NOAA 巴罗阿拉斯加观测站的受体在 1982 年至 2011 年这 30 年间 12 个选定年份（8 月 15 日至 10 月 15 日）的随机时间倒拉格朗日传输模型输出结果-CSDN博客

本文链接：https://blog.csdn.net/qq_31988139/article/details/145386455

Pre-ABoVE: Particle Trajectories for WRF-STILT Model, Barrow, AK, 1982-2011

简介

该数据集提供了位于 NOAA 巴罗阿拉斯加观测站的受体在 1982 年至 2011 年这 30 年间 12 个选定年份（8 月 15 日至 10 月 15 日）的随机时间倒拉格朗日传输模型输出结果。天气研究和预测模型 3.5.1 版的气象场用于驱动 STILT。 STILT 从测量地点（"受体 "地点）开始，应用拉格朗日粒子扩散模型，以 "足迹 "场的形式创建传输模型的临界点。足迹的单位是混合比（ppm --- CO2；ppb --- CH4）/（umol m-2 s-1 --- CO2；nmol m-2 s-1 --- CH4），它量化了上风表面通量对受体测量浓度的影响，计算方法是计算受表面影响体积内的粒子数量和在该体积内停留的时间。该数据集所包含的模拟结果对于了解北极碳循环的变化至关重要，也是将北极受体处大气成分变化与生态系统结构和功能变化联系起来的回顾性分析的一部分。

摘要

Pre-ABoVE: Particle Trajectories for WRF-STILT Model, Barrow, AK, 1982-2011是一组数据集，提供了在1982年至2011年期间使用WRF-STILT模型计算得到的Barrow，AK（现在称为Utqiaġvik）地区的气溶胶粒子轨迹信息。

WRF-STILT模型是一种空气质量模型，被广泛用于模拟大气中的化学和动力学过程。该模型使用气象数据和源信息来计算空气质量的分布和传输。

这组数据包含了1982年至2011年期间的大量观测站点的气象数据和大气扩散信息，包括气温、风速、湿度等。使用这些气象数据，WRF-STILT模型计算了在Barrow地区的大气中移动的气溶胶粒子的轨迹。

这些粒子轨迹数据有助于理解大气中气溶胶的来源和传输路径。它们可以用于研究气溶胶的空间分布、季节变化以及与气象条件的关系。这些数据对于研究大气环境、气候变化以及人类健康等方面都具有重要意义。

总之，Pre-ABoVE: Particle Trajectories for WRF-STILT Model, Barrow, AK, 1982-2011数据集提供了Barrow地区1982年至2011年期间气溶胶粒子在大气中的轨迹信息，可用于研究大气环境和气候变化等相关课题。

Spatial Coverage: Circumpolar influence field and Alaska regional influence field

Spatial Resolution: 0.5-degree for circumpolar; 0.1-degree for near field receptors

Temporal Coverage: 12 selected years (15 August to 15 October) across 1982-08-10 to 2011-10-15

Temporal Resolution: Hourly

Study Area (coordinates in decimal degrees)

Site	Westernmost Longitude	Easternmost Longitude	Northernmost Latitude	Southernmost Latitude
NOAA Barrow Alaska Observatory (receptor location)	-156.6114	-156.6114	71.3230	71.3230
Circumpolar (foot1 variable)	-180.0	180.0	90.0	30.0
Alaska (footnearfield1 variable)	-169.51351	-133.82992	71.35532	58.35277

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_ASCENDS_XCO2_2050",
    cloud_hosted=True,
    bounding_box=(-165.68, 34.59, -98.1, 71.28),
    temporal=("2017-07-20", "2017-08-08"),
    count=-1,  # use -1 to return all datasets
    return_gdf=True,
)
 
 
gdf.explore()
 
#leafmap.nasa_data_download(results[:5], out_dir="data")