​

 AMSR-E L2 Rainfall Subset, collocated with CloudSat track V002 (AMSERR_CPR) at GES DISC

AMSR-E L2 降雨子集，与位于 GES DISC 的 CloudSat 轨道 V002 (AMSERR_CPR) 位于同一地点 

简介

这是沿云卫星视场轨迹的 AMSR-E 雨率产品子集。子集的目标是选择并返回云卫星轨道-100 公里范围内的 AMSR-E 数据。因此，所产生的子集扫描范围为 45 像素跨轨道。除此之外，还尽一切努力保留源全尺寸数据的原始 HDF-EOS 格式。

美国航天局 EOS Aqua 卫星上的高级微波扫描辐射计-地球观测系统（AMSR-E）仪器对陆地、海洋和大气变量进行全球被动微波测量，用于研究水和能量循环。

  最初的全尺寸产品是 Level-2B 扫频产品（AE_Rain），它包含从 Level-2A 亮度温度（AE_L2A）生成的降雨率和降雨类型（对流与层状）的瞬时测量值。戈达德太空飞行中心（GSFC）的剖面算法可确定海洋地区的降雨率和降雨类型，而修正的GSFC剖面算法可确定陆地地区的降雨率和降雨类型。数据以 HDF-EOS (HDF4) 格式存储，从 2002 年 6 月 18 日开始提供，直到 2011 年 10 月 AMSR-E 仪器因天线问题关闭为止。

- **🛰️ AMSR-E L2 Rainfall Subset** 这是一个包含AMSR-E雨量子集的数据集，与GES DISC上的CloudSat轨道V002（AMSERR_CPR）相对应。[来源](https://monica.im/s/Cu7SftCzdK)

- **🌧️ AMSR-E雨量产品** 该数据集是AMSR-E雨量产品的子集，与CloudSat轨道V002（AMSERR_CPR）在GES DISC上进行对应。[来源](https://monica.im/s/Cu7SftCQgM)

- **🚀 GES DISC** GES DISC是地球科学数据信息服务中心，提供各种卫星数据集和信息。[来源](https://monica.im/s/Cu7SfvTmgg)

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="AMSRERR_CPR",
    cloud_hosted=True,
    bounding_box=(-180, -90, 180, 90),
    temporal=("2006-06-01", "2011-07-12"),
    count=-1,  # use -1 to return all datasets
    return_gdf=True,
)
 
 
gdf.explore()
 
#leafmap.nasa_data_download(results[:5], out_dir="data")

引用

Global Hydrology Resource Center/MSFC/NASA. GES DISC. 2009-03-01. AMSRERR_CPR. Version 002. AMSR-E L2 Rainfall Subset, collocated with CloudSat track V002. Greenbelt, MD, USA. AMSRERR_CPR. Archived by National Aeronautics and Space Administration, U.S. Government, Goddard Earth Sciences Data and Information Services Center (GES DISC). https://disc.gsfc.nasa.gov/datacollection/AMSRERR_CPR_002.html. Digital Science Data

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 

​