AIRS/Aqua L1B 可见光/近红外 (VIS/NIR) 地理定位和校准辐射 V005 (AIRVBRAD) 在 GES DISC

简介: NASA大气红外探测器(AIRS)的可见光/近红外(VIS/NIR)1B级数据提供高分辨率辐射度信息,用于检测红外探测中的视场不均匀性,提升温度和湿度反演精度。


AIRS/Aqua L1B Visible/Near Infrared (VIS/NIR) geolocated and calibrated radiances V005 (AIRVBRAD) at GES DISC

简介
大气红外探测器 (AIRS) 是安装在第二个地球观测系统 (EOS) 极地轨道平台 EOS Aqua 上的一台光栅光谱仪 (R = 1200)。AIRS 与先进微波探测装置 (AMSU) 和巴西湿度探测器 (HSB) 结合使用,构成了一个由可见光、红外和微波传感器组成的创新型大气探测组。VIS/NIR 1B 级数据集包含可见光和近红外经过校准和地理定位的辐射度,单位为 W/m^2/微米/球面度。该数据集包含光谱 0.4 至 1.0 微米区域的 4 个通道。每天的 AIRS 数据被分成 240 个颗粒,每个颗粒持续 6 分钟。然而,VIS/NIR 颗粒仅在白天产生,因此 VIS/NIR 颗粒的数量总是较少。 VIS/NIR 通道的主要目的是检测并标记红外视场中的显著不均匀性,这些不均匀性可能会对温度和湿度探测的质量产生不利影响。因此,VIS/NIR 辐射产品的空间分辨率高于红外辐射产品。每次 VIS/NIR 扫描都有 9 个沿轨轨迹和 720 个横向轨迹轨迹。为了便于与红外产品(包括 135 个沿轨轨迹和 90 个横向轨迹轨迹)进行比较,VIS/NIR 产品增加了额外的维度,以涵盖额外的 9 个沿轨轨迹和 8 个横向轨迹轨迹。

摘要
Additional Info
Field Value
Last Updated August 7, 2025, 4:43 AM (UTC+08:00)
Created April 1, 2025, 10:16 PM (UTC+08:00)
accessLevel public
bureauCode 026:00
catalog_conformsTo https://project-open-data.cio.gov/v1.1/schema
harvest_object_id d4bcc86b-e188-40ae-a745-bdb0f4baf6af
harvest_source_id b99e41c6-fe79-4c19-bbc3-9b6c8111bfac
harvest_source_title Science Discovery Engine
identifier 10.5067/L8GM703NT8IK
modified 2025-08-06T19:35:39Z
programCode 026:000
publisher NASA/GSFC/SED/ESD/TISL/GESDISC
resource-type Dataset
source_datajson_identifier true
source_hash 12344994a3a309a3e82b4f172d561620ef90aced2312ae7be9a5ea68efbb00df
source_schema_version 1.1
spatial ["CARTESIAN",[{"WestBoundingCoordinate":-180,"NorthBoundingCoordinate":90,"EastBoundingCoordinate":180,"SouthBoundingCoordinate":-90}]]
theme "Earth Science"
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="AIRVBRAD",
cloud_hosted=True,
bounding_box=(-180, -90, 180, 90),
temporal=("2007-07-26", "2007-07-31"),
count=-1, # use -1 to return all datasets
return_gdf=True,
)

gdf.explore()

leafmap.nasa_data_download(results[:5], out_dir="data")

相关文章
|
4月前
|
人工智能 自然语言处理 安全
如何让 AI 工具更懂你,更听话?
你是否也曾被AI“气到吐血”?明明说的是A,AI却给了B?别沮丧,2025年的AI也需要“正确沟通”。本文教你五大提示技巧:动态提示、多模态输入、Few-shot示例、任务分解与安全边界,让AI从“人工智障”变身“贴心助手”。学会“说AI的语言”,释放创造力,提升效率,开启智能生活新时代!
1322 0
element-ui 里 el-popover 位置发生偏移
element-ui 里 el-popover 位置发生偏移
2444 0
|
3月前
|
机器学习/深度学习 并行计算 算法
PINN驱动的三维声波波动方程求解(Matlab代码实现)
PINN驱动的三维声波波动方程求解(Matlab代码实现)
357 7
|
3月前
|
机器学习/深度学习 JSON 监控
淘宝拍立淘按图搜索与商品详情API的JSON数据返回详解
通过调用taobao.item.get接口,获取商品标题、价格、销量、SKU、图片、属性、促销信息等全量数据。
|
7月前
|
前端开发 算法 API
构建高性能图像处理Web应用:Next.js与TailwindCSS实践
本文分享了构建在线图像黑白转换工具的技术实践,涵盖技术栈选择、架构设计与性能优化。项目采用Next.js提供优秀的SSR性能和SEO支持,TailwindCSS加速UI开发,WebAssembly实现高性能图像处理算法。通过渐进式处理、WebWorker隔离及内存管理等策略,解决大图像处理性能瓶颈,并确保跨浏览器兼容性和移动设备优化。实际应用案例展示了其即时处理、高质量输出和客户端隐私保护等特点。未来计划引入WebGPU加速、AI增强等功能,进一步提升用户体验。此技术栈为Web图像处理应用提供了高效可行的解决方案。
|
3月前
|
机器学习/深度学习 算法 安全
【强化学习应用(八)】基于Q-learning的无人机物流路径规划研究(Python代码实现)
【强化学习应用(八)】基于Q-learning的无人机物流路径规划研究(Python代码实现)
235 6
|
3月前
|
人工智能 编解码 监控
游戏显卡驱动,NVIDIA App ,0xc000007b,amd显卡驱动下载,解决游戏慢,游戏卡等问题
本文介绍了游戏显卡驱动的重要性及安装方法,涵盖NVIDIA和AMD显卡驱动下载与更新,解决游戏卡顿、闪退及报错0xc000007b等问题。提供三款工具推荐,支持自动识别与手动精准安装,优化游戏性能,提升体验。
473 5
|
8月前
|
人工智能 自然语言处理 达摩院
通义大模型:中国AI领域的新里程碑
本文介绍了阿里巴巴达摩院研发的“通义大模型”系列,该模型在2025年已成为AI领域的重要里程碑。通义大模型拥有超大规模参数、多模态融合、高效训练框架和中文优化等技术特点,在智能客服、内容创作、教育和企业服务等多个场景实现应用。未来,它将在多模态能力、小样本学习、安全性及应用场景拓展等方面持续突破,推动中国AI技术进步与行业智能化转型。
2698 18
|
开发框架 搜索推荐 数据可视化
Django框架适合开发哪种类型的Web应用程序?
Django 框架凭借其强大的功能、稳定性和可扩展性,几乎可以适应各种类型的 Web 应用程序开发需求。无论是简单的网站还是复杂的企业级系统,Django 都能提供可靠的支持,帮助开发者快速构建高质量的应用。同时,其活跃的社区和丰富的资源也为开发者在项目实施过程中提供了有力的保障。
572 67
|
安全 数据库 C++
Python Web框架比较:Django vs Flask vs Pyramid
Python Web框架比较:Django vs Flask vs Pyramid
199 1