​

 ARCTAS_Radiation_AircraftInSitu_P3B_Data

ARCTAS P-3B 飞机辐射原位数据

简介

ARCTAS_AircraftInSitu_Radiation_P3B_Data 是在 P-3B 飞机上收集的原位辐射数据，是 “北极飞机和卫星对流层成分研究”（ARCTAS）亚轨道活动的一部分。该产品中的数据是通过宽带辐射计（BBR）和太阳光谱通量辐射计（SSFR）收集的。该产品的数据收集工作已经完成。北极是了解气候变化的关键地区。北极对环境扰动（如气候变暖、污染以及欧亚大陆北部和北美洲森林大火的排放）的反应包括冰原和永久冻土融化、雪反照率下降以及海盐气溶胶中的卤素自由基化学沉积到冰上等关键过程。ARCTAS是一项实地活动，旨在探索与北极地区高度气候敏感性有关的环境过程。ARCTAS 是美国航天局为 2007-2008 国际极地年国际全球大气化学（IGAC）极地研究使用飞机、遥感、地表测量和气候、 化学、气溶胶和传输模型（POLARCAT）实验做出贡献的一部分。该实验有四个主要目标。首先是了解污染向北极的长程飘移。从北部中纬度大陆带到北极的污染会对环境造成影响，例如改变区域和全球气候，影响臭氧预算。在北极遥感卫星发现之前，这些途径在很大程度上仍不确定。第二个目标是了解北方森林火灾的大气成分和对气候的影响；森林火灾排放的烟雾通过影响辐射预算和云层过程以及促进对流层臭氧的生成，对北极的大气造成扰动。第三个目标是了解气候扰动产生的气溶胶辐射强迫，因为北极地区气候变化速度快，辐射环境独特，是了解辐射强迫的重要场所。北极研究与培训计划的第四个目标是了解化学过程，重点是臭氧、气溶胶、汞和卤素。此外，北极研究与培训计划还寻求发展将飞机和卫星提供的与北极污染和相关环境扰动有关的数据纳入地球科学模型的能力，从而扩大这些模型预测未来环境变化的潜力。ARCTAS 包括 2008 年 4 月和 7 月进行的两次为期三周的飞机部署。春季部署旨在探索北极雾霾、平流层-对流层交换和日出光化学。之所以选择四月作为部署阶段，是因为从历史上看，四月是北极中纬度大陆北部污染季节性积累的高峰期。夏季部署旨在了解北方森林火灾最活跃的季节阶段，以及平流层-对流层交换和夏季光化学。在 ARCTAS 期间，美国国家航空航天局的三架飞机（DC-8、P-3B 和 BE-200）进行了测量，并配备了现场和遥感仪器套件。机载数据与来自 AURA、AQUA、CloudSat、PARASOL、CALIPSO 和 MISR 的卫星观测数据结合使用。ASDC 保存了 ARCTAS 飞机的数据以及与 MISR 有关的数据，MISR 是 Terra 卫星上的一个卫星仪器，提供有关地球环境和气候的测量数据。

Platforms

P-3B

Instruments

SSFR, RADIOMETERS

Data Formats

Distribution: ICARTT

Temporal Extent

2008-03-29 to 2008-07-12

Data Centers

NASA/LARC/SD/ASDC

Spatial Extent

n/a

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="ARCTAS P-3B Aircraft Radiation In-situ Data",
    cloud_hosted=True,
    bounding_box=(-165.68, 34.59, -98.1, 71.28),
    temporal=("2008-03-29", "2008-07-12"),
    count=-1,  # use -1 to return all datasets
    return_gdf=True,
)
 
 
gdf.explore()
 
#leafmap.nasa_data_download(results[:5], out_dir="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