前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >NASA数据集——1980 年至 2020 年北美 3km分辨率气温(摄氏度)、相对湿度(%)、风速(米/秒)、风向(真北偏角)、总降水量(雨+雪)等数据集

NASA数据集——1980 年至 2020 年北美 3km分辨率气温(摄氏度)、相对湿度(%)、风速(米/秒)、风向(真北偏角)、总降水量(雨+雪)等数据集

作者头像
此星光明
发布2024-05-24 09:22:14
440
发布2024-05-24 09:22:14
举报

Daily SnowModel Outputs Covering the ABoVE Core Domain, 3-km Resolution, 1980-2020

简介

文件修订日期:2023-01-27

数据集版本: 1

摘要

该数据集提供了 1980 年 9 月 1 日至 2020 年 8 月 31 日期间 3 千米网格上的 SnowModel 每日模拟输出,涵盖 ABoVE 核心区域。每日输出包括:气温(摄氏度)、相对湿度(%)、风速(米/秒)、风向(真北偏角)、总降水量(雨+雪)(米)、降雨量(米)、降雪量(米)、融雪量(米)、雪升华量(米)、径流量(米)、地表温度(摄氏度)、雪堆体积热阻(K/W)、雪深(米)、雪密度(千克/立方米)和雪水当量(SWE)深度(米)。模型数据输入包括土地覆盖和地形、雪的地面观测数据、卫星和飞机对雪的遥感观测数据,以及气象站和再分析数据提供的气象强迫数据。SnowModel 包括 MicroMet、Enbal、SnowDunes、SnowAssin、SnowPack 和 SnowTran-3D 等处理模块。数据以 NetCDF 格式提供。 该数据集有 615 个 NetCDF (.nc4) 格式的数据文件。另外还有一个 .pdf 格式的配套文件,提供有关 SnowModel 的其他信息。配套文件必须与数据文件分开下载。

北极-北方脆弱性实验(ABoVE)是美国国家航空航天局(NASA)陆地生态计划的一项实地活动,从 2015 年开始在阿拉斯加和加拿大西部进行,为期 8 到 10 年。ABoVE 的研究将基于实地的过程级研究与机载和卫星传感器获得的地理空间数据产品联系起来,为提高分析和建模能力奠定了基础,这些能力是了解和预测北极和北方地区生态系统对气候变化的反应及其对社会的影响所必需的。

数据特征

空间覆盖范围:阿拉斯加、美国和加拿大

上方参考位置:

域:核心 ABoVE

州领土: 阿拉斯加州阿拉斯加州

空间分辨率3 千米

时间覆盖范围1980-09-01 至 2020-08-31

时间分辨率:每日

研究区域(所有经纬度均以十进制度表示)

Site

Westernmost Longitude

Easternmost Longitude

Northernmost Latitude

Southernmost Latitude

ABoVE core domain: Alaska, US, and Canada

-159.0263056

-84.32824167

70.10852222

49.80375833

数据文件信息

该数据集包含 615 个 NetCDF(*.nc4)格式的数据文件。这些文件提供了 1980 年 9 月 1 日至 2020 年 8 月 31 日期间覆盖 ABoVE 核心区域的 3 千米网格上的每日 SnowModel 模拟输出。表 1 列出了 15 个每日输出变量。

数据文件名为 SnowModel_variable_YYYY.nc4。数据文件中使用的变量名请参见表 1。YYYY 为 1980-2020 年。

表 1.数据文件中的变量。

Variable names used in data file names

Abbreviated variable names in .nc4 files

Units/format

Description

air_temperature

tair

degrees C

Air temperature

bulk_thermal_resistance

bthr

K W-1

Bulk snowpack thermal resistance

lwe_surface_snow_thickness

swed

m

Snow water equivalent depth

rain_precipitation

rpre

m

Precipitation from rain

relative_humidity

relh

%

Relative humidity

snowpack_base_runoff

roff

m

Runoff

snow_density

sden

kg m-3

Snow density

snow_depth

snod

m

Snow depth

snow­_melt

smlt

m

Snow melt

snow_precipitation

spre

m

Precipitation from snow

surface_snow_sublimation

ssub

m

Snow sublimation

surface_temperature

tsfc

Degrees C

Surface (skin) temperature

total_precipitation

prec

m

Total precipitation

wind_direction

wdir

degrees from True North

Wind direction

wind_speed

wspd

m s-1

Wind speed

坐标信息

投影:ABoVE 标准阿尔伯斯锥形等面积

Spheroid: 6378137,298.2572221010042,

单位: 度,0.0174532925199433、

参数:标准平行 1,50、

参数:标准平行度 2,70、

参数:中心纬度,40、

参数:中心经度,-135、

参数:假东经,0、

参数: 假北纬, 0、

权威性:EPSG 9001、

+proj=aea +lat_1=50 +lat_2=70 +lat_0=40 +lon_0=-135 +x_0=0 +y_0=0 +ellps=GRS80 +units=m +noo_defs

配套文件

有关 SnowModel 的其他详细信息,请参阅配套文件:SnowModel_Summary_ABOVE_Core_Domain_3km.pdf。

应用和推导

MicroMet (Liston and Elder 2006b) 和 SnowModel (Liston and Elder 2006a; also see appendices in Liston et al., 2020) 已被广泛用于气候、水文、遥感、野生动物、植被、雪崩、冰川和冰盖质量平衡及其他研究。这些研究的成果包括:确定夏威夷莫纳克亚山顶附近与雪有关的威基虫(Nysius wekiuicola)种群健康状况和分布;绘制阿拉斯加、斯瓦尔巴特群岛和弗朗兹约瑟夫陆地的北极熊(Ursus maritimus)产仔窝栖息地地图;量化北半球每块面积大于 1 平方公里的冰川的年度质量平衡;模拟美国西部的雪水资源,用于水资源管理和基础设施建设。模拟美国西部的雪水资源,用于水资源管理和基础设施设计;模拟泛北极地区的雪属性趋势,用于气候应用。SnowModel 模拟的过程包括降雪;吹雪再分布和升华;林冠积雪拦截、卸载和升华;雪密度演变;以及雪堆成熟和融化。

