NASA数据集——GOES-16卫星的高级图像和地球观测数据

简介

GHRSST NOAA/STAR GOES-16 ABI L2P America Region SST v2.70 dataset in GDS2

ABI_G16-STAR-L2P-v2.70是美国国家航空航天局(NASA)的一种卫星数据处理产品。这个产品是由GOES-16(也称为GOES-East)卫星的先进基线/全球地球观测系统(ABI)仪器生成的。STAR代表科学技术高级研究所,L2P代表Level 2产品,v2.70表示版本号。这个数据产品包含了来自GOES-16卫星的高级图像和地球观测数据,用于气象预报、气候研究等领域。前言 – 人工智能教程

GOES-16(G16)是美国国家海洋和大气管理局第三代地球静止业务环境卫星(GOES)的首颗卫星,又称GOES-R系列(还将包括-S、-T和-U)。G16于2016年11月19日发射升空,最初被置于西经89.5度的临时位置,介于GOES-East和-West之间。2018 年 12 月 Cal/Val 完成后,它被移至西经 75.2 度的永久位置,并于 2018 年 12 月 18 日宣布 NOAA 运行 GOES-East。诺阿负责所有 GOES-R 产品,包括高级基线成像仪(ABI)的海面温度(SST)。与传统的 GOES-I/P 成像仪相比,高级基线成像仪大大增强了 SST 的检索能力,包括 16 个窄波段中可用于 SST 的 5 个波段(以 3.9、8.4、10.3、11.2 和 12.3 微米为中心),以及精确的传感器校准、图像导航和共配准、光谱保真度和复杂的预处理(地理校正、辐射均衡和制图)。从 35800 公里的高空,G16/ABI 可以精确绘制西经 15-135 度、南纬 60-60 度的全圆盘(FD)区域的 SST 地图,天底的空间分辨率为 2 公里(视角天顶角 67 度时降为 15 公里),时间采样为 10 分钟(2019 年 4 月 2 日之前为 15 分钟)。二级预处理(L2P)的 SST 产品是利用 NOAA 海洋高级晴空处理器(ACSPO)系统按照传感器的原始分辨率生成的。ACSPO 首先处理每 10 分钟的 FD 数据,然后使用 ACSPO 晴空掩模(ACSM;Petrenko 等,2010 年)和非线性 SST(NLSST)算法(Petrenko 等,2014 年)从 BT 中得出 SST。目前,只使用了以 8.4、10.3、11.2 和 12.3 微米为中心的 4 个长波波段(最初排除了 3.9 微米波段,以尽量减少昼夜周期中可能存在的不连续性)。回归是根据 NOAA iQuam 系统(Xu 和 Ignatov,2014 年)中漂流浮标和热带系泊浮标的原地海温质量控制数据进行调整的。随后对 10 分钟 FD 数据进行及时整理,生成 1 小时 L2P 产品,与单个 10 分钟图像相比,覆盖范围更广,云泄漏和图像噪声更小。在整理后的 L2P 中,只报告晴空水域像素(定义为海洋、海域、湖泊或河流,最远为内陆 5 公里)的 SST 和 BT 值,其他地方则为填充值。L2P 以 netCDF4 GHRSST 数据规范第 2 版(GDS2)格式报告,每天 24 个粒度,数据总量为 0.6GB/天。除 SST 外,ACSPO 文件还包括太阳传感器几何图形、ABI 波段 11(8.4um)、13(10.3um)、14(11.2um)和 15(12.3um)的四个 BT 以及波段 2 和 3(0.64um 和 0.86um;用于云识别)的两个反射率。l2p_flags 图层包括昼/夜、陆地、冰、黄昏和闪光标志。其他变量包括 NCEP 风速和 ACSPO SST 减去参考 SST(加拿大气象中心 0.1deg L4 SST;见 https://podaac.jpl.nasa.gov/dataset/CMC0.1deg-CMC-L4-GLOB-v3.0)。由于各粒度之间保持不变,因此粒度中不报告像素级地球位置。用户可以选择使用平面 lat-lon 文件或 Python 脚本来获取这些位置,两者都可在 ftp://ftp.star.nesdis.noaa.gov/pub/socd4/coastwatch/sst/nrt/abi/nav/ 上获取。根据 GDS2 规范,每个像元还会报告两个额外的传感器特定误差统计层(SSES 偏差和标准偏差)。ACSPO VIIRS L2P 产品通过卫星质量监测器 SQUAM(Dash 等人,2010 年)进行监测并与原位数据进行验证(Xu 和 Ignatov,2014 年),BT 则通过 MICROS 中的 RTM 模拟进行验证(Liang 和 Ignatov,2011 年)。此外,还可在 https://podaac.jpl.nasa.gov/dataset/ABI_G16-STAR-L3C-v2.70 网站上获得一个缩小的(0.2GB/天)、等角网格化(0.02 度分辨率)的 ACSPO L3C 产品,其中报告了网格化的 L2P SST,省略了 BT 层。

Version2.70
Processing Level2P
Start/Stop Date2017-Dec-15 to Present
Short NameABI_G16-STAR-L2P-v2.70

