NOAA 巴罗阿拉斯加观测站的受体在 1982 年至 2011 年这 30 年间 12 个选定年份(8 月 15 日至 10 月 15 日)的随机时间倒拉格朗日传输模型输出结果

简介: 该数据集提供了1982年至2011年间位于阿拉斯加巴罗(现称乌特基亚维克)NOAA观测站的拉格朗日传输模型输出结果。使用WRF-STILT模型,基于气象场模拟气溶胶粒子轨迹,涵盖12个选定年份的8月15日至10月15日,分辨率分别为0.5度和0.1度。这些数据有助于研究大气环境、气候变化及碳循环,对理解北极生态系统变化至关重要。


Pre-ABoVE: Particle Trajectories for WRF-STILT Model, Barrow, AK, 1982-2011

简介
该数据集提供了位于 NOAA 巴罗阿拉斯加观测站的受体在 1982 年至 2011 年这 30 年间 12 个选定年份(8 月 15 日至 10 月 15 日)的随机时间倒拉格朗日传输模型输出结果。 天气研究和预测模型 3.5.1 版的气象场用于驱动 STILT。 STILT 从测量地点("受体 "地点)开始,应用拉格朗日粒子扩散模型,以 "足迹 "场的形式创建传输模型的临界点。 足迹的单位是混合比(ppm --- CO2;ppb --- CH4)/(umol m-2 s-1 --- CO2;nmol m-2 s-1 --- CH4),它量化了上风表面通量对受体测量浓度的影响,计算方法是计算受表面影响体积内的粒子数量和在该体积内停留的时间。 该数据集所包含的模拟结果对于了解北极碳循环的变化至关重要,也是将北极受体处大气成分变化与生态系统结构和功能变化联系起来的回顾性分析的一部分。

摘要
Pre-ABoVE: Particle Trajectories for WRF-STILT Model, Barrow, AK, 1982-2011是一组数据集,提供了在1982年至2011年期间使用WRF-STILT模型计算得到的Barrow,AK(现在称为Utqiaġvik)地区的气溶胶粒子轨迹信息。

WRF-STILT模型是一种空气质量模型,被广泛用于模拟大气中的化学和动力学过程。该模型使用气象数据和源信息来计算空气质量的分布和传输。

这组数据包含了1982年至2011年期间的大量观测站点的气象数据和大气扩散信息,包括气温、风速、湿度等。使用这些气象数据,WRF-STILT模型计算了在Barrow地区的大气中移动的气溶胶粒子的轨迹。

这些粒子轨迹数据有助于理解大气中气溶胶的来源和传输路径。它们可以用于研究气溶胶的空间分布、季节变化以及与气象条件的关系。这些数据对于研究大气环境、气候变化以及人类健康等方面都具有重要意义。

总之,Pre-ABoVE: Particle Trajectories for WRF-STILT Model, Barrow, AK, 1982-2011数据集提供了Barrow地区1982年至2011年期间气溶胶粒子在大气中的轨迹信息,可用于研究大气环境和气候变化等相关课题。

Spatial Coverage: Circumpolar influence field and Alaska regional influence field

Spatial Resolution: 0.5-degree for circumpolar; 0.1-degree for near field receptors

Temporal Coverage: 12 selected years (15 August to 15 October) across 1982-08-10 to 2011-10-15

Temporal Resolution: Hourly

Study Area (coordinates in decimal degrees)

Site Westernmost Longitude Easternmost Longitude Northernmost Latitude Southernmost Latitude
NOAA Barrow Alaska Observatory (receptor location)

-156.6114 -156.6114 71.3230 71.3230
Circumpolar (foot1 variable) -180.0 180.0 90.0 30.0
Alaska (footnearfield1 variable) -169.51351 -133.82992 71.35532 58.35277
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/raw/main/nasa_earth_data.tsv"
df = pd.read_csv(url, sep="\t")
df

leafmap.nasa_data_login()

results, gdf = leafmap.nasa_data_search(
short_name="ABoVE_ASCENDS_XCO2_2050",
cloud_hosted=True,
bounding_box=(-165.68, 34.59, -98.1, 71.28),
temporal=("2017-07-20", "2017-08-08"),
count=-1, # use -1 to return all datasets
return_gdf=True,
)

gdf.explore()

leafmap.nasa_data_download(results[:5], out_dir="data")

引用
Henderson, J. 2018. Pre-ABoVE: Particle Trajectories for WRF-STILT Model, Barrow, AK, 1982-2011. ORNL DAAC, Oak Ridge, Tennessee, USA. Pre-ABoVE: Particle Trajectories for WRF-STILT Model, Barrow, AK, 1982-2011, https://doi.org/10.3334/ORNLDAAC/1571

网址推荐
知识星球
知识星球 | 深度连接铁杆粉丝,运营高品质社群,知识变现的工具 (zsxq.com)
https://wx.zsxq.com/group/48888525452428

