NASA——quarius(水瓶座) L3 网格化 1 度年土壤湿度,第 5 版

news2024/11/20 21:18:56

Aquarius L3 Gridded 1-Degree Annual Soil Moisture V005

水瓶座 L3 网格化 1 度年土壤湿度,第 5 版

简介

该数据集包含美国国家航空航天局(NASA)科学应用卫星(SAC-D)上的宝瓶座被动微波辐射计得出的第 3 级网格化年度全球土壤湿度估算值。
参数: 土壤湿度/水分含量
平台: SAC-D
SAC-D
传感器
水瓶座辐射计
数据格式: HDF、XML
HDF, XML
时间覆盖范围:
2011 年 8 月 25 日至 2015 年 6 月 7 日
时间分辨率: 1 年
1 年
空间分辨率
1 度
1 度
空间参照系统:
WGS 84 / 世界等距圆柱EPSG:4087
空间覆盖范围:
N:90S:-90E:180W:-180

更新版本 5 使用宝瓶座亮度温度数据作为输入

修改了文件级元数据,使其更符合气候与预报 (CF) 元数据惯例

- **🛰️ 水瓶座 L3 网格化 1 度年土壤湿度 V005** 该数据集包含从 NASA 水瓶座被动微波辐射计获得的 3 级网格化年度全球土壤湿度估计,该辐射计位于 Satélite de Observación de la Tierra (S-NPP) 卫星上。 [来源](https://monica.im/s/Csdadyh31m)

- **📅 数据时间范围** 该数据集涵盖 2011 年 8 月 25 日至 2015 年 6 月 7 日期间的每日土壤湿度估计。 [来源](https://monica.im/s/Csdadyh31m)

- **🌎 数据空间范围** 该数据集以 1 度空间分辨率提供全球土壤湿度估计。 [来源](https://monica.im/s/Csdadyh31m)

1.1 格式 数据以分层数据格式 5(HDF5)文件提供。1.1 格式 数据以分层数据格式 5(HDF5)文件提供,数据值以字节、2 字节整数和 4 字节浮点数存储,土壤水分数据为 32 位浮点数,调色板值为 8 位无符号整数。 

水瓶座单通道算法(SCA)使用 L 波段水平极化(h-pol)亮度温度观测数据,因为该通道对土壤湿度的敏感度较高。水瓶座单通道算法(SCA)使用 L 波段水平偏振(h-pol)亮度温度观测数据,因为该波段对土壤湿度的敏感度更高。水瓶座单通道算法基于简化的辐射传输模型,该模型是在冠层和土壤温度相同的假设条件下开发的(Jackson,1993 年)。 

第5版Aquarius Level-3土壤湿度产品是根据NASA Aquarius Level-2海面盐度风速数据V5.0产品中的亮度温度测量数据生成的。在Level-0(LO)至Level-1A(L1A)数据处理期间,为每个轨道选择质量最好的数据,然后用于创建Level-2(L2)文件,该文件将输入L3科学文件。 

水瓶座 3 级网格划分算法使用局部多项式拟合,将 2 级土壤湿度检索结果划分到 1 度网格上(Fan 和 Gijbels,1996 年;Lilly 和 Lagerloef,2008 年)。水瓶座卫星数据的 3 级处理在三个辐射计光束的孔径位置进行测量,这些测量值已转换为土壤湿度的物理单位,并将其映射到 1 度网格上。

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="AQ3_ANSM",
    cloud_hosted=True,
    bounding_box=(-180.0, -90.0, 180.0, 90.0),
    temporal=("2011-08-25", "2015-06-07"),
    count=-1,  # use -1 to return all datasets
    return_gdf=True,
)
 
 
gdf.explore()
 
#leafmap.nasa_data_download(results[:5], out_dir="data")

https://nsidc.org/sites/default/files/aq3_ansm-v005-userguide.pdf

引用

Bindlish, R. & Jackson, T. (2018). Aquarius L3 Gridded 1-Degree Annual Soil Moisture, Version 5 [Data Set]. Boulder, Colorado USA. NASA National Snow and Ice Data Center Distributed Active Archive Center. https://doi.org/10.5067/CDNI7NG92EHP. Date Accessed 06-30-2024.

