目前ACAG的负责人Prof. Aaron van Donkelaar似乎已经从加拿大达尔豪斯大学跳槽至了美国WUSTL(Washington University in St. Louis)即华大圣路易斯,ACAG的数据也整体在WUSTL网站(Surface PM2.5 | Atmospheric Composition Analysis Group | Washington University in St. Louis (wustl.edu))上发布。对国内使用该数据的朋友来说,这可能是个好消息,毕竟WUSTL的世界排名和知名度都比较高一些。
关于数据版本的一些解释:ACAG原挂在达尔豪斯大学,其负责人是Prof. Donkelaar,目前在WUSTL,负责人仍为Prof. Donkelaar。可确定本数据和之前的达尔豪斯大学数据(这个我之前也做过)同源。之前帖子使用的是V5.GL.01,同教授邮件联系后确认CN版本不会再更新。全部使用GL版本数据,本帖子中数据使用的是V5.GL.03(同版本数据,只是更新了年份),该版本数据教授推荐所有地区使用。
数据的具体概况(摘取原网站):
We estimate annual and monthly ground-level fine particulate matter (PM2.5) for 1998-2021 by combining Aerosol Optical Depth (AOD) retrievals from the NASA MODIS, MISR, and SeaWIFS instruments with the GEOS-Chem chemical transport model, and subsequently calibrating to global ground-based observations using a Geographically Weighted Regression (GWR), as detailed in the below reference for V5.GL.01. V5.GL.03 follows the methodology of V5.GL.01, but updates the ground-based observations used to calibrate the geophysical PM2.5 estimates for the entire time series, and extends temporal coverage through 2021.
(摘自Surface PM2.5 | Atmospheric Composition Analysis Group | Washington University in St. Louis (wustl.edu))
简单解释一下,想获取长时序的PM2.5数据只能采用估测(早年没有开展实测),这个和广泛使用的哥大数据一样都是基于NASA两颗卫星MODIS和MISR的AOD(气溶胶光学厚度)数据进行【估测】的。不同机构的算法不一样,数据也会有一定的差距。
着重提醒:无论是否使用我处理的行政区划数据,在使用ACAG数据时,都请求您一定要标明数据来源,规范引用!尊重其团队的努力。谢谢大家。
Reference:Aaron van Donkelaar, Melanie S. Hammer, Liam Bindle, Michael Brauer, Jeffery R. Brook, Michael J. Garay, N. Christina Hsu, Olga V. Kalashnikova, Ralph A. Kahn, Colin Lee, Robert C. Levy, Alexei Lyapustin, Andrew M. Sayer and Randall V. Martin (2021). Monthly Global Estimates of Fine Particulate Matter and Their Uncertainty Environmental Science & Technology, 2021, doi:10.1021/acs.est.1c05309.
link(Monthly Global Estimates of Fine Particulate Matter and Their Uncertainty | Environmental Science & Technology (acs.org))
数据处理概况:
源数据为.NC(NetCDF)格式,使用地信软件ArcGIS将NC的图层信息提取出来,然后使用分区统计,将其与行政区划匹配。
矢量数据信息:
省县乡同源,矢量数据更新至2019年(已更新至莱芜被合并后)。省级基本问题不大。地市级处理中将【地区、省直辖县、林区及兵团县】也放在了其中(即某些省直辖的代管区域不被计入代管地市),每个样本城市的类型也都有明确的标注(见示例数据),方便大家选用。县级一般变动也不大,海南三沙市和东莞市是全国唯二的“直筒子市”(没有市辖区和辖县),故在县级中也会出现,特作解释。
个人建议:如果采用长时序研究,需要注意样本城市(例如济南,在本处理中1998年的数据也是包含莱芜的)是否出现过区划变动,为保证口径一致,建议在研究中将出现过区划变动的样本剔除.另边疆省份(疆、藏、内蒙等)有大量的无人区,但统计方法会将无人区统计进去进行平均,城市区的数据就被稀释了,即数据对城市的解释力相对较差,使用这些个体时,需考虑这个问题。
变量说明(如无特殊需求,一般用MEAN,即为年度均值):
count:区域内栅格数目
AREA:区划面积
MIN:区域内栅格最小值 MAX:区域内栅格最大值
RANGE:MAX-MIN SUM:区域内所有栅格数据加总
MEAN:区域内栅格均值,一般使用这个当作区划的年度均值数据。
如有任何使用问题或需要复盘,买过98-20数据老用户(可免费更新至21年)可站内信私信进一步联系
示例图及示例数据:
- gls1998.xls
- gls1999.xls
- gls2000.xls
- gls2001.xls
- gls2002.xls
- gls2003.xls
- gls2004_TableToExcel.xls
- gls2005_TableToExcel.xls
- gls2006_TableToExcel.xls
- gls2007_TableToExcel.xls
- gls2008_TableToExcel.xls
- gls2009_TableToExcel.xls
- gls2010_TableToExcel.xls
- gls2011_TableToExcel.xls
- gls2012_TableToExcel.xls
- gls2013_TableToExcel.xls
- gls2014_TableToExcel.xls
- gls2015_TableToExcel.xls
- gls2016_TableToExcel.xls
- gls2017_TableToExcel.xls
- gls2018_TableToExcel.xls
- gls2019_TableToExcel.xls
- gls2020_TableToExcel.xls
- gls2021.xls
- gld1998_TableToExcel.xls
- gld1999_TableToExcel.xls
- gld2000_TableToExcel.xls
- gld2001_TableToExcel.xls
- gld2002_TableToExcel.xls
- gld2003_TableToExcel.xls
- gld2004_TableToExcel.xls
- gld2005_TableToExcel.xls
- gld2006_TableToExcel.xls
- gld2007_TableToExcel.xls
- gld2008_TableToExcel.xls
- gld2009_TableToExcel.xls
- gld2010_TableToExcel.xls
- gld2011_TableToExcel.xls
- gld2012_TableToExcel.xls
- gld2013_TableToExcel.xls
- gld2014_TableToExcel.xls
- gld2015_TableToExcel.xls
- gld2016_TableToExcel.xls
- gld2017_TableToExcel.xls
- gld2018_TableToExcel.xls
- gld2019_TableToExcel.xls
- gld2020_TableToExcel.xls
- gld2021_TableToExce.xls