
- در دسترس بودن مجموعه دادهها
- 1958-01-01T00:00:00Z–2024-12-01T00:00:00Z
- تولیدکننده مجموعه داده
- دانشگاه کالیفرنیا مرسد
- کادانس
- ۱ ماه
- برچسبها
توضیحات
TerraClimate مجموعهای از دادههای ماهانه آب و هوا و تعادل آب و هوایی برای سطوح زمینی جهان است. این مجموعه از درونیابی به کمک اقلیم استفاده میکند و دادههای نرمال اقلیمی با وضوح مکانی بالا از مجموعه دادههای WorldClim را با دادههای با وضوح مکانی درشتتر اما متغیر با زمان از CRU Ts4.0 و بازتحلیل ۵۵ ساله ژاپنی (JRA55) ترکیب میکند. از نظر مفهومی، این روش، ناهنجاریهای متغیر با زمان درونیابی شده از CRU Ts4.0/JRA55 را به اقلیمشناسی با وضوح مکانی بالای WorldClim اعمال میکند تا یک مجموعه داده با وضوح مکانی بالا ایجاد کند که رکورد زمانی وسیعتری را پوشش میدهد.
اطلاعات زمانی برای اکثر سطوح خشکی جهان در مورد دما، بارش و فشار بخار از CRU Ts4.0 به ارث رسیده است. با این حال، دادههای JRA55 برای مناطقی که دادههای CRU هیچ ایستگاه اقلیمی در آنها دخیل نبوده است (از جمله تمام قطب جنوب، و بخشهایی از آفریقا، آمریکای جنوبی و جزایر پراکنده) استفاده میشود. برای متغیرهای اقلیمی اولیه دما، فشار بخار و بارش، دانشگاه آیداهو دادههای بیشتری در مورد تعداد ایستگاههایی (بین 0 تا 8) که در دادههای CRU Ts4.0 مورد استفاده TerraClimate نقش داشتهاند، ارائه میدهد. JRA55 منحصراً برای تابش خورشیدی و سرعت باد استفاده شد.
TerraClimate علاوه بر این، با استفاده از یک مدل تعادل آب که شامل تبخیر و تعرق مرجع، بارش، دما و ظرفیت آب قابل استخراج خاک با درونیابی گیاه است، مجموعه دادههای تعادل آب سطحی ماهانه را تولید میکند. از یک مدل تعادل آب اقلیمی اصلاحشده Thornthwaite-Mather و دادههای ظرفیت ذخیره آب قابل استخراج خاک در یک شبکه 0.5 درجه از Wang-Erlandsson و همکاران (2016) استفاده شد.
محدودیتهای دادهها:
روندهای بلندمدت دادهها از مجموعه دادههای والد به ارث میرسند. TerraClimate نباید مستقیماً برای ارزیابیهای مستقل روندها استفاده شود.
TerraClimate نمیتواند تغییرات زمانی را در مقیاسهای دقیقتر از مجموعه دادههای اصلی ثبت کند و بنابراین قادر به ثبت تغییرات در نسبتهای بارش کوهنوردی و وارونگیها نیست.
مدل بیلان آب بسیار ساده است و ناهمگونی در انواع پوشش گیاهی یا پاسخ فیزیولوژیکی آنها به تغییر شرایط محیطی را در نظر نمیگیرد.
اعتبارسنجی محدود در مناطق با دادههای پراکنده (مثلاً قطب جنوب).
