MetOp-B ASCAT 2 级 25.0 公里全轨道海面风矢量

简介: MetOp-B ASCAT 25km海面风矢量数据,由EUMETSAT OSI SAF发布,基于KNMI处理的L2级近实时产品,采用CMOD.n模型反演,NetCDF格式,每轨覆盖约3分钟数据,延迟约2小时,广泛用于气象与海洋监测。


MetOp-B ASCAT Level 2 25.0km Ocean Surface Wind Vectors in Full Orbit Swath

简介
该数据集包含 MetOp-B 卫星上先进散射计 (ASCAT) 以 25 公里采样分辨率(注:有效分辨率为 50 公里)进行的近实时 2 级海面风矢量反演。它是欧洲气象卫星应用组织 (EUMETSAT) 通过荷兰皇家气象研究所 (KNMI) 提供的海洋和海冰卫星应用设施 (OSI SAF) 的产品。风矢量反演目前使用 CMOD.n 地球物理模型函数进行处理,该函数使用汉明滤波器对 ASCAT L1B 数据中的 Sigma-0 数据进行空间平均。每个文件均以 netCDF 版本 3 格式提供,包含一个由 3 分钟轨道颗粒派生的完整轨道。延迟时间约为最新测量值的 2 小时。轨道起点由第一个 3 分钟轨道颗粒内的第一个风矢量单元测量值定义,该颗粒始于赤道以北的上升交点。 ASCAT 是一款 C 波段双幅扇形波束雷达散射仪,搭载于 MetOp-B 平台,可在太阳同步极地轨道提供两个独立的后向散射反演幅。欲了解更多关于 MetOp-B 任务的信息,请访问: https://www.eumetsat.int/our-satellites/metop-series 。如需获取更多及时公告,建议用户注册 KNMI 散射仪邮件列表:scat@knmi.nl。此外,强烈建议用户定期查看数据集用户指南,以获取更新信息以及已知问题的最新信息。OSI SAF 产品的所有知识产权均归 EUMETSAT 所有。所有感兴趣的用户均可免费使用这些产品。 如果您希望使用这些产品,则必须在每个使用的产品上显示“版权(年份)EUMETSAT”字样,以表明 EUMETSAT 的版权。

摘要
About this Resource
Last updated unknown
Created unknown
Name Get a related visualization
Format JPEG Image File
License License not specified
Created 3 years ago
Media type image/jpeg
has views True
id 5b2e680c-dad5-4c49-a30c-dd1190a0b528
metadata modified 3 years ago
package id 6e38608d-54e8-474d-88d8-2f3210d3e00e
position 5
state active
tracking summary {'total': 0, 'recent': 0}
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="ASCATB-L2-25km",
cloud_hosted=True,
bounding_box=(-180.0, -89.6, 180.0, 89.6),
temporal=("2012-10-29", "2012-11-07"),
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
|
1月前
|
运维 监控 异构计算
142_故障容错:冗余与回滚机制 - 配置多副本的独特健康检查
在大语言模型(LLM)的生产环境部署中,系统的可靠性和稳定性至关重要。随着LLM应用场景的不断扩展,从简单的文本生成到复杂的多模态交互,用户对服务可用性和响应质量的要求也日益提高。据2025年最新的AI服务可用性报告显示,顶级AI服务提供商的SLA(服务级别协议)承诺已达到99.99%,这意味着每年的计划外停机时间不得超过52.56分钟。
|
1月前
|
安全 数据可视化 开发者
有什么值得推荐的网站源码分享下载?
本文指出开发者找优质安全网站源码耗时,介绍了多种获取渠道:有 GitHub 等综合开源社区,虽资源多但新手筛选难;有垂直领域平台,其中 PageAdmin CMS 系统因源码完整、易上手、扩展性强受青睐;还有贴合国内需求的国内社区。同时提醒注意版权与安全检测,助力开发者高效搭建项目。
352 9
|
1月前
|
机器学习/深度学习 算法 物联网
Google开源Tunix:JAX生态的LLM微调方案来了
Tunix是Google推出的基于JAX的LLM后训练库,支持微调、强化学习与知识蒸馏,集成Flax NNX,主打TPU优化与模块化设计,支持QLoRA等高效训练方法,适用于高性能分布式训练场景。
195 13
Google开源Tunix:JAX生态的LLM微调方案来了
|
1月前
|
数据采集 存储 人工智能
141_模型更新:在线学习策略 - 焦点在增量微调的独特无中断部署
在大语言模型(LLM)的实际生产环境中,模型更新是维持服务质量和持续改进的关键环节。随着业务需求的演变、数据分布的变化以及模型能力的提升,如何高效、安全地更新已部署的LLM成为技术团队面临的重要挑战。传统的全量模型替换方法往往伴随着服务中断风险、资源消耗大以及可能的性能波动等问题。为此,增量微调技术作为一种轻量级的模型更新策略,正逐渐成为2025年LLM部署领域的主流选择。
|
1月前
|
机器学习/深度学习 人工智能 监控
143_成本优化:Spot实例与预留实例云资源节省计算详解与最佳实践
在云原生时代,成本优化已成为企业IT基础设施管理的核心挑战之一。随着AI和机器学习工作负载的激增,云资源成本占企业IT预算的比例持续上升,如何在保证服务质量的同时实现显著的成本节约,成为技术团队面临的紧迫问题。根据最新的Datadog云成本报告显示,截至2025年,平均有83%的容器支出被闲置资源浪费,而GPU实例支出在过去一年中增长了40%,已占计算成本的14%。在这样的背景下,深入理解和应用Spot实例和预留实例等成本优化策略,对于任何使用云服务的组织都具有重大的经济意义。
|
1月前
|
机器学习/深度学习 人工智能 JSON
AI编程时代,对应的软件需求文档(SRS、SRD、PRD)要怎么写
对于AI编程来说,需要使用全新的面向提示词的需求文档来和AI+人类沟通,构建共同的单一事实来源文档知识库是重中之重。
288 7
|
1月前
|
机器学习/深度学习 算法
采用蚁群算法对BP神经网络进行优化
使用蚁群算法来优化BP神经网络的权重和偏置,克服传统BP算法容易陷入局部极小值、收敛速度慢、对初始权重敏感等问题。
192 5
|
1月前
|
缓存 运维 监控
《SaaS网关多租户治理:从串流到稳控的实践》
本文记录某制造集团SaaS协同平台API网关多租户治理的重构实践。初代网关因依赖“路径前缀+静态IP映射”,在租户增至8家(含3家私有云部署)后,爆发数据串流、混合云适配差、个性化需求迭代慢、故障定位难四大问题。通过搭建“租户元数据+动态路由表”双层隔离机制解决串流,设计多维度决策的混合云路由策略引擎降低转发延迟,构建配置化规则引擎实现零代码定制,并攻克缓存穿透、路由断连、规则冲突三大细节难题。最终租户串流率归零,混合云路由延迟降45%,规则生效时间从2天缩至10秒。
134 9
《SaaS网关多租户治理:从串流到稳控的实践》
|
前端开发 Java C++
JUC系列之《CompletableFuture:Java异步编程的终极武器》
本文深入解析Java 8引入的CompletableFuture,对比传统Future的局限,详解其非阻塞回调、链式编排、多任务组合及异常处理等核心功能,结合实战示例展示异步编程的最佳实践,助你构建高效、响应式的Java应用。