​

 ATom：2016-2018 年航空包裹沿飞行轨道的后向轨迹和影响因素

ATom: Back Trajectories and Influences of Air Parcels Along Flight Track, 2016-2018

简介

该数据集包含2016年至2018年四次ATom活动期间NASA DC-8飞机飞行轨迹沿线气团的后向轨迹、边界层影响和对流影响。 使用美国国家环境预报中心（NCEP）的全球预报系统（GFS）和用于研究和应用的现代-年代回溯分析第 2 版（MERRA2）气象学对回溯轨迹进行了插值。 回溯轨迹分析通过模拟气团在时间上的回溯路径来确定气团的起源。 它可用于更好地了解大气化合物的来源。 边界层影响是根据 30 天回溯轨迹确定的。 大气边界层是对流层中直接受地球表面影响的最低部分。 边界层影响风的模式，进而影响污染物和其他相关大气化合物的扩散。 对流影响基于 10 天回溯轨迹和 NASA 兰利云产品。 对流影响模拟对流对水汽在大气中移动的影响，这种影响会影响云的行为。

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 在美国国家航空航天局的 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：Back Trajectories and Influences of Air Parcels Along Flight Track，2016-2018是一组关于大气中空气包在飞行轨迹上的后向轨迹和影响的数据。

这些数据由NASA的ATom（Atmospheric Tomography Mission）项目收集和提供，目的是研究全球大气中气体和气溶胶的水平和垂直分布，以了解大气化学和气候变化。该项目在2016年至2018年期间进行了四次飞行，分别在夏季和冬季进行，覆盖了北半球和南半球的低纬度和高纬度地区。

这些数据包括了从飞机上采集到的大气样本的后向轨迹和气象条件。后向轨迹是通过使用ATom飞机上搭载的气象风场数据和模型来推算出的。这些轨迹显示了采样位置的来源地区和路径，可用于分析大气污染物的来源和传输路径。

此外，数据还包括了沿飞行轨迹的气象条件和气象参数，例如温度、湿度、气压、风速和风向。这些参数对于研究大气层的物质交换、混合和输送非常重要。

ATom的数据集可以为科学家们提供关于全球大气中空气包的起源、传输和改变的详细信息。这对于理解大气化学和气候变化以及制定相应的政策和措施具有重要意义。

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="ATom_FlightTrack_Influences_1889",
    cloud_hosted=True,
    bounding_box=(-180.0, -90.0, 180.0, 90.0),
    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

Ray, E.A. 2021. ATom: Back Trajectories and Influences of Air Parcels Along Flight Track, 2016-2018. ORNL DAAC, Oak Ridge, Tennessee, USA. https://doi.org/10.3334/ORNLDAAC/1889

网址推荐

0代码在线构建地图应用

https://www.mapmost.com/#/?source_inviter=CnVrwIQs

机器学习

https://www.cbedai.net/xg