2016年7月和8月NASA的气候成像（ATom）-1飞行活动期间测量的黑碳（BC）质量混合比（单位为ng BC / kg空气）

目录

简介

摘要

代码

引用

网址推荐

知识星球

机器学习

---

简介

ATom: Black Carbon Mass Mixing Ratios from ATom-1 Flights

该数据集提供了在2016年7月和8月NASA的气候成像（ATom）-1飞行活动期间测量的黑碳（BC）质量混合比（单位为ng BC / kg空气）。使用单颗粒烟灰光度计（SP2）测量了含有黑碳的气溶胶颗粒的BC核心质量。通过监测样品流来实现质量混合比（MMR）的转换。使用激光质谱法粒子分析（PALMS）仪器确定了空气质量成分的影响。这里还包括云、气溶胶和降水光谱仪（CAPS）仪器的数据，这些数据用于识别在云中进行的测量。最后，还包括每个测量的相关纬度、经度、高度和时间戳。所有数据的分辨率为十秒。ATom-1飞行起源于加利福尼亚州帕姆代尔的阿姆斯特朗飞行研究中心，向北飞往西北极，向南飞往南太平洋，向东飞往大西洋，向北飞往格林兰，然后穿越北美中部返回加利福尼亚。

摘要

ATom-1飞行期间测量了黑碳的质量混合比。黑碳是一种由碳质材料组成的颗粒物质，它是通过化石燃料不完全燃烧、生物质燃烧和其他来源产生的。

黑碳的质量混合比是指在一定体积空气中存在的黑碳的数量。通常用微克每立方米（µg/m³）作为单位来表示。

ATom-1飞行是在2016年7月至8月期间进行的，并覆盖了太平洋和大西洋。在这些飞行中，使用了单颗粒煤烟光度计（SP2）和光吸声消光计（PAX）等仪器测量黑碳的质量混合比。

ATom-1飞行期间收集的数据为了解大气中黑碳的时空变化提供了有价值的信息。这些测量有助于科学家更好地了解黑碳的来源、传输和对气候和空气质量的影响。

对于来自ATom-1飞行的具体黑碳质量混合比数据，建议参考ATom数据集，该数据集可以通过美国国家航空航天局（NASA）和国家大气研究中心（NCAR）的数据档案公开获取。

大气层成像任务（ATom）是美国国家航空航天局（NASA）的一项地球探测亚轨道-2任务。它将研究人类产生的空气污染对温室气体和大气中化学反应气体的影响。ATom 在 NASA DC-8 飞机上部署了一个广泛的气体和气溶胶有效载荷，以系统地进行全球范围的大气采样，持续从 0.2 到 12 公里高度进行剖面飞行。飞行将在四个季节中进行，持续四年。 

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_name="ATom_Carbon_Aerosol_Loadings_1618",cloud_hosted=True,bounding_box=(-180.0, -65.33, 178.99, 80.0),temporal=("2016-07-20", "2016-08-20"),count=-1,  # use -1 to return all datasetsreturn_gdf=True,
)gdf.explore()#leafmap.nasa_data_download(results[:5], out_dir="data")

引用

Katich, J.M., J.P. Schwarz, K. Froyd, B. Weinzierl, M. Dollner, T.P. Bui, C.S. Chang, and J.M. Dean-Day. 2018. ATom: Black Carbon Mass Mixing Ratios from ATom-1 Flights. ORNL DAAC, Oak Ridge, Tennessee, USA. ATom: Black Carbon Mass Mixing Ratios from ATom-1 Flights, https://doi.org/10.3334/ORNLDAAC/1618

网址推荐

知识星球

知识星球 | 深度连接铁杆粉丝，运营高品质社群，知识变现的工具 (zsxq.com)https://wx.zsxq.com/group/48888525452428

机器学习

https://www.cbedai.net/xg