معرفی امکانات رابط کاربری Giovanni
رابط کاربری Giovanni
این متن نسبتا طولانی، به تفکیک و جزییات شمارا جهت دانلود محتوای ماهواره های اقلیمی ناسا راهنمایی می کند. Giovanni یک محیط آنلاین (وب) برای نمایش و تجزیه و تحلیل پارامترهای ژئوفیزیکی است که در آن به راحتی می توان به منشا (اصل داده ها) دسترسی داشت. این راهنمای کاربر در مورد نحوه استفاده از جیووانی و اطلاعات مربوط به محصولات و خدمات داده های جیووانی کمک می کند. با استفاده از رابط کاربری Giovanni، می توان به راحتی داده های انتخاب شده را در انواع طرح ها پیدا و نمایش داد. همچنین امکان بارگیری فایل های منبع طرح در قالب netCDF (و سایر قالب ها) وجود دارد.
آموزش استفاده از این سامانه را در ویدیو کوتاه زیر ببینید:
بعلاوه تمامی امکانات این سامانه در زیر معرفی شده است:
انتخاب نوع تجسم
در بالای رابط منوهایی برای انواع مختلف تجسم موجود در جیووانی قرار دارد. انتخاب یک تجسم باعث می شود که در قسمت "انتخاب طرح" در بالا سمت چپ ظاهر شود. تصویر پیش فرض، نقشه میانگین زمان است. تصویر زیر منوی انواع تجسم را نشان می دهد که با کلیک روی فلش رو به پایین (▾) در قسمت Select Plot نمایش داده می شود.
وقتی Hovmoller، Latitude-Averageged انتخاب می شود، همانطور که در زیر نشان داده شده است، با کلیک بر روی آن در قسمت Select Plot به عنوان نوع تجسم انتخاب شده ظاهر می شود.
انتخاب محدوده تاریخ
بخش بعدی رابط مورد بررسی، بخش Date Range Selection است. همانطور که در زیر نشان داده شده است، تاریخ های شروع و تاریخ های پایان با تقویم های کشویی انتخاب می شوند. تاریخ ها نیز ممکن است به صورت دستی و در قالب YYYY-MM-DD وارد شوند. پیام های خطا نشان می دهد اگر محدوده تاریخ به اشتباه وارد شده باشد. اگر داده هایی با فواصل زمانی زیر روزانه (مثلاً ساعتی، 3 ساعته) انتخاب شود، کادر انتخاب ساعت و دقیقه (HH: میلی متر) فعال می شود.
توجه: اگر محصولات داده ماهانه قبل از انتخاب دامنه تاریخ انتخاب شده باشند، انتخابگر محدوده تاریخ فقط گزینه های سال و ماه را مجاز می کند.
انتخاب منطقه مورد نظر (جعبه محدود)
بخشی که در سمت راست قسمت Date Range قرار دارد، قسمت Select Region است. برای مشخص کردن منطقه مورد نظر سه گزینه وجود دارد: دستی (با مرزهای طول و عرض جغرافیایی برای یک منطقه مستطیل شکل)، با نقشه تعاملی با کلیک و کشیدن با نشانگر، یا انتخاب یک منطقه از شکل منوی شکل مختصات طول و عرض جغرافیایی به ترتیب غرب، جنوب، شرق و شمال وارد می شوند، در صورت استفاده از مختصات عددی، طول های غربی و عرض های جنوبی به عنوان اعداد منفی وارد می شوند. حروف W-S-E-N را می توان به جای مختصات عددی نیز به کار برد. بنابراین می توان عرض جغرافیایی 5 درجه جنوبی را وارد کرد. "X" ورودی های جعبه را پاک می کند.
اگر از مکان نما برای انتخاب یک منطقه استفاده شود، منطقه انتخاب شده مانند شکل زیر نشان داده می شود. مقادیر گوشه طول و عرض جغرافیایی به طور خودکار نمایش داده می شود.
نماد چاپگر در سمت چپ اجازه می دهد تا تصویر نقشه با منطقه انتخاب شده به دست آید. همچنین با انتخاب شکل (توضیح داده شده در زیر) کار خواهد کرد. این امر خصوصاً برای مناطقی فاقد مرز جغرافیایی یا ویژگی های قابل تشخیص مانند خطوط ساحلی بسیار مفید است. همچنین نشان دادن منطقه مورد نظر برای گزینه های خروجی غیر نقشه برداری مانند سری های زمانی نیز مفید است. با کلیک بر روی نماد چاپگر، عکس فوری نقشه به همراه نماد بارگیری نشان داده می شود که به شما امکان می دهد نقشه در سیستم کاربر بارگیری شود.
اشکال (ایالات متحده آمریکا، کشورها و عمده حوضه هاس آبریز) از فهرست Shape انتخاب می شوند. با کلیک بر روی نام شکل، آن شکل به عنوان منطقه مورد نظر انتخاب می شود. تصویر زیر انتخاب شکل کشور برای فرانسه را نشان می دهد.
اگر شکل انتخاب شده به اندازه کافی بزرگ باشد، همانطور که برای فرانسه در زیر نشان داده شده است، روی نقشه نشان داده می شود. با بزرگنمایی روی نقشه با کنترل "+" می توان اشکال کوچکتر را بهتر مشاهده کرد.
انتخاب متغیر - جستجوی وجهی
انتخاب متغیر با رابط Giovanni را می توان از طریق دو روش مختلف انجام داد. روش اول جستجوی وجهی است. برای جستجوی Faceted، گزینه های سمت چپ رابط نشان داده می شوند که بسیاری از گزینه ها در زیر "اندازه گیری" ذکر شده اند. برای این مثال، CH4 (متان) انتخاب شد.
هشت متغیر مختلف داده برای متان در هنگام انجام این انتخاب در دسترس بود. هر هشت متغیر ذکر شده است و متغیر یا متغیرهای مورد نظر اکنون می توانند انتخاب شوند.