分辨率

空间分辨率: 2000 米 x 2000 米
时间分辨率每小时 - < 每天
 

覆盖范围

区域: 西大西洋西大西洋
区域:大西洋
北界坐标:59 度
南侧坐标: -59度
西边界坐标: -135 度
东边界坐标: -15度
时间跨度:2017 年 12 月 15 日至今
颗粒时间跨度:2017 年 12 月 15 日至 2024 年 3 月 02 日
扫描带宽:7 千米 

数据下载链接:

Sort By

代码:

!pip install leafmap
!pip install pandas
!pip install folium
!pip install matplotlib
!pip install mapclassifyimport pandas as pd
import leafmapurl = "https://github.com/opengeos/NASA-Earth-Data/raw/main/nasa_earth_data.tsv"
df = pd.read_csv(url, sep="\t")
dfleafmap.nasa_data_login()results, gdf = leafmap.nasa_data_search(short_name="ABI_G16-STAR-L2P-v2.70",cloud_hosted=True,bounding_box=(-135.0, -59.0, -15.0, 59.0),temporal=("2020-01-15", "2020-02-28"),count=-1,  # use -1 to return all datasetsreturn_gdf=True,
)gdf.explore()#leafmap.nasa_data_download(results[:5], out_dir="data")

结果

数据引用

NOAA/NESDIS/STAR. 2019. GHRSST L2P ACSPO America Region SST from GOES-16 ABI. Ver. 2.70. PO.DAAC, CA, USA. Dataset accessed [YYYY-MM-DD] at https://doi.org/10.5067/GHG16-2PO27 

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/731428.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

201909青少年软件编程(Scratch)等级考试试卷(三级)

青少年软件编程&#xff08;Scratch&#xff09;等级考试试卷&#xff08;三级&#xff09;2019年9月 第1题&#xff1a;【 单选题】 执行下面的脚本后&#xff0c;变量“分数”的值是多少&#xff1f;&#xff08;&#xff09; A:5 B:6 C:10 D:25 【正确答案】: C 【试题…

day18_支付宝支付项目部署(保存支付信息,支付接口,支付宝异步回调)

文章目录 1 支付1.1 需求说明1.2 支付宝支付1.2.1 产品介绍产品特色使用示例申请条件费率 1.2.2 接入准备1.2.3 手机网站支付快速接入1.2.4 官方demo研究 1.3 环境搭建(service-pay)1.4 后端接口1.4.1 保存支付信息实现流程说明查询订单接口开发openFeign接口定义代码实现添加依…

Kafka MQ 主题和分区

Kafka MQ 主题和分区 Kafka 的消息通过 主题 进行分类。主题就好比数据库的表&#xff0c;或者文件系统里的文件夹。主题可以被分为若干个 分区 &#xff0c;一个分区就是一个提交日志。消息以追加的方式写入分区&#xff0c;然 后以先入先出的顺序读取。要注意&#xff0c;由…

新一代 Git 工具,AI 赋能!深度集成、简化操作 | 开源日报 No.194

gitbutlerapp/gitbutler Stars: 7.2k License: NOASSERTION gitbutler 是一个基于 Git 的版本控制客户端。旨在为现代工作流程构建一个全新的 Git 分支管理工具。 虚拟分支&#xff1a;可以同时在多个分支上工作&#xff0c;而无需不断切换分支简化提交管理&#xff1a;通过拖…

勒索软件事件手册:综合指南

近年来&#xff0c;勒索软件攻击的频率和复杂程度都急剧增加。这些攻击的影响可能是毁灭性的&#xff0c;从经济损失到严重的运营中断。 这就是为什么对于希望防范这种网络安全威胁的企业来说&#xff0c; 强大的勒索软件事件响应手册是不可谈判的。 本指南旨在深入了解勒索软…

项目管理技巧分享:如何有效拆分复杂项目?

项目经理需要理清三个问题&#xff1a;1.项目的达成目标是什么&#xff0c;2.项目执行周期有多长&#xff0c;3.项目预计成本是多少&#xff1f;复杂项目在管理执行上难度都较大&#xff0c;通常需要进行分解&#xff0c;并且这个过程离不开项目管理系统的支持。这篇文章告诉你…

《解密云计算:企业之选》

前言 在当今数字化时代,企业面临着巨大的数据处理压力和信息化需求,传统的IT架构已经无法满足日益增长的业务需求。在这样的背景下,越来越多的企业开始转向云计算,以实现灵活、高效和可扩展的IT资源管理和利用。 云计算 云计算是一种基于互联网的计算模式,它通过将数据、…

【字符串】【分类讨论】【KMP】1163. 按字典序排在最后的子串

作者推荐 视频算法专题 本文涉及知识点 字符串 字典序 分类讨论 本题无法使用KMP&#xff0c;因为t1不段变化。 LeetCode1163. 按字典序排在最后的子串 给你一个字符串 s &#xff0c;找出它的所有子串并按字典序排列&#xff0c;返回排在最后的那个子串。 示例 1&#xf…

