NASA数据集——2017年美国阿拉斯加以及加拿大北部二氧化碳探测仪监测的大气后向散射系数剖面图数据集

本文主要是介绍NASA数据集——2017年美国阿拉斯加以及加拿大北部二氧化碳探测仪监测的大气后向散射系数剖面图数据集,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!

来自二氧化碳探测仪的大气后向散射系数剖面图,2017年

本数据集提供了2017-07-20至2017-08-08期间在美国阿拉斯加以及加拿大育空地区和西北地区上空进行的二氧化碳夜间、白天和季节排放主动传感(ASCENDS)部署期间收集的大气后向散射系数剖面图。这些剖面由一架 DC-8 飞机上搭载的二氧化碳探测仪激光雷达仪器测量。机载二氧化碳探测仪是一种脉冲式多波长集成路径差分吸收激光雷达,可估算从飞机到散射表面的天底路径上的柱均干空气二氧化碳混合比(XCO2)。除 XCO2 外,激光雷达接收器还记录了激光脉冲在大气中传播时的时间分辨大气反向散射信号强度。激光雷达原始数据被转换为大气后向散射截面积和双向大气传输,也称为衰减后向散射剖面。这些 ASCENDS 飞行与 2017 年北极-北方脆弱性实验(ABoVE)活动协调进行,并以 ICARTT 格式提供。Mapmost login

本数据集提供了2017-07-20至2017-08-08期间在美国阿拉斯加以及加拿大育空地区和西北地区上空进行的二氧化碳夜间、白天和季节排放主动传感(ASCENDS)部署期间收集的大气后向散射系数剖面图。这些剖面由一架 DC-8 飞机上搭载的二氧化碳探测仪激光雷达仪器测量。机载二氧化碳探测仪是一种脉冲式多波长集成路径差分吸收激光雷达,可估算从飞机到散射表面的天底路径上的柱均干空气二氧化碳混合比(XCO2)。除 XCO2 外,激光雷达接收器还记录了激光脉冲在大气中传播时的时间分辨大气反向散射信号强度。激光雷达原始数据被转换为大气后向散射截面积和双向大气传输,也称为衰减后向散射剖面。这些 ASCENDS 飞行与 2017 年北极-北方脆弱性实验(ABoVE)活动协调进行,并以 ICARTT 格式提供。
本数据集中包含 16 个 ICARTT 格式(*.ict)的数据文件。此外还包括 Matlab 脚本,用于对 2017 年 ABoVE 机载活动期间二氧化碳激光探测仪测量的大气后向散射剖面进行数据处理。

北极-北方脆弱性实验(ABoVE)是美国国家航空航天局(NASA)陆地生态计划的一项实地活动,于2016年至2021年期间在阿拉斯加和加拿大西部进行。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,而分析和建模能力是了解和预测生态系统反应及社会影响所必需的。

Platforms

NASA DC-8

Instruments

BACKSCATTER LIDAR

Data Formats

Distribution: ICARTT

Temporal Extent

2017-07-20 to 2017-08-08

Data Centers

ORNL_DAAC

Spatial Extent

Bounding Box: (71.27°, -98.15°), (34.59°, -165.68°)

