NLDAS 主要强迫数据 L4 小时 0.125 x 0.125 度 V2.0 (NLDAS_FORA0125_H) 位于 GES DISC

简介: 本数据集为NLDAS-2系统逐时主要强迫数据(文件A),分辨率0.125°,涵盖1979年至今。包含降水、辐射、气温等11种气象要素,融合NARR再分析与观测数据,经空间插值、时间分解及垂直订正处理,适用于水文与陆面模拟研究。

​NLDAS Primary Forcing Data L4 Hourly 0.125 x 0.125 degree V2.0 (NLDAS_FORA0125_H) at GES DISC

简介

本数据集包含北美陆地数据同化系统(NLDAS-2)第二阶段的主要逐时强迫数据“文件 A”。数据采用 1/8 度网格间距,时间范围从 1979 年 1 月至今,时间分辨率为小时。文件格式为 netCDF(由 GRIB 数据文件转换而来)。NLDAS-2 的非降水陆面强迫场源自 NCEP 北美区域再分析(NARR)的分析场。NARR 分析场的空间分辨率为 32 公里,时间频率为 3 小时。用于生成 NLDAS-2 强迫场的 NARR 场经过空间插值,达到 NLDAS 1/8 度网格的更精细分辨率,然后时间分解为 NLDAS 的逐时频率。此外,为了补偿 NARR 和 NLDAS 地形高度场之间的垂直差异,地表气压场、地表向下长波辐射场、近地表气温场和近地表比湿场均进行了垂直方向的调整。该垂直调整采用了传统的气温垂直递减率 6.5 K/km。空间插值、时间分解和垂直调整的详细信息参见 Cosgrove 等人(2003)的论文。文件“A”中的地表向下短波辐射场是一个经过偏差校正的场,其中对 NARR 地表向下短波辐射应用了偏差校正算法。该偏差校正使用了 Pinker 等人(2003)提供的五年(1996-2000 年)基于 GOES 卫星的 1/8 度逐小时地表向下短波辐射场数据。文件“A”中的潜在蒸发场是使用 Mahrt 和 Ek(1984)提出的改进 Penman 方案在 NARR 中计算得到的。“文件 A”中的降水场并非 NARR 降水强迫数据,而是基于仅使用雨量计的 CPC 日降水分析数据,直接在 NLDAS 网格上进行时间尺度分解,并结合了基于广泛应用的 PRISM 气候学数据的地形调整。降水数据通过以下三种方式分解为小时尺度降水场:首先,根据 WSR-88D 多普勒雷达降水估算值、8 公里 CMORPH 小时降水分析数据或 NARR 模拟降水数据(按可用性顺序)计算小时尺度分解权重。后三种降水场(雷达、CMORPH 和 NARR)仅用于计算分解权重,不会改变日总降水量。 “文件 A”中表示对流降水占总降水比例的字段,是根据以下两个 NARR 降水场(在“文件 B”中提供)估算得出的:NARR 总降水量和 NARR 对流降水量(后者小于或等于 NARR 总降水量,且可以为零)。对流有效位能 (CAPE) 是强迫数据集中的最后一个变量,也是通过 NARR 数据插值得到的。NLDAS-2 的逐时陆面强迫场分为两个文件:“文件 A”和“文件 B”。“文件 A”是主要(默认)强迫文件,包含 11 个气象强迫场。有关 NLDAS-2 生成的详细信息,请参阅相关文档。Xia 等人 (2012) 中可以找到 0 个强迫数据集。

摘要

代码
!pip install leafmap
!pip install pandas
!pip install folium
!pip install matplotlib
!pip install mapclassify

import pandas as pd
import leafmap

url = "https://github.com/opengeos/NASA-Earth-Data"
df = pd.read_csv(url, sep="\t")
df

leafmap.nasa_data_login()

results, gdf = leafmap.nasa_data_search(
short_name="NLDAS_FORA0125_H",
cloud_hosted=True,
bounding_box=(-125, 25, -67, 53),
temporal=("1979-01-01", "1979-01-07"),
count=-1, # use -1 to return all datasets
return_gdf=True,
)

gdf.explore()

leafmap.nasa_data_download(results[:5], out_dir="data")

相关文章
|
1天前
|
云安全 人工智能 自然语言处理
|
5天前
|
搜索推荐 编译器 Linux
一个可用于企业开发及通用跨平台的Makefile文件
一款适用于企业级开发的通用跨平台Makefile,支持C/C++混合编译、多目标输出(可执行文件、静态/动态库)、Release/Debug版本管理。配置简洁,仅需修改带`MF_CONFIGURE_`前缀的变量,支持脚本化配置与子Makefile管理,具备完善日志、错误提示和跨平台兼容性,附详细文档与示例,便于学习与集成。
314 116
|
8天前
|
数据采集 人工智能 自然语言处理
Meta SAM3开源:让图像分割,听懂你的话
Meta发布并开源SAM 3,首个支持文本或视觉提示的统一图像视频分割模型,可精准分割“红色条纹伞”等开放词汇概念,覆盖400万独特概念,性能达人类水平75%–80%,推动视觉分割新突破。
598 53
Meta SAM3开源:让图像分割,听懂你的话
|
20天前
|
域名解析 人工智能
【实操攻略】手把手教学,免费领取.CN域名
即日起至2025年12月31日,购买万小智AI建站或云·企业官网,每单可免费领1个.CN域名首年!跟我了解领取攻略吧~
|
5天前
|
人工智能 Java API
Java 正式进入 Agentic AI 时代:Spring AI Alibaba 1.1 发布背后的技术演进
Spring AI Alibaba 1.1 正式发布,提供极简方式构建企业级AI智能体。基于ReactAgent核心,支持多智能体协作、上下文工程与生产级管控,助力开发者快速打造可靠、可扩展的智能应用。
|
4天前
|
弹性计算 人工智能 Cloud Native
阿里云无门槛和有门槛优惠券解析:学生券,满减券,补贴券等优惠券领取与使用介绍
为了回馈用户与助力更多用户节省上云成本,阿里云会经常推出各种优惠券相关的活动,包括无门槛优惠券和有门槛优惠券。本文将详细介绍阿里云无门槛优惠券的领取与使用方式,同时也会概述几种常见的有门槛优惠券,帮助用户更好地利用这些优惠,降低云服务的成本。
268 132
|
8天前
|
机器学习/深度学习 人工智能 自然语言处理
AgentEvolver:让智能体系统学会「自我进化」
AgentEvolver 是一个自进化智能体系统,通过自我任务生成、经验导航与反思归因三大机制,推动AI从“被动执行”迈向“主动学习”。它显著提升强化学习效率,在更少参数下实现更强性能,助力智能体持续自我迭代。开源地址:https://github.com/modelscope/AgentEvolver
414 29
|
15天前
|
安全 Java Android开发
深度解析 Android 崩溃捕获原理及从崩溃到归因的闭环实践
崩溃堆栈全是 a.b.c?Native 错误查不到行号?本文详解 Android 崩溃采集全链路原理,教你如何把“天书”变“说明书”。RUM SDK 已支持一键接入。
725 223