NASA数据集——2017年美国阿拉斯加以及加拿大北部二氧化碳探测仪监测的大气后向散射系数剖面图数据集

本文主要是介绍NASA数据集——2017年美国阿拉斯加以及加拿大北部二氧化碳探测仪监测的大气后向散射系数剖面图数据集,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!

来自二氧化碳探测仪的大气后向散射系数剖面图,2017年

本数据集提供了2017-07-20至2017-08-08期间在美国阿拉斯加以及加拿大育空地区和西北地区上空进行的二氧化碳夜间、白天和季节排放主动传感(ASCENDS)部署期间收集的大气后向散射系数剖面图。这些剖面由一架 DC-8 飞机上搭载的二氧化碳探测仪激光雷达仪器测量。机载二氧化碳探测仪是一种脉冲式多波长集成路径差分吸收激光雷达,可估算从飞机到散射表面的天底路径上的柱均干空气二氧化碳混合比(XCO2)。除 XCO2 外,激光雷达接收器还记录了激光脉冲在大气中传播时的时间分辨大气反向散射信号强度。激光雷达原始数据被转换为大气后向散射截面积和双向大气传输,也称为衰减后向散射剖面。这些 ASCENDS 飞行与 2017 年北极-北方脆弱性实验(ABoVE)活动协调进行,并以 ICARTT 格式提供。Mapmost login

本数据集提供了2017-07-20至2017-08-08期间在美国阿拉斯加以及加拿大育空地区和西北地区上空进行的二氧化碳夜间、白天和季节排放主动传感(ASCENDS)部署期间收集的大气后向散射系数剖面图。这些剖面由一架 DC-8 飞机上搭载的二氧化碳探测仪激光雷达仪器测量。机载二氧化碳探测仪是一种脉冲式多波长集成路径差分吸收激光雷达,可估算从飞机到散射表面的天底路径上的柱均干空气二氧化碳混合比(XCO2)。除 XCO2 外,激光雷达接收器还记录了激光脉冲在大气中传播时的时间分辨大气反向散射信号强度。激光雷达原始数据被转换为大气后向散射截面积和双向大气传输,也称为衰减后向散射剖面。这些 ASCENDS 飞行与 2017 年北极-北方脆弱性实验(ABoVE)活动协调进行,并以 ICARTT 格式提供。
本数据集中包含 16 个 ICARTT 格式(*.ict)的数据文件。此外还包括 Matlab 脚本,用于对 2017 年 ABoVE 机载活动期间二氧化碳激光探测仪测量的大气后向散射剖面进行数据处理。

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,于2016年至2021年期间在阿拉斯加和加拿大西部进行。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,而分析和建模能力是了解和预测生态系统反应及社会影响所必需的。

Platforms

NASA DC-8

Instruments

BACKSCATTER LIDAR

Data Formats

Distribution: ICARTT

Temporal Extent

2017-07-20 to 2017-08-08

Data Centers

ORNL_DAAC

Spatial Extent

Bounding Box: (71.27°, -98.15°), (34.59°, -165.68°)

数据属性

VariableUnitsDescription
Start_UTCsSeconds since midnight UTC on flight date
Day_Of_YeardDay of year, beginning January 1
LatitudedegreesLatitude
LongitudedegreesLongitude
MSL_GPS_AltitudemSensor height above mean sea level
HAE_GPS_AltitudemSensor height above WGS84 ellipsoid
Pressure_AltitudeftAircraft altitude from air pressure sensor
Radar_AltitudeftAircraft altitude from radar
Ground_Speedm s-1Aircraft ground speed
True_Air_SpeedktsAir speed in knots
Indicated_Air_SpeedktsAir speed in knots
Mach_NumbermachAir speed in mach number
Vertical_Speedm s-1Vertical speed
True_HeadingdegreesAircraft heading, 0-360 degrees, clockwise from +y
Track_Angledegrees Aircraft track, 0-360 degrees, clockwise from +y
Drift_Angledegrees Aircraft drift, +/-180 degrees, clockwise from +y
Pitch_Angledegrees Aircraft pitch, +/-180 degrees, up+
Roll_Angledegrees Aircraft roll, +/-180 degrees, right+
Static_Air_Tempdegrees CelsiusAir temperature
Potential_Tempdegrees KelvinAir temperature
Dew_Pointdegrees CelsiusDew point temperature
Total_Air_Tempdegrees CelsiusAir temperature
IR_Surf_Tempdegrees CelsiusSurface temperature
Static_PressurembAir pressure
Cabin_PressurembAir pressure
Wind_Speedm s-1 Wind speed, limited to where Roll_Angle <= 5 degrees
Wind_DirectiondegreesWind direction, 0-360 degrees, clockwise from +y
Solar_Zenith_AngledegreesSolar zenith angle
Aircraft_Sun_ElevationdegreesAircraft sun elevation angle
Sun_AzimuthdegreesSun azimuth angle
Aircraft_Sun_AzimuthdegreesAircraft-sun azimuth angle
Mixing_Ratiog kg-1Atmospheric mixing ratio
Part_Press_Water_VapormbPartial pressure of water vapor
Sat_Vapor_Press_H2OmbSaturated vapor pressure over liquid water
Sat_Vapor_Press_IcembSaturated vapor pressure over ice
Relative_Humiditypercent

