LBA-ECO CD-04 叶面积指数,83 公里塔楼站点,塔帕若斯国家森林,巴西

简介: 该数据集展示了巴西塔帕若斯国家森林83公里处伐木塔点的叶面积指数(LAI)。研究通过在18公顷地块中设置30个枯枝落叶收集器,每两周采集样本并利用扫描仪与图像处理软件测定叶片面积。数据文件“CD04_km83_lai_2000-2001.csv”包含采样日期、累计天数、叶片面积等信息,用于计算累计叶面积指数。研究区域位于经纬度(-54.9707, -3.017),数据由Figuera等人于2011年发布,适用于生态与气候研究。

​LBA-ECO CD-04 Leaf Area Index, km 83 Tower Site, Tapajos National Forest, Brazil

简介

叶面积指数是在巴西帕拉州塔帕若斯国家森林 83 公里处的伐木塔点的一块 18 公顷地块中估算的。该地块毗邻位于巴西帕拉州塔帕若斯国家森林 83 公里处的涡流通量塔。在这块 18 公顷地块中,沿着两条东西向横断面,以 25 米的间隔放置了 30 个枯枝落叶收集器。每两周从收集器中收集枯枝落叶样本,并送回实验室进行分类、风干和称重。使用计算机扫描仪和图像处理软件测定风干叶片子样本的叶面积。然后将子样本放入烤箱烘干,并将风干重量校正为烘干重量。每次采样收集的枯枝落叶面积是使用子样本测得的重量和面积之间的关系计算出来的(Goulden 等人,2004 年)。此数据集有一个逗号分隔的数据文件。

摘要

Data are presented in one comma-delimited ASCII file: File name: CD04_km83_lai_2000-2001.csv

Column Number Column Heading Units/format Description
1 Date yyyy/mm/dd Collection date
2 Day_cum days "Cumulative days since January 1, 2000"
3 Leaf_area cm2 Total area of leaves collected in the litter traps
4 Leaf_area_cum cm2 Sum of leaf area collected from beginning to current date
5 Trap_area cm2 "Total area of litter traps (30 traps multiplied by 10000 cm2 for each trap)"
6 LAI_cum m2/m2 Cumulative leaf area index calculated as the cumulative leaf area divided by the trap area. Area of leaf tissue per unit of surface area in m2/m2

Site boundaries: (All latitude and longitude given in decimal degrees)

Site (Region) Westernmost Longitude Easternmost Longitude Northernmost Latitude Southernmost Latitude Geodetic Datum
Para Western (Santarem) - km 83 Logged Forest Tower (Para Western (Santarem)) -54.9707 -54.9707 -3.017 -3.017 World Geodetic System, 1984 (WGS-84)

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"
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=(-54.97, -3.02, -54.89, -3.02),
temporal=("2000-09-01", "2001-08-31"),
count=-1, # use -1 to return all datasets
return_gdf=True,
)

gdf.explore()

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

引用

Figuera, M., de Sousa, C.A.D., Menton, M., Juarez, R., da Rocha, H.R., Miller, S.D., and Goulden, M.L. 2011.LBA-ECO CD-04 Leaf Area Index, km 83 Tower Site, Tapajos National Forest, Brazil. Data set. Available on-line [http://daac.ornl.gov] from Oak Ridge National Laboratory Distributed Active Archive Center, Oak Ridge, Tennessee, U.S.A.

相关文章
|
30天前
|
人工智能 Kubernetes 负载均衡
AI应用交付厂商F5打造六大解决方案,助用户应对复杂挑战
AI应用交付厂商F5打造六大解决方案,助用户应对复杂挑战
83 16
|
30天前
|
机器学习/深度学习 人工智能 算法
Scikit-learn:Python机器学习的瑞士军刀
想要快速入门机器学习但被复杂算法吓退?本文详解Scikit-learn如何让您无需深厚数学背景也能构建强大AI模型。从数据预处理到模型评估,从垃圾邮件过滤到信用风险评估,通过实用案例和直观图表,带您掌握这把Python机器学习的'瑞士军刀'。无论您是AI新手还是经验丰富的数据科学家,都能从中获取将理论转化为实际应用的关键技巧。了解Scikit-learn与大语言模型的最新集成方式,抢先掌握机器学习的未来发展方向!
356 12
Scikit-learn:Python机器学习的瑞士军刀
|
20天前
|
机器学习/深度学习 人工智能 并行计算
《算力觉醒!ONNX Runtime + DirectML如何点燃Windows ARM设备的AI引擎》
ONNX Runtime 是一个跨平台高性能推理引擎,可运行不同框架转为 ONNX 格式的模型,通过深度分析与优化计算图提升效率。在 Windows ARM 设备上,它针对硬件特性优化,结合微软 DirectML API,充分利用 GPU 并行计算能力加速 AI 推理。两者深度融合,灵活调整参数以满足实时性或高精度需求,在文本分类、图像识别、智能安防等领域显著提升性能,为多样化应用场景提供高效支持。
58 16
|
20天前
|
存储 算法 调度
|
1月前
|
人工智能 文字识别 安全
亚太唯一|阿里云实人认证获权威机构认可
构筑Deepfake下金融安全新防线
1514 72
|
22天前
|
编解码 安全 BI
二维码技术如何助力医疗行业提质增效?从设备管理到健康宣教到的全场景应用
医疗设备管理、院感防控、资产盘点和健康宣教是医疗机构日常运营中的重要环节,但传统手工方式常导致效率低下、数据不透明等问题。草料二维码提供了一种轻量化解决方案:通过为每台设备、物品或宣传资料绑定专属二维码,实现信息查询、维护记录、消毒登记及患者教育等功能的数字化管理。该方案操作简单、成本低且上手快,适合基层医疗机构使用,有效提升管理效率与服务质量,助力医疗信息化建设。
二维码技术如何助力医疗行业提质增效?从设备管理到健康宣教到的全场景应用
|
20天前
|
弹性计算 Kubernetes API
Kubernetes 驱动的 IaC,Crossplane 快速入门
Crossplane 是一个开源的 Kubernetes 扩展工具,允许用户通过声明式配置直接在 Kubernetes 中管理云资源。对于阿里云开发者,借助 Crossplane 和官方提供的 provider-upjet-alibabacloud,可以像管理 Pod 一样轻松操作 ECS 实例、VPC 和 OSS Bucket 等资源。本文介绍了 Crossplane 的核心概念,并通过快速入门指南演示了如何安装 Crossplane、配置阿里云认证并创建第一个 VPC 资源。
109 37
|
29天前
|
Web App开发 Linux 程序员
获取和理解Linux进程以及其PID的基础知识。
总的来说,理解Linux进程及其PID需要我们明白,进程就如同汽车,负责执行任务,而PID则是独特的车牌号,为我们提供了管理的便利。知道这个,我们就可以更好地理解和操作Linux系统,甚至通过对进程的有效管理,让系统运行得更加顺畅。
66 16
|
1月前
|
机器学习/深度学习 数据采集 安全
MiMo-7B:从预训练到强化学习,解锁语言模型的推理潜能
目前,大多数成功的 强化学习 工作,包括开源研究,都依赖于相对较大的基础模型,例如 32B 模型,特别是在增强代码推理能力方面。业内普遍认为在一个小模型中同时提升数学和代码能力是具有挑战性的。然而,小米MiMo研究团队相信 RL 训练的推理模型的有效性取决于基础模型固有的推理潜力。为了完全解锁语言模型的推理潜力,不仅需要关注后训练,还需要针对推理定制预训练策略。
244 43