物业建设网站,天翼云电脑免费领取,东莞长安 网站建设,沈阳网站推广运营公司ABoVE: Multi-model Uncertainty of Carbon Stocks and Fluxes across ABoVE Domain, 2003
简介
文件修订日期#xff1a;2019-04-18
数据集版本: 1
摘要
该数据集对碳循环各组成部分的不确定性进行了估算#xff0c;包括#xff1a;土壤碳储量、自养呼吸#xff08;R…ABoVE: Multi-model Uncertainty of Carbon Stocks and Fluxes across ABoVE Domain, 2003
简介
文件修订日期2019-04-18
数据集版本: 1
摘要
该数据集对碳循环各组成部分的不确定性进行了估算包括土壤碳储量、自养呼吸Ra、异养呼吸Rh、净生态系统交换NEE、净初级生产力NPP和总初级生产力GPP。不确定性是根据陆地大气碳交换净值趋势计划TRENDY和北美碳计划NACP区域综合模式输出平均到年度平均值的多模式n 20差异即标准偏差计算得出的。这个总不确定性综合了各模式间陆面物理结构的不确定性、模式内固有参数的不确定性以及强迫数据的不确定性。 对 ABoVE 域创建了一个半度分辨率掩模用于从全球 TRENDY 和北美NACP 区域模式输出中剪切。根据需要对掩模进行转换以匹配 20 个模式的不同原始分辨率。通过对现有的月度模式输出进行平均并保留每个模式的本地空间分辨率为 2003 参考年制作了 NEE、GPP、Rh、Ra、NPP 和 C 土壤的年平均值图。绘制了多模式标准偏差σ图与单个年均值图进行比较。
该数据集有六个 GeoTIFF (.tif) 格式的数据文件。 北极-北方脆弱性实验ABoVE是美国国家航空航天局NASA陆地生态计划的一项实地活动于2016年至2021年期间在阿拉斯加和加拿大西部进行。ABoVE 的研究将基于实地的过程级研究与机载和卫星传感器获得的地理空间数据产品联系起来为提高分析和建模能力奠定了基础而分析和建模能力是了解和预测生态系统反应及社会影响所必需的。
数据特征
空间覆盖范围 ABoVE 研究域覆盖阿拉斯加全境和加拿大所有省份
ABoVE 参考地点 域整个 ABoVE 研究域 州/地区阿拉斯加和加拿大 网格单元 所有 A 网格单元
空间分辨率0.5 度
时间覆盖范围 2003-01-01 至 2003-12-31
时间分辨率一次基准年 2003
研究区域所有经纬度均以十进制度表示 Site Westernmost Longitude Easternmost Longitude Northernmost Latitude Southernmost Latitude ABoVE Study Domain - 176.124747 -67.124747 81.409411 39.409411
数据文件信息
共有六个 GeoTIFF (.tif) 格式的数据文件。这些数据是根据多模型差异即标准偏差计算出的 0.5 度分辨率 ABoVE 域生态系统碳储量和碳通量的不确定性。
文件名和说明
File nameData UnitsDescription autotrophic_respiration_std_dev.tifkg/m2/monthThe standard deviation for autotrophic respiration (Ra) gross_primary_production_std_dev.tifkg/m2/monthThe standard deviation for gross primary production (GPP)heterotrophic_respiration_std_dev.tifkg/m2/monthThe standard deviation for heterotrophic respiration (Ha)net_primary_production_std_dev.tifkg/m2/monthThe standard deviation for net primary production (NPP)total_soil_carbon_std_dev.tifkg/m2The standard deviation for total soil carbon contentnet_ecosystem_exchange_std_dev.tifkg/m2/monthThe standard deviation for net ecosystem exchange (NEE)
空间属性每个文件中的数据带1.无数据值-9999, 分辨率00.5 度, EPSG: 4326
应用和推导
我们对站点代表性的分析表明关键区域的代表性不足。该分析有助于为即将在该地区开展的实地考察活动提供决策依据。这些结果对于未来在阿拉斯加北极和北方地区开展研究减少北极和北方地区碳循环的不确定性至关重要。
质量评估
由于研究中的不确定性定义低不确定性区域可能被归类为低不确定性区域但由于等效性或其他共同假设模型可能已经趋同而其他定义的不确定性可能很大。更多讨论请参见 Fisher 等人2018 年。
数据获取、材料和方法
最新版本的 NACP 区域综合模型Huntzinger 等2012 年和 TRENDY 模型的模型输出被用来定义北极北方脆弱性实验ABoVE域的碳循环不确定性。这种总的不确定性综合了各模型之间陆表物理结构的不确定性、模型内部引入的固有参数不确定性以及强迫数据的不确定性。评估的变量包括净初级生产力NEE、总初级生产力GPP、异养呼吸Rh、自养呼吸Ra、净初级生产力NPP和土壤碳储量Csoil。一些模型提供了 GPP 和 NPP但没有提供 Ra而另一些模型提供了 GPP 和 Ra但没有提供 NPP因此这些方程中缺少一个未知项。
不确定性研究中的模型和变量。模型参考文献包含在下面的 参考文献 部分。
Model Short NameVariables AssessedModel Intercomparison Project (NACP and TRENDY)ReferenceBEPSGPP, NPP, Rh, RaNACPChen et al. (1999)CanIBISGPP, NPP, Rh, Ra, soil CNACPEl Maayar et al. (2002)CASA-GFEDGPP, RhNACPvan der Werf et al. (2004CASA-TRANSCOMGPP, NPP, Rh, Ra, soilCNACPRanderson et al. (1997)CLM-CASAGPP, NPP, Rh, Ra, soil CNACPRanderson et al. (2009)CLM4-CNGPP, NPP, Rh, Ra, soil CNACP TRENDYThornton et al. (2007)DLEMGPP, NPP, Ra, Rh, SoilCNACPTian et al. (2010)HYLANDGPP, NPP, Rh, Ra, soil CTRENDYLevy et al. (2004)ISAMGPP, NPP, Rh, Ra, soilCNACPJain and Yang (2005)LPJ-wslGPP, NPP, Rh, Ra, soil CNACP TRENDYSitch et al. (2003)LPJ-GUESSGPP, NPP, Rh, Ra, soil CTRENDYSmith et al. (2001)MOD17GPP, NPP, Rh, Ra, soilCNACPZhao et al. (2005)OCNGPP, NPP, Rh, Ra, soil CTRENDYZaehle et al. (2010)ORCHIDEEGPP, NPP, Rh, Ra, soil CNACP TRENDYKrinner et al. (2005)SDGVMGPP, NPP, Rh, Ra, soil CTRENDYCramer et al. (2001)SIB3GPP, NPP, Rh, RaNACPBaker et al. (2008)TEM6GPP, NPP, Rh, Ra, soil CNACPHayes et al. (2011)TRIFFIDGPP, NPP, Rh, Ra, soil CTRENDYClark et al. (2011)VEGASGPP, NPP, Rh, Ra, soil CTRENDYZeng et al. (2005)VEGAS2GPP, NPP, Rh, RaNACPZeng et al. (2005)
大多数变量在 NACP 区域和 TRENDY 中是相同的但净二氧化碳通量除外在 TRENDY 中报告为净生物群落生产量 (NBP)在 HYLAND 中仅报告为净生态系统生产量 (NEP)但在 NACP 区域中则相反报告为净生态系统生产量 (NEE)。为了使两个 MIP 之间的二氧化碳通量相等TRENDY 的符号被反转并将时间单位从秒转换为月尽管从技术上讲NBP 应包括火灾和其他干扰以及横向碳传输造成的额外通量而 NEE 则不包括在内。来自 TRENDY 的 LPJwsl 和 VEGAS 模型没有进行转换因为它们的数值已经使用了 NACP 单位。TRENDY 中的 HYLAND 和 SDGVM 模型报告的二氧化碳净通量值的符号不正确因此将符号反转。
模型输出处理
从全球TRENDY和北美NACP 区域模式输出中剪切出一个半度分辨率的 ABoVE 域掩膜。掩模经过转换以匹配模型的不同原始分辨率。通过对现有的月度模式输出进行平均并保留每个模式的本地空间分辨率为 2003 参考年制作了 NEE、GPP、Rh、Ra、NPP 和 C 土壤的年平均值图。
多模式标准偏差(σ)与单个年平均值的关系图也已绘制。所有模式的分辨率都按算术级数缩小到 0.5 度。不同模式下相互重叠的像素被用来计算单个半度像素的平均值Fisher 等人2014 年。
代码
!pip install leafmap
!pip install pandas
!pip install folium
!pip install matplotlib
!pip install mapclassifyimport pandas as pd
import leafmapurl https://github.com/opengeos/NASA-Earth-Data/raw/main/nasa_earth_data.tsv
df pd.read_csv(url, sep\t)
dfleafmap.nasa_data_login()results, gdf leafmap.nasa_data_search(short_nameABoVE_Uncertainty_Maps_1652,cloud_hostedTrue,bounding_box(-176.12, 39.41, -67.12, 81.41),temporal(2003-01-01, 2003-12-31),count-1, # use -1 to return all datasetsreturn_gdfTrue,
)gdf.explore()#leafmap.nasa_data_download(results[:5], out_dirdata) 引用
Fisher, J.B. 2019. ABoVE: Multi-model Uncertainty of Carbon Stocks and Fluxes across ABoVE Domain, 2003. ORNL DAAC, Oak Ridge, Tennessee, USA. ABoVE: Multi-model Uncertainty of Carbon Stocks and Fluxes across ABoVE Domain, 2003, https://doi.org/10.3334/ORNLDAAC/1652
相关文章
Fisher, J.B., Hayes, D.J., Schwalm, C.R., Huntzinger, D.N., Stofferahn, E., Schaefer, K., Luo, Y., Wullschleger, S.D., Goetz, S., Miller, C.E., Griffith, P., Chadburn, S., Chatterjee, A., Ciais, P., Douglas, T.A., Genet, H., Ito, A., Neigh, C.S.R., Poulter, B., Rogers, B.M., Sonnentag, O., Tian, H., Wang, W., Xue, Y., Yang, Z.-L., Zeng, N., 2018. Missing pieces to modeling the Arctic-Boreal puzzle. Environmental Research Letters 13(2): 020202. ShieldSquare Captcha
Fisher, J. B., Sikka, M., Oechel, W. C., Huntzinger, D. N., Melton, J. R., Koven, C. D., Ahlström, A., Arain, M. A., Baker, I., Chen, J. M., Ciais, P., Davidson, C., Dietze, M., El-Masri, B., Hayes, D., Huntingford, C., Jain, A. K., Levy, P. E., Lomas, M. R., Poulter, B., Price, D., Sahoo, A. K., Schaefer, K., Tian, H., Tomelleri, E., Verbeeck, H., Viovy, N., Wania, R., Zeng, N., and Miller, C. E. 2014. Carbon cycle uncertainty in the Alaskan Arctic, Biogeosciences, 11, 4271-4288, BG - Carbon cycle uncertainty in the Alaskan Arctic
网址推荐
0代码在线构建地图应用
https://sso.mapmost.com/#/login?source_inviternClSZANO
机器学习
https://www.cbedai.net/xg
