NASA数据集——1983 ——2016 年期间北美森林地点的野外地块特征数据、衍生的地上和地下燃烧碳以及获取的火灾气象指数(FWI)

本文主要是介绍NASA数据集——1983 ——2016 年期间北美森林地点的野外地块特征数据、衍生的地上和地下燃烧碳以及获取的火灾气象指数(FWI),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!

文件修订日期:2022-05-04

数据集版本: 1

简介

该数据集综合了 1983 年至 2016 年期间美国阿拉斯加、西北地区和加拿大萨斯喀彻温省被烧毁的北方森林地点的野外地块特征数据、衍生的地上和地下燃烧碳以及获取的火灾气象指数(FWI)系统组件。此外还包括未烧毁地块的数据。编译的地块级特征数据包括林分年龄、干扰历史、树木密度和树木生物物理测量值,用于计算地上(ag)和地下(bg)生物量/碳库、火灾前和火灾后残余土壤有机层(SOL)深度以及树木结构等级的燃烧估计值。此外,还提供了每个地点的测量坡度和坡向,以及根据地形分配的湿度等级。数据来自 1019 个燃烧过的地点和 152 个未燃烧过的地点。通过对燃烧的农业碳库和生物质碳库以及 SOL 损失的估算,计算出每个地块燃烧的总碳量、燃烧前碳量的比例以及燃烧后碳量占总碳量的比例。根据全球火灾气象数据库中的地块位置、燃烧年份和动态启动日期(燃烧日,DOB),从现有数据源获取每个地块的 FWI 系统组件,包括湿度和干旱代码以及火灾危险指数。土壤特性数据包含在一个单独的文件中。
野外研究横跨北美西部北方森林的六个生态区,捕捉了火灾前树木生产力、林龄和生态系统碳储存条件的广泛梯度。它还包括以 DOB 和 FWI 系统指数为代表的气象控制,以及火灾后残余土壤有机层深度的测量和燃烧深度的重建,以及上部和下部碳燃烧的重建。

该数据集包含两个逗号分隔(.csv)格式的数据文件。

野外地点、生态区和研究区域内每个生态区的烧毁总面积(百万公顷)随时间变化的情况。插图中的灰色虚线表示所有生态区烧毁面积的简单线性回归,红色阴影表示 95% 的置信区间。分析使用野外地点分组完成,这些地点位于 EPA 北美二级生态区所定义的六个生态区内。资料来源:Walker 等人,2020 年:Walker 等人,2020 年。 

数据特征

空间覆盖范围:  阿拉斯加和加拿大

上方参考位置:

          域:核心和扩展

          州/地区: 阿拉斯加和加拿大阿拉斯加和加拿大

          网格单元(ABoVE 域中有 108 个单元):

