CARVE：AMSR-E 和 SSM/I 观测到的 2003-2014 年阿拉斯加北方和北极地区每日解冻状态

举报
此星光明 发表于 2025/05/08 14:45:54 2025/05/08
【摘要】 CARVE: Daily Thaw State of Boreal and Arctic Alaska from AMSR-E and SSM/I, 2003-2014简介该数据集提供阿拉斯加和北极北方陆地表面状态的每日 10 公里分辨率地图，包括冻结、融化和解冻状态。这些数据来自 2003 年至 2014 年先进微波扫描辐射计（AMSR-E）和特殊传感器微波成像仪（SSM/I）的被动微波辐...

CARVE: Daily Thaw State of Boreal and Arctic Alaska from AMSR-E and SSM/I, 2003-2014

简介

该数据集提供阿拉斯加和北极北方陆地表面状态的每日 10 公里分辨率地图，包括冻结、融化和解冻状态。这些数据来自 2003 年至 2014 年先进微波扫描辐射计（AMSR-E）和特殊传感器微波成像仪（SSM/I）的被动微波辐射计观测数据。数据产品与北极水库碳脆弱性实验（CARVE）期间进行的科学数据收集工作重叠。


数据产品是使用时间序列奇异性分类器生成的，该分类器可检测时间序列数据中与土壤或积雪冻融期间发生的地表水文剧烈变化相关的不连续变化或边缘。分类器使用连续小波变换和多尺度分析，对来自频率通道组合的光谱梯度亮度温度进行分析，以识别和区分融雪时间、无雪季节长度和地表再冻结。融雪是通过 K a 波段观测亮度温度的昼夜变化确定的。冻融是通过 K 和 K a 波段观测值之间的梯度以及 C 和 X 波段观测值（如有）来确定的。


该数据集包含 15 个年度每日陆地表面状态的 NetCDF 文件 (*.nc) 和 15 个相应地图图像 (*.png) 的配套文件 (*.zip)。


摘要

Table 1. Variables in the AMSR-E data files

Variable name Units Description
time days Days since 1970-01-01
freeze_melt_thaw 0: snow/frozen; 1: snowmelt; 2: snow-free/thawed Combined diurnal difference snowmelt and freeze/thaw state from spectral slope 36.5V-18.7V GHz
freeze_thaw_hf 0: frozen, 1: thawed Freeze/thaw state from spectral slope 36.5V-18.7V GHz (X- and C-band algorithm)
freeze_thaw_lf 0: frozen, 1: thawed Freeze/thaw state from spectral slope 10.7V-6.9V GHz (Ka- and K-band algorithm)
lat degrees north latitude coordinate
lon degrees east longitude coordinate
snow_melt 0: dry snow/thawed land, 1: snowmelt Surface state, diurnal difference classifier


Table 2. Variables in the SSM/I data files

Variable name Units Description
time days Days since 1970-01-01
freeze_melt_thaw 0: snow/frozen; 1: snowmelt; 2: snow-free/thawed Combined diurnal difference snowmelt and freeze/thaw state from spectral slope 37.0V-19.35V GHz
freeze_thaw 0: frozen, 1: thawed Freeze/thaw state from spectral slope 37.0V-19.35V GHz (X- and C-band algorithm)
lat degrees north latitude coordinate
lon degrees east longitude coordinate
snow_melt 0: dry snow/thawed land, 1: snowmelt Surface state, diurnal difference classifier 

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"
df = pd.read_csv(url, sep="\t")
df
 
leafmap.nasa_data_login()
 
 
results, gdf = leafmap.nasa_data_search(
    short_name="CARVE_Land_Thaw_State_1383",
    cloud_hosted=True,
    bounding_box=(-168.11, 58.84, -131.75, 71.56),
    temporal=("2013-08-12", "2015-11-13"),
    count=-1,  # use -1 to return all datasets
    return_gdf=True,
)
 
 
gdf.explore()
 
#leafmap.nasa_data_download(results[:5], out_dir="data")

​

【声明】本内容来自华为云开发者社区博主，不代表华为云及华为云开发者社区的观点和立场。转载时必须标注文章的来源（华为云社区）、文章链接、文章作者等基本信息，否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱： cloudbbs@huaweicloud.com
Python 大数据 数据挖掘 遥感
  • 点赞
  • 收藏
  • 关注作者

评论（0）

0/1000
抱歉，系统识别当前为高风险访问，暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称，即可参与社区互动！

*长度不超过10个汉字或20个英文字符，设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符，设置后3个月内不可修改。

确认 取消

加入云驻计划，成为创作者

  • 华为云周边好礼
  • 免费体验产品
  • 特殊身份标识
  • 线下官方门票
  • 内部专家零距离
  • 与10000+优质创作者共同成长
立即加入