NASA数据集——北美地区永久冻土影响的冻原和北方生态系统内发生的土壤呼吸作用产生的二氧化碳(CO2)排放量(300 米的空间分辨率)

本文主要是介绍NASA数据集——北美地区永久冻土影响的冻原和北方生态系统内发生的土壤呼吸作用产生的二氧化碳(CO2)排放量(300 米的空间分辨率),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!

Soil Respiration Maps for the ABoVE Domain, 2016-2017

简介

文件修订日期:2022-04-20

数据集版本: 1

摘要

该数据集以 300 米的空间分辨率提供了 2016-08-18 至 2018-09-12 期间阿拉斯加和加拿大西北部受永久冻土影响的冻原和北方生态系统内发生的土壤呼吸作用产生的二氧化碳(CO2)排放量的网格估算值。估算结果包括月平均二氧化碳通量(gCO2 C m-2 d-1)、按季节(秋季、冬季、春季、夏季)划分的日平均二氧化碳通量和误差估算值、二氧化碳年吸收偏移量(即植被总初级生产力)估算值、植被总初级生产力年度预算(GPP;gCO2 C m-2 yr-1)以及每个 300 米网格单元内开放(非植被)水域的比例。地下呼吸源(即根和微生物)也包括在内。网格化土壤二氧化碳估算值是利用季节性随机森林模型、遥感信息以及来自土壤呼吸站和涡度协方差塔的原位土壤二氧化碳通量新汇编获得的。通量塔数据与每个土壤呼吸站强制扩散(FD)室记录的每日间隙通量观测数据一起提供。数据覆盖 NASA ABoVE 域。

该数据集有 28 个数据文件;25 个数据文件为 GeoTIFF(*.tif)格式,3 个文件为逗号分隔值格式(.csv)。下图为空间分辨率为 300 米的秋季(9 月-10 月)、冬季(11 月-3 月)、春季(4 月-5 月)和夏季(6 月-8 月)的季节性平均土壤呼吸排放量(gCO2 C m-2 d-1)。资料来源:Watts et al:Watts 等人(2021 年)

项目北极-北方脆弱性实验

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,重点是阿拉斯加和加拿大西部。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,这些能力是了解和预测北极和北方地区生态系统对气候变化的反应以及气候变化对社会的影响所必需的。我们由 ABoVE 赞助的研究重点是土壤二氧化碳的时空模式和量级,而在迅速变暖的泛北极生态系统中,这些模式和量级还没有得到很好的量化。

数据特征

空间覆盖范围:阿拉斯加和加拿大受永久冻土影响的冻原和北方地貌(ABoVE 核心域);不包括荒地和水体

ABoVE 参考地点

域:ABoVE 核心域

网格单元(240 米 "A "单元):Ah000v000、Ah000v00、Ah001v002、Ah002v002、Ah003v002、Ah001v000、Ah002v000、Ah003v000、
Ah000v001、Ah001v001、Ah002v001、Ah003v001

空间分辨率:300 米网格单元,站点数据的点分辨率

时间覆盖范围:2016-08-18 至 2018-09-12

时间分辨率:日、月

研究区域:纬度和经度均以十进制度表示。

SiteWesternmost LongitudeEasternmost LongitudeNorthernmost LatitudeSouthernmost Latitude
Alaska and Canada-169.5052-98.736676.687455.8072