جستجوی متغیر - جستجوی کلمات کلیدی
روش جستجوی متغیر دیگر جستجوی کلید واژه است. یک کلمه کلیدی به سادگی در قسمت Keyword بالای کادر نتایج جستجو تایپ می شود و بر روی دکمه Search کلیک می شود. مثال زیر برخی از نتایج ارائه شده هنگام ورود کلمه کلیدی Dust را نشان می دهد.
در مجموع همه متغیرها، 18، در اینجا قابل نمایش نیستند. دوباره، پس از نمایش نتایج، می توان یک یا چند متغیر مورد نظر را برای تجزیه و تحلیل انتخاب کرد.
رسم داده ها و گزینه های مجدد نقشه برداری
هنگامی که تمام اطلاعات لازم وارد شد و یک متغیر یا متغیر داده برای تجزیه و تحلیل انتخاب شد، یک کاربر جیووانی برای شروع تجزیه و تحلیل به سادگی روی دکمه Green Plot Data کلیک می کند. صفحه بعدی مراحل پردازش در حال انجام را نشان می دهد. اگر در هنگام پردازش پیام خطایی مشاهده شود، کاربر می تواند با کلیک بر روی دکمه Feedback گردش کار برای یک پیام ایمیل را ضبط کرده و آن را برای تیم توسعه Giovanni ارسال کند، در آنجا بررسی می شود.
مثال زیر برخی از احتمالات برای بازپخش را نشان می دهد. توجه داشته باشید که حداکثر و حداقل مقادیر داده برای محدوده پالت رنگ نیز قابل تنظیم است و نمودار را می توان با مقیاس خطی یا لگاریتمی نمایش داد (دومی بیشتر برای انواع داده های اقیانوس استفاده می شود).
مثال با استفاده از متغیر داده کسری ابر روزانه / صعودی ابر صدا از مادون قرمز Atmospheric (AIRS) AIRX3STD v006 روزانه استفاده می کند. بازه زمانی 1 تا 3 نوامبر 2011 است.
توجه داشته باشید که می توان نقشه را بزرگنمایی کرد (کنترل های +/- در بالا سمت چپ) و با کلیک و کشیدن مکان نما، آن را جابجا کرد.
برای گزینه های replotting، روی کادر با عنوان "Options" در بالا سمت راست کلیک کنید. منوها برای گزینه ها نمایش داده می شود.
یکی از اصلاحات احتمالی موجود با این گزینه ها حذف برخی یا همه پوشش ها است. برای حذف مرزهای کشورها و ایالت ها و خطوط شبکه، روی "کشورها"، "ایالت های ایالات متحده" و "شبکه" کلیک کنید. (دکمه های "Decorations" عناوین، زیرنویس ها و پالت رنگ را حذف یا اضافه می کنند.)
برای اصلاح بیشتر طرح، در جعبه لایه ها، روی چرخ با عنوان "گزینه ها" کلیک کنید، که چندین گزینه را ارائه می دهد:
ابتدا گزینه "Smoothing" انتخاب شده است. این در جعبه "صاف کردن" نامیده می شود، اما این عملیات یک محاسبه صاف کننده ریاضی نیست. جیووانی از الگوریتم کانتور پر از ماتپلوتلب برای ایجاد تصاویر طرح دار استفاده می کند. این الگوریتم مرزهای خط بین پیکسل های داده را از بین می برد. دامنه رنگ پالت نیز تغییر یافت و به 0.2-0.9 تغییر یافت (20٪ تا 90٪ کسری ابر).
سپس تصویر نهایی را می توان به عنوان یک فایل PNG بارگیری کرد، در نتیجه نتیجه زیر نشان داده شده است.
برای اصلاح بیشتر این طرح، می توان پالت رنگ را تغییر داد. چندین گزینه پالت رنگ را می توان برای امکان مقایسه سریع انتخاب کرد. در این حالت، دو گزینه پالت اضافه شد.
در اینجا نتیجه حاصل با پالت 11 سایه آبی قرمز به عنوان یک تصویر PNG است. این تصویر باعث می شود واضح تر باشد که سنگین ترین پوشش ابر در کجا قرار گرفته است (رنگ های مایل به قرمز) و در کجای آسمان ابری کمتری وجود دارد (رنگ های مایل به آبی). در این حالت، رنگ سفید cloud 50٪ پوشش ابر را نشان می دهد.
برای خروج از این تصویر، روی "بارگیری" کلیک کنید، که سه گزینه را ارائه می دهد. پس از بخش "سیستم تصویر"، این گزینه های قالب بارگیری در بخش "گزینه های خروجی" توضیح داده می شوند.
سه گزینه بارگیری تصویر وجود دارد: GeoTIFF (به عنوان پرونده)، KMZ (برای Google Earth) و PNG. این گزینه ها با کلیک روی نماد "بارگیری" نشان داده می شوند.
سیستم تصویر
گزینه های Polar Projection با انتشار Giovanni نسخه 4.24 اضافه شدند. این اضافات یک قسمت جدید "Projection" به کادر Replotting Options، که در زیر نشان داده شده است، اضافه کرد.
استوانه مساوی پیش بینی نقشه پیش فرض است. با کلیک بر روی پیکان رو به پایین، دو گزینه طرح قطبی (در تصویر زیر برجسته شده است) نشان داده می شود.
در زیر نمودار استوانه ای برابر و قطب جنوب قطبی داده های غلظت ازن روزانه (در واحدهای دابسون) از ابزار اندازه گیری ازن (OMI) برای دوره 15 تا 17 اکتبر 2010 وجود دارد. برای طرح کامل طرح قطبی، 180- را انتخاب کنید به عنوان طول غربی و 180 به عنوان طول شرقی.
گزینه های خروجی
نگاشت گزینه های خروجی تصویر
یک تصویر نقشه را می توان در یکی از سه قالب تصویر بارگیری کرد:
KMZ - یک فایل KMZ یک خروجی به زبان نشانه گذاری کلید (KML) است. این قالب توسط Google Earth پشتیبانی می شود و اجازه می دهد تصاویر به Google Earth وارد شوند.
PNG - قالب استاندارد تصویر.