باندها
اندازه پیکسل
۴۶۳۸.۳ متر
باندها
| نام | واحدها | حداقل | مکس | مقیاس | اندازه پیکسل | توضیحات |
|---|---|---|---|---|---|---|
aet | میلیمتر | 0* | ۳۱۴۰* | ۰.۱ | متر | تبخیر و تعرق واقعی، با استفاده از مدل بیلان آب خاک یک بعدی بدست آمده است |
def | میلیمتر | 0* | ۴۵۴۸* | ۰.۱ | متر | کمبود آب اقلیمی، با استفاده از مدل بیلان آب خاک یک بعدی استخراج شده است |
pdsi | -۴۳۱۷* | ۳۴۱۸* | ۰.۰۱ | متر | شاخص شدت خشکسالی پالمر | |
pet | میلیمتر | 0* | ۴۵۴۸* | ۰.۱ | متر | تبخیر و تعرق مرجع (ASCE Penman-Montieth) |
pr | میلیمتر | 0* | ۷۲۴۵* | متر | تجمع بارش | |
ro | میلیمتر | 0* | ۱۲۵۶۰* | متر | رواناب، با استفاده از مدل بیلان آب خاک یک بعدی استخراج شده است | |
soil | میلیمتر | 0* | ۸۸۸۲* | ۰.۱ | متر | رطوبت خاک، با استفاده از مدل بیلان آب خاک یک بعدی بدست آمده است |
srad | وات بر متر مربع | 0* | ۵۴۷۷* | ۰.۱ | متر | تابش موج کوتاه سطحی رو به پایین |
swe | میلیمتر | 0* | ۳۲۷۶۷* | متر | معادل آب برف، با استفاده از مدل بیلان آب خاک یک بعدی بدست آمده است | |
tmmn | درجه سانتیگراد | -770* | ۳۸۷* | ۰.۱ | متر | حداقل دما |
tmmx | درجه سانتیگراد | -۶۷۰* | ۵۷۶* | ۰.۱ | متر | حداکثر دما |
vap | کیلو پاسکال | 0* | ۱۴۷۴۹* | ۰.۰۰۱ | متر | فشار بخار |
vpd | کیلو پاسکال | 0* | ۱۱۱۳* | ۰.۰۱ | متر | کمبود فشار بخار |
vs | اماس | 0* | ۲۹۲۳* | ۰.۰۱ | متر | سرعت باد در ارتفاع ۱۰ متر |
ویژگیهای تصویر
ویژگیهای تصویر
| نام | نوع | توضیحات |
|---|---|---|
| وضعیت | رشته | «موقت» یا «دائم» |
شرایط استفاده
شرایط استفاده
مجموعه دادهها تحت مجوز Creative Commons Public Domain (CC0) در مالکیت عمومی قرار دارد.
نقل قولها
آباتزوگلو، جی تی، اس زد دوبروسکی، اس ای پارکس، کی سی هگویش، ۲۰۱۸، Terraclimate، یک مجموعه داده جهانی با وضوح بالا از آب و هوای ماهانه و تعادل آب و هوایی از ۱۹۵۸-۲۰۱۵، Scientific Data 5:170191، doi:10.1038/sdata.2017.191
با موتور زمین کاوش کنید
ویرایشگر کد (جاوااسکریپت)
var dataset = ee.ImageCollection('IDAHO_EPSCOR/TERRACLIMATE') .filter(ee.Filter.date('2017-07-01', '2017-08-01')); var maximumTemperature = dataset.select('tmmx'); var maximumTemperatureVis = { min: -300.0, max: 300.0, palette: [ '1a3678', '2955bc', '5699ff', '8dbae9', 'acd1ff', 'caebff', 'e5f9ff', 'fdffb4', 'ffe6a2', 'ffc969', 'ffa12d', 'ff7c1f', 'ca531a', 'ff0000', 'ab0000' ], }; Map.setCenter(71.72, 52.48, 3); Map.addLayer(maximumTemperature, maximumTemperatureVis, 'Maximum Temperature');
import ee import geemap.core as geemap
کولب (پایتون)
dataset = ee.ImageCollection('IDAHO_EPSCOR/TERRACLIMATE').filter( ee.Filter.date('2017-07-01', '2017-08-01') ) maximum_temperature = dataset.select('tmmx') maximum_temperature_vis = { 'min': -300.0, 'max': 300.0, 'palette': [ '1a3678', '2955bc', '5699ff', '8dbae9', 'acd1ff', 'caebff', 'e5f9ff', 'fdffb4', 'ffe6a2', 'ffc969', 'ffa12d', 'ff7c1f', 'ca531a', 'ff0000', 'ab0000', ], } m = geemap.Map() m.set_center(71.72, 52.48, 3) m.add_layer( maximum_temperature, maximum_temperature_vis, 'Maximum Temperature' ) m