网址推荐

0代码在线构建地图应用

https://invite.mapmost.com/#/login?source_inviter=nClSZANO

机器学习

https://www.cbedai.net/xg 

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1895918.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

【Axure高保真原型】中继器表格——移入显示详情卡片案例

今天和大家分享中继器表格——移入显示详情卡片的原型模板,鼠标移入员工号或姓名会弹出员工卡片,可以查看更详细的信息。这个表格是用中继器制作的,所以使用也很方便,只需要维护中继器表格里的信息,即可自动生成交互效…

数据结构之二叉树概念

数据结构之二叉树 二叉树简介分类普通二叉树平衡二叉树满二叉树二叉搜索树(二叉排序树、二叉查找树),平衡二叉树红黑树 B树类型B树(B-树、B_树)B树B*树 二叉树 简介 二叉树(Binary Tree) :是一种非常重要…

SQL MINUS 运算符:查找数据集之间的差异

在 SQL 中,MINUS 运算符在查询中起着至关重要的作用,它允许开发人员识别和检索存在于一个数据集中但不存在于另一个数据集中的记录。本文探讨了 SQL 中 MINUS 运算符的功能、用法和实际应用,强调了它在数据分析和操作任务中的重要性。 理解 …

2G 3G 4G常用知识点

名词解释 LTE网络、WCDMA网络、2G、3G 4G 区别及联系? 2G (第二代移动通信技术) 2G是最早的数字移动电话标准,主要支持语音通话和短信服务。代表性技术有GSM (Global System for Mobile Communications) 和CDMA (Code Division Multiple Access)。 3G (第三代移动…

location匹配和rewrite重定向

目录 location 匹配 location匹配的分类和优先级 优先级细分 实际网站中的使用规则 1.用精确匹配来实现网站的首页 访问网站的首页 ( /) 2.用正则匹配来实现静态请求的页面和图片 匹配静态页面 访问图片或者指定的后缀名 3.用一般匹配转发.php…

鸿蒙HarmonyOS深度探索课程

在这门课程中,我们将深入探索鸿蒙HarmonyOS平台的Java UI布局技术,结合新浪新闻、直聘App和华为商城等三个经典案例,从布局设计到实现细节,从交互体验到用户界面优化,逐步解析其UI布局的全面技术与设计思路。通过本课程…

Python | Leetcode Python题解之第216题组合总和III

题目&#xff1a; 题解&#xff1a; class Solution:def combinationSum3(self, k: int, n: int) -> List[List[int]]:"""回溯法&#xff0c;对于当前k和n, 枚举元素"""def backtracking(k: int, n: int, ans: List[int]):if k 0 or n <…

【python数据处理】— “2020-01-01 05:20:15“日期格式数据

文章目录 一、数据说明及目标二、实现方式1.提取date2.提取hour3.提取weekday4.提取month 一、数据说明及目标 数据说明 数据表有一列名为"datetime"表示时间数据&#xff0c;该列的数据格式是"2020-01-01 05:20:15"。 import pandas as pd datapd.read_e…

2.2.1 ROS2案例以及案例分析

1.案例需求 需求1&#xff1a;编写话题通信实现&#xff0c;发布方以某个频率发布一段文本&#xff0c;订阅方订阅消息&#xff0c;并输出在终端。 需求2&#xff1a;编写话题通信实现&#xff0c;发布方以某个频率发布自定义接口消息&#xff0c;订阅方订阅消息&#xff0c;并…

Java | Leetcode Java题解之第213题打家劫舍II

题目&#xff1a; 题解&#xff1a; class Solution {public int rob(int[] nums) {int length nums.length;if (length 1) {return nums[0];} else if (length 2) {return Math.max(nums[0], nums[1]);}return Math.max(robRange(nums, 0, length - 2), robRange(nums, 1,…

7/4 第六周 数据库的组合查询

今天开始确定需要报考系统架构师&#xff0c;后续早上就看架构师的书&#xff0c;等完成python的课程之后再去全力投入架构师。后续看视频的速度就需要快一些&#xff0c;不能理解就先跳过。特别是前端的一些内容就只看视频暂时不练习了。