ABoVE grid cells

Ah1Av1Bh6Bv6Ch41Cv36Ah1Av1Bh7Bv7Ch42Cv45Ah1Av0Bh6Bv5Ch36Cv32
Ah1Av0Bh7Bv3Ch44Cv23Ah1Av0Bh7Bv4Ch42Cv24Ah1Av0Bh7Bv4Ch43Cv24
Ah1Av0Bh6Bv4Ch40Cv25Ah1Av0Bh6Bv4Ch41Cv26Ah1Av0Bh6Bv4Ch40Cv27
Ah1Av0Bh6Bv4Ch40Cv28Ah1Av0Bh6Bv4Ch41Cv28Ah1Av0Bh6Bv4Ch38Cv29
Ah1Av0Bh6Bv4Ch40Cv29Ah1Av0Bh6Bv4Ch41Cv29Ah1Av0Bh7Bv4Ch45Cv29
Ah1Av0Bh6Bv5Ch39Cv30Ah1Av0Bh6Bv5Ch40Cv30Ah1Av0Bh6Bv5Ch41Cv30
Ah1Av0Bh6Bv5Ch40Cv31Ah1Av0Bh6Bv5Ch38Cv32Ah1Av0Bh6Bv5Ch39Cv32
Ah1Av0Bh6Bv5Ch40Cv32Ah1Av0Bh6Bv5Ch41Cv32Ah1Av0Bh7Bv5Ch42Cv32
Ah1Av0Bh6Bv5Ch40Cv33Ah1Av0Bh7Bv5Ch43Cv33Ah1Av0Bh7Bv5Ch44Cv33
Ah1Av0Bh7Bv5Ch45Cv33Ah1Av0Bh6Bv5Ch40Cv34Ah1Av0Bh6Bv5Ch41Cv34
Ah1Av0Bh7Bv5Ch42Cv34Ah1Av0Bh7Bv5Ch45Cv34Ah1Av1Bh6Bv6Ch40Cv37
Ah1Av1Bh6Bv6Ch40Cv38Ah1Av1Bh6Bv6Ch41Cv39Ah1Av1Bh6Bv6Ch41Cv40
Ah1Av1Bh7Bv6Ch42Cv40Ah1Av1Bh7Bv6Ch46Cv40Ah1Av1Bh6Bv6Ch41Cv41
Ah1Av1Bh7Bv6Ch43Cv41Ah1Av1Bh7Bv6Ch44Cv41Ah1Av1Bh7Bv6Ch45Cv41
Ah1Av1Bh6Bv7Ch41Cv42Ah1Av1Bh7Bv7Ch42Cv42Ah1Av1Bh7Bv7Ch43Cv42
Ah1Av1Bh7Bv7Ch42Cv43Ah1Av1Bh8Bv7Ch49Cv44Ah1Av1Bh7Bv7Ch43Cv45
Ah1Av1Bh11Bv11Ch70Cv67Ah1Av1Bh11Bv11Ch71Cv68Ah2Av1Bh12Bv11Ch75Cv71
Ah2Av1Bh12Bv11Ch76Cv71Ah2Av1Bh13Bv9Ch79Cv59Ah2Av1Bh13Bv9Ch80Cv59
Ah2Av1Bh14Bv10Ch84Cv61Ah2Av1Bh13Bv10Ch83Cv64Ah2Av1Bh14Bv10Ch84Cv64
Ah2Av1Bh13Bv10Ch79Cv65Ah2Av1Bh13Bv10Ch83Cv65Ah2Av1Bh14Bv10Ch84Cv65
Ah2Av1Bh13Bv11Ch78Cv66Ah2Av1Bh13Bv11Ch79Cv66Ah2Av1Bh13Bv11Ch83Cv66
Ah2Av1Bh14Bv11Ch84Cv66Ah2Av1Bh13Bv11Ch78Cv67Ah2Av1Bh13Bv11Ch79Cv67
Ah2Av1Bh13Bv11Ch83Cv67Ah2Av1Bh14Bv11Ch84Cv67Ah2Av1Bh12Bv11Ch77Cv68
Ah2Av1Bh13Bv11Ch78Cv68Ah2Av1Bh14Bv11Ch84Cv68Ah2Av1Bh12Bv11Ch73Cv69
Ah2Av1Bh12Bv11Ch76Cv69Ah2Av1Bh12Bv11Ch74Cv70Ah2Av1Bh12Bv11Ch75Cv70
Ah2Av1Bh12Bv11Ch76Cv70Ah2Av1Bh12Bv11Ch77Cv71Ah2Av2Bh13Bv12Ch79Cv73
Ah2Av2Bh13Bv12Ch80Cv73Ah2Av2Bh13Bv12Ch80Cv74Ah2Av2Bh13Bv12Ch80Cv75
Ah2Av2Bh13Bv12Ch81Cv75Ah2Av2Bh14Bv4Ch87Cv88Ah2Av2Bh13Bv4Ch82Cv89
Ah2Av2Bh14Bv4Ch87Cv89Ah2Av2Bh13Bv5Ch82Cv90Ah2Av2Bh14Bv5Ch87Cv90
Ah2Av2Bh15Bv5Ch95Cv95Ah2Av2Bh15Bv6Ch94Cv96Ah2Av2Bh15Bv6Ch92Cv97
Ah2Av2Bh15Bv6Ch93Cv97Ah2Av2Bh15Bv6Ch94Cv97Ah2Av2Bh14Bv6Ch88Cv98
Ah2Av2Bh15Bv6Ch91Cv99Ah2Av2Bh15Bv6Ch91Cv100Ah2Av2Bh15Bv6Ch92Cv100
Ah2Av2Bh15Bv6Ch91Cv101Ah2Av2Bh15Bv6Ch92Cv101Ah2Av2Bh15Bv7Ch92Cv102
Ah2Av2Bh12Bv12Ch75Cv72Ah2Av2Bh12Bv12Ch77Cv72Ah2Av2Bh13Bv12Ch78Cv72
Ah3Av2Bh18Bv15Ch108Cv95Ah3Av2Bh18Bv5Ch109Cv95Ah3Av2Bh18Bv6Ch109Cv96
Ah3Av2Bh21Bv7Ch128Cv104Ah3Av2Bh21Bv7Ch129Cv104Ah3Av2Bh21Bv7Ch129Cv105

空间分辨率:多点

时间覆盖范围1983-01-01 至 2016-08-08

时间分辨率可变

研究区域(所有经纬度均以十进制度表示)

SiteWesternmost LongitudeEasternmost LongitudeNorthernmost LatitudeSouthernmost Latitude
Alaska and Canada-150.902-88.6119967.2297253.19106