数据文件信息

该数据集中包含 25 个 GeoTIFF (*.tif) 格式的数据文件和 3 个逗号分隔值 (*.csv) 格式的文件。

File NameUnitsDescription
soil_resp_flux_YYYY-XX.tifg m-2 d-1Twelve files. Daily average emissions from soil respiration (gCO2 C m-2 d-1) over monthly time steps where YYYY is 2016 or 2017 and XX for the 2016 files is 09–12, and for the 2017 files is 01–08. Missing values are represented by 0.
soil_resp_flux_AAA_YYYY.tifg m-2 d-1Four files. Average estimates (gCO2 C m-2 d-1) for sampling periods, where AAA is the season and YYYY is the year. Missing values are represented by 0.
soil_resp_flux_est_error_AAA_YYYY.tifg m-2 d-1Four files. Average flux estimate error (gCO2 C m-2 d-1) for sampling periods, where AAA is the season and YYYY is the year. Missing values are represented by -3.
soil_resp_budget_annual_2016-2017.tifg m-2Annual soil respiration budgets (gCO2 C m-2) for September 2016–August 2017. Missing values are represented by 0.
soil_resp_budget_annual_percent_offset_GPP_2016-2017.tifpercentAnnual percentage offset of growing season GPP by soil respiration emissions for September 2016–August 2017. An offset of 100% indicates that soil respiration equaled or exceeded annual GPP. Missing values are represented by 0.
GPP_budget_annual_2016-2017.tifg m-2Annual GPP budgets (gCO2 C m-2) averaged for the 2016–2017 growing seasons. A composite of SMAP, GOSIF, and MODIS GPP products. Missing values are represented by 0.
ecosystem_resp_budget_annual_percent_offset_GPP_2016-2017.tifpercentAnnual percentage offset of growing season GPP by ecosystem (soil + aboveground) respiration forSeptember 2016–August 2017. An offset of 100% indicates that ecosystem respiration equaled or exceeded annual GPP. Missing values are represented by 0.
fractional_water.tif1Provides 300 m grid fractional water (FW) information for the study domain, derived from Wang et al. (2019). FW values of 1 indicate that the 300 m pixel contains 100% surface open water coverage. Missing values are represented by 0.
soil_resp_station_descriptions.csvProvides descriptive data of site respiration stations. See Table 2 for variable descriptions. Missing values are represented by -9999.
site_monthly_soil_respiration_flux.csvTable of average monthly soil respiration fluxes for the ABoVE domain in gCO2 C m-2 d-1, used to develop the Random Forest models. These include flux data from Soil Respiration Stations and eddy covariance sites for 2016–2017 (Watts et al., 2021). The Soil Respiration Station record also includes more recent data for 2018. See Table 3 for variable descriptions. Missing values are represented by -9999.
soil_resp_station_daily_soil_respiration_flux_gap_filled_2016-2018.csvTable of daily gap filled flux observations for each Alaska Soil Respiration station forced diffusion (FD) chamber record (Watts et al., 2021). The record includes all available data from 2016–2018. See Table 4 for variable descriptions. Missing values are represented by -9999.

数据细节

缩放因子:对于文件 fractional_water.tif(水遮罩),缩放因子为 100。
CRS:圆柱等面积,WGS 84 基准,EPSG:6933。
缺失数据值:对于名为 soil_resp_flux_est_error_AAA_YYYY.tif 的文件,缺失值以 -3 表示;对于其他 GeoTIFF 文件,缺失值以 0 表示;对于 CSV 文件,缺失值以 -9999 表示。

文件 soil_resp_station_descriptions.csv 中的变量名称和说明。

VariableUnitsDescription
site_codeAbbreviated site station name 
site_nameSite station name
latitudeDecimal degreesLatitude of site
longitudeDecimal degreesLongitude of site
descriptionSite description (vegetation type, burned information)

site_monthly_soil_respiration_flux.csv 文件中的变量名称和说明。

VariableUnitsDescription
siteAbbreviated site station name 
systemSystem used to collect data: EC (eddy covariance towers), SRS (Soil Respiration Stations), or Eosense FD (forced diffusion chamber)
latitudeDecimal degreesLatitude of site
longitudeDecimal degreesLongitude of site
monthMonth of measurement
fluxg m-2 d-1Monthly average flux observations (gCO2 C m-2 d-1) from Soil Respiration Stations and eddy covariance towers

文件 soil_resp_station_daily_soil_respiration_flux_gap_filled_2016-2018.csv 的变量名称和说明。

VariableUnitsDescription
dateAbbreviated site station name 
XXX_FDZZ (site code names_chamber record)g m-2 d-1Gap-filled flux data (gCO2 C m-2 d-1) for 31 respiration sites, in columns B–AF, for each soil respiration station forced diffusion (FD_ZZ) chamber record. For site code names, refer to Table 2.

