Google Earth Engine——NCEP/NCAR再分析项目是美国国家环境预测中心(NCEP,前身为 “NMC“)和美国国家大气研究中心(NCAR)全球气温数据集

简介: Google Earth Engine——NCEP/NCAR再分析项目是美国国家环境预测中心(NCEP,前身为 “NMC“)和美国国家大气研究中心(NCAR)全球气温数据集

The NCEP/NCAR Reanalysis Project is a joint project between the National Centers for Environmental Prediction (NCEP, formerly "NMC") and the National Center for Atmospheric Research (NCAR). The goal of this joint effort is to produce new atmospheric analyses using historical data as well as to produce analyses of the current atmospheric state (Climate Data Assimilation System, CDAS). The NCEP/NCAR Reanalysis 1 project is using a state-of-the-art analysis/forecast system to perform data assimilation using past data from 1948 to the present. The data have 6-hour temporal resolution (0000, 0600, 1200, and 1800 UTC) and 2.5 degree spatial resolution.


NCEP/NCAR再分析项目是美国国家环境预测中心(NCEP,前身为 "NMC")和美国国家大气研究中心(NCAR)的一个联合项目。这项联合工作的目标是利用历史数据产生新的大气分析,以及产生对当前大气状态的分析(气候数据同化系统,CDAS)。NCEP/NCAR Reanalysis 1项目正在使用最先进的分析/预报系统,利用1948年至今的过去数据进行数据同化。这些数据具有6小时的时间分辨率(0000、0600、1200和1800 UTC)和2.5度的空间分辨率。

Dataset Availability

1948-01-01T00:00:00 - 2021-09-27T00:00:00

Dataset Provider

NCEP

Collection Snippet

ee.ImageCollection("NCEP_RE/surface_temp")

Resolution

278300 meters

Bands Table

Name Description Min* Max* Units
air Surface air temperature 187.3 323.5 K


* = Values are estimated

数据引用:

Kalnay et al., 1996, The NCEP/NCAR 40-Year Reanalysis Project. Bull. Amer. Meteor. Soc., 77, 437-471. doi:10.1175/1520-0477(1996)077<0437:TNYRP>2.0.CO;2.

代码:

var dataset = ee.ImageCollection('NCEP_RE/surface_temp')
                  .filter(ee.Filter.date('2018-08-01', '2018-08-15'));
var surfaceAirTemperature = dataset.select('air');
var surfaceAirTemperatureVis = {
  min: 230.0,
  max: 308.0,
  palette: [
    '800080', '0000ab', '0000ff', '008000', '19ff2b', 'a8f7ff', 'ffff00',
    'd6d600', 'ffa500', 'ff6b01', 'ff0000'
  ],
};
Map.setCenter(71.72, 52.48, 3.0);
Map.addLayer(
    surfaceAirTemperature, surfaceAirTemperatureVis, 'Surface Air Temperature');

 


相关文章
|
数据可视化 定位技术 Sentinel
如何用Google Earth Engine快速、大量下载遥感影像数据?
【2月更文挑战第9天】本文介绍在谷歌地球引擎(Google Earth Engine,GEE)中,批量下载指定时间范围、空间范围的遥感影像数据(包括Landsat、Sentinel等)的方法~
6046 1
如何用Google Earth Engine快速、大量下载遥感影像数据?
|
10月前
|
机器学习/深度学习 人工智能 算法
Google DeepMind新产物: 行星级卫星嵌入数据集(10m)光学+雷达+DEM+climate...
Google 推出 Earth Engine 卫星嵌入数据集,利用 AI 将一年的多源卫星数据压缩至每个 10 米像素,实现高效地理空间分析。基于 AlphaEarth Foundations 模型,该数据集提供 64 维嵌入向量,支持相似性搜索、变化检测、自动聚类和精准分类,助力环境研究与应用。
590 0
|
11月前
|
数据采集 XML 监控
Google Search Console 做SEO分析之“已发现未编入” 与 “已抓取未编入” 有什么区别?
在 Google Search Console (GSC) 中,“已发现 - 尚未编入索引”(Discovered - currently not indexed) 和 “已抓取 - 尚未编入索引”(Crawled - currently not indexed) 是两种不同的状态,如果你的站点也有这两种状态就需要注意优化了。
588 0
|
机器学习/深度学习 人工智能 JSON
知识蒸馏方法探究:Google Distilling Step-by-Step 论文深度分析
大型语言模型(LLM)的发展迅速,从简单对话系统进化到能执行复杂任务的先进模型。然而,这些模型的规模和计算需求呈指数级增长,给学术界和工业界带来了挑战。为解决这一问题,知识蒸馏技术应运而生,旨在将大型模型的知识转移给更小、更易管理的学生模型。Google Research 提出的“Distilling Step-by-Step”方法不仅减小了模型规模,还通过提取推理过程使学生模型在某些任务上超越教师模型。该方法通过多任务学习框架,训练学生模型同时预测标签和生成推理过程,从而实现更高效、更智能的小型化模型。这为资源有限的研究者和开发者提供了新的解决方案,推动了AI技术的普及与应用。
832 19
知识蒸馏方法探究:Google Distilling Step-by-Step 论文深度分析
|
机器学习/深度学习 自然语言处理 对象存储
[wordpiece]论文分析:Google’s Neural Machine Translation System
[wordpiece]论文分析:Google’s Neural Machine Translation System
384 1
|
机器学习/深度学习 数据采集 数据可视化
R语言Pearson相关性分析降雨量和“外卖”谷歌搜索热度google trend时间序列数据可视化
R语言Pearson相关性分析降雨量和“外卖”谷歌搜索热度google trend时间序列数据可视化
|
数据可视化 搜索推荐 数据挖掘
R语言Pearson相关性分析就业率和“性别平等”谷歌搜索热度google trend时间序列数据可视化
R语言Pearson相关性分析就业率和“性别平等”谷歌搜索热度google trend时间序列数据可视化
|
数据可视化 数据挖掘 数据建模
R语言指数平滑法holt-winters分析谷歌Google Analytics博客用户访问时间序列数据
R语言指数平滑法holt-winters分析谷歌Google Analytics博客用户访问时间序列数据
|
编解码 人工智能 算法
Google Earth Engine——促进森林温室气体报告的全球时间序列数据集
Google Earth Engine——促进森林温室气体报告的全球时间序列数据集
385 0
|
编解码 人工智能 数据库
Google Earth Engine(GEE)——全球道路盘查项目全球道路数据库
Google Earth Engine(GEE)——全球道路盘查项目全球道路数据库
508 0

热门文章

最新文章

推荐镜像

更多