1951 年以来的美国ACIS 气候地图数据集(5 公里空间分辨率)

2023-12-19 11:12

本文主要是介绍1951 年以来的美国ACIS 气候地图数据集(5 公里空间分辨率),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!

应用气候信息系统 (ACIS) NRCC NN¶

ACIS是Applied Climate Information System的缩写,是由美国国家气象局(NOAA)开发的一种气候信息系统。ACIS气候地图是通过收集和整理全球的气象数据,利用计算机技术和数据分析方法生成的气候图表和地图。它可以显示各种气候指标,如温度、降水量、风速等,并提供不同时间尺度上的气候变化趋势和统计数据。ACIS气候地图可以帮助气象学家、气候专家和决策者进行气候研究和预测,以及制定适应气候变化的策略。ACIS 气候地图每天使用来自应用气候信息系统 (ACIS) 的数据制作,空间分辨率为 1951 年以来的 5 公里(0.04 度 x 0.04 度),每 1-2 周更新一次。您可以找到其他内容这里的信息和气候引擎组织数据集页面。ACIS中的台站数据主要来自以下网络:前言 – 人工智能教程

  • 国家气象局合作观察员计划 (NWS COOP)
  • 气象局-陆军-海军/自动地面观测系统 (WBAN/ASOS)
  • 雪遥测 (SNOTEL)
  • 社区协作雨、冰雹和雪 (CoCoRaHS) 网络
  • 远程自动气象站 (RAWS)

注意:所有近实时数据均被视为初步数据,可能会发生变化。

数据集描述¶

ACIS 气候地图每天使用应用气候信息系统 (ACIS) 的数据生成。ACIS中的台站数据主要来自以下网络:

  • 国家气象局合作观察员计划 (NWS COOP)
  • 气象局-陆军-海军/自动地面观测系统 (WBAN/ASOS)
  • 雪遥测 (SNOTEL)
  • 社区协作雨、冰雹和雪 (CoCoRaHS) 网络
  • 远程自动气象站 (RAWS)

所有近实时数据均被视为初步数据,可能会发生变化。

组织: 应用气候信息系统(ACIS)

空间分辨率:  5 公里(0.04 度 x 0.04 度)

时间跨度:  1951年1月1日至今(每1-2周更新一次)

变量:

  • 每日最低/最高温度 
  • 日降水量

网站:  ACIS 网站

Earth Engine 社区目录: 

  • 此 ACIS NRCC NN 数据集已由 Climate Engine 引入 Earth Engine,并可通过 asset idprojects/climate-engine-pro/assets/noaa-nrcc-acis-nn/daily 使用。
  • Earth Engine 社区目录即将推出。

使用条款:

  • 气候产品和工具由区域气候中心开发,为用户提供定期访问最新天气和气候数据的方法。虽然应用研究表明,在决策中使用此类数据可以降低风险并降低用户成本,但必须指出,近实时数据本质上是初步的,有时会包含错误。尽管已采取措施消除已知错误,但在收到书面记录和最终质量控制步骤后,某些数据可能会发生变化。因此,预先警告用户考虑错误数据可能对其业务产生的任何负面影响,并自行承担使用初步数据和信息的风险。
  • 区域气候中心不对通过我们的服务提供的数据的误用或滥用负责。
  • 通过 ACIS 网站使用数据服务,即表示您自动同意使用条款和免责声明。

 

 

空间信息

范围价值
空间范围美国本土
空间分辨率5 公里(0.04 度 x 0.04 度)
时间分辨率日常的
时间跨度1951年1月1日至今
更新频率1-2周

变量

多变的细节
最低温度,2m('tmax')- 单位:华氏度
- 比例因子:1.0
最高温度,2m('tmin')- 单位:华氏度
- 比例因子:1.0
降水(“降水”)- 单位:英寸
- 比例因子:1.0
Earth Engine 片段(如果数据集已在 GEE 中)¶
// Read in Image Collection and get first image
var acis_nrcc_nn_ic = ee.ImageCollection('projects/climate-engine-pro/assets/noaa-nrcc-acis-nn/daily')
var acis_nrcc_nn_i = acis_nrcc_nn_ic.first()// Print first image to see bands
print(acis_nrcc_nn_i)// Visualize each band from first image
var prec_palette = ["#ffffcc", "#c7e9b4", "#7fcdbb", "#41b6c4", "#1d91c0", "#225ea8", "#0c2c84"]
var temp_palette = ["#b2182b", "#ef8a62", "#fddbc7", "#f7f7f7", "#d1e5f0", "#67a9cf", "#2166ac"].reverse()
Map.addLayer(acis_nrcc_nn_i.select('precip'), {min: 0, max: 0.5, palette: prec_palette}, 'precip')
Map.addLayer(acis_nrcc_nn_i.select('tmin'), {min: -10, max: 50, palette: temp_palette}, 'tmin')
Map.addLayer(acis_nrcc_nn_i.select('tmax'), {min: -10, max: 50, palette: temp_palette}, 'tmax')

示例代码:https://code.earthengine.google.com/? scriptPath=users/sat-io/awesome-gee-catalog-examples:weather-climate/NOAA-NRCC-ACIS

执照¶

NOAA 数据、信息和产品,无论采用何种交付方式,均不受版权保护,并且公众后续使用不受限制。一旦获得,它们就可以用于任何合法用途。上述数据属于公共领域,提供时不受使用和分发限制。欲了解更多信息,请访问 NWS 免责声明网站。

关键词:气候、降水、温度、NOAA、再分析、CONUS、每日、近实时

数据集提供者:NOAA

GEE 策划者:Climate Engine Org

这篇关于1951 年以来的美国ACIS 气候地图数据集(5 公里空间分辨率)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/511958

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

无人叉车3d激光slam多房间建图定位异常处理方案-墙体画线地图切分方案

墙体画线地图切分方案 针对问题:墙体两侧特征混淆误匹配,导致建图和定位偏差,表现为过门跳变、外月台走歪等 ·解决思路:预期的根治方案IGICP需要较长时间完成上线,先使用切分地图的工程化方案,即墙体两侧切分为不同地图,在某一侧只使用该侧地图进行定位 方案思路 切分原理:切分地图基于关键帧位置,而非点云。 理论基础:光照是直线的,一帧点云必定只能照射到墙的一侧,无法同时照到两侧实践考虑:关

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

【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