Flowchart Toko Online

Flowchart Toko Online – Data suhu permukaan langit global sepanjang 5 km setiap jam dari tahun 2011 hingga 2021 berdasarkan integrasi data satelit geostasioner dan orbit kutub

Data suhu permukaan langit global sepanjang 5 km dari tahun 2011 hingga 2021 berdasarkan integrasi data satelit geostasioner dan data satelit yang mengorbit kutub. Suhu permukaan langit global per jam 5 km dari tahun 2011 hingga 2021 berdasarkan … Aolin Jia dkk.

Flowchart Toko Online

Flowchart Toko Online

Suhu permukaan tanah (LST) memainkan peran dominan dalam anggaran energi permukaan (SEB) dan siklus hidrologi. Penginderaan jauh inframerah termal (TIR) ​​​​adalah metode utama untuk memperkirakan LST di seluruh dunia. Namun, cloud meninggalkan banyak kesenjangan data pada produk LST satelit, sehingga sangat membatasi penggunaannya. Upaya telah dilakukan untuk menghasilkan produk LST bebas celah dari satelit yang mengorbit kutub (misalnya Terra dan Aqua); namun, data satelit dari jalan layang terbatas tidak cocok untuk mengkarakterisasi siklus suhu diurnal (DTC), yang berhubungan langsung dengan gelombang panas, tekanan air tanaman, dan kelembaban tanah. Mempertimbangkan variabilitas temporal LST yang besar dan pentingnya DTC, kami menyempurnakan metode pengambilan LST awan-langit berbasis SEB, meningkatkan kelayakan dan efisiensinya, dan menghasilkan suhu langit permukaan (GHA-) global per jam, 5 km. LST) dari tahun 2011 hingga 2021. Produk GHA-LST dibuat menggunakan produk TIR LST dari data satelit geostasioner dan mengorbit kutub dari Copernicus Global Land Service (CGLS) dan Moderate Resolusi Imaging Spectroradiometer (MODIS). Berdasarkan pengukuran berbasis darat di 201 lokasi global dari jaringan Anggaran Radiasi Permukaan (SURFRAD), Jaringan Radiasi Permukaan Dasar (BSRN), Fluxnet, AmeriFlux, Heihe Riverbasen (HRB), dan Dataran Tinggi Tibet (TP), akar rata-rata kesalahan kuadrat (RMSE ) produk GHA-LST per jam adalah 3,31 K, dengan bias −0,57 K dan R2 0,95. Oleh karena itu, produk ini lebih akurat dibandingkan sampel langit cerah CGLS dan MODIS MYD21C1 LST. Nilai RMSE rata-rata LST harian adalah 1,76 K. Hasil validasi di masing-masing lokasi menunjukkan bahwa dataset GHA-LST memiliki RMSE yang relatif lebih besar untuk daerah dataran tinggi, hal ini disebabkan oleh tingginya heterogenitas permukaan dan ketidakpastian input. data. Analisis temporal dan spasial menunjukkan bahwa GHA-LST memiliki kontinuitas spatiotemporal yang memuaskan dan variasi yang wajar, serta sesuai dengan data referensi pada skala per jam dan harian. Selain itu, perbandingan regional GHA-LST dengan data spasial per jam lainnya (ERA5 dan Global Land Data Assimilation System, GLDAS) menunjukkan bahwa GHA-LST dapat memberikan lebih banyak informasi tekstur spasial. Analisis anomali bulanan menunjukkan bahwa GHA-LST sangat sesuai dengan kumpulan data suhu udara permukaan global dan kumpulan data LST lainnya pada skala suhu rata-rata dan minimum harian, sedangkan suhu maksimum dan kisaran harian suhu LST dan suhu udara (AT) memiliki ukuran yang berbeda. anomali. Kumpulan data GHA-LST adalah kumpulan data LST global tanpa celah berskala 5 km per jam dengan akurasi tinggi dan dapat digunakan untuk memperkirakan evapotranspirasi global, memantau kondisi cuaca ekstrem, dan memajukan model prediksi meteorologi. GHA-LST tersedia secara gratis di https://doi.org/10.5281/zenodo.7487284 (Jia et al., 2022b) dan http://glass.umd.edu/allsky_LST/GHA-LST (terakhir diakses: 10 Februari 2023; Jia dkk., 2022c).

Deskriptif Dan Flowchart Pembelian Barang Di Tokopedia

Jia, A., Liang, S., Wang, D., Ma, L., Wang, Z., dan Xu, S.: Data suhu permukaan 5 km global setiap jam dari tahun 2011 hingga 2021 berdasarkan integrasi geostasioner dan orbital kutub data satelit, Sistem Bumi. Tahu Data, 15, 869–895, https://doi.org/10.5194/-15-869-2023, 2023.

