Saharan Dust AERosols and Ocean Science Expeditions
简介
NOAA 气溶胶和海洋科学考察(AEROSE)是一种基于测量的综合方法,用于了解热带海洋上空气溶胶长程飘移的影响(Morris 等人,2006 年;Nalli 等人,2011 年)。因此,AEROSE 活动(迄今为止由 9 个独立的跨大西洋项目阶段组成)提供了一套现场测量方法,用于描述大陆气溶胶外流(包括尘埃和烟雾)对大西洋的影响和微物理演变(Nalli 等人,2011 年)。AEROSE 试图解决三个核心科学问题(Morris 等,2006 年): 1. 气溶胶(如尘埃、烟雾)在海洋传输过程中如何影响大气和海洋参数?2. 气溶胶分布在传输过程中是如何发生物理和化学变化的?3. 卫星遥感在解析和研究上述过程方面有哪些能力?(我们最近增加了第四项研究,重点是海洋边界层大气颗粒物上微生物群落的迁移和演变。
研究了 2006 年 7 月至 2009 年期间热带北大西洋上空非洲大陆近海与撒哈拉沙尘暴有关的气溶胶的形态和化学成分。在国家海洋和大气管理局研究船 Ronald H. Brown 号(KHB)上进行。跨大西洋大气、地球表面和太阳及海洋科学考察(AEROSE)是一系列密集的大气实地考察活动,旨在调查表面化学,并提供独特的数据集,以描述撒哈拉尘埃在作为不同来源区域特征的移动过程中的影响和微物理演变。基于能量色散 X 射线显微分析系统的 2006 年 AEROSE 样品的元素组成结果表明,尘埃城市羽流系统混合良好,并揭示了 Al、C、Ca、Cd、CI、Fe、K、Mg、Na、O、Pb、S 和 Si 的存在;而 2009 年的样本主要是尘埃气溶胶,以地壳元素为主,如 Al、Ca、CI、Cu、Fe、K、Mg、Na、O、P、S、Si、Sn、Ti 和 Zn。这两年的二次电子图像显示了各种形态,但主要是球状和非球状颗粒的链状结合。拉曼显微镜解释了表面化学处理和混合状态,发现 2006 年存在大量碳氢化合物,这两年都存在硫酸盐。回溯轨迹显示,2006 年有来自毛里塔尼亚和塞内加尔的气团流出,2009 年有来自阿尔及利亚-马里边境的微弱气团流出。
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="AEROSE",cloud_hosted=True,bounding_box=(-180.0, -90.0, 180.0, 90.0),temporal=("2004-03-02", "2017-04-01"),count=-1, # use -1 to return all datasetsreturn_gdf=True,
)gdf.explore()#leafmap.nasa_data_download(results[:5], out_dir="data")
引用
Nalli N, C Barnet, T Reale, Q Liu, V Morris, J Spackman, E Joseph, C Tan, B Sun, F Tilley, L Leung, and D Wolfe. 2016. "Satellite Sounder Observations of Contrasting Tropospheric Moisture Transport Regimes: Saharan Air Layers, Hadley Cells, and Atmospheric Rivers." Journal of Hydrometeorology, 17(12), 10.1175/JHM-D-16-0163.1.
Leung LR. 2016. ARM Cloud-Aerosol-Precipitation Experiment (ACAPEX) Field Campaign Report. Ed. by Robert Stafford, DOE ARM Climate Research Facility. DOE/SC-ARM-16-012.
网址推荐
0代码在线构建地图应用
https://sso.mapmost.com/#/login?source_inviter=nClSZANO
机器学习
https://www.cbedai.net/xg