数据文件信息

该数据集有两个逗号分隔(.csv)格式的数据文件。

AK_CA_Burned_Plot_Data_1983_2016.csv.该文件汇编了 1983 年至 2016 年期间从阿拉斯加和加拿大烧毁和未烧毁地点的地块中收集的数据,以及从这些变量中得出的数据。

AK_CA_Soil_Profile_Synthesis.csv。该文件汇编了从烧毁和未烧毁地点的地块中收集的土壤数据。

表 2.AK_CA_Burned_Plot_Data_1983_2016.csv 中的变量。注:说明中的 * 表示由调查人员计算或分配的变量。FWI 系统的组成部分是根据每日天气条件计算得出的,包括三个燃料水分代码和三个火灾行为指数。

VariableUnitsDescription
project_idUnique id associated with this project
project_nameProject name
treatmentBurned or control plot
siteSite name/number
burn_nameName of fire site
burn_yearYYYYYear of burn
ecoregion_name_l2US EPA Ecoregion Level 2 (Ecoregions | US EPA)
latitudedecimal degreesLatitude. GPS. Datum: WSG84 Position format: ddd.ddddd
longitudedecimal degreesLongitude. GPS. Datum: WSG84 Position format: ddd.ddddd
accuracy_horizontalmetersHorizontal accuracy
elevationmetersGPS. Meters above sea level
accuracy_verticalmetersvertical accuracy
slopedegreesSlope in degrees
aspectdegreesSlope aspect in compass degrees (0 to 360) - has not been corrected for declination
moistureunitlessRanking of plot moisture potential using the moisture key presented in the successional trajectories workbook (Johnstone). Values range from 1 to 6, where 1=xeric, 2=subxeric, 3=subxeric to mesic, 4=mesic, 5=submesic, 6=subhygric
stand_densitystems/m2Estimated density of pre-fire stems per m2 for the pre-fire stand. All trees and saplings that were alive at the time fires are included
stand_basal_areacm2/cm2Total measured basal area (cm2) of pre-fire tree species expressed on a per m2 basis. Basal area was calculated from stem diameter at breast height (area of each tree=pie(dbh/2)2)
prop_black_spruce0-1Proportion of black spruce trees in a site (range 0-1)
stand_ageyearAge of stand at time of fire - based on tree ring counts
stand_originDescription of stand origin - e.g. fire, logging, unknown
ag_biomass_prefireg/m2Pre-fire aboveground biomass
ag_c_prefireg C /m2Pre-fire above ground carbon pool
ag_biomass_combustedg/m2Above-ground biomass combusted
ag_c_combustedg C/m2Above-ground carbon pool combusted
prefire_solcmDepth of pre-fire SOL calculated as the sum of the residual SOL and the SOL burn depth
mean_residual_org_layer_depthcmMean of residual organic layer depth
burn_depthcmDepth of burn
prop_sol_combusted0-1Proportion of the soil organic layer combusted (depth of burn/pre-fire SOL)
residual_sol_cg C/m2Residual SOL C
bg_c_prefireg C/m2Pre-fire belowground carbon pool (g C m2)
bg_c_combustedg C/m2Below-ground carbon combusted (g C m2)
prop_sol_c_combusted0-1Proportion of the soil organic layer C combusted (bg_c_combusted/bg_c_prefire)
total_c_pool_prefireg c/m2Total pre-fire carbon pool. Sum of above and below ground pre-fire C pools
prop_prefire_bg_c0-1Proportion of the total pre-fire C pool attributed to the below-ground component (bg_c_prefire/total_c_pool_prefire)
total_c_combustedg c/m2Total carbon combusted. Sum of above and below-ground C combusted *
prop_total_bg_c_combusted0-1Proportion of the total C combusted attributed to the below-ground component (bg_c_combusted/total_c_combusted) *
prop_total_prefire_c_combusted0-1Proportion of the total pre-fire C pool combusted (total_c_combusted/total_c_pool_prefire) *
dobDay of Burn
precipitationmmPrecipitation - obtained from GFWED based on input variables from MERRA 2. MERRA 2 from Field et al. 2015 *
temperaturedegree CTemperature - obtained from GFWED based on input variables from MERRA 2. MERRA 2 from Field et al. 2015 *
relative_humidity%Relative Humidity - obtained from GFWED based on input variables from MERRA 2. MERRA 2 from Field et al. 2015 *
wind_speedm/sWind speed obtained from GFWED based on input variables from MERRA 2. MERRA 2 from Field et al. 2015 *
drought_codeDrought Code (DC) - obtained from GFWED based on input variables from MERRA 2. MERRA 2 from Field et al. 2015 *
drought_moisture_codeDrought Moisture Code (DMC) - obtained from GFWED based on input variables from MERRA 2. MERRA 2 from Field et al. 2015 *
fine_fuel_moisture_codeFine Fuel Moisture Code (FFMC) - obtained from GFWED based on input variables from MERRA 2. MERRA 2 from Field et al. 2015 *
initial_spread_indexInitial Spread Index (ISI) - obtained from GFWED based on input variables from MERRA 2. MERRA 2 from Field et al. 2015 *
buildup_indexBuild-up Index (BUI) - obtained from GFWED based on input variables from MERRA 2. MERRA 2 from Field et al. 2015 *
fire_weather_indexFire Weather Index (FWI) - obtained from GFWED based on input variables from MERRA 2. MERRA 2 from Field et al. 2015 *
daily_severity_rankDaily Severity Ranking (DSR)- obtained from GFWED based on input variables from MERRA 2. MERRA 2 from Field et al. 2015 *