GeoTIFF - GeoTIFF یک استاندارد فراداده در دامنه عمومی است که اجازه می دهد اطلاعات ارجاع ژئو در یک فایل TIFF جاسازی شود. از پرونده های GeoTIFF (.tif) می توان در برنامه های سیستم های اطلاعات جغرافیایی (GIS) استفاده کرد. بارگیری تصویر واقعی GeoTIFF از جیووانی امکان پذیر نیست.
علاوه بر سه گزینه بارگیری قالب تصویر که در بالا توضیح داده شد، داده های مربوط به تصویر نقشه برداری را می توان به عنوان یک پرونده netCDF (پسوند .nc) بارگیری کرد. برای دسترسی به فایل netCDF و همچنین سه گزینه فایل قالب تصویر، روی "بارگیری" در درخت تاریخچه در سمت چپ صفحه نتایج کلیک کنید.
گزینه های خروجی سری زمانی
طرح مجموعه زمانی را می توان به عنوان تصویر PNG بارگیری کرد.
گزینه های پرونده بارگیری داده های سری زمانی
داده های موجود در نمودار سری زمانی را می توان به عنوان یک فایل Microsoft Excel Comma-Separated Values (CSV، .csv) بارگیری کرد. این داده های خروجی را می توان در سایر برنامه های صفحه گسترده مانند Google Docs یا Open Office نیز قرار داد.
خروجی برای سایر گزینه های نقشه کشی
برای اکثر گزینه های طرح در Giovanni، طرح واقعی را می توان به عنوان یک پرونده PNG بارگیری کرد و داده ها به صورت یک پرونده netCDF در دسترس هستند.
چگونه جیووانی را رفرنس کنیم
ما درخواست می کنیم اگر جیووانی (یا داده های بارگیری شده از جیووانی) برای تجزیه و تحلیل داده ها و تجسم داده ها در انتشارات، پوسترها، ارائه های شفاهی، گزارش ها، صفحات وب، از مرکز خدمات اطلاعات و داده های Goddard Earth Science (GES DISC) به طور مشخص و واضح تأیید شود. و انواع دیگر رسانه های علمی. اگر مساعدتی از کارکنان GES DISC حاصل شود که به طور قابل ملاحظه ای به مطالب علمی کمک می کند، همکاری تألیف مناسب است.
بیانیه تأییدیه عمومی جیووانی زیر را در هر یک از اشکال ارتباطات علمی ذکر شده در بالا بریده و بچسبانید:
"Analyses and visualizations used in this [study/paper/presentation] were produced with the Giovanni online data system, developed and maintained by the NASA GES DISC."
ارائه جلسه: اگر تجسم داده های Giovanni در ارائه های عمومی (به ویژه سخنرانی های علمی) مورد استفاده قرار می گیرد، ما می خواهیم بدانیم. چنین اطلاعاتی به عنوان توجیهی برای ادامه بودجه و توسعه جیووانی بسیار مهم است! ما از یک پیام کوتاه الکترونیکی که عنوان ارائه، خلاصه مقاله (در صورت وجود) و جلسه ارائه شده را ارائه می دهد، بسیار قدردانی می کنیم. لطفاً این پیام را با عنوان "اطلاعات ارائه جیووانی" به gsfc-help-disc@lists.nasa.gov ارسال کنید.
مرجع عمومی جیووانی:
از انتشار زیر در Eos، معاملات اتحادیه ژئوفیزیک آمریکا، می توان به عنوان یک اشاره کلی به جیووانی در آثار منتشر شده استفاده کرد:
J. G. Acker and G. Leptoukh, “Online Analysis Enhances Use of NASA Earth Science Data”, Eos, Trans. AGU, Vol. 88, No. 2 (9 January 2007), pages 14 and 17.
پیشنهادات
تأیید استفاده از داده ها در جیووانی
جیووانی و مأموریت یا فعالیتی که داده ها را ارائه داده اند باید تأیید شوند. جیووانی اطلاعاتی را درباره مأموریت یا فعالیتی که داده ها را تولید کرده ارائه می دهد. در صورت نیاز به راهنمایی بیشتر، با راهنمای GES DISC تماس بگیرید یا مستقیماً با منبع داده تماس بگیرید.
به عنوان مثال، اگر از داده های MODIS استفاده شده باشد، می توان بیانیه ای مانند موارد زیر را علاوه بر بیانیه کاربرد عمومی فوق، استفاده کرد:
"ما همچنین دانشمندان مأموریت MODIS و پرسنل وابسته ناسا را برای تولید داده های مورد استفاده در این تحقیق تحسین می کنیم."
اگر از چندین منبع داده استفاده شود، ممکن است یک عبارت کلی مناسب باشد، مانند:
"ما از دانشمندان و محققان اصلی ماموریت که داده های مورد استفاده در این تحقیق را ارائه داده اند، قدردانی می کنیم."
رهنمودهای تألیف مشترک:
داده ها در سیستم جیووانی از بسیاری از ماموریت ها و فعالیت های مختلف (مانند مدل سازی) به دست می آیند. استفاده گسترده از داده ها ممکن است مستلزم مشاوره با دانشمندان مأموریت و در نظر گرفتن نویسندگی مشترک برای این دانشمندان باشد تیس مسئولیت اعطای تالیف مشترک و تأیید تأیید در انتشارات تحقیقاتی منتشر شده و سایر اشکال ارتباط علمی در نهایت با نویسنده اصلی است.
راهنمای کلی طرح / خدمات
استفاده از اشکال برای تعیین مناطق
اشکال بسته به اینکه جیووانی به طور متوسط در منطقه نیاز داشته باشد یا اینکه به راحتی منطقه را زیرمجموعه کند، متفاوت رفتار می شود.
