ABoVE: Multi-model Uncertainty of Carbon Stocks and Fluxes across ABoVE Domain, 2003
简介
该数据集提供了碳循环各组成部分不确定性的估计值，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)，涵盖整个 ABoVE 研究区域，分辨率为 0.5 度，参考年份为 2003 年。不确定性是根据多模型 (n = 20) 的差异（即标准差）计算得出的，这些差异来自净陆地大气碳交换趋势计划 (TRENDY) 和北美碳计划 (NACP) 区域综合模型输出的年平均值。总不确定性综合了模型间陆面物理的结构不确定性、模型内部引入的固有参数不确定性以及来自强迫数据的不确定性。
创建了 ABoVE 域的半度分辨率掩模，并用于从全球 TRENDY 和北美（NACP 区域）模型输出中裁剪。根据需要，对掩模进行转换以匹配 20 个模型的不同原始分辨率。通过平均可用的月模型输出并保留每个模型的原始空间分辨率，生成了 2003 年参考年份的 NEE、GPP、Rh、Ra、NPP 和 C 土壤的年平均图。这些地图是根据各个年平均图的多模型标准差（σ）生成的。
摘要
Model Short Name Variables Assessed Model Intercomparison Project (NACP and TRENDY) Reference
BEPS GPP, NPP, Rh, Ra NACP Chen et al. (1999)
CanIBIS GPP, NPP, Rh, Ra, soil C NACP El Maayar et al. (2002)
CASA-GFED GPP, Rh NACP van der Werf et al. (2004
CASA-TRANSCOM GPP, NPP, Rh, Ra, soilC NACP Randerson et al. (1997)
CLM-CASA GPP, NPP, Rh, Ra, soil C NACP Randerson et al. (2009)
CLM4-CN GPP, NPP, Rh, Ra, soil C NACP & TRENDY Thornton et al. (2007)
DLEM GPP, NPP, Ra, Rh, SoilC NACP Tian et al. (2010)
HYLAND GPP, NPP, Rh, Ra, soil C TRENDY Levy et al. (2004)
ISAM GPP, NPP, Rh, Ra, soilC NACP Jain and Yang (2005)
LPJ-wsl GPP, NPP, Rh, Ra, soil C NACP & TRENDY Sitch et al. (2003)
LPJ-GUESS GPP, NPP, Rh, Ra, soil C TRENDY Smith et al. (2001)
MOD17+ GPP, NPP, Rh, Ra, soilC NACP Zhao et al. (2005)
OCN GPP, NPP, Rh, Ra, soil C TRENDY Zaehle et al. (2010)
ORCHIDEE GPP, NPP, Rh, Ra, soil C NACP & TRENDY Krinner et al. (2005)
SDGVM GPP, NPP, Rh, Ra, soil C TRENDY Cramer et al. (2001)
SIB3 GPP, NPP, Rh, Ra NACP Baker et al. (2008)
TEM6 GPP, NPP, Rh, Ra, soil C NACP Hayes et al. (2011)
TRIFFID GPP, NPP, Rh, Ra, soil C TRENDY Clark et al. (2011)
VEGAS GPP, NPP, Rh, Ra, soil C TRENDY Zeng et al. (2005)
VEGAS2 GPP, NPP, Rh, Ra NACP Zeng et al. (2005)
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"
df = pd.read_csv(url, sep="\t")
df
leafmap.nasa_data_login()
results, gdf = leafmap.nasa_data_search(
short_name="ABoVE_Uncertainty_Maps_1652",
cloud_hosted=True,
bounding_box=(-176.12, 39.41, -67.12, 81.41),
temporal=("2003-01-01", "2003-12-31"),
count=-1, # use -1 to return all datasets
return_gdf=True,
)
gdf.explore()
