中国雪深长时间序列数据集(1979-2020)

简介: 中国雪深长时间序列数据集(1979-2020)

简介

中国雪深长时间序列数据集(1979-2020)提供1979年1月1日到2020年12月31日逐日的中国范围的积雪厚度分布数据,其空间分辨率为25km,是“中国雪深长时间序列数据集(1978-2012)”的升级版本。前言 – 人工智能教程


用于反演该雪深数据集的原始数据来自美国国家雪冰数据中心(NSIDC)处理的SMMR(1979-1987年),SSM/I(1987-2007年)和SSMI/S(2008-2020)逐日被动微波亮温数据(EASE-Grid)。通过对不同传感器的亮温进行交叉定标提高亮温数据在时间上的一致性。然后利用车涛博士在Chang算法基础上针对中国地区进行修正的算法进行雪深反演。


该数据集每天1个文件,文件命名方式为:年+天,如1990001表示1990年第1天,1990207表示1990年第207天。

中国境内的积雪分布情况受到多种因素的影响,如地形、气候、季节等。一般来说,积雪主要集中在高山山脉和高纬度地区,特别是青藏高原、阿尔金山、大兴安岭等地区。以下是中国积雪分布情况的一些特点:

1. 西北地区和青藏高原积雪最多。青藏高原的平均积雪深度可达1米以上,而新疆以及陕西、甘肃等省份的高山山区,积雪深度也较大。

2. 华北、东北地区的积雪较多。这些地区的冬季寒冷,降雪量也比较大,因此积雪深度也相对较大。

3. 长江中下游地区以及南方省份积雪较少。由于气候相对温暖,降雪量也较少,因此积雪深度相对较浅。

总体来说,中国的积雪分布情况十分复杂多样,差异较大。

数据集ID:

TPDC/CHINA_25KM_SNOW_DEPTH_DAILY

时间范围: 1979年-2020年

范围: 全国

来源: 国家青藏高原科学数据中心

复制代码段:

var images = pie.ImageCollection("TPDC/CHINA_25KM_SNOW_DEPTH_DAILY")

名称 类型 分辨率(km) 单位 无效值 描述信息
B1 float32 25 cm -1 积雪厚度

 

date

string

影像日期

代码:

/**
* @File    :   CHINA_25KM_SNOW_DEPTH_DAILY
* @Desc    :   加载中国雪深长时间序列数据集
*/
//加载中国边界
var roi = pie.FeatureCollection("RESDC/WORLD_COUNTRY_BOUNDARY")
            .filter(pie.Filter.eq("name", "CHINA"))
            .first()
            .geometry();
//加载2018年1月1日中国雪深数据
var img = pie.ImageCollection('TPDC/CHINA_25KM_SNOW_DEPTH_DAILY')
            .filterDate("2017-12-31", "2018-01-01")
            .first()
            .select("B1")
            .clip(roi);
print(img);
//设定预览参数
visParams = {min: 0, max: 32.5,
            palette: ['32d3ef','30c8e2','269db1','307ef3','235cb1','0602ff',
                        '0502e6','0502ce','0502b8','0502a3','040281','040274']};
//加载显示影像
Map.centerObject(img, 2);
Map.addLayer(img, visParams, "2015-01-01雪深");
// 图例
var data = {title: "雪深(cm)",
            colors: ['#32d3ef','#30c8e2','#269db1','#307ef3','#235cb1','#0602ff',
                    '#0502e6','#0502ce','#0502b8','#0502a3','#040281','#040274'],
            labels: ["0", "5", "10", "15", "20", "25", "30", "35"],
            step: 30};
var style = {left: "60%", top: "70%", height: "70px", width: "350px"};
var legend = ui.Legend(data, style);
Map.addUI(legend);

数据引用:

车涛, 戴礼云. 中国雪深长时间序列数据集(1979-2020). 国家青藏高原科学数据中心, 2015. DOI: 10.11888/Geogra.tpdc.270194. CSTR: 18406.11.Geogra.tpdc.270194.

文章引用:

1. Che, T., Li, X., Jin, R., Armstrong, R., &Zhang, T.J. (2008). Snow depth derived from passive microwave remote-sensing data in China. Annals of Glaciology, 49, 145-154.

2. Dai, L.Y., Che, T., &Ding, Y.J. (2015). Inter-calibrating SMMR, SSM/I and SSMI/S data to improve the consistency of snow-depth products in China. Remote Sensing, 7(6), 7212-7230.

3. Dai, L.Y., Che, T., Ding, Y.J., &Hao, X.H. (2017). Evaluation of snow cover and snow depth on the Qinghai–Tibetan Plateau derived from passive microwave remote sensing. The Cryosphere, 11(4), 1933-1948.

 

相关文章
|
6月前
|
编解码 人工智能 定位技术
中国1km土壤特征数据集(2010年)
中国1km土壤特征数据集(2010年)
57 1
中国1km土壤特征数据集(2010年)
|
6月前
|
数据可视化 定位技术 索引
GEE数据集——美国地质调查局历史地形图数据
GEE数据集——美国地质调查局历史地形图数据
98 0
|
机器学习/深度学习 数据采集 算法
大数据分析案例-基于随机森林模型对北京房价进行预测
大数据分析案例-基于随机森林模型对北京房价进行预测
804 0
大数据分析案例-基于随机森林模型对北京房价进行预测
|
6月前
|
机器学习/深度学习 数据可视化 数据挖掘
R语言主成分PCA、因子分析、聚类对地区经济研究分析重庆市经济指标
R语言主成分PCA、因子分析、聚类对地区经济研究分析重庆市经济指标
|
3月前
KDD 2024:零样本即可时空预测!港大、华南理工等发布时空大模型UrbanGPT
【8月更文挑战第21天】UrbanGPT是由香港大学等机构研发的时空大模型,针对城市管理中因数据稀缺导致的预测难题,通过时空依赖编码器与指令调整技术实现强大的泛化能力。此模型能在多种城市任务中无需样本进行准确预测,如交通流量和人群流动等,有效应对数据收集难的问题,在零样本场景下表现优异,为智慧城市管理提供了有力工具。[论文](https://arxiv.org/abs/2403.00813)
47 1
|
6月前
|
存储
【视频】R语言中的分布滞后非线性模型(DLNM)与发病率,死亡率和空气污染示例
【视频】R语言中的分布滞后非线性模型(DLNM)与发病率,死亡率和空气污染示例
|
6月前
|
机器学习/深度学习 数据建模
数据分享|Eviews用ARIMA、指数曲线趋势模型对中国进出口总额时间序列预测分析
数据分享|Eviews用ARIMA、指数曲线趋势模型对中国进出口总额时间序列预测分析
|
6月前
|
数据可视化
SPSS用多元逐步回归模型对上证指数预测、描述统计和相关分析可视化研究
SPSS用多元逐步回归模型对上证指数预测、描述统计和相关分析可视化研究
|
6月前
|
数据可视化
数据报告分享|SPSS基于多元回归模型的电影票房预测
数据报告分享|SPSS基于多元回归模型的电影票房预测
|
6月前
|
vr&ar Python
数据分享|R语言ARIMA模型分析预测上海空气质量指数AQI时间序列
数据分享|R语言ARIMA模型分析预测上海空气质量指数AQI时间序列