MicroMet 和 SnowModel 已被用于模拟科罗拉多州、怀俄明州、爱达荷州、俄勒冈州、阿拉斯加州、加拿大北极地区、西伯利亚、日本、西藏、智利、德国、奥地利、斯瓦尔巴群岛、挪威、格陵兰岛、南极洲和北冰洋的积雪分布,作为各种冰雪研究的一部分。这些应用使用的网格增量从 1 米到 25 千米不等,空间范围从点到大陆不等,时间范围从数小时到数十年不等;有关这些研究的描述可在 180 多种有参考文献的出版物中找到(这些出版物的样本见 Liston 等人,2020 年)。

质量评估

像 SnowModel 这样复杂而全面的建模系统包含众多影响 ABoVE 核心域模拟的参数。然而,模型参数的误差通常小于当前可用大气强迫输入的误差。例如,Liston 等人(2020 年)指出,再分析降水强迫的误差大约在 50%到 200%之间,而再分析气温的不确定性会对诸如初雪和融雪期长度等产生很大影响。有关 MERRA-2 偏差和不确定性指标的分析,请参见 Bolosovich 等人(2015 年)。有了这些大气强迫误差,粒径和导热率等雪属性误差就相对不重要了;这些雪属性只会直接影响地表能量平衡中的传导项(传导通常只占能量预算的百分之几,甚至更少),这些雪属性只会间接影响雪温,从而影响雪密度(Liston 等,2020 年)。此外,在模拟的空间和时间范围内,没有足够的、高质量的雪观测数据可与我们的模型输出结果进行比较。由于这些原因,没有进行参数敏感性模拟作为 SnowModel ABoVE 应用的一部分;现有的 SnowModel 出版物套件中已经进行了此类模拟;更多信息请参见 Liston 等人 (2020)。

我们鼓励 ABoVE 数据集的用户将结果与实地观测结果进行比较,并反馈给数据作者,讨论是否需要对模型进行调整或数据同化,以改进模拟结果,满足其项目要求。

数据获取、材料和方法

该数据集提供了 1980 年 9 月 1 日至 2020 年 8 月 31 日期间 3 千米网格上的每日 SnowModel 模拟输出,涵盖 ABoVE 核心区域。SnowModel 处理模块包括 MicroMet、Enbal、SnowPack、SnowTran-3D、SnowAssim、SnowPack 和 SnowDunes:

MicroMet(微气象分布模型)--提供由气象站数据集和网格大气模型或(再)分析数据集提供的降尺度气象诱因(Liston 和 Elder,2006a)。 EnBal(地表能量平衡/融化模型)--估算地表能量交换(Liston 等人,1999 年)。 SnowPack(多层积雪模型)--雪深和水当量演变(Liston 和 Mernild,2012 年)。 SnowTran-3D(吹雪和飘雪模型)--雪在风力作用下的重新分布(Liston 等人,2007 年;Liston 和 Sturm,1998 年)。 SnowAssim(雪数据同化模型)- 同化可用的实地(即气象站)和遥感数据集(Liston 和 Hiemstra,2008 年)。 雪丘--雪丘模拟的雪面特征代表了在相对平坦、未变形的海冰上由局部、O(1-10 米)、侵蚀和沉积特征形成的所有积雪分布。更多信息请参考 Filhol 和 Sturm (2015) 以及 Doumani (1967)。 SnowModel 的输入包括气象强迫数据(包括气象站数据和再分析数据)、环境输入数据(土地覆盖和地形)以及雪观测数据(地面观测数据以及卫星和飞机的遥感雪观测数据)。

更多信息,请参阅配套文件 SnowModel_Summary_ABOVE_Core_Domain_3km.pdf。

代码

代码语言:javascript
复制
!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="ABoVE_SnowModel_Data_2105",
    cloud_hosted=True,
    bounding_box=(-176.91, 49.8, -84.33, 75.84),
    temporal=("1980-09-01", "2020-08-31"),
    count=-1,  # use -1 to return all datasets
    return_gdf=True,
)
 
 
gdf.explore()
 
#leafmap.nasa_data_download(results[:5], out_dir="data")

引用

Liston, G.E., A.K. Reinking, and N.T. Boleman. 2023. Daily SnowModel Outputs Covering the ABoVE Core Domain, 3-km Resolution, 1980-2020. ORNL DAAC, Oak Ridge, Tennessee, USA. Daily SnowModel Outputs Covering the ABoVE Core Domain, 3-km Resolution, 1980-2020, https://doi.org/10.3334/ORNLDAAC/2105

网址推荐

0代码在线构建地图应用

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

机器学习

https://www.cbedai.net/xg

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2024-05-24,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 简介
    • 摘要
      • 数据特征
        • 数据文件信息
          • 坐标信息
            • 配套文件
              • 应用和推导
                • 质量评估
                  • 数据获取、材料和方法
                  • 代码
                  • 引用
                    • 网址推荐
                      • 0代码在线构建地图应用
                        • 机器学习
                        领券
                        问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档