CERES-MODIS 和按 ISCCP 云类型分层的白天和夜晚的每小时地球静止云特性。

简介: 该数据集整合CERES-MODIS与地球静止卫星每小时云特性,按ISCCP云类型分层,提供昼夜云属性统计,支持全球气候变化研究。


CERES-MODIS and hourly geostationary cloud properties stratified by ISCCP cloud types for day and night.

简介
CER_CldTypHist_GEO-MODIS_Edition4A 是云和地球辐射能量系统 (CERES) - 中分辨率成像光谱仪 (MODIS) 和每小时地球静止云特性,由国际卫星云气候学计划 (ISCCP) 针对昼夜云类型进行分层的 Edition 4A 数据产品。数据收集正在进行中。CERES-MODIS 和每小时地球静止云特性 (CldTypHist) 数据产品包含每月和每小时网格区域平均云特性,作为 18 种云类型的函数,其中云特性按压力、光学深度和相位分层。数据全天候可用。CldTypHist 产品结合了 Terra-MODIS(上午 10:30 当地赤道穿越时间 LECT)、Aqua-MODIS(下午 1:30 LECT)和地球静止卫星 (GEO) 的云特性,以提供最完整的昼夜产品。 GEO 云属性已使用 MODIS 进行归一化,以保持昼夜一致性。CERES MODIS 衍生的云属性并非 NASA 官方 MODIS 云反演数据,而是基于 CERES 云工作组反演数据,该反演数据也可用于其他 CERES 产品。CERES MODIS 衍生的云属性覆盖从极地到极地的整个区域。每小时的 GEO 云属性数据来自五颗卫星,标称分辨率为 8 公里,覆盖范围限制为赤道以内 60 度。GEO 云反演数据纳入了新增通道,这些通道在同期取代早期卫星的改进型地球静止卫星上可用。地球静止校准已使用 Terra-MODIS 进行归一化。每个 CldTypHist 文件涵盖一个月。CERES 是地球观测系统 (EOS) 项目的重要组成部分。 CERES 仪器通过三个宽带通道提供地球大气的辐射测量。CERES 任务是成功的地球辐射收支实验 (ERBE) 任务的后续任务。第一台 CERES 仪器,即原型飞行模型 (PFM),于 1997 年 11 月 27 日作为热带降雨测量任务 (TRMM) 的一部分发射升空。 1999 年 12 月 18 日,两台 CERES 仪器(FM1 和 FM2)搭载地球观测系统 (EOS) 旗舰 Terra 发射升空进入极地轨道。2002 年 5 月 4 日,另外两台 CERES 仪器(FM3 和 FM4)搭载地球观测系统 (EOS) Aqua 发射升空。2011 年 10 月 28 日,CERES FM5 仪器搭载 Suomi 国家极地轨道伙伴关系 (NPP) 卫星发射升空。最新的 CERES 仪器(FM6)于 2017 年 11 月 18 日搭载联合极地轨道卫星系统 1 (JPSS-1) 卫星(现称为 NOAA-20)发射升空。

摘要
Additional Metadata
Resource Type Dataset
Metadata Created Date April 11, 2025
Metadata Updated Date August 29, 2025
Publisher NASA/LARC/SD/ASDC
Identifier 10.5067/TERRA+AQUA/CERES/CLDTYPHIST_L3.004
Data Last Modified 2025-08-27
Category Earth Science
Public Access Level public
Bureau Code 026:00
Metadata Context https://project-open-data.cio.gov/v1.1/schema/catalog.jsonld
Schema Version https://project-open-data.cio.gov/v1.1/schema
Catalog Describedby https://project-open-data.cio.gov/v1.1/schema/catalog.json
Harvest Object Id df001260-2657-41e7-869d-668def874b41
Harvest Source Id 58f92550-7a01-4f00-b1b2-8dc953bd598f
Harvest Source Title NASA Data.json
Homepage URL https://ceres.larc.nasa.gov/
Old Spatial "CARTESIAN",{"Boundary":{"Points":{"Latitude":-90,"Longitude":-180},{"Latitude":-90,"Longitude":180},{"Latitude":90,"Longitude":180},{"Latitude":90,"Longitude":-180},{"Latitude":-90,"Longitude":-180}}}
Program Code 026:000
Source Datajson Identifier True
Source Hash ab20b673d6027c8964a2e170c61d3dba40627fe268107d52e042e24be6bbe325
Source Schema Version 1.1
Spatial
Temporal 2000-03-01/2000-03-01
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/raw"
df = pd.read_csv(url, sep="\t")
df

leafmap.nasa_data_login()

