",
    cloud_hosted=True,
    bounding_box=(-168.1, 49.54, -81.23, 75.0),
    temporal=("1984-07-01", "2019-09-01"),
    count=-1,  # use -1 to return all datasets
    return_gdf=True,
)
 
 
gdf.explore()
 
#leafmap.nasa_data_download(results[:5], out_dir="data")

质量评估

该数据集通过一系列保守过滤器进行了严格的质量控制，以确保只使用无云像素。在每个湖泊中心点，计算了绿色波长（约 560 纳米）的生长季节地表反射率的中位数、平均值和标准偏差。数据文件中提供了每个湖泊的绿色反射率平均值和标准偏差，以及每个湖泊每年的生长季平均值和标准偏差。 

数据引用

Citation: Kuhn, C., and D. Butman. 2021. ABoVE: Lake Growing Season Green Surface Reflectance Trends, AK and Canada, 1984-2019. ORNL DAAC, Oak Ridge, Tennessee, USA. ABoVE: Lake Growing Season Green Surface Reflectance Trends, AK and Canada, 1984-2019, https://doi.org/10.3334/ORNLDAAC/1866

 数据下载地址

ABoVE: AirSWOT Color-Infrared Imagery Over Alaska and Canada, 2017

网址推荐

0代码在线构建地图应用
https://sso.mapmost.com/#/login?source_inviter=nClSZANO

机器学习
https://www.cbedai.net/xg