光合有效辐射数据(PAR)

简介: 光合有效辐射数据(PAR)

引言

PAR是植物生命活动、有机物质合成和产量形成的能量来源,控制着陆地生物有效光合作用的速度,直接影响到植物的生长、发育、产量与产量质量。作为影响植物生长的主要生态因子,PAR还是陆地生态系统中碳循环模型、植被生产力计算模型和CO2交换模型的重要输入变量。


正文

数据简介

植物需依靠叶绿素来吸收太阳辐射中可见光波段(400-700纳米)的光谱进行光合作用,该波段的太阳光通常被称为光合有效辐射(photosynthetically active radiation, PAR)。PAR是植物生命活动、有机物质合成和产量形成的能量来源,控制着陆地生物有效光合作用的速度,直接影响到植物的生长、发育、产量与产量质量。作为影响植物生长的主要生态因子,PAR还是陆地生态系统中碳循环模型、植被生产力计算模型和CO2交换模型的重要输入变量。一般认为,在非胁迫条件下净初级生产力(NPP)与吸收的PAR成显著的线性关系。因此PAR的时空变化直接影响着NPP的时空变异性。然而,PAR并不是常规的观测变量,仅在生态实验观测网络上有长期的观测。因此,利用遥感手段估算时空连续的PAR产品至关重要。光合有效辐射数据(PAR)产品是地理遥感生态网平台推出的气象/气候环境类系列数据产品之一。


数据名称 光合有效辐射(PAR)数据集


数据类型 栅格 、文本


数据格式 GRID、TIFF、excel、shp


分辨率/比例尺 10m、30m、100m、250m、500m、1km等多种分辨率 日度、月度、年度


覆盖范围中国全境陆地国土


坐标系 默认投影为Krasovsky_1940_Albers,其他坐标系可进行投影转换


时间序列 2000年-至今

微信截图_20230111133428.png

相关文章
|
数据挖掘 编译器 Python
忽略NoData计算多时相遥感影像各个像元的平均值:Python
本文介绍基于Python中whitebox模块,对大量长时间序列栅格遥感影像的每一个像元进行忽略NoData值的多时序平均值求取~
321 2
忽略NoData计算多时相遥感影像各个像元的平均值:Python
|
编解码 C++
Google Earth Engine ——1958-2020年TerraClimate 全球陆地表面每月气候和气候水平衡的数据集
Google Earth Engine ——1958-2020年TerraClimate 全球陆地表面每月气候和气候水平衡的数据集
1572 0
Google Earth Engine ——1958-2020年TerraClimate 全球陆地表面每月气候和气候水平衡的数据集
|
数据可视化 前端开发
Google Earth Engine(GEE)——特征和特征集合可视化FeatureCollection
Google Earth Engine(GEE)——特征和特征集合可视化FeatureCollection
710 0
Google Earth Engine(GEE)——特征和特征集合可视化FeatureCollection
ArcMAP对遥感影像进行波段提取的3种方法
ArcMAP对遥感影像进行波段提取的3种方法
3996 0
|
机器学习/深度学习 Serverless 索引
分类网络中one-hot的作用
在分类任务中,使用神经网络时,通常需要将类别标签转换为一种合适的输入格式。这时候,one-hot编码(one-hot encoding)是一种常见且有效的方法。one-hot编码将类别标签表示为向量形式,其中只有一个元素为1,其他元素为0。
348 3
Vue3二维码(QRCode)
这是一个可高度定制的二维码生成组件,支持在线预览。提供了丰富的属性设置,包括扫描文本、二维码大小、颜色、背景色、边框、边框颜色、像素比例及纠错等级等。安装简单,通过 `pnpm` 引入插件,创建 `QRCode.vue` 组件即可使用。适用于多种应用场景,如生成不同样式的二维码、动态调整大小和内容等。
1034 6
Vue3二维码(QRCode)
|
SQL 关系型数据库 MySQL
【赵渝强老师】MySQL的慢查询日志
MySQL的慢查询日志用于记录执行时间超过设定阈值的SQL语句,帮助数据库管理员识别并优化性能问题。通过`mysqldumpslow`工具可查看日志。本文介绍了如何检查、启用及配置慢查询日志,并通过实例演示了慢查询的记录与分析过程。
641 3
|
定位技术
谷歌地球引擎GEE账户注册的快速、百分百成功方法
谷歌地球引擎GEE账户注册的快速、百分百成功方法
854 2
|
机器学习/深度学习 数据可视化 计算机视觉
【YOLOv8改进】MCA:用于图像识别的深度卷积神经网络中的多维协作注意力 (论文笔记+引入代码)
YOLO目标检测专栏介绍了YOLO的创新改进和实战案例,包括多维协作注意力(MCA)机制,它通过三分支架构同时处理通道、高度和宽度注意力,提高CNN性能。MCA设计了自适应组合和门控机制,增强特征表示,且保持轻量化。该模块适用于各种CNN,实验证明其在图像识别任务上的优越性。此外,文章还展示了如何在YOLOv8中引入MCA层的代码实现和相关任务配置。
|
数据采集 机器学习/深度学习 Python
掌握XGBoost:特征工程与数据预处理
掌握XGBoost:特征工程与数据预处理
978 3

热门文章

最新文章