results, gdf = leafmap.nasa_data_search(
short_name="CER_CldTypHist_GEO-MODIS",
cloud_hosted=True,
bounding_box=(-180.0, -90.0, 180.0, 90.0),
temporal=("2000-03-010", "2000-03-08"),
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
|
23天前
|
传感器 编解码 算法
ASTER 全球发射率数据集,每月,0.05 度,HDF5
ASTER全球发射率数据集(AG5KMMOH V4)提供0.05度月度分辨率的全球地表发射率信息,覆盖2000至2015年。该数据集基于ASTER传感器与MODIS产品,结合TES算法和MODTRAN模型进行大气校正,由NASA JPL开发。2016年12月起停止更新。
63 0
|
29天前
|
机器学习/深度学习 人工智能 算法
Google DeepMind新产物: 行星级卫星嵌入数据集(10m)光学+雷达+DEM+climate...
Google 推出 Earth Engine 卫星嵌入数据集,利用 AI 将一年的多源卫星数据压缩至每个 10 米像素,实现高效地理空间分析。基于 AlphaEarth Foundations 模型,该数据集提供 64 维嵌入向量,支持相似性搜索、变化检测、自动聚类和精准分类,助力环境研究与应用。
162 0
|
29天前
|
机器学习/深度学习 人工智能 PyTorch
GPT为定制AI应用工程师转型第一周学习计划
本计划帮助开发者快速入门AI领域,首周涵盖AI基础理论、Python编程及PyTorch实战。前两天学习机器学习、深度学习与Transformer核心概念,掌握LLM工作原理。第三至四天快速掌握Python语法与Jupyter使用,完成基础编程任务。第五至七天学习PyTorch,动手训练MNIST手写识别模型,理解Tensor操作与神经网络构建。
97 0
|
25天前
|
机器学习/深度学习 人工智能 算法
AI 基础知识从 0.4 到 0.5—— 计算机视觉之光 CNN
本文系统回顾了计算机视觉的发展历程,从早期基于手工特征的传统方法,到深度学习的崛起与卷积神经网络(CNN)的广泛应用,并通过数学原理、代码示例与可视化手段,全面解析了卷积操作的本质与CNN的架构设计。
202 33
AI 基础知识从 0.4 到 0.5—— 计算机视觉之光 CNN
|
2月前
|
机器学习/深度学习 自动驾驶 算法
基于深度学习的YOLO框架的7种交通场景识别项目系统【附完整源码+数据集】
在智慧交通和智能驾驶日益普及的今天,准确识别复杂交通场景中的关键元素已成为自动驾驶系统的核心能力之一。传统的图像处理技术难以适应高动态、复杂天气、多目标密集的交通环境,而基于深度学习的目标检测算法,尤其是YOLO(You Only Look Once)系列,因其检测速度快、精度高、可部署性强等特点,在交通场景识别中占据了重要地位。
233 0
基于深度学习的YOLO框架的7种交通场景识别项目系统【附完整源码+数据集】
|
24天前
|
人工智能 Rust IDE
计算机相关的软硬件开发工具分类
本文系统梳理了现代开发工具图谱,涵盖软件、硬件、AI等六大领域。软件开发部分对比了传统工具(如IntelliJ IDEA、SpringBoot)与新兴工具(如AI代码助手Cursor、边缘计算框架Workers),并列出国产替代方案(华为CodeArts、阿里OpenSumi)。硬件开发突出开源EDA工具KiCad和物联网OS Zephyr。AI领域对比了TensorFlow与JAX框架,推荐本地LLM工具Ollama。文章特别设置工具选型指南,针对不同场景推荐方案,如国产化需求建议PaddlePaddle
225 0
|
27天前
|
Ubuntu 数据可视化 Linux
Ubuntu卸载软件:3种卸载方式
只卸载程序。如果你移除程序但保留配置文件,请输入以下命令: sudo apt-get remove <programname>
|
28天前
|
Ubuntu 安全 Linux
Ubuntu 22.04.5 LTS发布,新硬件支持成亮点
用户可根据个人需求选择相应的版本进行下载,并遵循安装指南进行全新安装或通过USB设备创建启动盘进行系统部署。对于在服务器或企业环境中部署Ubuntu的用户,建议选用Ubuntu 22.04.5 LTS Server版本,它专为服务器优化并配备了强大的网络与安全工具。
|
29天前
|
存储 供应链 数据可视化
Java 大视界 -- 基于 Java 的大数据可视化在企业供应链风险预警与决策支持中的应用(204)
本篇文章探讨了基于 Java 的大数据可视化技术在企业供应链风险预警与决策支持中的深度应用。文章系统介绍了从数据采集、存储、处理到可视化呈现的完整技术方案,结合供应链风险预警与决策支持的实际案例,展示了 Java 大数据技术如何助力企业实现高效、智能的供应链管理。