NASA数据集——通过将强度和偏振的被动多角度、多光谱测量与高光谱分辨率激光雷达进行的主动测量相结合，可以获得最广泛的气溶胶属性数据

ACEPOL ER-2 Meteorological and Navigational Data Version 1

简介

ACEPOL_MetNav_AircraftInSitu_Data是ACEPOL期间在ER-2上收集的现场气象和导航测量数据。为了更好地了解气溶胶对气候和空气质量的影响，测量气溶胶的化学成分、粒度分布、高度剖面和光学特性至关重要。就遥感仪器而言，通过将强度和偏振的被动多角度、多光谱测量与高光谱分辨率激光雷达进行的主动测量相结合，可以获得最广泛的气溶胶属性集合。2017年秋季，由美国国家航空航天局（NASA）和荷兰空间研究所（SRON）联合发起的 "偏振计和激光雷达气溶胶特征描述（ACEPOL）"活动从NASA高空ER-2飞机上对美国上空的气溶胶和云层进行了测量。飞机上部署了六台仪器。其中四台是多角度偏振仪：机载超角彩虹偏振仪（AirHARP）、机载多角度光谱偏振成像仪（AirMSPI）、机载行星探测光谱仪（SPEX Airborne）和研究扫描偏振仪（RSP）。另外两台仪器是激光雷达：高光谱分辨率激光雷达 2（HSRL-2）和云物理激光雷达（CPL）。ACEPOL 的运行基地设在美国宇航局位于加利福尼亚州帕姆代尔的阿姆斯特朗飞行研究中心，从而能够观测各种场景类型，包括城市、沙漠、森林、沿海海洋和农业区，以及晴朗、多云、污染和原始大气条件。ACEPOL 的主要目标是评估不同偏振计检索气溶胶和云层微物理和光学参数的能力，以及它们推算气溶胶层高度的能力（近紫外偏振测量法，O2 A 波段）。ACEPOL 还侧重于开发和评估气溶胶检索算法，将主动（激光雷达）和被动（偏振计）仪器的数据结合起来。ACEPOL 数据适用于算法开发和测试、仪器相互比较以及主动和被动仪器数据融合研究，这使其成为遥感界准备下一代星载 MAP 和激光雷达任务的宝贵资源。

数据属性

Resource Type	Dataset
Metadata Created Date	November 12, 2020
Metadata Updated Date	December 6, 2023
Publisher	NASA/LARC/SD/ASDC
Maintainer	Kirk Knobelspiesse
Identifier	C1758588825-LARC_ASDC
Data First Published	2020-03-27
Language	en-US
Data Last Modified	2022-04-08
Category	ACEPOL, geospatial
Public Access Level	public
Bureau Code	026:00
Metadata Context	https://project-open-data.cio.gov/v1.1/schema/catalog.jsonld
Metadata Catalog ID	https://data.nasa.gov/data.json
Schema Version	https://project-open-data.cio.gov/v1.1/schema
Catalog Describedby	https://project-open-data.cio.gov/v1.1/schema/catalog.json
Citation	2020-05-27. Archived by National Aeronautics and Space Administration, U.S. Government, NASA/LARC/SD/ASDC. https://doi.org/10.5067/SUBORBITAL/ACEPOL2017/MetNav_AircraftInSitu_Data_1.
Harvest Object Id	6a95cb94-7b32-45af-a55b-59164318de6f
Harvest Source Id	58f92550-7a01-4f00-b1b2-8dc953bd598f
Harvest Source Title	NASA Data.json
Homepage URL	https://doi.org/10.5067/SUBORBITAL/ACEPOL2017/MetNav_AircraftInSitu_Data_1
Metadata Type	geospatial
Old Spatial	<?xml version="1.0" encoding="UTF-8"?><gml:Polygon xmlns:gml="http://www.opengis.net/gml/3.2" srsName="EPSG:9825"><gml:outerBoundaryIs><gml:LinearRing><gml:posList>25.0 -130.0 25.0 -100.0 45.0 -100.0 45.0 -130.0 25.0 -130.0</gml:posList></gml:LinearRing></gml:outerBoundaryIs><gml:innerBoundaryIs></gml:innerBoundaryIs></gml:Polygon>
Program Code	026:001
Source Datajson Identifier	True
Source Hash	ece8082abe7eb2ce11ced7faa06c906e579739746c04ed8e70942eb5f9af9ed2
Source Schema Version	1.1
Spatial
Temporal	2017-10-19T00:00:00Z/2017-11-09T23:59:59.999Z

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="ACEPOL_MetNav_AircraftInSitu_Data",
    cloud_hosted=True,
    bounding_box=(-165.68, 34.59, -98.1, 71.28),
    temporal=("2017-10-09", "2017-11-19"),
    count=-1,  # use -1 to return all datasets
    return_gdf=True,
)
 
 
gdf.explore()
 
#leafmap.nasa_data_download(results[:5], out_dir="data")

引用

2020-05-27. Archived by National Aeronautics and Space Administration, U.S. Government, NASA/LARC/SD/ASDC. https://doi.org/10.5067/SUBORBITAL/ACEPOL2017/MetNav_AircraftInSitu_Data_1.

网址推荐

0代码在线构建地图应用

https://sso.mapmost.com/#/login?source_inviter=nClSZANO

机器学习

https://www.cbedai.net/xg