AK_CA_Soil_Profile_Synthesis.csv 文件中的变量。

VariableUnitsDescription
siteStudy site
project_nameProject name of acquired data
idID
project_idUnique id associated with this project
plotPlot name
latitudeDecimal degreesLatitude of site
longitudeDecimal degreesLongitude of site
treatmentBurned or control (plot)
profileSoil profiles
min_orgMineral (min) or organic (org) soil. Mineral soil characteristics were only obtained from Boby et al. 2010 and were not included in any additional analyses
horizonSoil horizon
raw_depthcmDepth in the profile (maximum depth in the profile)
adjusted_depthcmSOL profile depth measurements adjusted based on combusted (maximum depth in the profile)
sample_depthcmSample depth
fine_coarseHow the soil was divided into coarse or fine fractions (0=no divide, 1=2mm)
fine_bulk_densityg/cm3Fine soil bulk density
coarse_ bulk_densityg/cm3Coarse soil bulk density
total_ bulk_densityg/cm3Total bulk density
fine_carbon%Percent carbon content in fine soil
fine_nitrogen%Percent nitrogen content in fine soil
phSoil pH
dry_matterg/m2Grams of dry matter per m2= fine bulk density * sample depth *10 000
carbong C/m2Grams of carbon per m2 = g.dry.matter.m2 * fine_c

应用与推导

编制该数据集的目的是评估整个北美西北部寒带地区火灾碳排放的驱动因素。

质量评估

在所有研究中,计算基本遵循 Walker 等人 2018 年的方法。

数据采集、材料和方法

研究领域

研究人员从北美西部北方森林的 1,019 个烧毁地点和 152 个对照地点(即没有火灾历史记录)获取了数据,这些地点横跨六个不同的生态区,近几十年来,这些地区的烧毁面积有所增加(图 1)。研究地点位于阿拉斯加内陆北方地区、北方科迪勒拉山系、泰加平原、泰加盾林、软木盾林和北方平原等生态区域,这些生态区域在地质历史、土壤发育和母质以及年平均温度和降水量方面各不相同(Wang 等,2016 年)。  不同研究的地点选择和取样方法各不相同,但都提供了与火灾前树种组成、林龄、地形以及火灾前后地上和地下碳库相关的实地收集数据。

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_Plot_Data_Burned_Sites_1744",cloud_hosted=True,bounding_box=(-150.9, 53.19, -88.61, 67.23),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")

引用

Walker, X.J., J.L. Baltzer, L.L. Bourgeau-Chavez, N.J. Day, W.J. De groot, C. Dieleman, E.E. Hoy, J.F. Johnstone, E.S. Kane, M.A. Parisien, S. Potter, B.M. Rogers, M.R. Turetsky, S. Veraverbeke, E. Whitman, and M.C. Mack. 2020. ABoVE: Synthesis of Burned and Unburned Forest Site Data, AK and Canada, 1983-2016. ORNL DAAC, Oak Ridge, Tennessee, USA. ABoVE: Synthesis of Burned and Unburned Forest Site Data, AK and Canada, 1983-2016, https://doi.org/10.3334/ORNLDAAC/1744

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 

这篇关于NASA数据集——1983 ——2016 年期间北美森林地点的野外地块特征数据、衍生的地上和地下燃烧碳以及获取的火灾气象指数(FWI)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/876785

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

便携式气象仪器的主要特点

TH-BQX9】便携式气象仪器,也称为便携式气象仪或便携式自动气象站,是一款高度集成、低功耗、可快速安装、便于野外监测使用的高精度自动气象观测设备。以下是关于便携式气象仪器的详细介绍:   主要特点   高精度与多功能:便携式气象仪器能够采集多种气象参数,包括但不限于风速、风向、温度、湿度、气压等,部分高级型号还能监测雨量和辐射等。数据采集与存储:配备微电脑气象数据采集仪,具有实时时钟、数据存

【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