数据属性

VariableUnitsDescription
Start_UTCsSeconds since midnight UTC on flight date
Day_Of_YeardDay of year, beginning January 1
LatitudedegreesLatitude
LongitudedegreesLongitude
MSL_GPS_AltitudemSensor height above mean sea level
HAE_GPS_AltitudemSensor height above WGS84 ellipsoid
Pressure_AltitudeftAircraft altitude from air pressure sensor
Radar_AltitudeftAircraft altitude from radar
Ground_Speedm s-1Aircraft ground speed
True_Air_SpeedktsAir speed in knots
Indicated_Air_SpeedktsAir speed in knots
Mach_NumbermachAir speed in mach number
Vertical_Speedm s-1Vertical speed
True_HeadingdegreesAircraft heading, 0-360 degrees, clockwise from +y
Track_Angledegrees Aircraft track, 0-360 degrees, clockwise from +y
Drift_Angledegrees Aircraft drift, +/-180 degrees, clockwise from +y
Pitch_Angledegrees Aircraft pitch, +/-180 degrees, up+
Roll_Angledegrees Aircraft roll, +/-180 degrees, right+
Static_Air_Tempdegrees CelsiusAir temperature
Potential_Tempdegrees KelvinAir temperature
Dew_Pointdegrees CelsiusDew point temperature
Total_Air_Tempdegrees CelsiusAir temperature
IR_Surf_Tempdegrees CelsiusSurface temperature
Static_PressurembAir pressure
Cabin_PressurembAir pressure
Wind_Speedm s-1 Wind speed, limited to where Roll_Angle <= 5 degrees
Wind_DirectiondegreesWind direction, 0-360 degrees, clockwise from +y
Solar_Zenith_AngledegreesSolar zenith angle
Aircraft_Sun_ElevationdegreesAircraft sun elevation angle
Sun_AzimuthdegreesSun azimuth angle
Aircraft_Sun_AzimuthdegreesAircraft-sun azimuth angle
Mixing_Ratiog kg-1Atmospheric mixing ratio
Part_Press_Water_VapormbPartial pressure of water vapor
Sat_Vapor_Press_H2OmbSaturated vapor pressure over liquid water
Sat_Vapor_Press_IcembSaturated vapor pressure over ice
Relative_Humiditypercent

Relative humidity

代码:

!pip install leafmap
!pip install pandas
!pip install folium
!pip install matplotlib
!pip install mapclassifyimport pandas as pd
import leafmapurl = "https://github.com/opengeos/NASA-Earth-Data/raw/main/nasa_earth_data.tsv"
df = pd.read_csv(url, sep="\t")
dfleafmap.nasa_data_login()results, gdf = leafmap.nasa_data_search(short_name="ABoVE_ASCENDS_Backscatter_2051
",cloud_hosted=True,bounding_box=(-165.68, 34.59, -98.15, 71.27),temporal=("2017-07-20", "2017-08-08"),count=-1,  # use -1 to return all datasetsreturn_gdf=True,
)gdf.explore()#leafmap.nasa_data_download(results[:5], out_dir="data")

下图显示监测的地面轨迹的地图,以及概述每次飞行的表格。表格中的颜色与地面轨迹中显示的颜色一致。 

 

数据下载链接

https://daac.ornl.gov/above/ABoVE_ASCENDS_Backscatter/

这篇关于NASA数据集——2017年美国阿拉斯加以及加拿大北部二氧化碳探测仪监测的大气后向散射系数剖面图数据集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/808114

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

水位雨量在线监测系统概述及应用介绍

在当今社会,随着科技的飞速发展,各种智能监测系统已成为保障公共安全、促进资源管理和环境保护的重要工具。其中,水位雨量在线监测系统作为自然灾害预警、水资源管理及水利工程运行的关键技术,其重要性不言而喻。 一、水位雨量在线监测系统的基本原理 水位雨量在线监测系统主要由数据采集单元、数据传输网络、数据处理中心及用户终端四大部分构成,形成了一个完整的闭环系统。 数据采集单元:这是系统的“眼睛”,

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

电力系统中的A类在线监测装置—APView400

随着电力系统的日益复杂和人们对电能质量要求的提高,电能质量在线监测装置在电力系统中得到广泛应用。目前,市场上的在线监测装置主要分为A类和B类两种类型,A类和B类在线监测装置主要区别在于应用场景、技术参数、通讯协议和扩展性。选择时应根据实际需求和应用场景综合考虑,并定期维护和校准。电能质量在线监测装置是用于实时监测电力系统中的电能质量参数的设备。 APView400电能质量A类在线监测装置以其多核

【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