自然语言处理学习(3)RNN 模型学习---NLP领域的第一个模型

一 基本定义 视频链接 1.小案例理解–语义理解 目的&#xff1a;输入一句话&#xff0c;机器需要理解这句话的语义 二. RNN模型分类 1. 按照输入输出分类 (1) N Vs N (2) N Vs 1 (3) 1 VsN (4) seq2seq 三 传统RNN模型 1. 内部结构分析 &#xff08;a) 总体外…

数据库第07讲章节测验期末复习题

一. 单选题 1【单选题】下面对于关系的叙述中,不正确的是_______。 A、关系中的每个属性是不可分解的B、在关系中元组的顺序是无关紧要的C、任意的一个二维表都是一个关系D、每一个关系只有一种记录类型 正确答案&#xff1a;C 2【单选题】关系模型的完整性约束不包括&#…

Ollama + Docker + AnythingLLM 搭建本地多用户AI知识库

整个过程需要准备三个工具&#xff1a; Ollama&#xff1a; 用于运行本地大模型的管理&#xff1a;llama3, qwen2等 Docker&#xff1a;用于运行AnythingLLM。 AnythingLLM&#xff1a;知识库运行平台&#xff0c;提供知识库构建及运行的功能。 Ollama, Docker 这二个安装不…

vue3 引入百度地图的三种方式

本次也是正好写了一个基于VUE3和百度地图的设计&#xff0c;但奈何第一次使用百度地图&#xff0c;在学习的途中遇到了很多问题&#xff0c;也发现网上的材料相对较少&#xff0c;因此做出了一些小总结&#xff0c;后续还会更新。 一、直接引入 直接在public中的index.html中进…

2024 年第十四届 APMCM 亚太地区大学生数学建模 B题 洪水灾害的数据分析与预测--完整思路代码分享(仅供学习)

洪水是暴雨、急剧融冰化雪、风暴潮等自然因素引起的江河湖泊水量迅速增加&#xff0c;或者水位迅猛上涨的一种自然现象&#xff0c;是自然灾害。洪水又称大水&#xff0c;是河流、海洋、湖泊等水体上涨超过一定水位&#xff0c;威胁有关地区的安全&#xff0c;甚至造成灾害的水…

学习笔记——动态路由——OSPF工作原理(SPF算法)

3、SPF算法 SPF算法(最短路径优先算法&#xff0c;也称Dijkstra算法)由荷兰科学家狄克斯特拉于1959年提出的。 SPF算法将每一个路由器作为根(ROOT)来计算其到每一个目的地路由器的距离&#xff0c;每一个路由器根据一个统一的数据库会计算出路由域的拓扑结构图&#xff0c;该…

算法金 | 我最常用的两个数据可视化软件,强烈推荐

大侠幸会&#xff0c;在下全网同名「算法金」 0 基础转 AI 上岸&#xff0c;多个算法赛 Top 「日更万日&#xff0c;让更多人享受智能乐趣」 抱个拳&#xff0c;送个礼 预警&#xff1a;今天文章的描述可能会让你有点别扭&#xff1b;如感到不适&#xff0c;请及时停止 在我行…

JVM原理(十六):JVM虚拟机类型擦除与泛型发展

1. 泛型 泛型的本质是参数化类型或者参数化多态的应用&#xff0c;即可以将操作的数据类型指定为方法签名中的一种特殊参数&#xff0c;这种参数类型能够用在类、接口和方法的创建中&#xff0c;分别构成泛型类、泛型接口和泛型方法。 泛型让程序员能够以针对泛化的数据类型编…

深度网络现代实践 - 深度前馈网络之反向传播和其他的微分算法篇-续

序言 反向传播&#xff08;Backpropagation&#xff0c;简称backprop&#xff09;是神经网络训练过程中最关键的技术之一&#xff0c;尤其在多层神经网络中广泛应用。它是一种与优化方法&#xff08;如梯度下降法&#xff09;结合使用的算法&#xff0c;用于计算网络中各参数的…