【数据分享】2000-2022年全国1km分辨率的逐年O3栅格数据(免费获取)

空气质量数据是在我们日常研究中经常使用的数据!之前我们给大家分享了2000-2022年全国范围逐年的PM2.5栅格数据、2013-2022年全国范围逐年SO2栅格数据、2013-2022年全国范围逐年CO栅格数据、2000-2022年全国范围逐年PM10栅格数据和2008-2022年全国范围逐年NO2栅格数据(可查看之前的文章获悉详情)!

本次我们给大家带来的是2000-2022年全国范围的逐年的O3栅格数据,原始数据格式为NetCDF (.nc),空间分辨率为1km,单位为µg/m3,坐标系为WGS_1984。为了方便大家使用,我们将数据格式转为栅格格式(.tif)。

数据来源于韦晶博士、李占清教授团队发布在国家青藏高原科学数据中心网站上的中国高分辨率高质量近地表空气污染物数据集(ChinaHighAirPollutants, CHAP),O3数据是该数据集的主要指标之一。该数据集利用人工智能技术,以地表太阳辐射强度和空气温度为主要预测因子,结合地基观测、大气再分析和排放清单等大数据生产得到2000年至2022年全国无缝隙地面最大8小时滑动平均O3数据。另外,该数据持续更新,如有需要大家可持续关注!

大家可以自己去国家青藏高原科学数据中心下载nc格式的原始数据,也可以在本公众号回复关键词 171 免费获取nc格式,以及我们转换出的tif格式两种格式的数据。无需转发文章,无套路获取!以下为数据的详细介绍:

01 数据预览

该数据包括nc和tif两种格式!两种数据格式的命名规则不同:

(1)nc.格式:CHAP_O3_ab_yyyy_V1.nc

  • CHAP:表示数据集名称
  • O3:表示空气污染物的指标名称
  • ab:表示时间和空间分辨率,其中a表示时间分辨率(Y表示为逐年数据),b表示空间分辨率(1K表示1km)
  • yyyy:表示数据时间,其中yyyy代表年
  • V1:表示数据版本
  • .nc:表示数据格式

例如:CHAP_O3_Y1K_2022_V1.nc,表示为2022年的1km分辨率的逐年的O3数据。

(2).tif格式:按照年份(yyyy.tif)命名栅格文件

例如:2021.tif,表示为2021年的O3栅格数据。

我们以2022年全国范围的O3数据为例来预览一下:

2022年全国O3

02 数据详情

时间范围

2000-2022年(逐年)

空间范围:

全国

数据格式:

NetCDF [.nc] 和.tif

空间分辨率:

1km

数据单位:

ug/m3

数据坐标:

WGS_1984

原始数据的下载网站:

数据来源于美国马里兰大学韦晶博士、李占清教授团队在国家青藏高原科学数据中心平台上分享的数据,网址为:https://data.tpdc.ac.cn/zh-hans/data/87753867-77c8-42f1-b2e6-da569679635f

数据引用:

韦晶, 李占清. (2023). 中国高分辨率高质量地面O3数据集(2000-2022). 国家青藏高原数据中心. https://doi.org/10.5281/zenodo.10477125.

Wei, J., Li, Z. (2023). ChinaHighO3: High-resolution and High-quality Ground-level MDA8 O3 Dataset for China (2000-2022). National Tibetan Plateau / Third Pole Environment Data Center.

https://doi.org/10.5281/zenodo.10477125.

相关论文引用:

Wei, J., Li, Z., Li, K., Dickerson, R., Pinker, R., Wang, J., Liu, X., Sun, L., Xue, W., & Cribb, M. (2022). Full-coverage mapping and spatiotemporal variations of ground-level ozone (O3) pollution from 2013 to 2020 across China. Remote Sensing of Environment, 270, 112775.

https://doi.org/10.1016/j.rse.2021.112775

如有数据使用需求请按照官方平台的要求进行引用,更多数据详情可以查看官网获悉!

03 数据获取

  • 20
    点赞
  • 13
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
SQLAlchemy 是一个 SQL 工具包和对象关系映射(ORM)库,用于 Python 编程语言。它提供了一个高级的 SQL 工具和对象关系映射工具,允许开发者以 Python 类和对象的形式操作数据库,而无需编写大量的 SQL 语句。SQLAlchemy 建立在 DBAPI 之上,支持多种数据库后端,如 SQLite, MySQL, PostgreSQL 等。 SQLAlchemy 的核心功能: 对象关系映射(ORM): SQLAlchemy 允许开发者使用 Python 类来表示数据库表,使用类的实例表示表中的行。 开发者可以定义类之间的关系(如一对多、多对多),SQLAlchemy 会自动处理这些关系在数据库中的映射。 通过 ORM,开发者可以像操作 Python 对象一样操作数据库,这大大简化了数据库操作的复杂性。 表达式语言: SQLAlchemy 提供了一个丰富的 SQL 表达式语言,允许开发者以 Python 表达式的方式编写复杂的 SQL 查询。 表达式语言提供了对 SQL 语句的灵活控制,同时保持了代码的可读性和可维护性。 数据库引擎和连接池: SQLAlchemy 支持多种数据库后端,并且为每种后端提供了对应的数据库引擎。 它还提供了连接池管理功能,以优化数据库连接的创建、使用和释放。 会话管理: SQLAlchemy 使用会话(Session)来管理对象的持久化状态。 会话提供了一个工作单元(unit of work)和身份映射(identity map)的概念,使得对象的状态管理和查询更加高效。 事件系统: SQLAlchemy 提供了一个事件系统,允许开发者在 ORM 的各个生命周期阶段插入自定义的钩子函数。 这使得开发者可以在对象加载、修改、删除等操作时执行额外的逻辑。
SQLAlchemy 是一个 SQL 工具包和对象关系映射(ORM)库,用于 Python 编程语言。它提供了一个高级的 SQL 工具和对象关系映射工具,允许开发者以 Python 类和对象的形式操作数据库,而无需编写大量的 SQL 语句。SQLAlchemy 建立在 DBAPI 之上,支持多种数据库后端,如 SQLite, MySQL, PostgreSQL 等。 SQLAlchemy 的核心功能: 对象关系映射(ORM): SQLAlchemy 允许开发者使用 Python 类来表示数据库表,使用类的实例表示表中的行。 开发者可以定义类之间的关系(如一对多、多对多),SQLAlchemy 会自动处理这些关系在数据库中的映射。 通过 ORM,开发者可以像操作 Python 对象一样操作数据库,这大大简化了数据库操作的复杂性。 表达式语言: SQLAlchemy 提供了一个丰富的 SQL 表达式语言,允许开发者以 Python 表达式的方式编写复杂的 SQL 查询。 表达式语言提供了对 SQL 语句的灵活控制,同时保持了代码的可读性和可维护性。 数据库引擎和连接池: SQLAlchemy 支持多种数据库后端,并且为每种后端提供了对应的数据库引擎。 它还提供了连接池管理功能,以优化数据库连接的创建、使用和释放。 会话管理: SQLAlchemy 使用会话(Session)来管理对象的持久化状态。 会话提供了一个工作单元(unit of work)和身份映射(identity map)的概念,使得对象的状态管理和查询更加高效。 事件系统: SQLAlchemy 提供了一个事件系统,允许开发者在 ORM 的各个生命周期阶段插入自定义的钩子函数。 这使得开发者可以在对象加载、修改、删除等操作时执行额外的逻辑。
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
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