NASA数据集——TANSO-FTS 运行前 11 年收集的测量数据中得出二氧化碳(CO2)干空气摩尔分数(XCO2)的估计值

本文主要是介绍NASA数据集——TANSO-FTS 运行前 11 年收集的测量数据中得出二氧化碳(CO2)干空气摩尔分数(XCO2)的估计值,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!

ACOS GOSAT/TANSO-FTS Level 2 bias-corrected XCO2 and other select fields from the full-physics retrieval aggregated as daily files V7.3 (ACOS_L2_Lite_FP) at GES DISC

简介

ACOS Lite 文件包含经过偏差校正的 XCO2 以及其他选定字段的每日汇总文件。ACOS 2 级标准产品(ACOS_L2S)的轨道颗粒被用作输入。

ACOS "数据集包含所有探测数据的二氧化碳(CO2)柱平均干空气摩尔分数,并尝试对其进行检索。这些是 OCO 项目使用 TANSO-FTS 光谱辐射提供的最高级别产品。

日本宇宙航空研究开发机构的 GOSAT 小组制作 GOSAT TANSO-FTS 1B (L1B) 级数据产品,供内部使用并分发给欧空局和美国航天局等合作伙伴。这些经过校准的产品由 OCO 项目用额外的地理位置信息和进一步的修正进行扩充。这样制作的 1B 级产品(含校准辐射量和地理定位)是 "ACOS "2 级制作过程的输入。

摘要

日本温室气体观测卫星(GOSAT)上的碳观测热和近红外传感器-傅立叶变换光谱仪(TANSO-FTS)自 2009 年 4 月以来一直在返回数据。利用第 9 版(v9)空间大气碳观测(ACOS)二级全物理(L2FP)检索算法(Kiel 等人,2019 年),从 TANSO-FTS 运行前 11 年收集的测量数据中得出二氧化碳(CO2)干空气摩尔分数(XCO2)的估计值。利用总碳柱观测网络(TCCON)得出的估算值以及一套不吸收卫星二氧化碳的全球大气反演系统(模式)模拟值,对 L2FP XCO2 产品的偏差校正和质量过滤进行了评估。此外,还将第 9 版 ACOS GOSAT XCO2 结果与 NASA 轨道碳观测站-2(OCO-2)使用第 10 版(v10)ACOS L2FP 算法得出的 XCO2 估算值进行了比较。

这些测试表明,与较早的 v7.3 ACOS GOSAT 产品相比,v9 ACOS GOSAT XCO2 产品在吞吐量、散度和偏差方面都有所改进。在 GOSAT 到 2020 年 6 月收集的 3,700 万个探测数据中,大约 20% 在筛选云层和其他伪影后被选中进行 v9 L2FP 算法处理。经过后处理,5.4%的探测结果(37×106 个中的 2×106)被赋予 "良好 "XCO2 质量标志,而 v7.3 中的比例为 3.9%(24×106 个中的 <1×106 )。经过质量过滤和偏差校正后,ACOS GOSAT v9 与 TCCON 和模式之间的 XCO2 差异(1σ)为:海洋闪烁观测值约为百万分之 1,陆地观测值约为百万分之 1 至 1.5。TCCON 和模式的全球平均偏差小于约 0.2 ppm。与 v10 OCO-2 XCO2 产品相比,陆地观测的季节平均偏差约为 0.1 ppm。然而,对于海洋闪烁观测数据,相对于 OCO-2 的季节平均偏差在 0.2 到 0.6 ppm 之间,且随时间和纬度变化很大。

美国宇航局戈达德地球科学数据和信息服务中心(GES-DISC)提供了 ACOS GOSAT v9 XCO2 数据的每轨道完整格式(https://doi.org/10.5067/OSGTIL9OV0PN,OCO-2 科学小组等,2019b)和每日精简格式(https://doi.org/10.5067/VWSABTO7ZII4,OCO-2 科学小组等,2019a)。此外,还生成了一套新的月度超级精简文件,其中仅包含每次卫星观测的最基本变量,为入门级用户提供了一个轻量级卫星产品,供其进行初步探索(CaltechDATA,https://doi.org/10.22002/D1.2178,Eldering,2021)。v9 ACOS 数据用户指南》(DUG)介绍了 GOSAT 数据的最佳使用方法(O'Dell 等人,2020 年)。GOSAT v9 数据集对于研究跨越整整十年或更长时间的碳循环现象应该特别有用,并可作为 2014 年 9 月开始的较短的 OCO-2 v10 数据集的有益补充。

数据信息

Shortname:

ACOS_L2_Lite_FP

Longname:

ACOS GOSAT/TANSO-FTS Level 2 bias-corrected XCO2 and other select fields from the full-physics retrieval aggregated as daily files V7.3

Version:

7.3

Format:

netCDF

Spatial Coverage:

-180.0,-90.0,180.0,90.0

Temporal Coverage:

2009-04-21 to  2016-06-02

File Size:

50 MB per file

Data Resolution

Spatial:

