​

 ATom: CAM-chem/CESM2 Model Outputs Along Flight Tracks, 2016-2018

ATom：2016-2018 年沿飞行轨迹的 CAM-chem/CESM2 模型输出

简介

该数据集包含沿 ATom 飞行轨迹的 CAM-chem（带化学的共同体大气模型）模型输出。 CAM-chem 是共同体地球系统模式第二版（CESM2）的一个组成部分，用于模拟全球对流层和平流层的大气成分以及研究化学与气候的相互作用。 一般来说，CAM-chem 使用 MOZART 化学机制，对流层和平流层化学有不同的复杂性选择。 对于本数据集，CAM-chem 使用了 MOZART-TS1 化学机制，并根据 MERRA2 的再分析气象学对模型进行了调整。

摘要

大气层析成像飞行任务（ATom）是美国航天局地球风险亚轨道-2 飞行任务。 它研究人类造成的空气污染对温室气体和大气中化学反应气体的影响。 ATom 在美国航天局的 DC-8 飞机上部署了大量气体和气溶胶有效载荷，对大气层进行系统的全球范围采样，从 0.2 公里到 12 公里高度连续进行剖面分析。 在 4 年的时间里，在四个季节的每个季节都进行了飞行。

ATom（Atmospheric Tomography）是一个国际合作研究项目，旨在对全球大气中有机物、气溶胶和气体中的人为及天然源特征进行细致研究。为了实现这一目标，ATom项目使用了CAM-chem（Community Atmospheric Model with Chemistry）模型和CESM2（Community Earth System Model, version 2）模型。

ATom: CAM-chem/CESM2 Model Outputs Along Flight Tracks, 2016-2018数据是由ATom项目收集的一组数据，包含了2016年至2018年期间通过ATom航班轨迹收集的CAM-chem/CESM2模型输出的数据。这些数据提供了全球大气中有机物、气溶胶和气体浓度及特征的详细信息。

数据集包含了多个变量，包括但不限于：

1. 温度：包括气温、水平风速、垂直风速等信息。
2. 大气成分：包括臭氧、氮氧化物、二氧化碳等信息。
3. 气溶胶：包括气溶胶质量浓度、气溶胶尺寸分布等信息。
4. 有机物：包括挥发性有机化合物、多环芳烃等信息。

这些数据可以用于研究全球大气中有机物、气溶胶和气体的分布和变化规律，以及它们对气候变化和空气质量的影响。研究人员可以使用这些数据来验证模型的准确性，评估大气化学过程的模拟能力，并帮助改进大气化学模型。

ATom: CAM-chem/CESM2 Model Outputs Along Flight Tracks, 2016-2018数据是一个宝贵的资源，可以帮助科学家更好地理解和模拟大气化学过程，为应对气候变化和改善空气质量提供科学依据。

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_ASCENDS_XCO2_2050",
    cloud_hosted=True,
    bounding_box=(-165.68, 34.59, -98.1, 71.28),
    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

Emmons, L., F. Lacey, and R. Schwantes. 2021. ATom: CAM-chem/CESM2 Model Outputs Along Flight Tracks, 2016-2018. ORNL DAAC, Oak Ridge, Tennessee, USA. https://doi.org/10.3334/ORNLDAAC/1878

网址推荐

知识星球

知识星球 | 深度连接铁杆粉丝，运营高品质社群，知识变现的工具 (zsxq.com)https://wx.zsxq.com/group/48888525452428

机器学习

https://www.cbedai.net/xg 

​