Suhu permukaan (LST) merupakan komponen penting dari anggaran radiasi permukaan dan pendorong dominan sirkulasi atmosfer dan keseimbangan hidrologi (Z.-L. Li et al., 2022, 2013). LST secara langsung mencerminkan umpan balik termal dari berbagai tutupan lahan terhadap radiasi matahari yang masuk dan radiasi gelombang panjang atmosfer (Liang et al., 2019) dan digunakan sebagai variabel penting untuk menganalisis pulau panas perkotaan (Liu et al., 2022), permafrost . pemetaan (Zou et al., 2017) dan prediksi bahaya (Bhardwaj et al., 2017; Mudele et al., 2020; Quintano et al., 2015). Oleh karena itu, LST sering digunakan sebagai indikator kunci untuk mengkarakterisasi perubahan iklim regional dan global (Zhou et al., 2012; Jin, 2004; Peng et al., 2014). Parameter ini dapat diperoleh dari pengukuran di lapangan, simulasi model, dan pengambilan penginderaan jauh. Berdasarkan heterogenitas spatio-temporal yang besar yang disebabkan oleh perbedaan tutupan lahan, jenis tanah, topografi dan kondisi meteorologi (Zhan et al., 2013; Liu et al., 2006; Ma et al., 2021), penginderaan jauh telah menjadi satu-satunya satu. solusi yang layak untuk pemantauan LST di seluruh dunia.

LST dapat diperoleh dari pengamatan thermal inframerah (TIR) ​​dari satelit yang mengorbit kutub (Wan, 2008; Hulley dan Hook, 2009) dan satelit geostasioner (GEO) (Yu et al., 2008; Freitas et al., 2009). . Sebagai perbandingan, satelit GEO memberikan observasi kurang dari setiap jam; dengan demikian, mereka dapat secara akurat menangkap siklus suhu diurnal (DTC) permukaan bumi. DTC menunjukkan variabilitas temporal yang kuat dari LST dalam satu hari, yang merupakan sifat termal permukaan penting yang merespons perubahan lingkungan lokal (Hansen et al., 1995; Sun et al., 2006). Penelitian telah menunjukkan bahwa DTC berhubungan langsung dengan defisit air tanaman dan kekeringan tanah (Fensholt et al., 2011; Stisen et al., 2008; Hernandez-Barrera et al., 2017); Oleh karena itu, hubungan seperti ini telah digunakan untuk memetakan evapotranspirasi (Anderson et al., 2011) dan kelembaban tanah (Piles et al., 2016). Selain itu, membantu meningkatkan prakiraan meteorologi melalui asimilasi data (Orth et al., 2017), evaluasi gelombang panas ekstrem (Hrisko et al., 2020; Jiang et al., 2015), perkiraan hasil panen (Anderson et al., 2016 ). ). ), konversi skala spatiotemporal LST (Hu et al., 2020), koreksi penyimpangan orbital dari data LST Radiometer Resolusi Sangat Tinggi Tingkat Lanjut (AVHRR) (Jin dan Treadon, 2003), dan analisis fenologi vegetasi (Piao et al., 2015). Mengingat potensi besar DTC dalam aplikasi ilmiah dan tingginya variabilitas temporal LST, data LST harian yang akurat sangat penting bagi komunitas riset dan publik (Chang et al., 2021; Hrisko et al., 2020; Pinker et al., 2021; Hrisko et al., 2020; Pinker et al. .al., 2019). ).

Sensor TIR pada satelit GEO seperti Geostationary Operational Environmental Satellites (GOES)-R Advanced Baseline Imager (ABI) dan Meteosat Second Generation (MSG) Spinning Enhanced Visible and InfraRed Imager (SEVIRI) memberikan peluang luar biasa untuk pencitraan DTC. Namun, penggunaan satelit GEO untuk observasi global variasi LST diurnal menghadirkan dua kelemahan yang tidak dapat dihindari, yaitu kesenjangan data yang disebabkan oleh tutupan awan dan terbatasnya bidang pandang spasial masing-masing satelit GEO, yang sangat membatasi ketersediaan data LST semua langit setiap jam. ditetapkan secara global. skala Metode untuk mendapatkan LST per jam dikembangkan dan ditinjau secara komprehensif oleh Jia et al. (2022a). Produk LST yang tersedia saat ini yang diperoleh dari satelit bebas ruang angkasa dirangkum dalam Tabel 1. Beberapa kumpulan data LST bebas ruang angkasa tidak tercantum dalam tabel, misalnya suhu kulit dari kumpulan data analisis ulang (misalnya ERA5 dan Analisis Retrospektif Era Modern untuk Penelitian dan Aplikasi, versi 2 – MERRA-2) (Muñoz-Sabater et al., 2021; Molod et al., 2015) atau hasil Coccia et al. (2015) karena mereka mengasumsikan emisivitas broadband permukaan adalah 1.

