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
|
4天前
|
弹性计算 关系型数据库 微服务
基于 Docker 与 Kubernetes(K3s)的微服务:阿里云生产环境扩容实践
在微服务架构中,如何实现“稳定扩容”与“成本可控”是企业面临的核心挑战。本文结合 Python FastAPI 微服务实战,详解如何基于阿里云基础设施,利用 Docker 封装服务、K3s 实现容器编排,构建生产级微服务架构。内容涵盖容器构建、集群部署、自动扩缩容、可观测性等关键环节,适配阿里云资源特性与服务生态,助力企业打造低成本、高可靠、易扩展的微服务解决方案。
1106 0
|
3天前
|
机器学习/深度学习 人工智能 前端开发
通义DeepResearch全面开源!同步分享可落地的高阶Agent构建方法论
通义研究团队开源发布通义 DeepResearch —— 首个在性能上可与 OpenAI DeepResearch 相媲美、并在多项权威基准测试中取得领先表现的全开源 Web Agent。
531 10
|
13天前
|
人工智能 运维 安全
|
12天前
|
人工智能 测试技术 API
智能体(AI Agent)搭建全攻略:从概念到实践的终极指南
在人工智能浪潮中,智能体(AI Agent)正成为变革性技术。它们具备自主决策、环境感知、任务执行等能力,广泛应用于日常任务与商业流程。本文详解智能体概念、架构及七步搭建指南,助你打造专属智能体,迎接智能自动化新时代。
|
4天前
|
弹性计算 Kubernetes jenkins
如何在 ECS/EKS 集群中有效使用 Jenkins
本文探讨了如何将 Jenkins 与 AWS ECS 和 EKS 集群集成,以构建高效、灵活且具备自动扩缩容能力的 CI/CD 流水线,提升软件交付效率并优化资源成本。
301 0
|
11天前
|
人工智能 异构计算
敬请锁定《C位面对面》,洞察通用计算如何在AI时代持续赋能企业创新,助力业务发展!
敬请锁定《C位面对面》,洞察通用计算如何在AI时代持续赋能企业创新,助力业务发展!
|
12天前
|
机器学习/深度学习 人工智能 自然语言处理
B站开源IndexTTS2,用极致表现力颠覆听觉体验
在语音合成技术不断演进的背景下,早期版本的IndexTTS虽然在多场景应用中展现出良好的表现,但在情感表达的细腻度与时长控制的精准性方面仍存在提升空间。为了解决这些问题,并进一步推动零样本语音合成在实际场景中的落地能力,B站语音团队对模型架构与训练策略进行了深度优化,推出了全新一代语音合成模型——IndexTTS2 。
807 23
|
4天前
|
缓存 供应链 监控
VVIC seller_search 排行榜搜索接口深度分析及 Python 实现
VVIC搜款网seller_search接口提供服装批发市场的商品及商家排行榜数据,涵盖热销榜、销量排名、类目趋势等,支持多维度筛选与数据分析,助力选品决策、竞品分析与市场预测,为服装供应链提供有力数据支撑。
|
4天前
|
缓存 监控 API
Amazon item_review 商品评论接口深度分析及 Python 实现
亚马逊商品评论接口(item_review)可获取用户评分、评论内容及时间等数据,支持多维度筛选与分页调用,结合Python实现情感分析、关键词提取与可视化,助力竞品分析、产品优化与市场决策。

热门文章

最新文章