NASA数据集——北极-北方（北美区域）脆弱性实验（ABoVE 简明实验计划（ACEP））

简介

本文件介绍了美国航天局北极-北方脆弱性实验（ABoVE）的简明实验计划，作为该计划确定在这项研究下开展研究的指南。ABoVE 的研究将把基于实地的过程级研究与机载和卫星遥感获得的地理空间数据产品联系起来，为提高分析和建模能力奠定基础，而分析和建模能力是了解和预测生态系统反应及社会影响所必需的。ABoVE 简明实验计划（ACEP）概述了实地考察活动的概念基础，并表达了解释该研究的科学和社会重要性的令人信服的理由。它既提出了推动 ABoVE 研究的科学问题，也提出了解决这些问题的研究设计的最高要求。Mapmost login

 

A Concise Experiment Plan for the Arctic-Boreal Vulnerability Experiment

北极-北方脆弱性实验的简明实验计划

北极-北方脆弱性实验（ABoVE）是美国国家航空航天局（NASA）陆地生态计划的一项实地活动，于2016年至2021年期间在阿拉斯加和加拿大西部进行。ABoVE 的研究将基于实地的过程级研究与机载和卫星传感器获得的地理空间数据产品联系起来，为提高分析和建模能力奠定了基础，而分析和建模能力是了解和预测生态系统反应及社会影响所必需的。 前言 – 人工智能教程

ABoVE（Arctic-Boreal Vulnerability Experiment，北极-波拉尔脆弱性实验）是一个全球生态系统动态监测计划，旨在研究北极和波拉尔地区生态系统面临的挑战和变化。ABoVE的主要目标是了解这些地区的生态系统对气候变化和人类干扰的响应，并预测未来的变化。

ABoVE简明实验计划（ACEP）是ABoVE计划的一个重要组成部分。ACEP旨在整合多个不同的研究和监测项目，通过共享数据、资源和技术，促进跨学科的合作和研究成果的整合。ACEP还鼓励研究人员参与对北极和波拉尔地区进行长期监测和跟踪的工作。

ACEP的主要任务包括：

1. 数据共享和整合：ACEP致力于收集和整合来自不同研究项目的数据，以便研究人员可以共享和访问这些数据。这有助于提高研究的可重现性和数据的利用率。

2. 跨学科研究：ACEP鼓励不同学科的研究人员合作，共同研究北极和波拉尔地区的生态系统。这种跨学科的合作可以促进对复杂生态系统的全面理解和预测。

3. 教育和培训：ACEP提供教育和培训机会，帮助培养更多的研究人员和科学家，以应对北极和波拉尔地区的生态系统挑战。这有助于推动相关领域的发展和进步。

总的来说，ACEP是ABoVE计划的一个重要组成部分，通过数据共享、跨学科研究和教育培训来促进对北极和波拉尔地区生态系统的研究和保护。

DOI	https://doi.org/10.3334/ORNLDAAC/1617
Version	1.1
Project	ABoVE
Published	2018-07-13
Updated	2022-02-22
Usage	188 downloads
Citations	2 publications cited this dataset

数据构成

该数据集提供 pdf 格式的 ABoVE 简明实验计划更新版存档副本（Updated_Concise_Experiment_Plan_for_NASA_ABOVE.pdf ）。

配套文件：

同时提供的还有

1.文件中数字的高分辨率副本（压缩在 ACEP_Figures.zip 中）

2.实验计划变更清单 (ACEP_Erratum.pdf)

3.本用户指南文件副本 (ABoVE_Concise_Experiment_Plan.pdf)

 

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_Concise_Experiment_Plan_1617",
    cloud_hosted=True,
    bounding_box=(-176.12, 39.42, -66.92, 81.61),
    temporal=("2020-01-15", "2021-12-31"),
    count=-1,  # use -1 to return all datasets
    return_gdf=True,
)
 
 
gdf.explore()
 
#leafmap.nasa_data_download(results[:5], out_dir="data")

数据下载链接

CMR Search - Landing Pages for ORNL_CLOUD EOSDIS Collections