【数据分享】2008-2022年全国范围逐月NO2栅格数据（免费获取）

本文主要是介绍【数据分享】2008-2022年全国范围逐月NO2栅格数据（免费获取），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！

空气质量数据是在我们日常研究中经常使用的数据！之前我们给大家分享了2000-2022年全国范围逐月的PM2.5栅格数据、2013-2022年全国范围逐月SO2栅格数据、2013-2022年全国范围逐月CO栅格数据和2000-2022年全国范围逐月PM10栅格数据（可查看之前的文章获悉详情）！

本次我们给大家带来的是2008-2022年全国范围的逐月的NO2栅格数据，原始数据格式为NetCDF (.nc)，空间分辨率为1km和10km两种（其中：2008-2018年为10km，2019-2022年为1km），单位为ug/m3，坐标系为WGS_1984。为了方便大家使用，我们将数据格式转换为了栅格格式（.tif）。

数据来源于韦晶博士、李占清教授团队发布在国家青藏高原科学数据中心网站上的中国高分辨率高质量近地表空气污染物数据集（ChinaHighAirPollutants, CHAP），NO2数据是该数据集的主要指标之一。该数据是利用人工智能技术，考虑了空气污染的时空异质特性，从大数据（如地基观测、卫星遥感产品、大气再分析和模式模拟资料等）中生产得到2008年至2022年全国无缝隙地面NO2数据。另外，该数据持续更新，如有需要大家可持续关注！

大家可以自己去国家青藏高原科学数据中心下载nc格式的原始数据，也可以在本公众号回复关键词 167 免费获取nc格式，以及我们转换出的tif格式两种格式的数据。无需转发文章，无套路获取！以下为数据的详细介绍：

01 数据预览

该数据包括nc和tif两种格式！两种数据格式的命名规则不同：

（1）nc.格式：CHAP_NO2_ab_yyyymm_V1.nc

CHAP：表示数据集名称
NO2：表示空气污染物的指标名称
ab：表示时间和空间分辨率，其中a表示时间分辨率（M表示为逐月数据），b表示空间分辨率（1K表示1km,10k表示10km）
yyyymm：表示数据时间，其中yyyy代表年，mm表示月
V1：表示数据版本
nc：表示数据格式

例如：CHAP_NO2_M1K_201012_V1.nc，表示为2010年12月的1km分辨率的逐月的NO2数据。

（2）.tif格式：按照年月日的日期格式（yyyymm.tif）命名栅格文件

例如：202101.tif，表示为2021年1月的NO2栅格数据。

我们具体以2022年12月全国范围的NO2数据为例来预览一下：

02 数据详情

时间范围：

2008-2022年（逐月）

空间范围：

全国

数据格式：

NetCDF [.nc] 和.tif

空间分辨率：

2008-2018年：10km

2019-2022年：1km

数据单位：

ug/m3

数据坐标：

WGS_1984

原始数据的下载网站：

数据来源于美国马里兰大学韦晶博士、李占清教授团队在国家青藏高原科学数据中心平台上分享的数据，网址为：https://data.tpdc.ac.cn/zh-hans/data/cdd719d1-e0c0-49be-9f20-6a0ba54c8b38

数据引用：

韦晶, 李占清. (2023). 中国高分辨率高质量地面NO2数据集（2008-2022）. 国家青藏高原数据中心. https://doi.org/10.5281/zenodo.4571660.

Wei, J., Li, Z. (2023). ChinaHighNO2: High-resolution and High-quality Ground-level NO2 Dataset for China (2008-2022). National Tibetan Plateau / Third Pole Environment Data Center.

https://doi.org/10.5281/zenodo.4571660.

相关论文引用：

1、Wei, J., Liu, S., Li, Z., Liu, C., Qin, K., Liu, X., Pinker, R., Dickerson, R., Lin, J., Boersma, K., Sun, L., Li, R., Xue, W., Cui, Y., Zhang, C., & Wang, J. (2022). Ground-level NO2 surveillance from space across China for high resolution using interpretable spatiotemporally weighted artificial intelligence. Environmental Science & Technology, 56(14), 9988–9998. https://doi.org/10.1021/acs.est.2c03834

2、Wei, J., Li, Z., Wang, J., Li, C., Gupta, P., & Cribb, M. (2023). Ground-level gaseous pollutants (NO2, SO2, and CO) in China: daily seamless mapping and spatiotemporal variations. Atmospheric Chemistry and Physics, 23, 1511–1532. https://doi.org/10.5194/acp-23-1511-2023

如有数据使用需求请按照官方平台的要求进行引用，更多数据详情可以查看官网获悉！

03 数据获取