10.5 km x 10.5 km

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="ACOS_L2_Lite_FP",cloud_hosted=True,bounding_box=(-180, -90, 180, 90),temporal=("2009-04-20", "2020-08-08"),count=-1,  # use -1 to return all datasetsreturn_gdf=True,
)gdf.explore()#leafmap.nasa_data_download(results[:5], out_dir="data")

引用

OCO-2 Science Team/Michael Gunson, Annmarie Eldering (2016), ACOS GOSAT/TANSO-FTS Level 2 bias-corrected XCO2 and other select fields from the full-physics retrieval aggregated as daily files V7.3, Greenbelt, MD, USA, Goddard Earth Sciences Data and Information Services Center (GES DISC), Accessed: [Data Access Date], GES DISC

GES DISC 

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——TANSO-FTS 运行前 11 年收集的测量数据中得出二氧化碳(CO2)干空气摩尔分数(XCO2)的估计值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/922768

相关文章

SQL Server修改数据库名及物理数据文件名操作步骤

《SQLServer修改数据库名及物理数据文件名操作步骤》在SQLServer中重命名数据库是一个常见的操作,但需要确保用户具有足够的权限来执行此操作,:本文主要介绍SQLServer修改数据... 目录一、背景介绍二、操作步骤2.1 设置为单用户模式(断开连接)2.2 修改数据库名称2.3 查找逻辑文件名

canal实现mysql数据同步的详细过程

《canal实现mysql数据同步的详细过程》:本文主要介绍canal实现mysql数据同步的详细过程,本文通过实例图文相结合给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的... 目录1、canal下载2、mysql同步用户创建和授权3、canal admin安装和启动4、canal

使用SpringBoot整合Sharding Sphere实现数据脱敏的示例

《使用SpringBoot整合ShardingSphere实现数据脱敏的示例》ApacheShardingSphere数据脱敏模块,通过SQL拦截与改写实现敏感信息加密存储,解决手动处理繁琐及系统改... 目录痛点一:痛点二:脱敏配置Quick Start——Spring 显示配置:1.引入依赖2.创建脱敏

详解如何使用Python构建从数据到文档的自动化工作流

《详解如何使用Python构建从数据到文档的自动化工作流》这篇文章将通过真实工作场景拆解,为大家展示如何用Python构建自动化工作流,让工具代替人力完成这些数字苦力活,感兴趣的小伙伴可以跟随小编一起... 目录一、Excel处理:从数据搬运工到智能分析师二、PDF处理:文档工厂的智能生产线三、邮件自动化:

Java -jar命令如何运行外部依赖JAR包

《Java-jar命令如何运行外部依赖JAR包》在Java应用部署中,java-jar命令是启动可执行JAR包的标准方式,但当应用需要依赖外部JAR文件时,直接使用java-jar会面临类加载困... 目录引言:外部依赖JAR的必要性一、问题本质:类加载机制的限制1. Java -jar的默认行为2. 类加

Python数据分析与可视化的全面指南(从数据清洗到图表呈现)

《Python数据分析与可视化的全面指南(从数据清洗到图表呈现)》Python是数据分析与可视化领域中最受欢迎的编程语言之一,凭借其丰富的库和工具,Python能够帮助我们快速处理、分析数据并生成高质... 目录一、数据采集与初步探索二、数据清洗的七种武器1. 缺失值处理策略2. 异常值检测与修正3. 数据

pandas实现数据concat拼接的示例代码

《pandas实现数据concat拼接的示例代码》pandas.concat用于合并DataFrame或Series,本文主要介绍了pandas实现数据concat拼接的示例代码,具有一定的参考价值,... 目录语法示例:使用pandas.concat合并数据默认的concat:参数axis=0,join=

java -jar命令运行 jar包时运行外部依赖jar包的场景分析

《java-jar命令运行jar包时运行外部依赖jar包的场景分析》:本文主要介绍java-jar命令运行jar包时运行外部依赖jar包的场景分析,本文给大家介绍的非常详细,对大家的学习或工作... 目录Java -jar命令运行 jar包时如何运行外部依赖jar包场景:解决:方法一、启动参数添加: -Xb

C#代码实现解析WTGPS和BD数据

《C#代码实现解析WTGPS和BD数据》在现代的导航与定位应用中,准确解析GPS和北斗(BD)等卫星定位数据至关重要,本文将使用C#语言实现解析WTGPS和BD数据,需要的可以了解下... 目录一、代码结构概览1. 核心解析方法2. 位置信息解析3. 经纬度转换方法4. 日期和时间戳解析5. 辅助方法二、L

使用Python和Matplotlib实现可视化字体轮廓(从路径数据到矢量图形)

《使用Python和Matplotlib实现可视化字体轮廓(从路径数据到矢量图形)》字体设计和矢量图形处理是编程中一个有趣且实用的领域,通过Python的matplotlib库,我们可以轻松将字体轮廓... 目录背景知识字体轮廓的表示实现步骤1. 安装依赖库2. 准备数据3. 解析路径指令4. 绘制图形关键