Alur Konfigurasi [classic]

Tabel 1 menunjukkan bahwa saat ini hanya ada beberapa set data LST all-sky yang tersedia setiap jamnya; oleh karena itu, kumpulan data LST yang mencakup seluruh angkasa setiap jam dalam skala global sangat dibutuhkan. Pada Tabel 1 , produk dibagi menjadi tiga kategori berdasarkan metodologi terkait: fusi data, interpolasi matematis, dan estimasi LST awan berdasarkan teori keseimbangan energi permukaan (SEB).

Model permukaan tanah dan kumpulan data analisis ulang melaporkan simulasi suhu kulit setiap jam secara real-time yang telah dikombinasikan dengan LST yang diturunkan dari satelit untuk menghasilkan LST bebas kesenjangan (Dumitrescu et al., 2020; Long et al., 2020; Marullo et al., 2014 ;Ma dkk., 2022;Muñoz-Sabater dkk., 2021); namun, keakuratan LST yang diambil sangat bergantung pada keakuratan simulasi, terutama untuk hari berawan yang terus menerus. Selain itu, pengamatan gelombang mikro pasif (PMW) dapat menembus awan dan memperkirakan LST dalam kondisi langit (Zhang et al., 2019; Wu et al., 2022), dan penelitian telah mengeksplorasi penggabungan data tersebut dengan TIR LST dari sensor kutub. – satelit di orbit (Zhang et al., 2020; Xu dan Cheng, 2021). Namun data PMW membatasi waktu penyeberangan menjadi satu hari; oleh karena itu, observasi tersebut tidak dapat cocok dengan observasi GEO. Interpolasi matematis adalah metode rekonstruksi LST per jam yang populer karena DTC ideal dapat diparameterisasi dengan fungsi harmonik pada siang hari dan fungsi eksponensial pada malam hari (Duan et al., 2012). Namun parameterisasi tersebut memerlukan setidaknya empat observasi per hari. Para peneliti juga telah mencoba meningkatkan kelayakan memperoleh LST gratis dengan menggabungkan model DTC dengan interpolasi spasial (Liu et al., 2017) atau dengan menggunakan jaringan saraf konvolusional (CNN) untuk memprediksi nilai yang hilang dari piksel langit cerah di sekitarnya dan tekstur. informasi (Wu dkk., 2019). Namun, interpolasi sampel langit cerah yang berdekatan hanya dapat mengambil LST teoritis “langit cerah” karena LST sebenarnya di bawah awan dipengaruhi oleh perubahan meteorologi yang sering terjadi dan efek pendinginan/pemanasan awan pada siang/malam hari (Jin, 2000; Jia dkk. ., 2020).

Sebagai perbandingan, perkiraan LST langit mendung berbasis SEB menunjukkan keunggulan dalam menghasilkan produk LST harian berskala besar. Metode berbasis SEB mencakup dua langkah: langkah pertama adalah merekonstruksi nilai teoritis LST langit cerah untuk titik waktu berawan, dan langkah kedua adalah melapisi efek awan berdasarkan persamaan SEB (Jin dan Dickinson, 2000; Lu dkk., 2011). . Namun, metode tradisional berbasis SEB memiliki kelayakan yang terbatas karena kebutuhan input yang tinggi dan hanya dapat digunakan pada siang hari. Oleh karena itu, Jia dkk. (2021) meningkatkan metode ini secara signifikan dengan memasukkan data pemodelan ke dalam proses, dan metode yang ditingkatkan ini dapat diterapkan pada skala spasial yang lebih besar. ERA5

Flowchart Toko Online

Flowchart diagram online, membuat flowchart online, buat flowchart online, free online flowchart maker, flowchart online free, membuat flowchart online gratis, flowchart online, flowchart maker online, online flowchart tool, flowchart toko, create flowchart online free, create flowchart online

You May Also Like

About the Author: Reza

Tinggalkan Balasan

Alamat email Anda tidak akan dipublikasikan. Ruas yang wajib ditandai *