NASA数据集——北美地区站点测量到的土壤解冻深度和湿度 (STDM) 测量值以及介电特性

本文主要是介绍NASA数据集——北美地区站点测量到的土壤解冻深度和湿度 (STDM) 测量值以及介电特性,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!

ABoVE: Soil Moisture and Active Layer Thickness in Alaska and NWT, Canada, 2008-2020

简介

文件修订日期:2021-12-07

数据集版本: 1

摘要

该数据集提供了不同研究团队在美国阿拉斯加和加拿大西北地区站点测量到的土壤解冻深度和湿度 (STDM) 测量值以及介电特性。每个站点有多个观测数据,观测数据总数为 352,719 个。数据集包括通过机械探测(6.0%)或地面穿透雷达(GPR)(94.0%)测量的 206,000 个活动层厚度观测值。使用 GPR(22.1%)、Hydrosense I 和 II 探头(75.3%)以及 DualEM(2.6%)收集了约 16,000 个体积含水量测量值。元数据包括地点、时间、地理空间坐标、技术、测量小组。测量通常在八月和九月接近解冻季节结束时进行,时间跨度为 2008-06-22 至 2020-08-15。
该数据集在克莱顿等人(2021 年)的相关出版物中被称为 "土壤水分和活性层厚度实地测量数据集"(SMALT),包括在巴罗、苏厄德半岛、北坡、费尔班克斯、冷脚、育空-库斯科温(YK)三角洲、美国阿拉斯加三角洲交界处和加拿大西北地区的研究地点或附近收集的数千份解冻深度和土壤水分测量数据。SMALT 包括通过机械探测(6.0%)或地面穿透雷达(94.0%)测量的 206,000 次 ALT 观测。通过 GPR(22.1%)、Hydrosense I 和 II 探头(75.3%)以及 DualEM(2.6%)收集了约 16,000 个体积含水量 (VWC) 测量值。

本数据集中包含一个逗号分隔值 (*.csv) 格式的数据文件。

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,从 2015 年开始在阿拉斯加和加拿大西部进行,为期 8 到 10 年。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及其对社会的影响所必需的。

数据特征

空间覆盖范围:美国阿拉斯加州和加拿大西北地区

上图 参考地点

域:核心

州/地区:阿拉斯加和加拿大阿拉斯加和加拿大

网格单元:所有站点均位于 ABoVE 网格瓦片 Ah000v000、Ah001v000、Ah001v001、Ah002v001、Ah002v002 以及以下 5 米 "C "网格瓦片中:Ch013v021, Ch013v022, Ch014v021, Ch014v022, Ch022v010, Ch024v011, Ch024v013, Ch036v033, Ch039v032, Ch040v029, Ch040v032, Ch040v035, Ch040v037、Ch040v038, Ch042v032, Ch043v024, Ch043v045, Ch047v020, Ch048v017, Ch048v018, Ch048v019, Ch048v020, Ch048v021, Ch049v007, Ch049v017、Ch049v018, Ch049v019, Ch049v020, Ch049v021, Ch050v007, Ch050v020, Ch051v020, Ch052v018, Ch053v017, Ch053v018, Ch075v071, Ch075v072, Ch076v069、Ch076v070, Ch076v071, Ch076v072, Ch077v068, Ch078v067, Ch078v068, Ch079v065, Ch079v066, Ch079v067, Ch083v067, Ch084v067, Ch084v068, Ch087v067

空间分辨率:点测量

时间覆盖范围:2008-06-22 至 2020-08-15

时间分辨率分钟

站点边界:纬度和经度均以十进制度表示。

SiteWesternmost LongitudeEasternmost LongitudeNorthernmost LatitudeSouthernmost Latitude
Alaska and NWT-165.97342-111.367571.32361460.45244

数据文件信息

 

本数据集中包含一个逗号分隔值(*.csv)格式的数据文件。该文件名为 ABoVE_Soil_ThawDepth_Moisture_Validation.csv,提供了不同研究团队在阿拉斯加和西北地区烧毁和未烧毁地点测量的土壤有效层厚度 (ALT)、体积含水量 (VWC) 和介电性质。每个地点有多个观测点,观测点总数为 352,719 个。

