生物光学叶绿素-a极化测量数据集研究

简介: 该数据集名为“Bio-optical chlorophyll-a polarization measurements”,由NASA/GSFC/SED/ESD/GCDC/OB.DAAC发布,旨在研究水体中叶绿素-a浓度与光学极化特征之间的关系。数据涵盖了不同水域的叶绿素-a浓度及其极化特性,有助于生态学、海洋学和环境科学领域的研究。数据时间范围为2013年8月12日至2023年4月17日,适用于全球范围(-180°至180°经度,-90°至90°纬度)。通过Python库(如leafmap)可轻松访问和分析数据,支持科学研究及应用。

​Bio-optical chlorophyll-a polarization measurements

简介

数据集是一个用于研究水体中叶绿素-a浓度与光学极化特征之间关系的数据集。该数据集包含了不同水域中采集的叶绿素-a浓度和相应的极化特征数据。通过这些数据,研究人员可以探究叶绿素-a在不同水域中的光学特性,以及叶绿素-a浓度与极化特征之间的关联。这个数据集对于生态学家、海洋学家和环境科学家来说具有重要的研究意义,有助于更深入地理解水体中叶绿素-a的分布规律和影响因素。

摘要
Resource Type Dataset
Metadata Created Date November 12, 2020
Metadata Updated Date December 7, 2023
Publisher NASA/GSFC/SED/ESD/GCDC/OB.DAAC
Maintainer

undefined

Identifier C1633360161-OB_DAAC
Data First Published 2013-08-12
Language en-US
Data Last Modified 2023-04-06
Category geospatial
Public Access Level public
Bureau Code 026:00
Metadata Context https://project-open-data.cio.gov/v1.1/schema/catalog.jsonld
Metadata Catalog ID https://data.nasa.gov/data.json
Schema Version https://project-open-data.cio.gov/v1.1/schema
Catalog Describedby https://project-open-data.cio.gov/v1.1/schema/catalog.json
Citation Archived by National Aeronautics and Space Administration, U.S. Government, NASA/GSFC/SED/ESD/GCDC/OB.DAAC. https://doi.org/10.5067/SeaBASS/BIO_OPTICS_CHL_POLARIZATION/DATA001.
Harvest Object Id c671a48f-5230-49bc-b2f5-0afce3cc3729
Harvest Source Id 58f92550-7a01-4f00-b1b2-8dc953bd598f
Harvest Source Title NASA Data.json
Homepage URL https://doi.org/10.5067/SeaBASS/BIO_OPTICS_CHL_POLARIZATION/DATA001
Metadata Type geospatial
Old Spatial -180.0 -90.0 180.0 90.0
Program Code 026:001
Source Datajson Identifier True
Source Hash 3bb7b59853dd6afb0121552f83bcbaebcf2c81cd5723887ad0e6e7bb75d99cf5
Source Schema Version 1.1
Spatial
Temporal 2013-08-12T00:00:02Z/2023-04-17T00:00:00Z

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="Bio_optics_Chl_polarization",
cloud_hosted=True,
bounding_box=(-180.0, -90.0, 180.0, 90.0),
temporal=("2013-08-12", "2013-08-19"),
count=-1, # use -1 to return all datasets
return_gdf=True,
)

gdf.explore()

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

引用
Archived by National Aeronautics and Space Administration, U.S. Government, NASA/GSFC/SED/ESD/GCDC/OB.DAAC. Bio_optics_Chl_polarization - SeaBASS

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
|
编解码 前端开发
【核磁共振成像】临床基本通用脉冲序列(一)
【核磁共振成像】临床基本通用脉冲序列
|
存储 内存技术
【核磁共振成像】临床基本通用脉冲序列(二)
【核磁共振成像】临床基本通用脉冲序列
|
机器学习/深度学习 传感器 算法
用于准确量化颅面对称性和面部生长的 3D 头影测量方案(Matlab代码实现)
用于准确量化颅面对称性和面部生长的 3D 头影测量方案(Matlab代码实现)
|
6月前
|
机器学习/深度学习 数据挖掘 数据处理
深度学习之卫星图像中的环境监测
基于深度学习的卫星图像环境监测是指通过使用深度学习模型处理和分析来自卫星的遥感数据,以实现对地球环境的自动化监测和分析。这项技术极大提升了环境监测的效率、精度和规模,应用于气候变化研究、生态保护、自然灾害监测、城市扩张评估等多个领域。
362 2
|
11月前
R语言分析蛋白质组学数据:飞行时间质谱(MALDI-TOF)法、峰值检测、多光谱比较
R语言分析蛋白质组学数据:飞行时间质谱(MALDI-TOF)法、峰值检测、多光谱比较
|
计算机视觉
基于神经气体网络的图像分割与量化(Matlab代码实现)
基于神经气体网络的图像分割与量化(Matlab代码实现)
260 34
|
传感器 机器学习/深度学习 算法
【姿态解算】基于扩展卡尔曼滤波九轴传感器姿态解算研究附代码
【姿态解算】基于扩展卡尔曼滤波九轴传感器姿态解算研究附代码
|
编解码
超声非线性成像-谐波成像基本知识
超声成像因其相对较低的价格、无电磁辐射、无创伤、成像方式多样而在医学成像中得到了广泛的应用。早期的超声成像技术都是基于线性声学原理。然而在实际的医学超声成像应用中,声波在生物组织的非线性传播和造影剂的非线性振动能够产生非线性声信号。在接下来的报告中讲解了如何使用非线性信号中的谐波信号进行成像,以及相关的谐波信号提取方法。最后使用一些代表性的应用实例进行验证,得出谐波成像在分辨率和对比度上确实优于传统基波成像的结论。
568 0
|
传感器 机器学习/深度学习 编解码
单一传感器图像多光谱多分辨率研究附matlab代码
单一传感器图像多光谱多分辨率研究附matlab代码
|
机器学习/深度学习
有监督学习神经网络的回归拟合——基于红外光谱的汽油辛烷值预测(Matlab代码实现)
有监督学习神经网络的回归拟合——基于红外光谱的汽油辛烷值预测(Matlab代码实现)
268 0
下一篇
oss创建bucket