ARCTAS P-3B Aircraft Aerosol In-situ Data
ARCTAS P-3B 飞机气溶胶原位数据
简介
ARCTAS_Aerosol_AircraftInSitu_P3B_Data 是 P-3B 飞机在执行来自飞机和卫星的对流层成分北极研究（ARCTAS）任务期间收集的原地气溶胶数据。 数据由颗粒烟尘吸收光度计 (PSAP)、空气动力颗粒测定仪 (APS)、凝结颗粒计数器 (CPC)、单颗粒烟尘光度计 (SP2)、差分迁移率分析仪 (DMA)、长差分迁移率分析仪 (LDMA)、串联差分迁移率分析仪 (TDMA)、光学颗粒计数器 (OPC) 和气溶胶质谱仪 (AMS) 收集。 该产品的数据收集工作已经完成。 北极是了解气候变化的关键地区。 北极地区对环境扰动（如气候变暖、污染以及欧亚大陆北部和北美洲森林大火的排放）的反应包括冰原和永久冻土融化、雪反照率降低以及海盐气溶胶中的卤素自由基化学沉积到冰上等关键过程。 ARCTAS是一项实地活动，旨在探索与北极地区高度气候敏感性有关的环境过程。 ARCTAS 是美国航天局为 2007-2008 国际极地年国际全球大气化学（IGAC）极地研究使用飞机、遥感、地表测量以及气候、化学、气溶胶和传输模型（POLARCAT）实验做出贡献的一部分。 该实验有四个主要目标。 首先是了解污染向北极的长程飘移。 从北半球中纬度大陆带到北极的污染会对环境造成影响，例如改变区域和全球气候，影响臭氧预算。 在北极和南极区域气候变化研究之前，这些途径在很大程度上仍不确定。 第二个目标是了解北方森林火灾的大气成分和对气候的影响；森林火灾排放的烟雾通过影响辐射预算和云层过程以及促进对流层臭氧的生成，对北极的大气造成扰动。 第三个目标是了解气候扰动产生的气溶胶辐射强迫，因为北极地区气候变化速度快，辐射环境独特，是了解辐射强迫的重要场所。 北极研究与培训计划的第四个目标是了解化学过程，重点是臭氧、气溶胶、汞和卤素。 此外，ARCTAS 试图开发将飞机和卫星提供的与北极污染和相关环境扰动有关的数据纳入地球科学模型的能力，从而扩大这些模型预测未来环境变化的潜力。 ARCTAS 包括 2008 年 4 月和 7 月进行的两次为期三周的飞机部署。 春季部署旨在探索北极雾霾、平流层-对流层交换和日出光化学。 之所以选择四月作为部署阶段，是因为从历史上看，四月是北极中纬度大陆北部污染累积的季节性高峰。 夏季部署旨在了解北方森林火灾最活跃的季节阶段，以及平流层-对流层交换和夏季光化学情况。 ARCTAS 期间，美国国家航空航天局的三架飞机（DC-8、P-3B 和 BE-200）进行了测量，并配备了现场和遥感仪器套件。 机载数据与来自 AURA、AQUA、CloudSat、PARASOL、CALIPSO 和 MISR 的卫星观测数据结合使用。 ASDC 中有 ARCTAS 的飞机数据以及与 MISR 有关的数据，MISR 是 Terra 卫星上的一个卫星仪器，提供有关地球环境和气候的测量数据。
Last updated | unknown |
|---|---|
Created | unknown |
Name | Download this dataset |
Format | Web Page |
License | License not specified |
Created | 1 year ago |
Media type | text/html |
has views | False |
id | 85ec667f-2bcb-45fe-a712-e3c067e08c66 |
metadata modified | 1 year ago |
package id | e1f6bf65-2335-4961-bf79-81ea22dd4bfe |
position | 10 |
state | active |
Hide |
代码
代码语言：javascript复制!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="ARCTAS_Aerosol_AircraftInSitu_P3B_Data",
cloud_hosted=True,
bounding_box=(-165.68, 34.59, -98.1, 71.28),
temporal=("2008-03-30", "2008-07-14"),
count=-1, # use -1 to return all datasets
return_gdf=True,
)
gdf.explore()
#leafmap.nasa_data_download(results[:5], out_dir="data")