وقتی جیووانی به طور متوسط از یک منطقه در خدمات (مانند سری زمانی با میانگین منطقه) استفاده می کند، شکل با وضوح چهار برابر بیشتر از داده ها رستریزه می شود (به پیکسل تبدیل می شود). سپس آرایه رستری با وضوح بالا به آرایه ای برابر با وضوح داده، با وزن های متناسب با میزان پوشش شکل در هر سلول، دوباره جمع می شود. وزنه های پوشش شکل سپس توسط کسینوس عرض عرض بیشتر وزن می شوند، همانطور که در بخش محاسبه آمار شرح داده شده است. از این وزن ها برای محاسبه میانگین محاسبه در منطقه استفاده می شود تا سلولهایی با پوشش شکل کمتری تأثیر کمتری روی میانگین حاصل داشته باشند.
وقتی جیووانی از شکل برای زیرمجموعه کردن منطقه استفاده می کند، در خدماتی مانند Map-Averaged Map از این شکل برای پوشاندن داده ها و نگهداری تمام سلول های شبکه که حداقل تا حدی با شکل همپوشانی دارند، استفاده می شود.
داده های ماسک Land-Sea به دو شکل "فقط دریا" و "فقط سرزمین" گنجانده شده است. این اشکال قابلیت پوشاندن زمین و دریا را فراهم می کند. به عنوان مثال، اگر یک کادر محدود کننده تعریف شده باشد و پرونده شکل "فقط زمین" انتخاب شود، منطقه تعریف شده فقط در محدوده محدوده است. در حال حاضر دو نوع طرح، نقشه متوسط زمان و سری زمان میانگین منطقه، برای قابلیت پوشاندن دریا در خشکی فعال هستند.
در جیووانی، ما با تعریف سطح آب بزرگتر یا مساوی 75 درصد آب، یک ماسک دریایی جدید از اصل تهیه کردیم. برای مجموعه داده ها با وضوح شبکه های مختلف، یک الگوریتم جمع آوری مجدد برای این ماسک اعمال می شود تا یک ماسک سازگار برای وضوح شبکه مربوطه داده ها بدست آورد.
شکاف داده ها در مجموعه داده های جیووانی
بسیاری از مجموعه های داده ها در جیووانی، به ویژه آنهایی که متشکل از داده هایی هستند که توسط یک سنسور ماهواره ای به دست می آیند و با وضوح زمانی بالا (روزانه، 3 ساعته یا ساعتی) در دسترس هستند، ممکن است دارای شکاف داده (یا حفره) باشند. شکاف داده به سادگی به معنای عدم وقفه در مجموعه داده ها در طی یک دوره زمانی است. شکاف داده می تواند به چندین دلیل رخ دهد. شایعترین علت این است که به دلایلی در طول این مدت زمان، ابزار به دست آوردن داده های مشاهده نبوده است. (دلایل دیگر شامل مسئله کیفیت داده ها، وقفه فصلی در پوشش، یا شرایطی در سیستم آب و هوایی زمین است که مانع از مشاهده ابزار از قبیل طوفان گرد و غبار می شود که منظره زمین و اقیانوس را از بین می برد.)
اگر جیووانی هنگام پردازش داده ها برای تجسم با شکاف داده ای روبرو شود، جریان کار برای ایجاد تجسم ادامه خواهد یافت. در صورت طرح نمودارهای سری زمانی، هنگامی که داده های مشاهده ای در دسترس بود، در خط اتصال نقاط به سادگی وجود خواهد داشت. اگر تجسم Giovanni یک نقشه باشد به طور متوسط در طول دوره ای که شکاف داده رخ داده است، نقشه با تمام داده های موجود در مدت زمان مشخص شده برای میانگین سازی ایجاد می شود.
برای متغیرهای داده ای که به عنوان میانگین ماهانه در دسترس هستند (که بعضاً به آنها داده فضایی و زمانی اشاره می شود)، ممکن است ارائه دهنده داده با وجود تمام داده های موجود برای آن ماه، متوسط ماهیانه ایجاد کرده باشد، حتی اگر در این ماه شکاف داده ای وجود داشته باشد. در این حالت، فاصله داده ها در خروجی جیووانی مشهود نخواهد بود. اگر کاربری نگران این امکان است، باید از اسناد داده ارائه دهنده مشاوره بگیرید.
محاسبه آمار وزنی
بیشتر سرویس های جیووانی آماری کل را به نوعی در یک یا چند بعد در زمان و مکان محاسبه می کنند.
انحراف متوسط و استاندارد
به استثنای آمار مربوط به نمودار Histogram، هر دو این آمار از وزن استفاده می کنند. وزنه ها کسینوس عرض مرکزی مرکز داده های توزین شده است. در مورد اشکال، وزنها بیشتر تنظیم می شوند همانطور که در "استفاده از اشکال برای تعیین مناطق" توضیح داده شده است.
فرمولی که برای محاسبه میانگین استفاده می شود:
که در آن w نشانگر اوزان است، x نشان دهنده نقاط داده است و i یک نمایه برای تمام نقاط داده است که به طور متوسط قرار دارند. فرمولی که برای محاسبه انحراف استاندارد استفاده می شود:
تعداد، حداقل و حداکثر
این آمار برای تمام نقاط داده معتبر در منطقه انتخاب شده محاسبه می شود (به عنوان مثال، مقادیر پر کردن مستثنی است). برای مناطقی که به عنوان جعبه های مرزی مشخص شده اند، تمام نقاط داده ای که مرکز شبکه در جعبه محدود کننده است، گنجانده شده است. برای اشکال، تمام نقاط داده ای که حداقل تا حدی با شکل همپوشانی دارند، گنجانده شده است. شمارش تعداد کل نقاط داده موجود است، حداقل کمترین مقدار نقاط داده موجود و حداکثر بزرگترین مقدار داده های داده شده است.
ارائه مجدد
برخی از خدمات ما (مانند همبستگی) برای جفت شدن دو متغیر در زمان و مکان لازم است. اگر دو متغیر دارای تفکیک پذیری فضایی متفاوت باشند، وضوح دقیق تر با استفاده از برنامه lats4d به وضوح درشت مجدداً جمع می شود.