应用与推导

土壤排放和预算图为了解域内土壤呼吸的区域模式提供了新的视角。由此得出的呼吸预算可用于与基于过程的区域模型和地球系统模型的估计值进行基线比较。

质量评估

土壤呼吸排放量来自使用 ABoVE 域新二氧化碳通量数据库(Watts 等,2021 年)训练的模型。通量数据库包括来自 10 个土壤呼吸站(Minions 等,2019 年)、1 个 Eosense eosFD 站和 15 个涡度协方差塔的观测数据。从 2016 年 9 月到 2017 年 8 月,共有 268 个月平均通量(gCO2 C m-2 d-1)估算值被用于开发区域土壤呼吸模型。根据内部和外部精度评估,使用均方根误差(RMSE)、判定系数(R2)和平均绝对误差(MAE)对随机森林模型误差的不确定性进行了测量(表 2)。每个季节性随机森林模型的区域不确定性图(图 3)是用正交法得到的:sqrt(全局 RMSE2 + (像素级不确定性-全局 RMSE)2)。像素级不确定性是通过对随机森林输入观测数据(去掉 20%)进行自举得到的,以估算出估计平均值周围的偏差(不确定性)。

季节性随机森林模型的精度评估。RMSE1和MAE1(gCO2 C m-2 d-1)来自内部样本外精度评估;RMSE2和MAE2基于外部精度评估,使用1000个引导样本,其中80%的数据用于模型训练,20%的数据不用于验证。

SeasonR2RMSE1MAE1RMSE2MAE2
Summer0.680.160.050.350.31
Autumn0.570.120.090.240.20
Winter0.650.060.040.100.08
Spring0.760.080.110.250.19

uncertainty

数据获取、材料和方法

土壤呼吸排放量是利用 ABoVE 域的新二氧化碳通量数据库(Watts 等人,2021 年)得出的,该数据库包括来自 10 个土壤呼吸站(Minions 等人,2019 年)、1 个 Eosense eosFD 站和 15 个涡度协方差塔的观测数据。通量数据库总共提供了 268 个月平均通量观测值(gCO2 C m-2 d-1),时间跨度为 2016 年 9 月至 2017 年 8 月。其中 14 个站点位于苔原生态系统;12 个站点位于北方生物群落;3 个站点位于焚烧生态系统。 

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_Soil_Respiration_Maps_1935",cloud_hosted=True,bounding_box=(-169.51, 55.81, -98.74, 76.69),temporal=("2016-08-18", "2018-09-12"),count=-1,  # use -1 to return all datasetsreturn_gdf=True,
)gdf.explore()#leafmap.nasa_data_download(results[:5], out_dir="data")

引用

Watts, J.D., S. Natali, and C. Minions. 2022. Soil Respiration Maps for the ABoVE Domain, 2016-2017. ORNL DAAC, Oak Ridge, Tennessee, USA. Soil Respiration Maps for the ABoVE Domain, 2016-2017, https://doi.org/10.3334/ORNLDAAC/1935

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——北美地区永久冻土影响的冻原和北方生态系统内发生的土壤呼吸作用产生的二氧化碳(CO2)排放量(300 米的空间分辨率)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/882213

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

【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

MCU7.keil中build产生的hex文件解读

1.hex文件大致解读 闲来无事,查看了MCU6.用keil新建项目的hex文件 用FlexHex打开 给我的第一印象是:经过软件的解释之后,发现这些数据排列地十分整齐 :02000F0080FE71:03000000020003F8:0C000300787FE4F6D8FD75810702000F3D:00000001FF 把解释后的数据当作十六进制来观察 1.每一行数据