NPP 热带森林:马来西亚姆鲁山,1977-1978 年,R1

简介: 本数据集包含1977-1978年马来西亚姆鲁山国家公园低地雨林的净初级生产力(NPP)与气候数据。涵盖冲积林、石楠林、龙脑香林和石灰岩林四种森林类型,海拔50-300米,面积共544平方公里。提供地上生物量、凋落物、土壤养分及气象记录,揭示热带雨林生态系统生产力与环境关系。

​NPP Tropical Forest: Gunung Mulu, Malaysia, 1977-1978, R1

简介

该数据集包含七个 ASCII 数据文件(.txt 格式)。其中四个文件提供了马来西亚婆罗洲姆鲁山国家公园内不同低地雨林的净初级生产力(NPP)数据。另外三个文件提供了姆鲁山附近气象站的气候数据。研究区域位于姆鲁山国家公园内,海拔从 50 米到 300 米不等,沿不同土壤类型的环境梯度分布,公园面积为 544 平方公里。研究地点均为原始低地常绿雨林,每个地点面积约为 1.0 公顷。这些地点包括:冲积林(海拔 50 米,雨季常被淹没);石楠林(位于海拔约 170 米的沙质台地上);龙脑香混交林(位于海拔 200-250 米的山脊斜坡上)。以及一片石灰岩森林(位于海拔 300 米的悬崖和沟壑底部,石灰岩上覆盖着浅层土壤)。净初级生产力(NPP)文件包含地上生物量、年凋落物积累量、凋落物存量以及不同植被成分和土壤养分含量的估算值。科学考察于 1977 年 6 月至 1978 年 9 月进行。凋落物估算值介于 886 克/平方米/年至 1203 克/平方米/年之间,给出了地上生产力的最低估算值。研究地点的气候记录从 1915 年延续至 1990 年。该地区的气候主要受印度-澳大利亚季风系统控制,12 月至次年 3 月为湿润的东北季风,5 月至 10 月为略微干燥的西南季风。年平均降水量约为 3000 毫米,平均气温约为 27 摄氏度。

摘要

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/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="NPP_GNN_474",
cloud_hosted=True,
bounding_box=(114.8, 4.02, 114.88, 4.14),
temporal=("1917-01-01", "1990-10-31"),
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
|
6天前
|
数据采集 人工智能 安全
|
15天前
|
云安全 监控 安全
|
2天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
262 155
|
3天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:六十九、Bootstrap采样在大模型评估中的应用:从置信区间到模型稳定性
Bootstrap采样是一种通过有放回重抽样来评估模型性能的统计方法。它通过从原始数据集中随机抽取样本形成多个Bootstrap数据集,计算统计量(如均值、标准差)的分布,适用于小样本和非参数场景。该方法能估计标准误、构建置信区间,并量化模型不确定性,但对计算资源要求较高。Bootstrap特别适合评估大模型的泛化能力和稳定性,在集成学习、假设检验等领域也有广泛应用。与传统方法相比,Bootstrap不依赖分布假设,在非正态数据中表现更稳健。
200 105
|
9天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
674 5
|
12天前
|
人工智能 自然语言处理 API
一句话生成拓扑图!AI+Draw.io 封神开源组合,工具让你的效率爆炸
一句话生成拓扑图!next-ai-draw-io 结合 AI 与 Draw.io,通过自然语言秒出架构图,支持私有部署、免费大模型接口,彻底解放生产力,绘图效率直接爆炸。
799 152