全球二氧化碳排放数据1deg产品(ODIAC)数据

简介: 全球二氧化碳排放数据1deg产品(ODIAC)数据

简介

全球二氧化碳排放数据1deg产品(ODIAC)是一个空间分辨率为1deg*1deg的全球化石燃料燃烧产生的二氧化碳空间分布产品。它率先将基于空间的夜间灯光数据与单个发电厂的排放/位置相结合来估计化石燃料二氧化碳的排放。该产品被国际研究界广泛用于各种研究应用(例如 CO2通量反演、城市排放估算和观测系统设计实验)前言 – 人工智能教程

以下是一些二氧化碳数据:

  • 2019年,全球平均二氧化碳浓度达到了408.5ppm,较工业化前水平增加了约147%。
  • 二氧化碳是最主要的温室气体,占温室气体总量的76%。
  • 中国是全球最大的二氧化碳排放国家,占全球总排放量的28%。
  • 每年约有40亿吨二氧化碳被排放到大气中,其中约30%被吸收到陆地和海洋中,剩余部分则会在大气中滞留几个世纪。
  • 根据IPCC的报告,全球温度若升高2°C,将会对环境、社会、经济产生巨大影响,而这需要将全球二氧化碳排放量减少50%以上。

数据集ID:

ODIAC/CO2_1DEG

时间范围: 2000年-2019年

范围: 全球

来源: ODIAC

复制代码段:

var images = pie.ImageCollection("ODIAC/CO2_1DEG")

波段

名称 类型 无效值 空间分辨率(km) 描述信息
land Float32 -1 1度 陆地二氧化碳排放数据,tonne carbon/cell (monthly total)
intl_bunker Float32 -1 1度 国际航线二氧化碳排放数据,tonne carbon/cell (monthly total)

date

string

影像日期

 

代码:

/**
* @File    :   全球二氧化碳排放数据1deg产品(ODIAC)数据
* @Time    :   2022/06/2
* @Author  :   piesat
* @Version :   1.0
* @Contact :   400-890-0662
* @License :   (C)Copyright 航天宏图信息技术股份有限公司
* @Desc    :   加载全球二氧化碳排放数据1deg产品(ODIAC)数据
*/
//引用全球二氧化碳排放数据1deg产品(ODIAC)数据,通过时间范围筛选,选择波段进行中值合成
var images = pie.ImageCollection("ODIAC/CO2_1DEG")
                .filterDate("2019-02-01", "2019-03-01")
                .select("land")
                .median();
print(images)
// 设置图层显示参数并加载
var visParams = {
    min: 0,
    max: 1,
    palette: ["#000000",
        "#78F34A",
        "#DEFF51",
        "#F7D941",
        "#FC9624",
        "#FF0000"]
}
Map.centerObject(images, 3)
Map.addLayer(images, visParams, "img")

数据引用:

1.ODIAC2013a and later.

Tomohiro Oda, Shamil Maksyutov (2015), ODIAC Fossil Fuel CO2 Emissions Dataset (Version name*1 : ODIACYYYY or ODIACYYYYa), Center for Global Environmental Research, National Institute for Environmental Studies, doi:10.17595/20170411.001. (Reference date*2 : YYYY/MM/DD).

*1 The version name is indicated in the name of each data file.

*2 As the reference date, please indicate the date you downloaded the files.

2.ODIAC v1.7.

Tomohiro Oda, Shamil Maksyutov (2015), ODIAC Fossil Fuel CO2 Emissions Dataset (ODIAC v1.7), Center for Global Environmental Research, National Institute for Environmental Studies, Downloaded from http://db.cger.nies.go.jp/dataset/ODIAC/. (Reference date*1 : YYYY/MM/DD).

*1 As the reference date, please indicate the date you downloaded the files.

文章引用:

1.Oda and Maksyutov (2011)–ODIAC grand paper/1km ODIAC emission data.

Oda, T. and Maksyutov, S.: A very high-resolution(1km x 1km) global fossil fuel CO2 emission inventory derived using a point source database and satellite observations of nighttime lights, Atmos. Chem. Phys., 11, 543-556, doi:10.5194/acp-11-543-2011, 2011.

2. Oda et al. (2010) – ODIAC with improved nightlight data.

Oda, T., Maksyutov, S. and Elvidge, C.: Disaggregation of national fossil fuel CO2 emissions using a global power plant database and DMSP nightlight data, Proc. of the 30th Asia-Pacific Advanced Network Meeting, 220-229, 2010.http://journals.sfu.ca/apan/index.php/apan/article/view/94.

