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

Pandas统计每行数据中的空值的方法示例

《Pandas统计每行数据中的空值的方法示例》处理缺失数据(NaN值)是一个非常常见的问题,本文主要介绍了Pandas统计每行数据中的空值的方法示例,具有一定的参考价值,感兴趣的可以了解一下... 目录什么是空值?为什么要统计空值?准备工作创建示例数据统计每行空值数量进一步分析www.chinasem.cn处

如何使用 Python 读取 Excel 数据

《如何使用Python读取Excel数据》:本文主要介绍使用Python读取Excel数据的详细教程,通过pandas和openpyxl,你可以轻松读取Excel文件,并进行各种数据处理操... 目录使用 python 读取 Excel 数据的详细教程1. 安装必要的依赖2. 读取 Excel 文件3. 读

Spring 请求之传递 JSON 数据的操作方法

《Spring请求之传递JSON数据的操作方法》JSON就是一种数据格式,有自己的格式和语法,使用文本表示一个对象或数组的信息,因此JSON本质是字符串,主要负责在不同的语言中数据传递和交换,这... 目录jsON 概念JSON 语法JSON 的语法JSON 的两种结构JSON 字符串和 Java 对象互转

C++如何通过Qt反射机制实现数据类序列化

《C++如何通过Qt反射机制实现数据类序列化》在C++工程中经常需要使用数据类,并对数据类进行存储、打印、调试等操作,所以本文就来聊聊C++如何通过Qt反射机制实现数据类序列化吧... 目录设计预期设计思路代码实现使用方法在 C++ 工程中经常需要使用数据类,并对数据类进行存储、打印、调试等操作。由于数据类

SpringBoot使用GZIP压缩反回数据问题

《SpringBoot使用GZIP压缩反回数据问题》:本文主要介绍SpringBoot使用GZIP压缩反回数据问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录SpringBoot使用GZIP压缩反回数据1、初识gzip2、gzip是什么,可以干什么?3、Spr

SpringBoot集成Milvus实现数据增删改查功能

《SpringBoot集成Milvus实现数据增删改查功能》milvus支持的语言比较多,支持python,Java,Go,node等开发语言,本文主要介绍如何使用Java语言,采用springboo... 目录1、Milvus基本概念2、添加maven依赖3、配置yml文件4、创建MilvusClient

SpringValidation数据校验之约束注解与分组校验方式

《SpringValidation数据校验之约束注解与分组校验方式》本文将深入探讨SpringValidation的核心功能,帮助开发者掌握约束注解的使用技巧和分组校验的高级应用,从而构建更加健壮和可... 目录引言一、Spring Validation基础架构1.1 jsR-380标准与Spring整合1

MySQL 中查询 VARCHAR 类型 JSON 数据的问题记录

《MySQL中查询VARCHAR类型JSON数据的问题记录》在数据库设计中,有时我们会将JSON数据存储在VARCHAR或TEXT类型字段中,本文将详细介绍如何在MySQL中有效查询存储为V... 目录一、问题背景二、mysql jsON 函数2.1 常用 JSON 函数三、查询示例3.1 基本查询3.2

SpringBatch数据写入实现

《SpringBatch数据写入实现》SpringBatch通过ItemWriter接口及其丰富的实现,提供了强大的数据写入能力,本文主要介绍了SpringBatch数据写入实现,具有一定的参考价值,... 目录python引言一、ItemWriter核心概念二、数据库写入实现三、文件写入实现四、多目标写入

使用Python将JSON,XML和YAML数据写入Excel文件

《使用Python将JSON,XML和YAML数据写入Excel文件》JSON、XML和YAML作为主流结构化数据格式,因其层次化表达能力和跨平台兼容性,已成为系统间数据交换的通用载体,本文将介绍如何... 目录如何使用python写入数据到Excel工作表用Python导入jsON数据到Excel工作表用