انواع طرح / خدمات
نقشه ها
تیم نقشه میانگین الکترونیکی
نقشه با میانگین زمانی مقادیر داده ها را برای هر سلول شبکه در منطقه مشخص شده توسط کاربر، به طور متوسط (خطی) در محدوده زمانی مشخص شده توسط کاربر به عنوان یک لایه نقشه نشان می دهد. مقادیر پر کردن به مقدار متوسط زمان کمک نمی کند. نقشه تولید شده را می توان بزرگ و بزرگ کرد. گزینه های نمودار شامل تنظیم حداقل و حداکثر مقادیر برای مقیاس رنگ و در بعضی موارد انتخاب پالت های دیگر است.
مثال: نقشه میانگین زمان بارش از Typhoon Chapala، برای دوره 27 اکتبر تا 2 نوامبر 2015.
نقشه های اندازه برداری، مانند آنهایی که اندازه سرعت باد دارند، ابتدا اندازه برداری را در هر مرحله از زمان محاسبه می کنند، قبل از اینکه اندازه های هر سلول شبکه را با هم در طول زمان متوسط کنند. در مقابل، نقشه های برداری میانگین اجزای طولی و طولی هر سلول شبکه را در طول زمان محاسبه می کنند و بردارهای حاصله را نمایش می دهند.
انیمیشن
سرویس انیمیشن نقشه های برش زمان منحصر به فرد یک متغیر داده را در یک دنباله متحرک نشان می دهد. هر پرونده موجود در انیمیشن را می توان در یک فایل zip قرار داد که حاوی هر تصویر در قالب PNG است. از این موارد می توان برای ایجاد یک فیلم متحرک در برنامه های دیگر استفاده کرد.
نقشه های متوسط فصلی یا ماهانه
نقشه های فصلی یا ماهانه میانگین ها برای یک ماه خاص یا یک دوره 3 ماهه مربوط به فصول هواشناسی محاسبه می شوند (DJF = دسامبر، ژانویه، فوریه ؛ MAM = مارس، آوریل، مه ؛ JJA = ژوئن، جولای، آگوست ؛ و SON = سپتامبر، اکتبر، نوامبر). مقادیر متوسط طی سالهای مشخص شده در صفحه انتخاب محاسبه و در نقشه نمایش داده می شود. بیش از یک ماه یا فصل می تواند انتخاب شود. این سرویس فقط برای داده های ماهانه در دسترس است.
مثال: میانگین ماههای آوریل طی سالهای 2010-2015 برای عمق نوری ذرات معلق در هوا با هدف تاریکی ترکیبی (AOD) میانگین داده های میانگین روزانه - منطقه شمال غربی آفریقا و شمال اقیانوس اطلس استوایی است.
نقشه تجمعی
چند متغیر برای نقشه تجمع در دسترس است، که در آن به جای میانگین در طول زمان، یک کل در طول زمان برای یک سلول شبکه مشخص محاسبه می شود. اینها معمولاً متغیرهای مربوط به بارش هستند. این سرویس محدود به متغیرهای داده ای است که مداوم هستند، دارای شکاف داده ای کم یا بدون آن هستند. (دلیل این مشخصات این است که شکاف ها همانند مقادیر 0 رفتار می شوند، و در نتیجه ممکن است تعصب کم در داده ها با شکاف های قابل توجه باشد).
مثال: بارندگی انباشته، اندازه گیری بارش جهانی (GPM) بازیابی چند ماهواره ای یکپارچه برای محصول GPM (IMERG) Late Run، محصول 12-22 مه 2016.
نقشه همپوشانی میانگین زمان
Map Overlay Time Overlay Map گزینه های مختلفی را در مورد تجسم داده ها فراهم می کند.
گزینه 1: نقشه ای که با توجه به مقادیر داده در یک پالت رنگی رنگ آمیزی شده است، می تواند با خطوطی که مقادیر عددی همان متغیر داده را نشان می دهد، ترکیب شود.
گزینه 2: نقشه ای که با توجه به مقادیر داده در یک پالت رنگ رنگ آمیزی شده است، می تواند با خطوطی که مقادیر عددی یک متغیر داده متفاوت را نشان می دهد، ترکیب شود.
گزینه 3: نقشه های رنگی یا کانتور می توانند با متغیر داده ای که به صورت بردار نشان داده شده است ترکیب شوند. اگر هم از نقشه رنگی و هم از نقشه کانتور استفاده شده باشد، متغیر برداری نیز می تواند به عنوان سومین متغیر در نقشه نشان داده شود.
دامنه داده های پالت رنگ و نقشه کانتور را می توان با توجه به ترجیح کاربر تغییر داد و فاصله کانتورها را نیز مشخص کرد.
مثال: نقشه منطقه طغیان بنگوئلا در ساحل غربی آفریقای جنوبی غلظت کلروفیل در رنگ، دمای سطح دریا به عنوان خطوط و سرعت باد به عنوان بردار را نشان می دهد. بادهایی که در یک جهت ثابت می وزند باعث می شوند آب عمیقتر و سردتر با مواد مغذی به سطح بیایند و رشد فیتوپلانکتون را که حاوی کلروفیل است افزایش می دهد.
مقایسه ها
نقشه همبستگی (و مقایسه های دیگر)
نقشه همبستگی ضریب همبستگی را با استفاده از رگرسیون خطی ساده بین دو متغیر در طول زمان در هر سلول شبکه محاسبه می کند و دو نقشه تولید می کند: یکی ضریب همبستگی (R) و دیگری تعداد نمونه های همکار (مطابق) در هر سلول شبکه را نشان می دهد. (توجه داشته باشید که مقادیر هر دو متغیر برای کمک به محاسبه همبستگی باید مقادیر غیر پر باشد.) به هر سلول شبکه ای که در طول زمان کمتر از سه جفت همسان داشته باشد، مقدار پر اختصاص داده می شود.
یک محصول اضافی از محاسبات همبستگی میانگین در هر سلول شبکه تفاوت بین دو متغیر در هر مرحله زمانی برای آن سلول شبکه است. این نقشه ممکن است مقادیر بیشتری نسبت به نقشه همبستگی داشته باشد، زیرا اختلافات برای فقط یک مرحله زمان همسان غیر پر در سلول شبکه محاسبه می شود.
