NASA:ARM 增强短波实验（ARESE）太阳辐射数据

news2024/11/24 6:33:06

简介

摘要

代码

网址推荐

0代码在线构建地图应用

机器学习

ARM Enhanced Shortwave Experiment (ARESE) Solar Radiation Data

简介

ARESE 研究了晴朗和多云大气对太阳辐射的吸收。测量使用了三个飞机平台：一架高空载人埃格雷特飞机、一架装有仪器的双水獭飞机和美国宇航局 ER-2，以及卫星和俄克拉荷马州中北部的 ARM 中央和扩展设施。该项目于 1995 年 9 月 22 日至 11 月 1 日进行。活动摘要 ARESE 是 ARM 增强短波实验，1995 年 11 月 1 日在俄克拉荷马州的部署非常成功。这次为期五周的活动的目的是进行一系列仪器飞行，测量太阳能与晴朗和多云天空的相互作用，以便对最近观测到的多云大气吸收增强现象提供更多的了解。

摘要

为了实现这些目标，ARESE 综合利用卫星、飞机和地面观测，在整个大气柱的不同高度对太阳通量进行高精度测量。其核心是精心 "堆叠 "的双水獭号和埃格雷特号 "云夹层"，水獭号在 1500 - 5000 英尺高度，埃格雷特号在 43000 英尺高度，由在 65000 英尺高度飞行的 ER-2 号飞机飞越。所有三架飞机都携带了相同的上视和下视 "瓦莱罗 "辐射计，并飞越了 CART 中央和扩展设施中相同的上视辐射计。来自 GOES 卫星的辐射测量被用来检索大气顶部通量。这些通量测量数据得到了来自地面、埃格雷特和 ER-2 号卫星的各种云特性测量数据的补充，其中包括雷达、激光雷达和多光谱测量数据。

这些基准 ARESE 飞行于 9 月 25 日至 11 月 1 日在 CART 站点进行。在此期间，我们进行了 12 次科学数据飞行，在从晴朗到多云的各种大气条件下积累了约 60 个小时的飞行中数据。这些飞行的详细情况见下表，其中包括：在散射、破碎和实心阴云条件下的云强迫实验，包括低、中、高云层；晴空柱吸收和表面反照率测量；晴空通量剖面测量；以及两架飞机进行的飞行中、同高度通量测量的相互比较。这些数据看来质量上乘，是检验我们对晴朗和多云大气中太阳辐射吸收情况的独特数据集。除了这些基线太阳吸收实验外，ER-2 还进行了一些关键的校准实验。这些实验使用来自 MODIS 机载模拟器（MAS）的高精度光谱辐射测量值来校准来自 GOES 卫星的辐射测量值，并改进将光谱辐射量转换为光谱通量的检索算法。

这次部署的成功是由五个能源部实验室、三个美国国家航空航天局中心、十几所大学和三家飞机公司组成的多实验室多机构团队共同努力的结果。 ARM 计划赞助了地面测量，ARM-UAV（无人驾驶航空飞行器）赞助了埃格雷特和奥特的协调测量，ARM 和 NASA 赞助了 ER-2 飞行。资金由能源部的 ARM 计划和国防部的战略环境研究与发展计划 (SERDP) 提供。
日期平台(O=OTER) (E=EGRETT) 测量条件 9-25 O, E, ER-2 沿西北航迹的实云到碎云 9-29 O, E, ER-2 散云到碎云，大量湍流 10-03 O, ER-2 中央设施 4、7、10、13、16、19 千尺高空的晴空剖面；
10-11 O, E, ER-2 晴空反照率、云柱吸收和相互比较 10-13 O, E 西北航迹上的云天吸收（高层云和卷云） 10-17 O, E, ER-2 晴空任务，西南和西北航迹上的数据相互比较 10-19 O, E, ER-2 晴空反照率、云柱吸收西北航迹 10-24 O、 10-26 O, E 厚卷云层到破碎云层再到晴空 10-28 O 晴空，仅在 Charlie Whitlock 辐射计上方 500 英尺处进行 Otter 实验，以探索气溶胶加热情况--也是极好的反照率数据 10-30 O, E 厚均匀的中低层云层 11-01 O, E 实心云层到破碎云层

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="ARESE_ER2_MAS",
    cloud_hosted=True,
    bounding_box=(-119.91, 20.25, -84.93, 38.55),
    temporal=("1995-09-25", "1995-10-25"),
    count=-1,  # use -1 to return all datasets
    return_gdf=True,
)
 
 
gdf.explore()
 
#leafmap.nasa_data_download(results[:5], out_dir="data")