数据文件中的缺失值以 -999 表示。

表 ABoVE_Soil_ThawDepth_Moisture_Validation.csv 中的变量名称和说明。

VariableUnitsDescription
site_nameSite where measurements were collected
plotPlot at site where measurements were collected
pointPoint number within a survey
survey_techniqueSurvey technique used by research team
team_nameResearch team name
organizationResearch team organization
observerName of observer associated with the study plots/measurements
observer_emailObserver email
latitudeDecimal degrees (N)Latitude (N) of the measurement site
longitudeDecimal degrees (E)Longitude (E) of the measurement site
PDOPDecimal degreesPosition Dilution of Precision; accuracy of the GPS measurement
dateYYYY-MM-DDDate of collection
timeHH:MM:SSTime of collection; 24-hour clock
ALT_instrumentInstrument used to measure Active layer thickness (ALT): probe or GPR
ALTcmActive layer thickness (ALT); thaw depth at time of measurement
ALT_errcmALT measurement error
VWC_instrumentInstrument used to measure volumetric water content (VWC): Hydrosense I, Hydrosense II, DualEM, or ground penetrating radar (GPR)
depth_topcmDepth to the top of the VWC measurement
depth_bottomcmDepth to the bottom of the VWC measurement
attenuationAttenuation of HydroSense measurement
dielectric_permittivitySoil dielectric permittivity
periodmicrosecondsPeriod of HydroSense measurement
VWCpercentVolumetric water content
VWC_errpercentVWC measurement error
correctedflagErrors corrected from version 1 to 2: 0=no, 1=yes

质量评估

在可能的情况下,对所有参数的不确定性都进行了估计。机械 ALT 测量的不确定性为 3 厘米。地面穿透雷达 (GPR) 有源层厚度 (ALT) 和体积含水量 (VWC) 测量的不确定性基于测量波速的标准偏差。所有计算中的不确定性均采用高斯误差传播法进行估算。 

场地说明

本土壤解冻深度和湿度 (STDM) 数据集(在克莱顿等人(2021 年)中称为土壤湿度和活性层厚度实地测量 (SMALT))由数以千计的解冻深度和土壤湿度测量数据组成,这些数据是在巴罗、苏厄德半岛、北坡、费尔班克斯、冷脚、育空-库斯科温 (YK) 三角洲、阿拉斯加三角洲交界处以及加拿大西北地区 (NWT) 的研究地点或附近采集的。Utqiagvik(巴罗)遗址位于北极沿海平原,由干涸的热沼泽湖泊和覆盖着青草、苔藓和地衣的开阔苔原组成。北坡遗址位于冰川碎屑的丘陵地带,覆盖着草丛和苔藓。费尔班克斯的地点都位于北方森林区,通常是草丛和苔藓覆盖的开阔草地,周围是黑云杉和灌木丛生的林区。冷脚遗址位于布鲁克斯山脉以南,植被和地表特征与费尔班克斯遗址相似。三角洲交界处的地点也位于北方森林地带,但所有地点的地貌都以塔纳纳河的动态为主。雅加达三角洲由被草、苔藓和地衣覆盖的凸起泥炭高原组成,这些高原被下陷的热喀斯特沟谷、湿地和湖泊分隔开来。苏厄德半岛的遗址位于狭窄的山谷中,四周环山,覆盖着莎草、苔藓和地衣。

为了进行统计分析,我们将这些地点划分为若干区域(图 1),本文件对此不作描述。一些地点曾受火灾影响,但火灾状况和火灾历史未包含在本数据集中。详情请参见 Clayton 等人(2021 年)。

数据收集

数据集包括使用机械探测(6.0%)或 GPR(94.0%)测量的 206,000 个 ALT 观测值。测量小组通常在八月和九月进行测量,此时接近解冻季节的末期。我们假定在八月和九月测量的解冻深度代表了可接受的 ALT 近似值。