مثال: نقشه همبستگی میزان بارش باران های استوایی ماهانه (TRMM) 3B43v7 میزان بارش و صدای ابر ماهانه مادون قرمز (AIRS) ماهیانه ابر ابر روزانه. انتظار می رود که میزان بارش و کسر ابر به طور قابل توجهی همبستگی داشته باشد، زیرا پوشش ابر غالباً با باران همراه است. از آنجا که این یک نقشه همبستگی سالانه برای سال 2012 است، مناطقی که همبستگی منفی دارند احتمالاً به دلیل بارش برف زمستانی است، زیرا TRMM برف را به عنوان بارش اندازه گیری نکرده است. بنابراین، برای طوفان های زمستانی، پوشیده از ابر خواهد بود اما هیچ بارش مشاهده نمی شود.
طرح پراکنده استاتیک
نمودار scatter یک نمودار پراکندگی (استاتیک) از همه جفت های داده از دو متغیر انتخاب شده تولید می کند. جفت داده ها در هر دو فضا (سلول شبکه) و زمان مطابقت دارند. نمودار هم پراکندگی و هم پارامترهای رگرسیون خطی ساده، یعنی شیب، جبران و ضریب همبستگی (R) را نشان می دهد. Caveat: به طور متوسط که در بازخوانی اتفاق می افتد ممکن است یک ضریب همبستگی مصنوعی بالا ایجاد کند. با دقت تفسیر کنید!
مثال: طرح پراکنده کسری ابر در مقابل بارش در ژوئیه 2012 بر روی ایالات متحده مجاور (همان منطقه ای که در بالا استفاده شد).
نمودار پراکندگی تعاملی
نمودار پراکندگی تعاملی یک نمودار پراکندگی و یک نقشه را نشان می دهد که موقعیت جفت داده ها را در نمودار پراکندگی نشان می دهد. کاربران می توانند جفت داده مورد علاقه خود را با انتخاب جفت داده انتخاب کنند (روی نمودار پراکندگی کلیک کرده و بکشید). همچنین کاربران می توانند با انتخاب منطقه مورد علاقه در نقشه، مکانهای مورد علاقه خود را انتخاب کنند.
مثال: نمودار پراکندگی تعاملی داده های کسری ابر در طول روز AIRS در برابر داده های میزان بارندگی ماهانه TRMM 3B43v7 برای ژوئیه 2012. تصویر اول کل منطقه را نشان می دهد. با کلیک بر روی یک نقطه در نمودار پراکندگی، مختصات جغرافیایی آن پیکسل و مقادیر مربوط به داده فراهم می شود.
تصویر دوم منطقه کوچکتری را نشان می دهد که از منطقه اول گرفته شده است. نمودار پراکندگی اکنون فقط نقاط مربوط به آن منطقه را نشان می دهد.
نمودار پراکندگی متوسط زمان
نمودار پراکندگی با میانگین زمان، یک نمودار پراکندگی از تمام نقاط مستقر در طول زمان به طور متوسط و یک نقشه را نشان می دهد که محل جفت های داده در نمودار پراکندگی را نشان می دهد. در محاسبه میانگین ها برای هر سلول شبکه فقط مقادیری که برای هر دو قسمت داده در یک مرحله زمانی مشخص پر نشده باشند استفاده می شود.
کاربران می توانند جفت داده مورد علاقه خود را با انتخاب جفت داده انتخاب کنند (روی نمودار پراکندگی کلیک کرده و بکشید). همچنین کاربران می توانند با انتخاب منطقه مورد علاقه در نقشه، مکانهای مورد علاقه خود را انتخاب کنند.
مثال: برای منطقه مشابهی که در بالا استفاده شده است، اما اکنون به طور متوسط در سال 2012 است. توجه داشته باشید که محصولات داده در محورها معکوس می شوند.
طرح پراکندگی متوسط منطقه
نمودار پراکندگی متوسط منطقه برای هر مرحله از دو متغیر جداگانه به طور متوسط بیش از منطقه انتخاب را محاسبه می کند. مقادیر حاصل با زمان مطابقت داده می شود و به عنوان یک نمودار پراکندگی X-Y رسم می شود. تمام سلولهایی که نقطه مرکزی آنها در کادر انتخاب قرار می گیرد شامل می شوند.
مثال: نمودار پراکندگی متوسط منطقه ای داده های کسری ابر در طول روز AIRS در برابر داده های میزان بارش ماهانه TRMM 3B43v7 برای سال 2012 در شمال شرقی ایالات متحده (تقریباً همان منطقه ای که برای دومین نمودار پراکندگی تعاملی فوق استفاده شده است).
تفاوت نقشه های میانگین زمانی
تفاوت Maps با میانگین زمانی میانگین زمان هر سلول شبکه را برای دو متغیر مقایسه شده محاسبه می کند. سپس اختلافات بین دو نقشه حاصل محاسبه و بر روی نقشه ترسیم می شود. فقط متغیرهای دارای اندازه گیری و واحد های مشابه می توانند از این طریق تفاوت داشته باشند. مقادیر پر کردن در هر یک از نقشه های نتیجه در اختلاف نهایی وجود ندارد.
مثال: تفاوت بین دو محصول داده نرخ بارندگی TRMM، 3B43v7 - 3A12v7، برای ژوئیه 2012، نسبت به جنوب شرقی ایالات متحده. غلبه مقادیر منفی (آبی) نشان می دهد که محصول 3A12v7 میزان بارندگی بیشتری را نسبت به محصول داده 3B43v7 تخمین زده است.
سری زمانی
سری زمانی میانگین منطقه
نمودار استاندارد سری زمانی Giovanni با محاسبه میانگین های مکانی در منطقه انتخاب شده توسط کاربر از یک متغیر برای هر مرحله زمانی در ایالات متحده تولید می شود دامنه er مقادیر پر کردن به میانگین های مکانی کمک نمی کنند. سپس هر مقدار متوسط در برابر زمان رسم می شود تا خروجی سری زمانی ایجاد شود.
