【数据分享】2013-2022年我国省市县三级的逐月CO数据(excel\shp格式\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年的省市县三级的逐月PM2.5数据(可查询之前的文章获悉详情)!

本次我们分享的是我国2013——2022年的省市县三级的逐月CO数据,数据包括excel和shp两种数据格式,数据单位为mg/m3,数据坐标为WGS1984!该数据是基于之前分享的2013—2022年全国范围逐月CO栅格数据(可查询之前的文章获悉详情),依据行政边界数据(包括全国省份行政边界、地级市行政边界、区县行政边界),合计行政边界内每月CO的平均值得到的。

大家可以在公众号回复关键词 249 免费获取该数据!无需转发文章,直接获取!以下为数据的详细介绍:

01 数据预览

①省份层级的逐月CO数据

首先,我们先来看看省份层级的逐月CO数据,数据包括excel和shp两种格式!

需要说明的是:

2013至2022年的所有月份的逐月CO数据汇总在一个Excel文件和Shp中,每个Excel和shp文件中包括当年的12个月每月的CO数据,地级市和区县同理!

我们以2022年1月——12月为例,来预览一下省份层级Excel格式的逐月CO数据,数据字段包括省份名称、省份代码和每月CO:

下面我们再以2022年6月的数据为例,来预览一下省份层级shp格式的逐月CO数据:

②地级市层级的逐月CO数据

下面我们来看看地级市层级的逐月CO数据,数据包括excel和shp两种格式!

我们先以2022年1月——12月为例,来预览一下地级市层级excel格式的逐月CO数据,数据字段包括城市名称、城市代码、省份名称、省份代码和每月CO:

下面我们再以2022年6月的数据为例,来预览一下地级市层级shp格式的逐月CO数据:

③区县层级的逐月CO数据

下面我们来看看区县层级的逐月CO数据,数据包括excel和shp两种格式!

我们先以2022年1月——12月为例,来预览一下地级市层级excel格式的逐月CO数据,数据字段包括区县名称、区县代码、城市名称、城市代码、省份名称、省份代码和每月CO:

下面我们再以2022年6月的数据为例,来预览一下区县层级shp格式的逐月CO数据:

02 数据详情

数据来源:

原始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!

数据处理说明:

基于上述原始数据,我们采用国家地理信息公共服务平台(天地图)发布的审图号为GS(2024)0650号的2024年省市县三级行政区划Shp数据(可查询之前的文章获悉详情),分别汇总各个省份(地级市和区县同理)内所有栅格月CO的平均值,最终得到每个省份(地级市和区县同理)的月CO数据。

时间范围

2013-2022年(逐月)

空间范围:

省/市/县

数据格式:

Excel/Shp

数据单位:

mg/m3

数据坐标:

WGS_1984

数据引用:

韦晶, 李占清. (2023). 中国高分辨率高质量地面CO数据集(2013-2022). 国家青藏高原数据中心. https://doi.org/10.5281/zenodo.4641530.

Wei, J., Li, Z. (2023). ChinaHighCO: High-resolution and High-quality Ground-level CO dataset for China (2013-2022). National Tibetan Plateau / Third Pole Environment Data Center.

https://doi.org/10.5281/zenodo.4641530.

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!

  • 14
    点赞
  • 13
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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