机械探测需要将一根带刻度的 T 形杆压入地下,直到碰到永久冻土层。机械探针测量解冻深度的不确定性为 3 厘米(Schaefer 等人,2015 年;Chen 等人,2016 年)。在 GPR 测量中,发射天线发射中心频率为 500 MHz 的脉冲,脉冲向下穿过活动层并反射到冻土层上(Schaefer 等人,2015 年;Chen 等人,2016 年;Jafarov 等人,2017 年)。接收器测量的双向移动时间(TWTT)是从发射器到冻土层再返回的时间。由于主要由草丛造成的粗糙地形,并非每个脉冲都能产生可用的反射,因此 STDM 数据集包括 14 万条既无 ALT 也无 VWC 的 GPR 记录。每隔几分钟,研究小组就用机械探头测量解冻深度,作为将 TWTT 转换为波速的校准点。校准点给出了一个站点或区域的平均波速,以便将所有 TWTT 转换为解冻深度。每个站点的波速标准偏差代表解冻深度的不确定性,典型的解冻深度不确定性为 20%(Chen 等人,2016 年)。

数据集包括通过 GPR(22.1%)、Hydrosense I 和 II 探头(75.3%)以及 DualEM(2.6%)收集的 16,000 次 VWC 测量。对于 GPR 测量的 VWC,解冻深度除以 TWTT 得到波速,作为土壤介电常数的测量值。所有 VWC 测量值都是所用仪器测量深度的平均值(Bourgeau-Chavez 等人,2010 年)。Hydrosense 测量值代表表层土壤 6、12 或 20 厘米深度的平均 VWC,具体取决于所使用的探头长度,称为表层 VWC。来自 GPR 和 DualEM 的 VWC 测量值代表的是整个活动层的平均含水量,称为体积 VWC。

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_ThawDepth_Moisture_1903",cloud_hosted=True,bounding_box=(-165.97, 60.45, -111.37, 71.32),temporal=("2008-06-22", "2020-08-15"),count=-1,  # use -1 to return all datasetsreturn_gdf=True,
)gdf.explore()#leafmap.nasa_data_download(results[:5], out_dir="data")

引用

Schaefer, K., L.K. Clayton, M.J. Battaglia, L.L. Bourgeau-Chavez, R.H. Chen, A.C. Chen, J. Chen, K. Bakian-Dogaheh, T.A. Douglas, S.E. Grelick, G. Iwahana, E. Jafarov, L. Liu, S. Ludwig, R.J. Michaelides, M. Moghaddam, S. Natali, S.K. Panda, A.D. Parsekian, A.V. Rocha, S.R. Schaefer, T.D. Sullivan, A. Tabatabaeenejad, K. Wang, C.J. Wilson, H.A. Zebker, T. Zhang, and Y. Zhao. 2021. ABoVE: Soil Moisture and Active Layer Thickness in Alaska and NWT, Canada, 2008-2020. ORNL DAAC, Oak Ridge, Tennessee, USA. ABoVE: Soil Moisture and Active Layer Thickness in Alaska and NWT, Canada, 2008-2020, https://doi.org/10.3334/ORNLDAAC/1903

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——北美地区站点测量到的土壤解冻深度和湿度 (STDM) 测量值以及介电特性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/885578

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

SWAP作物生长模型安装教程、数据制备、敏感性分析、气候变化影响、R模型敏感性分析与贝叶斯优化、Fortran源代码分析、气候数据降尺度与变化影响分析

查看原文>>>全流程SWAP农业模型数据制备、敏感性分析及气候变化影响实践技术应用 SWAP模型是由荷兰瓦赫宁根大学开发的先进农作物模型,它综合考虑了土壤-水分-大气以及植被间的相互作用;是一种描述作物生长过程的一种机理性作物生长模型。它不但运用Richard方程,使其能够精确的模拟土壤中水分的运动,而且耦合了WOFOST作物模型使作物的生长描述更为科学。 本文让更多的科研人员和农业工作者