مثال: سری زمانی میانگین منطقه از ابر ابر ماهانه AIRS (روز / صعودی) بیش از مریلند برای سال های 2003-2005.
سری های زمانی فصلی (یک ساله)
سری زمانی فصلی یک سری زمانی متوسط برای هر سال در انتخاب کاربر برای یک ماه خاص یا یک فصل هواشناسی 3 ماهه محاسبه می کند. برای جلوگیری از تعصب نتایج، فصول جزئی (به عنوان مثال از دست دادن یک یا دو ماه) رسم نمی شوند. زمستان هواشناسی (دسامبر-ژانویه-فوریه) سالی است که ژانویه سقوط می کند، بنابراین DJF برای 2007 از دسامبر 2006 به فوریه 2007 می رود. این سرویس فقط برای داده های ماهانه در دسترس است. ژوئن 2017: Giovanni Release 4.23 شامل پشتیبانی از شکل در این سرویس است، و همچنین بارگیری متن متغیر جدا شده با کاما (CSV) را برای مقادیر نشان داده شده در هر طرح بین سری سالانه بین سالانه فراهم می کند.
مثال: سری های زمانی فصلی سری زمانی میانگین منطقه ای ابر ماهانه کسری ابر (روز / صعودی) برای منطقه ای که ایالت مریلند و مناطقی از ایالت های مجاور را در بر می گیرد، 2003-2014.
نمودار های Hovmöller
نمودار Hovmöller به طور متوسط در هر مرحله از طول و عرض جغرافیایی قرار دارد و یک نمودار برش رنگی دو بعدی برای بعد افقی باقیمانده در برابر زمان ایجاد می کند. نمودارهای Lat در برابر زمان Hovmöller عرض جغرافیایی را در محور عمودی نشان می دهد. طرح های Lon در برابر زمان Hovmöller طول محور را در محور افقی نشان می دهد.
به عنوان مثال، طرح Lat در مقابل Time Hovmöller: این طرح، ابر ماهانه AIRS (روز / صعودی) را برای اقیانوس گرمسیری اقیانوس اطلس در سال 2004، از جمله مناطق نزدیک ساحلی آمریکای جنوبی و آفریقا نشان می دهد. در طول فصل بارندگی، کسر ابر در ضلع غربی اقیانوس اطلس بیش از آمریکای جنوبی افزایش می یابد. در پاییز، سیستم های آب و هوای گرمسیری که می توانند به طوفان های گرمسیری یا طوفان تبدیل شوند، بخش ابر را در سمت شرقی افزایش می دهند.
به عنوان مثال، طرح Lon vs.
سری زمانی تفاوت های میانگین منطقه
این سرویس با متمایز ساختن متغیر اول از متغیر دوم در هر سلول شبکه، و سپس محاسبه میانگین اختلاف در منطقه انتخاب شده توسط کاربر، دو متغیر را در طول زمان مقایسه می کند. اختلاف میانگین منطقه بر روی یک نقشه جغرافیایی (دکارتی) محاسبه می شود.
مثال: سری زمانی اختلافات میانگین منطقه برای کسری ابر ماهانه AIRS (روز / صعودی) و کسری ابر ماهانه (شب / نزولی) برای گرمسیری اقیانوس اطلس، تقریباً از استوا تا 12 درجه شمالی در ماه اکتبر ابرهای کمتری وجود دارد.
نمودارهای عمودی
مقطع عرضی (عرض-فشار)
این سرویس نمایشی دو بعدی از مقادیر پارامتر داده را که در فشار یا ارتفاع رسم شده اند (در بعد عمودی) در مقابل عرض جغرافیایی (در بعد افقی)، ایجاد می کند. مقادیر پارامتر داده ها در نمودار مقطع درهم آمیخته شده و در مقیاس ورود به سیستم نمایش داده می شوند. داده ها به طور متوسط از طول جغرافیایی استفاده می شوند و در صورت انتخاب یک مقدار عرض جغرافیایی، سرویس به جای مقطع، نمایه ایجاد می کند.
مثال: مقطع عرضی، عرض-فشار رطوبت نسبی برای اقیانوس اطلس از تقریباً 60 درجه شمالی تا 60 درجه جنوبی. (توجه داشته باشید، این تصویر دارای برچسب "Cross Map" بود زیرا در هنگام ایجاد طرح، این نام سرویس بود.)
سطح مقطع (طول-فشار)
این سرویس نمایشی دو بعدی از مقادیر پارامتر داده را که در فشار یا ارتفاع رسم شده اند (در بعد عمودی) در مقابل طول جغرافیایی (در بعد افقی)، ایجاد می کند. مقادیر پارامتر داده ها در نمودار مقطع درهم آمیخته شده و در مقیاس ورود به سیستم نمایش داده می شوند. داده ها به طور متوسط از عرض جغرافیایی استفاده می شوند و در صورت انتخاب یک مقدار طول جغرافیایی، سرویس به جای مقطع، نمایه ایجاد می کند.
مثال: مقطع عرضی، طول-فشار تقریباً 2 درجه شمالی تا 14 درجه شمالی، بر فراز اقیانوس اطلس، آفریقای مرکزی و اقیانوس هند. توجه داشته باشید که چگونه رطوبت در ارتفاع قاره آفریقا بیشتر است. (توجه داشته باشید، این تصویر دارای برچسب "Cross Map" بود زیرا در هنگام ایجاد طرح، این نام سرویس بود.)
مقطع عرضی (فشار زمانی)
این سرویس نمایشی دو بعدی از مقادیر پارامتر داده را که در فشار یا ارتفاع رسم شده اند (در بعد عمودی) در برابر زمان (در بعد افقی) ایجاد می کند. مقادیر پارامتر داده ها در نمودار مقطع درهم آمیخته شده و در مقیاس ورود به سیستم نمایش داده می شوند. داده ها به طور متوسط از طول و عرض جغرافیایی استفاده می شوند و اگر زمان شروع و زمان پایان یکسان باشند، نمایه ای ایجاد می کنند تا مقطع.
