有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
EPA National Emissions Inventory (NEI)|空气污染数据集|环境监测数据集
收藏www.epa.gov2024-10-26 收录
下载链接：
https://www.epa.gov/air-emissions-inventories/national-emissions-inventory-nei
下载链接
链接失效反馈资源简介：
EPA National Emissions Inventory (NEI) 是美国环境保护署（EPA）发布的国家排放清单，包含了美国各地的空气污染物排放数据。该数据集涵盖了多种污染物，包括但不限于二氧化硫（SO2）、氮氧化物（NOx）、挥发性有机化合物（VOCs）、颗粒物（PM）和一氧化碳（CO）。数据通常按年份和地理区域进行分类，提供了详细的排放源信息，如工业设施、移动源和燃烧过程等。
提供机构：
www.epa.gov
AI搜集汇总
数据集介绍
构建方式
EPA National Emissions Inventory (NEI) 数据集由美国环境保护署（EPA）构建，旨在全面记录和分析美国境内的空气污染物排放情况。该数据集通过整合来自工业设施、移动源、燃烧过程等多个来源的排放数据，采用先进的统计和建模技术，确保数据的准确性和全面性。数据收集过程严格遵循EPA的标准操作程序，包括现场监测、数据验证和交叉校验，以确保每一项排放数据的真实性和可靠性。
特点
NEI数据集以其高度的详细性和广泛的应用范围著称。它不仅涵盖了多种污染物类型，如二氧化硫、氮氧化物和颗粒物，还提供了详细的排放源分类和地理位置信息。此外，NEI数据集定期更新，通常每三年发布一次，确保了数据的时效性和连续性。这些特点使得NEI成为环境科学研究、政策制定和空气质量管理的重要工具。
使用方法
NEI数据集的使用方法多样，适用于环境科学家、政策制定者和空气质量管理人员。研究人员可以利用该数据集进行污染物排放趋势分析、健康影响评估和气候变化研究。政策制定者则可以基于NEI数据制定和调整空气质量标准和减排策略。此外，空气质量管理人员可以利用NEI数据进行空气质量监测和预警系统的优化。数据集的详细分类和地理位置信息为这些应用提供了坚实的基础。
背景与挑战
背景概述
EPA National Emissions Inventory (NEI) 数据集由美国环境保护署（EPA）开发，旨在提供全面的空气污染物排放数据。自1999年以来，NEI每三年发布一次，涵盖了美国境内各类污染源的排放情况，包括工业、交通、农业和住宅等。该数据集的建立是为了响应日益严重的空气污染问题，通过量化和分析排放数据，帮助政策制定者制定有效的环境保护措施。NEI的发布不仅为学术研究提供了宝贵的数据资源，也在全球范围内推动了空气质量管理的标准化和科学化。
当前挑战
NEI数据集在构建过程中面临多项挑战。首先，数据收集涉及广泛的污染源类型和地理区域，确保数据的全面性和准确性是一项艰巨任务。其次，不同污染源的排放数据格式和报告标准各异，数据整合和标准化处理复杂。此外，随着技术和监测手段的不断更新，如何将最新的监测技术纳入数据集，保持其时效性和前瞻性，也是一大挑战。最后，数据的安全性和隐私保护问题，特别是在涉及工业和商业敏感信息时，需要严格的管理和保护措施。
发展历史
创建时间与更新
EPA National Emissions Inventory (NEI) 数据集由美国环境保护署（EPA）创建，首次发布于1999年。此后，该数据集每三年更新一次，最近一次更新是在2017年。
重要里程碑
NEI数据集的重要里程碑包括2008年首次引入PM2.5排放数据，这一改进显著提升了空气质量监测的精度。2011年，NEI开始整合移动源排放数据，进一步扩展了其覆盖范围。2014年，数据集引入了更精细的地理信息系统（GIS）数据，使得排放源的定位和分析更加精确。
当前发展情况
当前，NEI数据集已成为全球环境科学研究的重要资源，特别是在空气质量模型和政策制定方面。其持续的更新和扩展，确保了数据集在应对气候变化和环境保护挑战中的前沿地位。NEI不仅为科学家提供了详尽的排放数据，还为政府和非政府组织提供了制定和评估环境政策的依据。
发展历程