机器学习
https://www.cbedai.net/xg

干旱监测平台
慧天干旱监测与预警-首页
https://www.htdrought.com/

相关文章
|
10月前
|
传感器 机器学习/深度学习 编解码
NEON LiDAR 数据导出的地表数字模型 (DSM) 和地形数字模型 (DTM)1m分辨率
NEON LiDAR 数据导出的地表数字模型 (DSM) 和地形数字模型 (DTM),分辨率为1米。DSM 包含地表特征(植被和建筑物),DTM 则为裸地高程信息。数据覆盖2013年至今,适用于生态与地形研究。提供 DTM 和 DSM 两个波段,值范围为0-3500米,单位为米。数据遵循 CC0 1.0 协议,无版权限制,鼓励广泛使用。
265 66
|
10月前
|
机器学习/深度学习 数据可视化 数据处理
构建可靠的时间序列预测模型:数据泄露检测、前瞻性偏差消除与因果关系验证
在时间序列分析中,数据泄露、前瞻性偏差和因果关系违反是三大常见且严重影响模型有效性的技术挑战。数据泄露指预测模型错误使用了未来信息,导致训练时表现优异但实际性能差;前瞻性偏差则是因获取未来数据而产生的系统性误差;因果关系违反则可能导致虚假相关性和误导性结论。通过严格的时序数据分割、特征工程规范化及因果分析方法(如格兰杰因果检验),可以有效防范这些问题,确保模型的可靠性和实用性。示例分析展示了日本天然气价格数据中的具体影响及防范措施。 [深入阅读](https://avoid.overfit.cn/post/122b36fdb8cb402f95cc5b6f2a22f105)
554 24
构建可靠的时间序列预测模型:数据泄露检测、前瞻性偏差消除与因果关系验证
|
10月前
|
机器学习/深度学习 人工智能 自然语言处理
Baichuan-Omni-1.5:百川智能开源全模态理解与生成模型,支持文本、图像、音频和视频的多模态输入和输出
Baichuan-Omni-1.5 是百川智能开源的全模态理解模型,支持文本、图像、音频和视频的多模态输入和输出,显著提升多模态交互体验。
762 22
Baichuan-Omni-1.5:百川智能开源全模态理解与生成模型,支持文本、图像、音频和视频的多模态输入和输出
|
10月前
可爱狗狗的404动画HTML源码
可爱狗狗的404动画HTML源码
287 17
可爱狗狗的404动画HTML源码
|
10月前
|
传感器 编解码 数据可视化
​2013-至今激光雷达点云树冠顶部距裸露地面的高度(树冠高度模型;CHM)1m分辨率
该数据集由NEON提供,涵盖2013年至今的激光雷达点云树冠高度模型(CHM),分辨率为1米。CHM通过处理激光雷达点云生成,区分地面和植被点,计算树冠相对于裸露地面的高度。树冠高度小于2米的部分设为零。数据适用于生态研究,支持科学分析与数据汇总,采用CC0 1.0协议公开发布。 代码示例展示了如何使用Google Earth Engine读取并可视化特定区域的CHM数据,适用于树冠高度分析。
239 22
|
10月前
|
机器学习/深度学习 人工智能 监控
DiffuEraser:阿里通义实验室推出的视频修复模型,支持高清修复、时间一致性优化
DiffuEraser 是阿里通义实验室推出的基于稳定扩散模型的视频修复工具,能够生成丰富的细节并保持时间一致性,适用于电影修复、监控增强等场景。
700 27
DiffuEraser:阿里通义实验室推出的视频修复模型,支持高清修复、时间一致性优化
|
10月前
|
机器学习/深度学习 算法 数据可视化
利用SVM(支持向量机)分类算法对鸢尾花数据集进行分类
本文介绍了如何使用支持向量机(SVM)算法对鸢尾花数据集进行分类。作者通过Python的sklearn库加载数据,并利用pandas、matplotlib等工具进行数据分析和可视化。
933 70
|
10月前
|
机器学习/深度学习 人工智能 算法
《一文读懂!Q-learning状态-动作值函数的直观理解》
Q-learning算法是强化学习领域的核心,广泛应用于机器人控制、游戏AI和自动驾驶等领域。其关键在于理解状态-动作值函数(Q值),即智能体在特定状态下采取某动作的长期价值评估。通过不断与环境交互,智能体根据奖励信号更新Q值,逐步优化行为策略,最终实现累积奖励最大化。掌握Q值计算及其更新机制,是深入理解强化学习的基础,也是设计高效AI系统的关键。
507 25
|
10月前
|
机器学习/深度学习 人工智能 算法
《深度剖析Q-learning中的Q值:解锁智能决策的密码》
Q-learning是强化学习中的重要算法,其核心是Q值,即智能体在特定状态下采取某一动作后预计能获得的长期累积奖励。Q值如同“智慧密码”,指导智能体做出最优决策。通过贝尔曼方程更新Q值,智能体能在探索与利用之间找到平衡,逐渐学习到最优策略。在简单场景中,Q表可有效存储和更新Q值;而在复杂场景如自动驾驶中,则需借助深度神经网络近似Q值函数,推动强化学习在实际应用中的突破。
404 23