​

 AMSR-E/Aqua Daily L3 Global Ascending/Descending .25x.25 deg Ocean Grids V002

简介

第三级每日产品（AE_DyOcn）、每周产品（AE_WkOcn）和每月产品（AE_MoOcn）包括海洋上空的海温、近地面风速、柱状水汽和柱状云液态水，由 AE_Ocean 生成，网格为 0.25 度乘 0.25 度。

2B 级海洋产品算法基于（Wentz 和 Meissner，2000 年）中描述的物理辐射传输模型（RTM）。RTM 由水汽、氧气、液态云水的大气吸收模型和海面发射率模型组成，该模型将发射率参数化为海面温度、海面盐度、海面风速和风向的函数。 最近版本的算法更新了模型的一些组成部分，包括海水和云水的介电常数（Meissner 和 Wentz，2004 年）、各向同性风引起的海面发射率（Meissner 和 Wentz，2006 年）以及海面发射率的风向信号（Meissner 和 Wentz，2002 年）和（Meissner 和 Wentz，2006 年）。例如，在 AMSR-E 频率 6.9 GHz 时，v-pol 亮度温度相对于 SST 的导数约为 0.5（Wentz 和 Meissner，2007 年）。除了 SST 外，亮度温度还取决于海面粗糙度以及大气温度和湿度剖面。需要注意的是，海面粗糙度与当地风力密切相关，通常以近海面风速和风向为参数。幸运的是，海面粗糙度和大气的光谱和极化特征与海温特征截然不同，在多频率和多极化同时观测的情况下，可以确定和检索这些效应的影响。 AMSR-E 有 10 个信道，分别对应 5 个频率（6.9、10.7、18.7、23.8 和 36.5 GHz）和 2 个极化（v-pol 和 h-pol），足以分离 SST、风和大气（水汽、云和雨）信号。

数据介绍

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="AE_DyOcn",
    cloud_hosted=True,
    bounding_box=(-180.0, -89.24, 180.0, 89.24),
    temporal=("2002-06-19", "2011-10-03T"),
    count=-1,  # use -1 to return all datasets
    return_gdf=True,
)
 
 
gdf.explore()
 
#leafmap.nasa_data_download(results[:5], out_dir="data")

引用

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