3.Oda et al. (2018) – Recent versions of 1km and 1-degree ODIAC emission data and modeling framework.

Oda, T., Maksyutov, S., and Andres, R. J.: The Open-source Data Inventory for Anthropogenic CO2, version 2016 (ODIAC2016): a global monthly fossil fuel CO2 gridded emissions data product for tracer transport simulations and surface flux inversions, Earth Syst.Sci. Data,doi:10.5194/essd-10-87-2018, 2018.

4.Nassar et al.(2013)–Temporal scaling factor.

Nassar, R.,Napier-Linton, L.,Gurney, K.R.,Andres, R.J., Oda, T., Vogel, F.R. and Deng, F.: Improving the temporal and spatial distribution of CO2 emissions from global fossil fuel emission datasets, Journal of Geophysical Research: Atmospheres, 118, 917-933, doi:10.1029/2012JD018196, 2013.

相关文章
|
数据可视化 定位技术 Python
基于ArcMap的精美地图可视化绘制--以各省GDP数据为例
大家好,我是志斌~ 今天手把手教大家如何用ArcMap 10.3画分级地图。
2338 0
基于ArcMap的精美地图可视化绘制--以各省GDP数据为例
Google Earth Engine(GEE)——利用归一化建筑指数NDBI(不透水层)提取建筑物
Google Earth Engine(GEE)——利用归一化建筑指数NDBI(不透水层)提取建筑物
3399 0
Google Earth Engine(GEE)——利用归一化建筑指数NDBI(不透水层)提取建筑物
|
传感器 测试技术 atlas
Landsat系列卫星:Landsat 9 详解和细节(NASA/USGS)
Landsat系列卫星:Landsat 9 详解和细节(NASA/USGS)
4305 0
Landsat系列卫星:Landsat 9 详解和细节(NASA/USGS)
|
算法 Python
Python计算基尼系数实践笔记(案例+代码+视频+列表推导式)
Python计算基尼系数实践笔记(案例+代码+视频+列表推导式)
2312 0
Python计算基尼系数实践笔记(案例+代码+视频+列表推导式)
|
10月前
|
数据采集 人工智能 数据挖掘
Python 编程基础与实战:从入门到精通
本文介绍Python编程语言,涵盖基础语法、进阶特性及实战项目。从变量、数据类型、运算符、控制结构到函数、列表、字典等基础知识,再到列表推导式、生成器、装饰器和面向对象编程等高级特性,逐步深入。同时,通过简单计算器和Web爬虫两个实战项目,帮助读者掌握Python的应用技巧。最后,提供进一步学习资源,助你在Python编程领域不断进步。
|
机器学习/深度学习 数据采集 算法
基于机器学习预测未来的二氧化碳排放量(随机森林和XGBoost)
基于机器学习预测未来的二氧化碳排放量(随机森林和XGBoost)
910 3
|
数据可视化 数据挖掘 定位技术
【理论+实操】GeoDa空间自相关
【理论+实操】GeoDa空间自相关
|
机器学习/深度学习 存储 自然语言处理
TCN时间卷积网络
翻译:《Sequence Modeling Benchmarks and Temporal Convolutional Networks 》
935 0
|
人工智能 JSON 自然语言处理
开源模型+Orchestrating Agents多智能体框架,易用、强大且可控
本文采用开源Qwen2.5-14B-instruct-GGUF来体验多智能体编排和交接,希望在体验多智能体编排和交接框架的同时,一起评估中小参数规模的模型(14B)能否较好的完成多智能体任务。
|
机器学习/深度学习 API 网络架构
"解锁机器学习超级能力!Databricks携手Mlflow,让模型训练与部署上演智能风暴,一触即发,点燃你的数据科学梦想!"
【8月更文挑战第9天】机器学习模型的训练与部署流程复杂,涵盖数据准备、模型训练、性能评估及部署等步骤。本文详述如何借助Databricks与Mlflow的强大组合来管理这一流程。首先需在Databricks环境内安装Mlflow库。接着,利用Mlflow跟踪功能记录训练过程中的参数与性能指标。最后,通过Mlflow提供的模型服务功能,采用REST API或Docker容器等方式部署模型。这一流程充分利用了Databricks的数据处理能力和Mlflow的生命周期管理优势。
620 7