​

 ABoVE: Active Layer Thickness from Airborne L- and P- band SAR, Alaska, 2017, Ver. 3

简介

文件修订日期：2022-09-15

数据集版本: 3

摘要

本数据集以 30 米的分辨率提供了整个 ABoVE 域 51 个站点（包括阿拉斯加的 39 个站点和加拿大西北部的 12 个站点）的季节性沉降、活动层厚度 (ALT)、垂直土壤水分剖面和不确定性的估计值。ALT和土壤水分剖面检索同时使用L波段和P波段合成孔径雷达（SAR）数据，这些数据由NASA/JPL无人驾驶飞行器合成孔径雷达（UAVSAR）仪器在2017年北极极地脆弱性实验（ABoVE）机载活动中获取。数据以 NetCDF 第 4 版格式提供，并附有一个用于根据数据估算土壤体积含水量的 python 脚本。
该产品由永冻土动力学观测站（PDO）项目创建，用于估算 2017 年 6 月和 9 月获取的 L 波段干涉合成孔径雷达（InSAR）对中由于活动层融化而导致的季节性下沉。它还通过机载下冠层和下表面微波观测站（AirMOSS）在 8 月份获取的 P 波段极坐标合成孔径雷达（PolSAR）反向散射来估算土壤体积含水量（VWC）的垂直剖面。联合检索同时使用 L 波段和 P 波段反向散射得出的季节性沉降来估算 ALT 和垂直土壤水分剖面以及不确定性。

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。

空间覆盖范围：整个 ABoVE 域的 51 个站点，包括阿拉斯加的 39 个站点和加拿大的 12 个站点

ABoVE 参考地点

域：ABoVE 核心区域和扩展区域

州/地区：阿拉斯加州、育空地区、西北地区

网格单元：见表 1

空间分辨率30 m

时间覆盖范围：2017-06-19 至 2017-09-16

时间分辨率：估算值为一次性估算值。地表变形估算值代表 2017 年解冻季节发生的沉降。解冻深度和土壤水分估算值被认为代表最大解冻时的活动层土壤剖面，在这种情况下，解冻深度相当于 2017 年的 ALT。

表 1.研究区域。纬度和经度以十进制度表示。

数据文件信息

这里有 51 个 netCDF 第 4 版 (*.nc4) 格式的文件（每个站点一个），以及一个根据数据估算土壤容积含水量的 python 脚本。

netCDF 文件命名为 PDO_ReSALT_site_2017_03.nc4（例如，PDO_ReSALT_aklavi_2017_03.nc4），其中站点作为站点代码提供在表 1 中。

为用户提供了 Python 脚本文件 generate_pdo_soil_vwc.py，用于生成平均到感兴趣深度的土壤容积含水量（VWC）。该脚本需要使用 numpy 和 gdalr 库。执行脚本的步骤如下

python generate_pdoo_soil_vwc.py -s site_code -a depth_avg_in_cm

其中，site_code 是表 1 中列出的站点，depth_avg_in_cm 是以厘米为单位的平均深度。

数据文件详情

缺失值用 -9999 表示。

使用的投影为 "Canada_Albers_Equal_Area_Conic"（EPSG:102001）；Proj.4 字符串："+proj=aea +lat_1=50 +lat_2=70 +lat_0=40 +lon_0=-96 +x_0=0 +y_0=0 +ellps=GRS80 +datum=NAD83 +units=m no_defs"。

应用与推导

土壤湿度和活动层厚度（ALT）是了解高纬度地区永久冻土和活动层动态如何应对气候变暖的关键变量。InSAR 等遥感技术提供了测量 ALT 的方法（Liu 等，2012 年）。

质量评估

InSAR 相关数据用于掩盖不良数据和不确定性量化。相干性小于 0.35 的差相关像素被屏蔽，因为它们不能提供可靠的相位估计值。利用克拉默-拉奥约束（Tough 等人，1995 年）对 InSAR 相关性的相位不确定性进行估计，并将其转换为厘米级的下沉不确定性。由于在一个解冻季节内缺乏重复的时间机载观测，Cramer-Rao 边界估计值被认为是下限估计值，实际的不确定性可能比我们报告的要大。尽管如此，对相位校准不确定性的经验估算得出的点值约为 0.5-1.0 厘米。不确定值的合理范围在克拉默-拉奥边界和 1.0-2.0 厘米之间。

根据绝对辐射校准，P 波段 PolSAR 后向散射的不确定性假定为 0.5 dB（Chapin 等人，2015 年）。根据前向模型，构建了一个包含所有可能解决方案的数据立方体。所有解决方案的成本函数值均小于 P 波段后向散射不确定性。这些解决方案的平均值被报告为所需地球物理变量的最佳估计值，标准偏差被报告为不确定性。

数据采集、材料和方法
InSAR 处理

InSAR 利用不同时间获取的合成孔径雷达图像之间的相位差，生成雷达视线方向上的地表变形干涉图。对 NASA/JPL UAVSAR (https://uavsar.jpl.nasa.gov) 提供的干涉相位采用 SNAPHU 算法（Chen 和 Zebker，2002 年）进行解包。从视线（LOS）观测几何图形解包的干涉相位被转换为垂直运动（Chen 等人，2016 年）。大气和对流层含水量的变化会给干涉相位值带来偏差（Jolivet 等人，2011 年）。对于有明显大气噪声的扫面，采用高通滤波器去除与大气相关的长度尺度上的信号（Lohman 和 Simons，2005 年）。

日测温数据（Thornton 等人，2016 年）用于生成每个站点的累计解冻度日（ADDT）时间序列。利用 ADDT 时间序列对测量的下沉量进行调整，以估算解冻季节期间活动层的季节性总下沉量。对 Schaefer 等人（2015 年）的技术进行了修改，以根据整个解冻季节与 L 波段合成孔径雷达图像采集日期之间的 ADDT 差值来调整测得的下沉量。有些站点未包含 ADDT 修正，在第三版处理过程中添加了 ADDT 修正。

参考站点的已知沉降值用于将相对阶段转换为绝对季节沉降。如果有可靠的 ALT 原位实地测量数据，则使用土壤膨胀模型将其转换为季节下沉值（Schaefer 等人，2015 年；Michaelides 等人，2019 年）。对于没有可靠原位数据的地点，根据全场景相对变形值直方图，将变形的第 5 百分位数选为零。所有季节性形变、相关性和形变不确定性的估计值都投影到 30 米 ABoVE 参考网格上。

数据版本

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="ABoVE_ReSALT_InSAR_PolSAR_V3_2004",
    cloud_hosted=True,
    bounding_box=(-166.73, 57.83, -110.42, 71.52),
    temporal=("2017-07-20", "2017-08-08"),
    count=-1,  # use -1 to return all datasets
    return_gdf=True,
)
 
 
gdf.explore()
 
#leafmap.nasa_data_download(results[:5], out_dir="data")

引用

Chen, R.H., R.J. Michaelides, J. Chen, A.C. Chen, L.K. Clayton, K. Bakian-Dogaheh, L. Huang, E. Jafarov, L. Liu, M. Moghaddam, A.D. Parsekian, T.D. Sullivan, A. Tabatabaeenejad, E. Wig, H.A. Zebker, and Y. Zhao. 2022. ABoVE: Active Layer Thickness from Airborne L- and P- band SAR, Alaska, 2017, Ver. 3. ORNL DAAC, Oak Ridge, Tennessee, USA. ABoVE: Active Layer Thickness from Airborne L- and P- band SAR, Alaska, 2017, Ver. 3, https://doi.org/10.3334/ORNLDAAC/2004

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 

​