AIRS/Aqua L1B 可见光/近红外 (VIS/NIR) 地理定位和校准辐射 V005 (AIRVBRAD) 在 GES DISC

简介: NASA大气红外探测器(AIRS)的可见光/近红外(VIS/NIR)1B级数据提供高分辨率辐射度信息,用于检测红外探测中的视场不均匀性,提升温度和湿度反演精度。


AIRS/Aqua L1B Visible/Near Infrared (VIS/NIR) geolocated and calibrated radiances V005 (AIRVBRAD) at GES DISC

简介
大气红外探测器 (AIRS) 是安装在第二个地球观测系统 (EOS) 极地轨道平台 EOS Aqua 上的一台光栅光谱仪 (R = 1200)。AIRS 与先进微波探测装置 (AMSU) 和巴西湿度探测器 (HSB) 结合使用,构成了一个由可见光、红外和微波传感器组成的创新型大气探测组。VIS/NIR 1B 级数据集包含可见光和近红外经过校准和地理定位的辐射度,单位为 W/m^2/微米/球面度。该数据集包含光谱 0.4 至 1.0 微米区域的 4 个通道。每天的 AIRS 数据被分成 240 个颗粒,每个颗粒持续 6 分钟。然而,VIS/NIR 颗粒仅在白天产生,因此 VIS/NIR 颗粒的数量总是较少。 VIS/NIR 通道的主要目的是检测并标记红外视场中的显著不均匀性,这些不均匀性可能会对温度和湿度探测的质量产生不利影响。因此,VIS/NIR 辐射产品的空间分辨率高于红外辐射产品。每次 VIS/NIR 扫描都有 9 个沿轨轨迹和 720 个横向轨迹轨迹。为了便于与红外产品(包括 135 个沿轨轨迹和 90 个横向轨迹轨迹)进行比较,VIS/NIR 产品增加了额外的维度,以涵盖额外的 9 个沿轨轨迹和 8 个横向轨迹轨迹。

摘要
Additional Info
Field Value
Last Updated August 7, 2025, 4:43 AM (UTC+08:00)
Created April 1, 2025, 10:16 PM (UTC+08:00)
accessLevel public
bureauCode 026:00
catalog_conformsTo https://project-open-data.cio.gov/v1.1/schema
harvest_object_id d4bcc86b-e188-40ae-a745-bdb0f4baf6af
harvest_source_id b99e41c6-fe79-4c19-bbc3-9b6c8111bfac
harvest_source_title Science Discovery Engine
identifier 10.5067/L8GM703NT8IK
modified 2025-08-06T19:35:39Z
programCode 026:000
publisher NASA/GSFC/SED/ESD/TISL/GESDISC
resource-type Dataset
source_datajson_identifier true
source_hash 12344994a3a309a3e82b4f172d561620ef90aced2312ae7be9a5ea68efbb00df
source_schema_version 1.1
spatial ["CARTESIAN",[{"WestBoundingCoordinate":-180,"NorthBoundingCoordinate":90,"EastBoundingCoordinate":180,"SouthBoundingCoordinate":-90}]]
theme "Earth Science"
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="AIRVBRAD",
cloud_hosted=True,
bounding_box=(-180, -90, 180, 90),
temporal=("2007-07-26", "2007-07-31"),
count=-1, # use -1 to return all datasets
return_gdf=True,
)

gdf.explore()

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

相关文章
|
22天前
|
人工智能 编解码 监控
游戏显卡驱动,NVIDIA App ,0xc000007b,amd显卡驱动下载,解决游戏慢,游戏卡等问题
本文介绍了游戏显卡驱动的重要性及安装方法,涵盖NVIDIA和AMD显卡驱动下载与更新,解决游戏卡顿、闪退及报错0xc000007b等问题。提供三款工具推荐,支持自动识别与手动精准安装,优化游戏性能,提升体验。
282 5
|
23天前
|
传感器 Python Perl
大气成分氨体积混合比 L3 (AIRSAC3MNH3 V3) 来自 NASA Aqua 上的 AIRS/AMSU,位于 GES DISC
本数据集由NASA Aqua卫星上的AIRS/AMSU传感器获取,提供2002年9月至2016年8月全球大气氨体积混合比。氨是氮循环关键成分,主要来源于农业活动,对气溶胶形成和地球辐射平衡有重要影响。
79 48
|
23天前
|
人工智能 数据可视化 测试技术
AI 时代 API 自动化测试实战:Postman 断言的核心技巧与实战应用
AI 时代 API 自动化测试实战:Postman 断言的核心技巧与实战应用
269 11
|
23天前
|
存储 并行计算 调度
迈向可编程观测:在GPU Kernel中构建类eBPF风格的性能探针
本文旨在梳理作者学习路径,带领读者共同探索 GPU Kernel 性能分析从宏观到微观的技术演进。
351 24
迈向可编程观测:在GPU Kernel中构建类eBPF风格的性能探针
|
3天前
|
机器学习/深度学习 PyTorch TensorFlow
TensorFlow与PyTorch深度对比分析:从基础原理到实战选择的完整指南
蒋星熠Jaxonic,深度学习探索者。本文深度对比TensorFlow与PyTorch架构、性能、生态及应用场景,剖析技术选型关键,助力开发者在二进制星河中驾驭AI未来。
50 13
|
16天前
|
存储 人工智能 容灾
阿里云服务器2核8G、4核16G、8核32G配置热门实例性能对比与场景化选型指南
2核8G/4核16G/8核32G配置的阿里云服务器在阿里云活动中目前有经济型e、通用算力型u1、通用型g7、通用型g8y和通用型g9i五种实例可选,目前2核8G配置选择u1实例活动价格652.32元1年起,4核16G月付选择经济型e实例最低89元1个月,8核32G配置160元1个月起,本文将为大家解析经济型e、通用算力型u1、通用型g7及通用型g8y实例,帮助用户根据自身需求合理选择最适合的实例规格和配置。
|
1月前
|
存储 人工智能 运维
AI 网关代理 RAG 检索:Dify 轻松对接外部知识库的新实践
Higress AI 网关通过提供关键桥梁作用,支持 Dify 应用便捷对接业界成熟的 RAG 引擎。通过 AI 网关将 Dify 的高效编排能力与专业 RAG 引擎的检索效能结合,企业可在保留现有 Dify 应用资产的同时,有效规避其内置 RAG 的局限,显著提升知识驱动型 AI 应用的生产环境表现。
632 67
|
14天前
|
人工智能 JavaScript 前端开发
Github 2024-10-28 开源项目周报 Top15
本周GitHub热门项目涵盖Svelte、Open Interpreter、PowerShell等,涉及Web开发、AI助手、自动化工具等领域,Python、JavaScript为主流语言,展现开源技术活跃生态。(239字)
299 19
|
17天前
|
JavaScript 前端开发 编译器
Vue 3:下一代前端框架的革新
Vue 3:下一代前端框架的革新
210 103