مثال: سطح مقطع تحت فشار زمان رطوبت نسبی AIRS (روز / صعودی) در منطقه کالیفرنیا / نوادا / آریزونا، 2010-2012. خشک شدن فصلی جو در گرمترین ماههای تابستان در این قطعه قابل مشاهده است. (توجه داشته باشید، این تصویر دارای برچسب "Cross Map" بود زیرا در هنگام ایجاد طرح، این نام سرویس بود.)
مشخصات عمودی (میانگین زمان و مکان)
چندین متغیر در جیووانی علاوه بر ابعاد افقی طول و عرض جغرافیایی دارای بعد عمودی نیز هستند. به عنوان مثال، متغیرهای داده دما، رطوبت نسبی و برخی گازهای جوی (از جمله متان و ازن) متغیرهای داده های Sounder مادون قرمز جو (AIRS) دارای ابعاد عمودی فشار جو هستند. گزینه vertical profile profile نمایه ای از متغیر داده شده را نشان می دهد که ابتدا در منطقه انتخاب شده توسط کاربر و سپس در دوره انتخاب شده به طور متوسط قرار می گیرد.
مثال: مشخصات عمودی دمای هوا و رطوبت نسبی ماهانه AIRS برای مناطق گرمسیری شرقی اقیانوس اطلس شمالی در شمال آفریقا. لایه هوای Saharan با رطوبت نسبی پایین مشخص می شود.
سایر نقشه ها
میانگین منطقه ای
میانگین منطقه ای در یک منطقه معین توالی داده های تولید شده با استفاده از میانگین در طول یک طول جغرافیایی برای هر عرض جغرافیایی است. محاسبه میانگین منطقه ای فقط با داده ها در یک لایه اتمسفر کار می کند (با فشار hPa تعریف می شود)، مانند 30 0 hPa به عنوان مثال. میانگین منطقه ای را نمی توان برای محدوده فشار محاسبه کرد، یعنی برای محدوده 300-400 hPa. عملیات میانگین منطقه ای با صادرات داده ها از مجموعه داده و سپس به طور متوسط در امتداد محور طول برای هر نقطه عرض جغرافیایی کار می کند.
مثال: نمودار میانگین منطقه ای دمای اتمسفر AIRS در 500 hPa برای ژانویه 2010 در ایالات متحده و کانادا.
هیستوگرام
سرویس هیستوگرام یک هیستوگرام را روی مقادیر موجود در انتخاب زمانی و مکانی داده شده محاسبه می کند. هیچ میانگین گیری در هر ابعادی انجام نمی شود. مقادیر پر از داده کاهش یافته و در نتایج در نظر گرفته نمی شود. میانگین نمونه بدون وزن، انحراف استاندارد نمونه بدون وزن و میانه نیز در یک جعبه در گوشه بالا سمت راست ارائه شده است.
مثال: هیستوگرام مقادیر تاریک ماهانه MODIS و مقادیر عمق نوری آئروسل متوسط آبی عمیق برای آوریل 2010 در شمال آفریقا. نقشه مربوطه در سمت راست نشان داده شده است.
ویژگی های دیگر
تبدیل واحدها
بسیاری از متغیرها را می توان از واحدهای فعلی به واحدهای مختلف مانند mm / hr به inch / day تبدیل کرد. این قابلیت با استفاده از یک منوی گزینه در ستون واحد برای آن متغیر نشان داده می شود (به زودی ...) به منظور کارآیی، این تبدیل معمولاً بر روی داده های خروجی از یک سرویس داده شده اعمال می شود. با این وجود، دو مورد وجود دارد که باید قبل از اجرای الگوریتم پردازش، تبدیل انجام شود. اولین مورد برای خدمات مقایسه ای است که برای معقول بودن به واحدهای یکسانی نیاز دارند، یعنی سرویس هایی که در آنها کلمه "Difference" وجود دارد. دسته دوم مواردی است که الگوریتم سرویس داده ها را در بعد زمان جمع می کند (به عنوان مثال به طور متوسط). در این موارد، اگر واحدهای مقصد نرخ ماهیانه هستند (به عنوان مثال اینچ / ماه)، پس از آن باید تبدیل قبل از اجرای الگوریتم انجام شود تا تعداد روزهای مختلف هر ماه را در نظر بگیرید.
هشدارها
درخواست خدمات برای متغیرهای مشخص شده در واحدهای نرخ ماهانه (به عنوان مثال میلی متر در ماه) باعث تعصب نمودار نسبت به نمودارهایی می شود که از متغیرهایی با واحد نرخ روزانه یا ساعتی استفاده می کنند (به عنوان مثال اینچ در روز). نمودارهایی که بعد زمان را نشان می دهند، برای ماههای طولانی (به عنوان مثال ماههایی با روزهای بیشتر) مقادیر بیشتری نشان می دهند. به عنوان مثال، فرض کنید یک کاربر یک سری زمانی از بارش را در میلی متر در ماه درخواست کند. نقاط داده های ماه مارس بارش کل را برای 31 روز نشان می دهد در حالی که نقاط داده آوریل فقط 30 روز بارش را نشان می دهد. نمودارهایی که به طور متوسط در طول زمان دارای مشکلات مشابهی هستند. ماه های طولانی تر مقادیر بیشتری دارند که میانگین را به سمت بالا می کشد. ماه های کوتاه تر دارای مقادیر کمتری خواهند بود که باعث کاهش متوسط می شود. نمودارهای هیستوگرام با تبدیل واحد ماهانه کمی کج می شوند. مقادیر ماههای طولانی تر به سطل های ارزش بیشتری تبدیل می شوند و مقادیر ماه های کوتاهتر نیز در سطل های کم ارزش تر.
تماس واتساپ: 09190622992 (98+)
شناسه تلگرام مدیر سایت: Basin_Ir_bot@
نشانی ایمیل: www.Basin.ir@Gmail.com
(سوالات تخصصی را در گروه تلگرام ارسال کنید)
_______________________________________________________
تماس با ما
تماس واتساپ
گروه تلگرام ما
هشدارهای ما
آمار و اطلاعات
سفارش پروژه
در منابع آب
مممنون عالی بود