Relative humidity

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_ASCENDS_Backscatter_2051
",cloud_hosted=True,bounding_box=(-165.68, 34.59, -98.15, 71.27),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")

下图显示监测的地面轨迹的地图,以及概述每次飞行的表格。表格中的颜色与地面轨迹中显示的颜色一致。 

 

数据下载链接

https://daac.ornl.gov/above/ABoVE_ASCENDS_Backscatter/

这篇关于NASA数据集——2017年美国阿拉斯加以及加拿大北部二氧化碳探测仪监测的大气后向散射系数剖面图数据集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/808114

相关文章

MyBatis-plus处理存储json数据过程

《MyBatis-plus处理存储json数据过程》文章介绍MyBatis-Plus3.4.21处理对象与集合的差异:对象可用内置Handler配合autoResultMap,集合需自定义处理器继承F... 目录1、如果是对象2、如果需要转换的是List集合总结对象和集合分两种情况处理,目前我用的MP的版本

GSON框架下将百度天气JSON数据转JavaBean

《GSON框架下将百度天气JSON数据转JavaBean》这篇文章主要为大家详细介绍了如何在GSON框架下实现将百度天气JSON数据转JavaBean,文中的示例代码讲解详细,感兴趣的小伙伴可以了解下... 目录前言一、百度天气jsON1、请求参数2、返回参数3、属性映射二、GSON属性映射实战1、类对象映

C# LiteDB处理时间序列数据的高性能解决方案

《C#LiteDB处理时间序列数据的高性能解决方案》LiteDB作为.NET生态下的轻量级嵌入式NoSQL数据库,一直是时间序列处理的优选方案,本文将为大家大家简单介绍一下LiteDB处理时间序列数... 目录为什么选择LiteDB处理时间序列数据第一章:LiteDB时间序列数据模型设计1.1 核心设计原则

Java+AI驱动实现PDF文件数据提取与解析

《Java+AI驱动实现PDF文件数据提取与解析》本文将和大家分享一套基于AI的体检报告智能评估方案,详细介绍从PDF上传、内容提取到AI分析、数据存储的全流程自动化实现方法,感兴趣的可以了解下... 目录一、核心流程:从上传到评估的完整链路二、第一步:解析 PDF,提取体检报告内容1. 引入依赖2. 封装

MySQL中查询和展示LONGBLOB类型数据的技巧总结

《MySQL中查询和展示LONGBLOB类型数据的技巧总结》在MySQL中LONGBLOB是一种二进制大对象(BLOB)数据类型,用于存储大量的二进制数据,:本文主要介绍MySQL中查询和展示LO... 目录前言1. 查询 LONGBLOB 数据的大小2. 查询并展示 LONGBLOB 数据2.1 转换为十

使用SpringBoot+InfluxDB实现高效数据存储与查询

《使用SpringBoot+InfluxDB实现高效数据存储与查询》InfluxDB是一个开源的时间序列数据库,特别适合处理带有时间戳的监控数据、指标数据等,下面详细介绍如何在SpringBoot项目... 目录1、项目介绍2、 InfluxDB 介绍3、Spring Boot 配置 InfluxDB4、I

Java整合Protocol Buffers实现高效数据序列化实践

《Java整合ProtocolBuffers实现高效数据序列化实践》ProtocolBuffers是Google开发的一种语言中立、平台中立、可扩展的结构化数据序列化机制,类似于XML但更小、更快... 目录一、Protocol Buffers简介1.1 什么是Protocol Buffers1.2 Pro

Python实现数据可视化图表生成(适合新手入门)

《Python实现数据可视化图表生成(适合新手入门)》在数据科学和数据分析的新时代,高效、直观的数据可视化工具显得尤为重要,下面:本文主要介绍Python实现数据可视化图表生成的相关资料,文中通过... 目录前言为什么需要数据可视化准备工作基本图表绘制折线图柱状图散点图使用Seaborn创建高级图表箱线图热

MySQL数据脱敏的实现方法

《MySQL数据脱敏的实现方法》本文主要介绍了MySQL数据脱敏的实现方法,包括字符替换、加密等方法,通过工具类和数据库服务整合,确保敏感信息在查询结果中被掩码处理,感兴趣的可以了解一下... 目录一. 数据脱敏的方法二. 字符替换脱敏1. 创建数据脱敏工具类三. 整合到数据库操作1. 创建服务类进行数据库

MySQL中处理数据的并发一致性的实现示例

《MySQL中处理数据的并发一致性的实现示例》在MySQL中处理数据的并发一致性是确保多个用户或应用程序同时访问和修改数据库时,不会导致数据冲突、数据丢失或数据不一致,MySQL通过事务和锁机制来管理... 目录一、事务(Transactions)1. 事务控制语句二、锁(Locks)1. 锁类型2. 锁粒