CARVE:阿拉斯加火灾排放数据库(AKFED),2001-2013

简介: AKFED数据集(2001–2013)提供阿拉斯加森林火灾碳排放估算,分辨率450米,含每年碳消耗量、不确定性及燃烧日期。基于MODIS与实地数据建模,支持环境与碳循环研究,共39个GeoTIFF文件。


CARVE: Alaskan Fire Emissions Database (AKFED), 2001-2013

简介
该数据集提供了2001年至2013年阿拉斯加州北方森林火灾年碳排放量(千克/平方米)的估算值(分辨率为450米)。为了生成这些数据,我们利用中分辨率成像光谱仪(MODIS)的图像,结合阿拉斯加大型火灾数据库的周长数据,绘制了2001年至2013年的每日过火面积。碳消耗量则利用阿拉斯加黑云杉林的现有实地测量数据进行校准。地上和地下碳消耗量的模型基于环境变量,包括海拔、火灾季节的过火天数、火灾前树木覆盖度和差分归一化燃烧率(dNBR)。该数据集包含了碳消耗量的模型不确定性。由此得出的过火面积和碳排放产品,即阿拉斯加火灾排放数据库(AKFED),为研究环境因素对每日火灾动态的控制、生物地球化学模型中的北方森林火灾排放以及火灾状况变化的潜在反馈提供了资源。
此数据集包含 39 个 GeoTIFF (.tif) 格式的数据文件。其中,13 个 .tif 文件用于表示碳消耗量,13 个 .tif 文件用于表示碳消耗不确定性,13 个*.tif 文件用于表示燃烧天数,每个年份一个。

摘要
Spatial Coverage
Mainland of Alaska excluding the southern part of the Alaska Peninsula and Southeast Alaska, west of British Columbia.
Spatial Resolution
450-m resolution
Temporal Coverage
The data covers the period 2001-01-01 to 2013-12-31.
Temporal Resolution
Annual
Data File Information
There are 39 data files in GeoTIFF format (*.tif) with this data set. The files provide spatially-gridded estimates of carbon consumption by fire (kg C/m2 burned area) and uncertainty, and day of burning (day of year) by year. There are 13 files each, one for each year, for carbon consumption, carbon consumption uncertainty, and day of burning.
Example file names:
AKFED_carbon_consumption_2001.tif
AKFED_carbon_consumption_uncertainty_2001.tif
AKFED_fire_doy_2001.tif
Spatial Data Properties

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="AKFED_V1_1282",
cloud_hosted=True,
bounding_box=(-168.5, 58.0, -141.0, 71.5),
temporal=("2001-01-01", "2013-12-31"),
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月前
|
SQL 关系型数据库 数据库
Python SQLAlchemy模块:从入门到实战的数据库操作指南
免费提供Python+PyCharm编程环境,结合SQLAlchemy ORM框架详解数据库开发。涵盖连接配置、模型定义、CRUD操作、事务控制及Alembic迁移工具,以电商订单系统为例,深入讲解高并发场景下的性能优化与最佳实践,助你高效构建数据驱动应用。
271 7
|
机器学习/深度学习 测试技术 定位技术
YOLOPoint开源 | 新年YOLO依然坚挺,通过结合YOLOv5&SuperPoint,成就多任务SOTA
YOLOPoint开源 | 新年YOLO依然坚挺,通过结合YOLOv5&SuperPoint,成就多任务SOTA
339 0
|
机器学习/深度学习 PyTorch Go
YOLOv5的Tricks | 【Trick4】参数重结构化(融合Conv+BatchNorm2d)
这篇文章是想要记录yolov5在模型搭建过程中的一个融合模块,就是把卷积与批归一化的参数进行融合,想卷积带有批归一化的性质,使得推理过程中可以加快模型推理速度,简化整个模型结构,实现训练与推理两个阶段的解耦。
1206 0
YOLOv5的Tricks | 【Trick4】参数重结构化(融合Conv+BatchNorm2d)
|
1月前
|
机器学习/深度学习 传感器 算法
基于yolo8的深度学习室内火灾监测识别系统
本研究基于YOLO8算法构建室内火灾监测系统,利用计算机视觉技术实现火焰与烟雾的实时识别。相比传统传感器,该系统响应更快、精度更高,可有效提升火灾初期预警能力,保障生命财产安全,具有重要的应用价值与推广前景。
|
4月前
|
Python
Python 办公实战:用 python-docx 自动生成 Word 文档
本文详解如何使用 python-docx 库实现 Word 文档自动化生成,涵盖环境搭建、文档创建、格式设置、表格与图片处理、模板填充、批量生成及性能优化等实战技巧,助你高效完成办公场景中的文档自动化任务。
1221 1
|
9月前
|
机器学习/深度学习 人工智能 自然语言处理
微软Copilot官网入口- Copilot中文版国内使用入口
微软Copilot应运而生,它不仅仅是一款软件,更像是一位人工智能副驾驶,旨在通过强大的AI技术,解放你的双手
2735 4
|
开发框架 前端开发 Java
【前端学java】SpringBootWeb极速入门-实现一个简单的web页面01
【8月更文挑战第12天】SpringBootWeb极速入门-实现一个简单的web页面01
425 3
【前端学java】SpringBootWeb极速入门-实现一个简单的web页面01
【亲测有效】装了双系统后在ubuntu下耳机没有声音的解决方法
【亲测有效】装了双系统后在ubuntu下耳机没有声音的解决方法
|
存储 机器学习/深度学习 并行计算
95% 的算法都是基于这 6 种算法思想 (详细介绍)
95% 的算法都是基于这 6 种算法思想 (详细介绍)
467 4
|
机器学习/深度学习 编解码 自动驾驶
目标检测 | Soft Anchor匹配与事件相机检测相互成就,无label也不在话下
目标检测 | Soft Anchor匹配与事件相机检测相互成就,无label也不在话下
753 0