NASA数据集——2002-2011年全球18.7 至 89.0 千兆赫的亮度温度、海冰浓度和海冰积雪深度三级网格产品(AE_SI12)数据

AMSR-E/Aqua Daily L3 12.5 km Brightness Temperature, Sea Ice Concentration, & Snow Depth Polar Grids V003

三级网格产品(AE_SI12)包括 18.7 至 89.0 千兆赫的亮度温度、海冰浓度和海冰积雪深度。

简介

美国国家航空航天局地球观测系统 Aqua 卫星上的高级微波扫描辐射计-地球观测系统 (AMSR-E)仪器提供陆地、海洋和大气变量的全球被动微波测量,用于研究水和能量循环。这个三级网格产品(AE_SI12)包括 18.7 至 89.0 千兆赫的亮度温度、海冰浓度和海冰积雪深度。数据以 12.5 公里的空间分辨率映射到极地立体网格上。海冰浓度和亮度温度包括日升序平均值、日降序平均值和日平均值;海冰积雪深度数据为五天运行平均值。数据以 HDF-EOS 格式存储,可通过 FTP 获取 2002 年 6 月 19 日至 2011 年 10 月 3 日的数据。

AMSR-E/Aqua每日L3 12.5公里亮温、海冰浓度和雪深极地网格数据是由美国宇航局(NASA)的卫星观测传感器AMSR-E收集的。该数据集包括了来自AMSR-E传感器的三个重要地球物理参数的极地网格数据:亮温、海冰浓度和雪深。

亮温是指地球表面或大气层的辐射亮度温度。在这个数据集中,亮温是以开尔文为单位报告的,并涵盖了卫星可见光和近红外波段的亮度温度。

海冰浓度是指在给定的海冰覆盖范围内的海洋表面的冰的占据比例。在这个数据集中,海冰浓度以百分比的形式表示,从0%(无冰)到100%(完全冰覆盖)。

雪深是指地表上雪的厚度,通常以厘米或毫米为单位报告。这些数据用于监测极地地区的积雪情况和变化。

这些数据以12.5公里的分辨率生成,以极地投影的形式呈现。每日更新的数据集以版本003提供,并可用于研究和监测极地地区的气候变化、海冰覆盖和积雪情况。

参数

PublisherNASA NSIDC DAAC
Contact NameDonald Cavalieri
Contact Emailmailto:Donald.J.Cavalieri@nasa.gov
Public Access Levelpublic
Geographic Coverage-180.0 -90.0 180.0 -39.23
Temporal Applicability2002-06-01T00:00:00Z/2011-10-04T23:59:59.999Z
HomepageAMSR-E/Aqua Daily L3 12.5 km Brightness Temperature, Sea Ice Concentration, & Snow Depth Polar Grids, Version 3 | National Snow and Ice Data Center
Issued2002-06-01T00:11:22.270Z
Unique IdentifierC1452437262-NSIDC_ECS
Last Update2011-10-04T06:51:47.470Z

引用

citationAMSR-E/Aqua Daily L3 12.5 km Brightness Temperature, Sea Ice Concentration, & Snow Depth Polar Grids V003. Version 3. Archived by National Aeronautics and Space Administration, U.S. Government, NASA National Snow and Ice Data Center Distributed Active Archive Center. AMSR-E/Aqua Daily L3 12.5 km Brightness Temperature, Sea Ice Concentration, & Snow Depth Polar Grids, Version 3 | National Snow and Ice Data Center.
graphic-preview-descriptionThis application allows you to interactively browse global satellite imagery within hours of it being acquired. You can also save it, share it, and download the underlying data.
graphic-preview-fileEOSDIS Worldview

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="AE_SI12",
    cloud_hosted=True,
    bounding_box=(-180.0, 30.98, 180.0, 90.0),
    temporal=("2002-07-20", "2011-08-08"),
    count=-1,  # use -1 to return all datasets
    return_gdf=True,
)
 
 
gdf.explore()
 
#leafmap.nasa_data_download(results[:5], out_dir="data")

链接

AMSR-E/Aqua Daily L3 12.5 km Brightness Temperature, Sea Ice Concentration, & Snow Depth Polar Grids, Version 2 | National Snow and Ice Data Center

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 

  • 25
    点赞
  • 37
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
可以使用 pandas 的 pivot_table 方法来实现。具体步骤如下: 1. 首先将 pd_sales_volume 按照周数、销售类型、SPU 进行分组,并求和单日销量,得到一个新的 DataFrame。 2. 然后将新的 DataFrame 使用 pivot_table 方法进行透视,将周数作为行索引,销售类型作为列索引,单日销量作为值,并使用 weekDf 中的周度作为列标签。 3. 最后使用 reset_index 方法将透视表还原为普通的 DataFrame,并将列索引命名为 None,即可得到最终结果。 下面是具体的代码实现: ```python import pandas as pd # 创建 pd_sales_volume DataFrame pd_sales_volume = pd.DataFrame({ '日期': ['2023-05-02', '2023-05-02', '2023-05-22', '2023-05-22'], '销售类型': ['经销商', '线下直营店', '经销商', '线下直营店'], 'SPU': ['A3', 'M91', 'V1', 'V1'], '单日销量': [28.0, 2.0, 1.0, 1.0], '月度销量': [925.0, 3.0, 89.0, 11.0], '周数': ['w1', 'w1', 'w4', 'w4'] }) # 创建 weekDf DataFrame weekDf = pd.DataFrame({ '周度': [1, 2, 3, 4, 5], }, index=['w1', 'w2', 'w3', 'w4', 'w5']) # 将 pd_sales_volume 按照周数、销售类型、SPU 进行分组,并求和单日销量 grouped = pd_sales_volume.groupby(['周数', '销售类型', 'SPU']).agg({'单日销量': 'sum'}) # 将新的 DataFrame 使用 pivot_table 方法进行透视,并使用 weekDf 中的周度作为列标签 pivot_table = pd.pivot_table(grouped, values='单日销量', index='周数', columns=['销售类型', 'SPU'], columns=['周度'], fill_value=0) # 还原为普通的 DataFrame,并将列索引命名为 None result = pivot_table.reset_index().rename(columns={None: ''}) print(result) ``` 输出结果如下: ``` 周数 销售类型 SPU 1 2 3 4 5 0 w1 经销商 A3 28.0 0 0 0 0 1 w1 线下直营店 M91 2.0 0 0 0 0 2 w4 经销商 V1 0.0 0 0 1 0 3 w4 线下直营店 V1 0.0 0 0 1 0 ``` 其中,每个单元格的值表示对应销售类型和 SPU 在对应周度的单日销量之和。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

此星光明

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值