全球陆地蒸散量数据集(1980-2022年)

2024-08-24 00:28

本文主要是介绍全球陆地蒸散量数据集(1980-2022年),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

定位分析多源集合陆地蒸散量数据集(1980-2022年)

图片

数据介绍

 陆地蒸散发(ET)在地球的水碳循环中起着至关重要的作用,准确估算全球陆地蒸散发对于促进我们对陆地-大气相互作用的理解至关重要。尽管近几十年来开发了许多蒸散发产品,但由于使用了不同的强迫输入和不完善的模型参数,广泛使用的产品仍然存在固有的不确定性。此外,由于缺乏足够的全球原位观测数据,直接评估蒸散发产品并不现实,从而阻碍了这些产品的利用和同化。因此,建立可靠的全球基准数据集和探索蒸散发产品的评估方法至关重要。

  本研究旨在通过以下方法应对这些挑战:(1)提出一种基于对位的方法,该方法考虑了多源数据合并时的非零误差交叉相关性;(2)采用这种合并方法生成分辨率为 0.1°(2000-2020 年)和 0.25°(1980-2022 年)的长期全球每日蒸散发产品,并纳入 ERA5L、FluxCom、PMLv2、GLDAS 和 GLEAM 的输入。由此产生的产品是定位分析多源集合陆地蒸散量数据(CAMELE)。

采集时间1980/01/01  -  2022/12/31
采集地点全球
数据量37.9 GiB
数据格式nc
数据空间分辨率(/米)0.1度,0.25度
数据时间分辨率
坐标系

数据源描述:

  ERA5-Land:https://cds.climate.copernicus.eu/cdsapp#!/dataset/reanalysis-era5-land?tab=overview

  GLDAS:https://disc.gsfc.nasa.gov/datasets?keywords=GLDAS

  Global Land Evaporation Amsterdam Model 3.7 (GLEAM-3.7):https://www.gleam.eu/

  Penman–Monteith–Leuning version 2 global evaporation model (PMLv2):https://developers.google.com/earth-engine/datasets/catalog/CAS_IGSNRR_PML_V2_v017

  FluxCom:http://fluxcom.org/

  Global in situ observation: FluxNet

数据加工方法:

 本研究对产物的融合包括三个步骤:

  (1)采用配准法(IVD和EIVD)计算所选输入产物的随机误差方差,确定区域最优产品,并设置误差阈值;

  (2)以最小均方误差(MSE)为目标,计算各网格上不同产品的权重;

  (3)根据权重融合产品,得到长序列蒸散量产品。由于 IVD 和 EIVD 是通过结合工具变量回归和扩展定位系统开发的,因此还包括对 TC 和 EC 算法的描述。

数据质量描述:

  CAMELE 在各种植被覆盖类型中表现出良好的性能,并与现场观测数据进行了验证。评估过程得出的皮尔逊相关系数(R)分别为 0.63 和 0.65。此外,比较结果表明,CAMELE 能够有效描述蒸散发的多年线性趋势、平均值和极端值。但是,它有高估季节性的倾向。总之,我们提出了一套可靠的蒸散发数据,有助于理解水循环的变化,并有可能作为各种应用的基准。

作者简介

数据贡献者:杨汉波

元数据作者:杨汉波  

数据管理者:杨汉波

数据下载

数据分享:全球陆地蒸散量数据集(1980-2022年)

这篇关于全球陆地蒸散量数据集(1980-2022年)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1100923

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展,我们的业务数据越来越多,单纯使用 MySQL 已经不能满足我们的数据查询需求,例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后,随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步,我们目前的解决方案是建立数据中间表。把需要检索的业务数据,统一放到一张M

关于数据埋点,你需要了解这些基本知识

产品汪每天都在和数据打交道,你知道数据来自哪里吗? 移动app端内的用户行为数据大多来自埋点,了解一些埋点知识,能和数据分析师、技术侃大山,参与到前期的数据采集,更重要是让最终的埋点数据能为我所用,否则可怜巴巴等上几个月是常有的事。   埋点类型 根据埋点方式,可以区分为: 手动埋点半自动埋点全自动埋点 秉承“任何事物都有两面性”的道理:自动程度高的,能解决通用统计,便于统一化管理,但个性化定

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

异构存储(冷热数据分离)

异构存储主要解决不同的数据,存储在不同类型的硬盘中,达到最佳性能的问题。 异构存储Shell操作 (1)查看当前有哪些存储策略可以用 [lytfly@hadoop102 hadoop-3.1.4]$ hdfs storagepolicies -listPolicies (2)为指定路径(数据存储目录)设置指定的存储策略 hdfs storagepolicies -setStoragePo

Hadoop集群数据均衡之磁盘间数据均衡

生产环境,由于硬盘空间不足,往往需要增加一块硬盘。刚加载的硬盘没有数据时,可以执行磁盘数据均衡命令。(Hadoop3.x新特性) plan后面带的节点的名字必须是已经存在的,并且是需要均衡的节点。 如果节点不存在,会报如下错误: 如果节点只有一个硬盘的话,不会创建均衡计划: (1)生成均衡计划 hdfs diskbalancer -plan hadoop102 (2)执行均衡计划 hd

高效+灵活,万博智云全球发布AWS无代理跨云容灾方案!

摘要 近日,万博智云推出了基于AWS的无代理跨云容灾解决方案,并与拉丁美洲,中东,亚洲的合作伙伴面向全球开展了联合发布。这一方案以AWS应用环境为基础,将HyperBDR平台的高效、灵活和成本效益优势与无代理功能相结合,为全球企业带来实现了更便捷、经济的数据保护。 一、全球联合发布 9月2日,万博智云CEO Michael Wong在线上平台发布AWS无代理跨云容灾解决方案的阐述视频,介绍了

【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯,先赞后看哦~🎈🎈 🏆 作者简介:景天科技苑 🏆《头衔》:大厂架构师,华为云开发者社区专家博主,阿里云开发者社区专家博主,CSDN全栈领域优质创作者,掘金优秀博主,51CTO博客专家等。 🏆《博客》:Python全栈,前后端开发,小程序开发,人工智能,js逆向,App逆向,网络系统安全,数据分析,Django,fastapi

烟火目标检测数据集 7800张 烟火检测 带标注 voc yolo

一个包含7800张带标注图像的数据集,专门用于烟火目标检测,是一个非常有价值的资源,尤其对于那些致力于公共安全、事件管理和烟花表演监控等领域的人士而言。下面是对此数据集的一个详细介绍: 数据集名称:烟火目标检测数据集 数据集规模: 图片数量:7800张类别:主要包含烟火类目标,可能还包括其他相关类别,如烟火发射装置、背景等。格式:图像文件通常为JPEG或PNG格式;标注文件可能为X

pandas数据过滤

Pandas 数据过滤方法 Pandas 提供了多种方法来过滤数据,可以根据不同的条件进行筛选。以下是一些常见的 Pandas 数据过滤方法,结合实例进行讲解,希望能帮你快速理解。 1. 基于条件筛选行 可以使用布尔索引来根据条件过滤行。 import pandas as pd# 创建示例数据data = {'Name': ['Alice', 'Bob', 'Charlie', 'Dav