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

分辨率三兄弟LPI、DPI 和 PPI有什么区别? 搞清分辨率的那些事儿

《分辨率三兄弟LPI、DPI和PPI有什么区别?搞清分辨率的那些事儿》分辨率这个东西,真的是让人又爱又恨,为了搞清楚它,我可是翻阅了不少资料,最后发现“小7的背包”的解释最让我茅塞顿开,于是,我... 在谈到分辨率时,我们经常会遇到三个相似的缩写:PPI、DPI 和 LPI。虽然它们看起来差不多,但实际应用

Java利用JSONPath操作JSON数据的技术指南

《Java利用JSONPath操作JSON数据的技术指南》JSONPath是一种强大的工具,用于查询和操作JSON数据,类似于SQL的语法,它为处理复杂的JSON数据结构提供了简单且高效... 目录1、简述2、什么是 jsONPath?3、Java 示例3.1 基本查询3.2 过滤查询3.3 递归搜索3.4

MySQL大表数据的分区与分库分表的实现

《MySQL大表数据的分区与分库分表的实现》数据库的分区和分库分表是两种常用的技术方案,本文主要介绍了MySQL大表数据的分区与分库分表的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有... 目录1. mysql大表数据的分区1.1 什么是分区?1.2 分区的类型1.3 分区的优点1.4 分

Mysql删除几亿条数据表中的部分数据的方法实现

《Mysql删除几亿条数据表中的部分数据的方法实现》在MySQL中删除一个大表中的数据时,需要特别注意操作的性能和对系统的影响,本文主要介绍了Mysql删除几亿条数据表中的部分数据的方法实现,具有一定... 目录1、需求2、方案1. 使用 DELETE 语句分批删除2. 使用 INPLACE ALTER T

Python Dash框架在数据可视化仪表板中的应用与实践记录

《PythonDash框架在数据可视化仪表板中的应用与实践记录》Python的PlotlyDash库提供了一种简便且强大的方式来构建和展示互动式数据仪表板,本篇文章将深入探讨如何使用Dash设计一... 目录python Dash框架在数据可视化仪表板中的应用与实践1. 什么是Plotly Dash?1.1

Redis 中的热点键和数据倾斜示例详解

《Redis中的热点键和数据倾斜示例详解》热点键是指在Redis中被频繁访问的特定键,这些键由于其高访问频率,可能导致Redis服务器的性能问题,尤其是在高并发场景下,本文给大家介绍Redis中的热... 目录Redis 中的热点键和数据倾斜热点键(Hot Key)定义特点应对策略示例数据倾斜(Data S

Python实现将MySQL中所有表的数据都导出为CSV文件并压缩

《Python实现将MySQL中所有表的数据都导出为CSV文件并压缩》这篇文章主要为大家详细介绍了如何使用Python将MySQL数据库中所有表的数据都导出为CSV文件到一个目录,并压缩为zip文件到... python将mysql数据库中所有表的数据都导出为CSV文件到一个目录,并压缩为zip文件到另一个

SpringBoot整合jasypt实现重要数据加密

《SpringBoot整合jasypt实现重要数据加密》Jasypt是一个专注于简化Java加密操作的开源工具,:本文主要介绍详细介绍了如何使用jasypt实现重要数据加密,感兴趣的小伙伴可... 目录jasypt简介 jasypt的优点SpringBoot使用jasypt创建mapper接口配置文件加密

使用Python高效获取网络数据的操作指南

《使用Python高效获取网络数据的操作指南》网络爬虫是一种自动化程序,用于访问和提取网站上的数据,Python是进行网络爬虫开发的理想语言,拥有丰富的库和工具,使得编写和维护爬虫变得简单高效,本文将... 目录网络爬虫的基本概念常用库介绍安装库Requests和BeautifulSoup爬虫开发发送请求解

Oracle存储过程里操作BLOB的字节数据的办法

《Oracle存储过程里操作BLOB的字节数据的办法》该篇文章介绍了如何在Oracle存储过程中操作BLOB的字节数据,作者研究了如何获取BLOB的字节长度、如何使用DBMS_LOB包进行BLOB操作... 目录一、缘由二、办法2.1 基本操作2.2 DBMS_LOB包2.3 字节级操作与RAW数据类型2.