美国季节性干旱数据集

简介: 美国季节性干旱数据集

美国季节性干旱数据集

美国干旱展望栅格数据集由国家气象局气候预测中心生成。它在每个月的最后一天发布,提供下个月的干旱前景信息。“美国季节性干旱展望”数据集每月发布一次,特别是每月的第三个星期四。该数据集对美国不同地区发生干旱的可能性进行了定性评估。该评估采用四类尺度来描述预期干旱状况:

前言 – 人工智能教程

  1. 正常:预计不会发生干旱,表明水资源供应情况正常。
  2. 异常干燥:此类别表明干旱情况是可能的,但尚未普遍存在,需要一定程度的谨慎。
  3. 中度干旱:此类干旱条件很可能并有可能造成一些经济或环境影响。
  4. 严重干旱:此类别表明发生干旱的可能性很高,可能会导致重大的经济或环境后果。

您可以在此处和气候引擎组织网站上找到更多信息。您可以在此处下载日期集

以下是一些可用的其它干旱数据集:

1. U.S. Drought Monitor - 美国国家气象局的干旱监测数据集,提供美国干旱指数和干旱地图。

2. Global Agricultural Monitoring - 美国宇航局提供的全球农业监测数据集,包括干旱指数和植被指数。

3. MODIS Vegetation Indices - 地球观测系统中的植被指数数据集,可用于监测干旱和植被状况。

4. Soil Moisture Active Passive (SMAP) - NASA的土壤湿度活动被动卫星数据集,可用于监测土壤湿度和干旱状况。

5. North America Soil Moisture Database - 包含从1950年至今北美洲的土壤湿度和干旱数据。

6. NOAA Climate Data Online - 美国国家海洋和大气管理局提供的气象数据集,包括气温、降水等信息,可用于监测干旱。

7. National Drought Mitigation Center - 美国国家干旱缓解中心提供的干旱监测和预测数据集,包括干旱指数和干旱地图。

分类值

价值 解释
-9999 无数据值
0 无干旱
1 可能会消除干旱
2 干旱依然存在但有所改善
3 可能出现干旱
4 干旱持续存在

空间信息

范围 价值
空间范围 美国
空间分辨率 500 m(1/48 度)
时间分辨率 每月
时间跨度 2013年8月1日至今
更新频率 每月最后一天更新

变量

多变的 细节
干旱类别('drought_outlook_class') - 单位:干旱前景分类
- 比例因子:1.0

代码:

// Read in Image Collection and get single image
var usdo_ic = ee.ImageCollection('projects/climate-engine-pro/assets/ce-cpc-usdo-monthly')
var usdo_i = usdo_ic.first()
// Print image to see bands
print(usdo_i)
// Visualize a single image
var usdo_palette = ["#ffffff", "#ABA362", "#DACBB5", "#FFD861", "#935743"]
Map.addLayer(usdo_i, {min:0, max:4, palette: usdo_palette}, 'usdo_i')

示例代码:https://code.earthengine.google.com/?scriptPath=users /sat-io/awesome-gee-catalog-examples:weather-climate/US-DROUGHT-OUTLOOK

执照

NOAA 数据、信息和产品,无论采用何种交付方式,均不受版权保护,并且公众后续使用不受限制。一旦获得,它们就可以用于任何合法用途。上述数据属于公共领域,提供时不受使用和分发限制。欲了解更多信息,请访问 NWS 免责声明网站。

关键词:干旱、美国、展望、预测、NOAA、NWS、CPC、每月

提供者:NOAA

GEE 策划者:Climate Engine Org

相关文章
|
3月前
|
传感器 编解码 人工智能
中国雪深长时间序列数据集(1979-2020)
中国雪深长时间序列数据集(1979-2020)
84 0
|
3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)
21 1
中国1km土壤特征数据集(2010年)
|
11天前
|
机器学习/深度学习 数据可视化 安全
Python随机森林、线性回归对COVID-19疫情、汇率数据预测死亡率、病例数、失业率影响可视化(下)
Python随机森林、线性回归对COVID-19疫情、汇率数据预测死亡率、病例数、失业率影响可视化
|
11天前
|
机器学习/深度学习 数据可视化 Python
Python随机森林、线性回归对COVID-19疫情、汇率数据预测死亡率、病例数、失业率影响可视化(上)
Python随机森林、线性回归对COVID-19疫情、汇率数据预测死亡率、病例数、失业率影响可视化
|
5天前
|
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
|
11天前
|
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
|
11天前
|
安全 vr&ar
R语言非线性动态回归模型ARIMAX、随机、确定性趋势时间序列预测个人消费和收入、用电量、国际游客数量
R语言非线性动态回归模型ARIMAX、随机、确定性趋势时间序列预测个人消费和收入、用电量、国际游客数量
|
17天前
|
机器学习/深度学习 数据可视化 数据挖掘
数据分享|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
数据分享|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
|
19天前
|
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
|
24天前
|
大数据 vr&ar Windows
R语言使用ARIMAX预测失业率经济时间序列数据
R语言使用ARIMAX预测失业率经济时间序列数据