中国长序列地表冻融数据集(1978-2015)

简介：

中国长序列地表冻融数据集——双指标算法(1978-2015)采用SMMR（1978-1987）、SSM/I（1987-2009）和SSMIS（2009-2015）逐日亮温数据，由双指标（TB,37v，SG）冻融判别算法生成。前言 – 人工智能教程
分类结果包含冻结地表、融化地表、沙漠及水体四种类型。数据覆盖范围为中国大陆主体部分，空间分辨率为25.067525 km，EASE-Grid投影方式，以ASCIIGRID格式存储。

双指标算法

双指标算法（Two-Pointer Algorithm）是一种解决数组/链表中子序列问题的高效算法。双指标算法通常使用两个指针，一个左指针和一个右指针，它们分别指向数组/链表的某个位置。使用这两个指针可以高效地遍历数组/链表，并且可以在O(n)的时间复杂度内完成。

对于一个典型的子序列问题，我们可以使用双指标算法来解决：

1. 初始化左指针和右指针，使左指针指向序列的第一个元素，右指针指向序列的最后一个元素，并计算出当前子序列的和/长度/最大值等。

2. 比较左指针和右指针所指向的元素，并根据题目要求移动左指针或右指针，并更新计算结果。

3. 重复步骤2，直到左指针和右指针重合或者越界。

4. 返回计算结果。

例如，可以使用双指标算法来解决 LeetCode 题目 209. Minimum Size Subarray Sum（最短子数组），其中需要求出数组中和大于等于给定值的最短子数组的长度：

```
int minSubArrayLen(int s, vector& nums) {
    int n = nums.size();
    int l = 0, r = 0;
    int sum = 0;
    int res = INT_MAX;
    while (r < n) {
        sum += nums[r];
        while (sum >= s) {
            res = min(res, r - l + 1);
            sum -= nums[l];
            l++;
        }
        r++;
    }
    return res == INT_MAX ? 0 : res;
}
```

在这个算法中，我们使用了两个指针 l 和 r，分别表示当前子数组的左右端点，sum 表示当前子数组的和，res 表示最终的答案。我们先将右指针 r 向右移动，同时将对应元素加入到子数组中，然后不断移动左指针 l 直到子数组的和小于给定值 s。每次移动左指针时，我们更新答案 res 的值，最终返回 res 即可。

数据集ID: 

TPDC/SOIL_FREEZE_THAW

时间范围: 1978年-2015年

范围: 中国大陆主体部分

来源: 国家青藏高原科学数据中心

复制代码段: 

var images = pie.ImageCollection("TPDC/SOIL_FREEZE_THAW")

 

代码：

/**
 * @File    :   中国长序列地表冻融数据集——双指标算法（1978-2015）
 */
 
// 加载中国长序列地表冻融数据集——双指标算法（1978-2015）
var images = pie.ImageCollection("TPDC/SOIL_FREEZE_THAW")
                .filterDate("2014-05-01","2014-05-31")
                .select("B1")
print(images)
 
// 设置图层显示参数并加载
var visParam = {
    min: 1,
    max: 4,
    // palette:'69cd9,7512e8,2091ea,4befce,2edfdd,9efd9f,ebcc76,ff6032,ffc0,c68d',
    palette:'#0001FE,#FDA5A7,#FFFF01,#00FFFF',
};
//加载显示影像
Map.addLayer(images,visParam,"images")
 
//添加图例
var data = {
  title: "地表冻融状态",
  opacity:1,
  uniqueValue:'1,2,3,4',  
  colors: ["#0001FE","#FDA5A7","#FFFF01","#00FFFF"],
  labels: ["冻结", "融化", "沙漠", "水体"],
  step: 1,
  isvertical: true
};
 
//设定图例位置
var style = {
    left: "18%",      // 图例框的右侧与屏幕最右端的距离
    bottom: "30px",      // 图例框的底侧与屏幕底端的距离
    height: "180px",      // 图例框的纵向高度
    width: "110px"       // 图例框的横向长度
};
var legend = ui.Legend(data, style);
Map.addUI(legend);

 

数据引用：

晋锐, 李新. (2011). 中国长序列地表冻融数据集——双指标算法（1978-2015）. 国家青藏高原科学数据中心, DOI: 10.11888/Geocry.tpdc.270029. CSTR: 18406.11.Geocry.tpdc.270029

文章引用：
1. Jin,R, Zhang,T,Y, Li,X, Yang,X,G, Ran,Y,H.(2015). Mapping surface soil freeze-thaw cycles in china based on smmr and ssm/i brightness temperatures from 1978 to 2008. Arctic, Antarctic, and Alpine Research, 47(2), 213-229.
2. 谢燕梅, 晋锐, 杨兴国. (2013). AMSR-E亮温监测中国近地表冻融循环算法研究. 遥感技术与应用, 28(2), 182-191.