全球高分辨率地表太阳辐射数据集包含36年(1983.7-2018.12)

简介: 全球高分辨率地表太阳辐射数据集包含36年(1983.7-2018.12)

简介:

全球高分辨率地表太阳辐射数据集包含36年(1983.7-2018.12)的全球地表太阳辐射数据,其分辨率为3小时,10公里,数据单位为W/㎡,瞬时值。该数据集可用于水文建模、地表建模和工程应用,将有助于未来地表过程模拟的研究和光伏发电的应用。前言 – 人工智能教程


该数据集基于改进的物理参数化方案并以ISCCP-HXG云产品、ERA5再分析数据以及MODIS气溶胶和反照率产品为输入而生成的。验证并和其他全球卫星辐射产品比较表明,该数据集的精度通常比ISCCP-FD、GEWEX-SRB和CERES全球卫星辐射产品的精度要高。该全球辐射数据集将有助于未来地表过程模拟的研究和光伏发电的应用。

太阳辐射是指太阳所辐射出来的能量,其中包含着电磁辐射中的可见光、紫外线、红外线等多种波长的辐射。这种能量对地球上的生物和环境都有很大的影响。

太阳辐射数据是指对太阳辐射进行测量和记录得到的数据。太阳辐射数据通常包括辐照度、太阳辐射能、太阳日照时数等指标。这些数据对于气象、能源、环境、农业、建筑等领域都有着十分重要的应用价值。

太阳辐射数据可以通过气象站、卫星、测量仪器等多种途径获取。世界上有很多组织和机构致力于收集、研究和发布太阳辐射数据,例如世界气象组织、国家气象局等。

数据集ID:

TPDC/ISCP_HXG_GLOBAL_RADIATION

时间范围: 1983年-2018年

范围: 全球

来源: 国家青藏高原科学数据中心

复制代码段:

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

名称 单位 类型 时间分辨率(h) 空间分辨率(km) 无效值 描述信息
B1 W/㎡ int16 3 10 -32768 环球辐射

代码:

/**
* @File    :   TPDC/ISCP_HXG_GLOBAL_RADIATION
* @Time    :   2021/05/20
* @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    :   加载全球高分辨率地表太阳辐射数据集
*/
//加载全球一天的数据
var img = pie.ImageCollection("TPDC/ISCP_HXG_GLOBAL_RADIATION")
            .filterDate("2000-1-1", "2000-1-2")
            .select("B1")
            .first();
print(img);
//设定预览参数
visParams = {min: 0, max: 1079,
            palette: ['040274', '040281', '0502a3', '0502b8', '0502ce', '0502e6',
                        '0602ff', '235cb1', '307ef3', '269db1', '30c8e2', '32d3ef',
                        '3be285', '3ff38f', '86e26f', '3ae237', 'b5e22e', 'd6e21f',
                        'fff705', 'ffd611', 'ffb613', 'ff8b13', 'ff6e08', 'ff500d',
                        'ff0000', 'de0101', 'c21301', 'a71001', '911003']};
//加载显示影像
Map.addLayer(img, visParams, "地表太阳辐射");
// 图例
var data = {title: "地表太阳辐射(W/㎡)",
            colors: ['#040274', '#040281', '#0502a3', '#0502b8', '#0502ce', '#0502e6',
                    '#0602ff', '#235cb1', '#307ef3', '#269db1', '#30c8e2', '#32d3ef',
                    '#3be285', '#3ff38f', '#86e26f', '#3ae237', '#b5e22e', '#d6e21f',
                    '#fff705', '#ffd611', '#ffb613', '#ff8b13', '#ff6e08', '#ff500d',
                    '#ff0000', '#de0101', '#c21301', '#a71001', '#911003'],
            labels: ["-45","-30","-20","-10","0","10","20","30"],
            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:

唐文君. 全球高分辨率(3小时,10公里)地表太阳辐射数据集(1983-2018). 国家青藏高原科学数据中心, 2019. DOI: 10.11888/Meteoro.tpdc.270112. CSTR: 18406.11.Meteoro.tpdc.270112.

文章引用:

1. Tang, W., Yang, K., Qin, J., Li, X., & Niu, X. (2019). A 16-year dataset (2000–2015) of high-resolution (3h, 10km) global surface solar radiation. Earth Syst. Sci. Data, 11, 1905–1915, https://doi.org/10.5194/essd-11-1905-2019.

相关文章
|
7月前
|
存储 编解码 人工智能
中国长序列地表冻融数据集(1978-2015)
中国长序列地表冻融数据集(1978-2015)
45 0
中国长序列地表冻融数据集(1978-2015)
|
7月前
|
机器学习/深度学习 数据可视化 PyTorch
零基础入门语义分割-地表建筑物识别 Task5 模型训练与验证-学习笔记
零基础入门语义分割-地表建筑物识别 Task5 模型训练与验证-学习笔记
509 2
|
2月前
|
数据采集
遥感语义分割数据集中的切图策略
该脚本用于遥感图像的切图处理,支持大尺寸图像按指定大小和步长切割为多个小图,适用于语义分割任务的数据预处理。通过设置剪裁尺寸(cs)和步长(ss),可灵活调整输出图像的数量和大小。此外,脚本还支持标签图像的转换,便于后续模型训练使用。
23 0
|
7月前
|
机器学习/深度学习 PyTorch 数据处理
零基础入门语义分割-地表建筑物识别 Task2 数据扩增-学习笔记
零基础入门语义分割-地表建筑物识别 Task2 数据扩增-学习笔记
98 1
|
数据挖掘
实验三:遥感影像目视解译与非监督分类
实验三:遥感影像目视解译与非监督分类
252 0
|
传感器 机器学习/深度学习 人工智能
标注成本降低5倍!LaserMix:通用半监督LiDAR点云分割框架(新加坡南洋理工大学)
一个新颖的半监督LiDAR点云分割框架,有效地利用了LiDAR传感器和自动驾驶场景中的结构先验(spatial prior)对分割模型进行一致性约束,在主流的自动驾驶数据集(nuScenes ,SemanticKITTI ,ScribbleKITTI )上实现了优异的分割性能。
标注成本降低5倍!LaserMix:通用半监督LiDAR点云分割框架(新加坡南洋理工大学)
Matlab代码批处理中国地面气象日值数据集(2400站点数据集),提取所需省份全部站点数据
Matlab代码批处理中国地面气象日值数据集(2400站点数据集),提取所需省份全部站点数据
Matlab代码批处理中国地面气象日值数据集(2400站点数据集),提取所需省份全部站点数据
|
编解码 监控 算法
飞桨常规赛:遥感影像地块分割 - 4月第6名方案
飞桨常规赛:遥感影像地块分割 - 4月第6名方案
198 0
飞桨常规赛:遥感影像地块分割 - 4月第6名方案
|
机器学习/深度学习 存储 移动开发
基于3DCNN的深度学习卫星图像土地覆盖分类(下)
基于3DCNN的深度学习卫星图像土地覆盖分类
301 0
基于3DCNN的深度学习卫星图像土地覆盖分类(下)
|
机器学习/深度学习 编解码 人工智能
基于3DCNN的深度学习卫星图像土地覆盖分类(上)
基于3DCNN的深度学习卫星图像土地覆盖分类
240 0
基于3DCNN的深度学习卫星图像土地覆盖分类(上)