Windows 安装 Xinference

Windows 安装 Xinference 0. 引言1. 创建虚拟环境2. 安装 pytorch3. 安装 llama_cpp_python4. 安装 chatglm-cpp5. 安装 Xinference6. 设置 model 路径7. 启动 Xinference8. 查看 Cluster Information 0. 引言 Xorbits Inference&#xff08;Xinference&#xff09;是一个性能…

伊理威科技:新手开抖店的教程

在数字浪潮中&#xff0c;抖音小店如星火燎原&#xff0c;吸引无数创业者。你是否也心潮澎湃&#xff0c;想要一试身手?别急&#xff0c;让我们一步步揭开开店的神秘面纱。 注册流程。想象一下&#xff0c;你只需在抖音平台上点击“我要开店”&#xff0c;按提示填写相关信息&…

物联网在智慧城市建设中的关键作用:连接、感知、智能响应

一、引言 随着信息技术的飞速发展&#xff0c;物联网&#xff08;IoT&#xff09;技术已经渗透到我们生活的方方面面&#xff0c;特别是在智慧城市建设中发挥着至关重要的作用。智慧城市是指通过运用先进的信息和通信技术&#xff0c;实现城市基础设施、公共服务、交通管理、环…

opencv dnn模块 示例(24) 目标检测 object_detection 之 yolov8-pose 和 yolov8-obb

前面博文【opencv dnn模块 示例(23) 目标检测 object_detection 之 yolov8】 已经已经详细介绍了yolov8网络和测试。本文继续说明使用yolov8 进行 人体姿态估计 pose 和 旋转目标检测 OBB 。 文章目录 1、Yolov8-pose 简单使用2、Yolov8-OBB2.1、python 命令行测试2.2、opencv…

css clip-path polygon属性实现直角梯形

2024.3.8今天我学习了如何用css实现直角梯形的效果&#xff0c; 效果&#xff1a; 具体实现原理&#xff1a; 一、需要三个div&#xff1a; 外面一个大的div&#xff0c;里面左右两个小的div 我们需要先把第一个div变成直角梯形&#xff1a; 大概是这样&#xff0c;设置好之…

visual studio 将编译后的dll等文件自动复制到指定目录

编译后的文件dll等总要手动复制到指定目录下&#xff0c;为了解决这一繁琐的操作&#xff0c;可以直接设置在编译完成后&#xff0c;自动复制到目标目录 - 在解决方案资源管理器&#xff0c;选中项目右键-》选中属性-》在弹出的面板选择生成事件 - 在后期生成事件命令行里填写…

PCM会重塑汽车OTA格局吗(1)

目录 1.汽车OTA概述 2.ST如何考虑OTA&#xff1f; 2.1 Stellar四大亮点 2.2 PCM技术视角下的OTA 3.小结 1.汽车OTA概述 随着智能网联汽车的飞速发展&#xff0c;汽车OTA也越来越盛行&#xff1b; 目前来讲OTA分为FOTA和SOTA(Software-over-the-air)两种&#xff0c;区别…

【博士每天一篇文献-综述】Modular Brain Networks

阅读时间&#xff1a;2023-11-27 1 介绍 年份&#xff1a;2016 作者&#xff1a;Olaf Sporns&#xff0c;Richard Betzel&#xff0c;印第安纳大学心理与脑科学杰出教授 期刊&#xff1a; Annual review of psychology 引用量&#xff1a;1205 详细介绍了模块化大脑网络及其如…

UE5 UE4 开发常用工具AssetDeveTool

AssetDeveTool工具&#xff0c;支持UE5 5.0-.5.3 UE4 4.26/4.27 下载链接&#xff1a; 面包多 https://mbd.pub/o/bread/ZZubkphu 工坊&#xff1a; https://gf.bilibili.com/item/detail/1104960041 包含功能&#xff1a; 自动化批量展UV功能 快速选择功能 自动化批量减面功能…

京津冀光伏展

京津冀光伏展是一个旨在推动京津冀地区光伏产业发展的展览会。光伏产业是指利用太阳能光电转换技术&#xff0c;将太阳能转化为电能的产业。京津冀地区是中国重要的经济区域&#xff0c;也是光伏产业发展潜力很大的地区之一。京津冀光伏展为光伏企业提供了一个展示产品和技术的…

Springboot+vue的物业管理系统(有报告)。Javaee项目,springboot vue前后端分离项目。

演示视频&#xff1a; Springbootvue的物业管理系统&#xff08;有报告&#xff09;。Javaee项目&#xff0c;springboot vue前后端分离项目。 项目介绍&#xff1a; 本文设计了一个基于Springbootvue的物业管理系统&#xff0c;采用M&#xff08;model&#xff09;V&#xff…

【MapReduce】03.MapReduce框架原理

目录 1.InputFormat数据输入 1.1.切片与MapTask并行度决定机制 1.2.Job提交流程源码和切片源码 1.3.FileInputFormat切片机制 1.4.TextInputFormat 1.5.CombineTextInputFormat切片机制 1.6.CombineTextInputFormat 1.InputFormat数据输入 1.1.切片与MapTask并行度决定…