- EPA National Emissions Inventory (NEI)首次发布，标志着美国环境保护局开始系统性地收集和报告全国范围内的排放数据。
- NEI进行了首次重大更新，引入了更为详细和精确的排放源分类，提高了数据的质量和可用性。
- NEI数据首次应用于《清洁空气法案》的实施和评估，为政策制定提供了关键数据支持。
- NEI数据集进一步扩展，包含了更多的污染物类型和排放源，增强了其全面性和代表性。
- NEI数据集首次公开发布在线查询工具，使得公众和研究人员能够更便捷地访问和分析数据。
- NEI数据集引入了新的排放估算方法，提高了数据的准确性和可靠性，为环境管理和政策制定提供了更为坚实的基础。
- NEI数据集首次包含了移动源排放数据，进一步完善了其覆盖范围，为交通污染控制提供了重要依据。
- NEI数据集进行了全面的技术升级，采用了更为先进的计算模型和数据处理技术，确保了数据的时效性和精确性。
常用场景
经典使用场景
在环境科学领域，EPA National Emissions Inventory (NEI) 数据集被广泛用于分析和预测空气污染物的排放情况。该数据集详细记录了美国各地的污染物排放量，包括但不限于二氧化硫、氮氧化物和颗粒物等。通过这些数据，研究人员能够评估不同地区和行业的排放特征，为制定有效的环境政策提供科学依据。
解决学术问题
NEI数据集在解决空气污染相关的学术研究问题中发挥了关键作用。它为科学家们提供了详尽的排放数据，使得研究者能够深入探讨污染物排放与环境质量之间的关系。例如，通过分析NEI数据，研究者可以量化不同排放源对空气质量的影响，从而为制定针对性的减排策略提供数据支持。此外，NEI数据还促进了环境模型的发展，提高了空气质量预测的准确性。
衍生相关工作
基于EPA National Emissions Inventory (NEI) 数据集，许多相关的经典研究工作得以开展。例如，一些研究利用NEI数据开发了更为精细的空气质量模型，这些模型能够更准确地预测污染物在大气中的扩散和转化。此外，NEI数据还激发了关于污染物排放控制技术的研究，推动了清洁能源和低碳技术的发展。这些衍生工作不仅深化了对空气污染的理解，也为实际的环境保护措施提供了科学支持。
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
中国1km分辨率逐月降水量数据集（1901-2024）
该数据集为中国逐月降水量数据，空间分辨率为0.0083333°（约1km），时间为1901.1-2024.12。数据格式为NETCDF，即.nc格式。该数据集是根据CRU发布的全球0.5°气候数据集以及WorldClim发布的全球高分辨率气候数据集，通过Delta空间降尺度方案在中国降尺度生成的。并且，使用496个独立气象观测点数据进行验证，验证结果可信。本数据集包含的地理空间范围是全国主要陆地（包含港澳台地区），不含南海岛礁等区域。为了便于存储，数据均为int16型存于nc文件中，降水单位为0.1mm。 nc数据可使用ArcMAP软件打开制图; 并可用Matlab软件进行提取处理，Matlab发布了读入与存储nc文件的函数，读取函数为ncread，切换到nc文件存储文件夹，语句表达为：ncread (‘XXX.nc’,‘var’, [i j t],[leni lenj lent])，其中XXX.nc为文件名，为字符串需要’’；var是从XXX.nc中读取的变量名，为字符串需要’’；i、j、t分别为读取数据的起始行、列、时间，leni、lenj、lent i分别为在行、列、时间维度上读取的长度。这样，研究区内任何地区、任何时间段均可用此函数读取。Matlab的help里面有很多关于nc数据的命令，可查看。数据坐标系统建议使用WGS84。
国家青藏高原科学数据中心 收录
CE-CSL
CE-CSL数据集是由哈尔滨工程大学智能科学与工程学院创建的中文连续手语数据集，旨在解决现有数据集在复杂环境下的局限性。该数据集包含5,988个从日常生活场景中收集的连续手语视频片段，涵盖超过70种不同的复杂背景，确保了数据集的代表性和泛化能力。数据集的创建过程严格遵循实际应用导向，通过收集大量真实场景下的手语视频材料，覆盖了广泛的情境变化和环境复杂性。CE-CSL数据集主要应用于连续手语识别领域，旨在提高手语识别技术在复杂环境中的准确性和效率，促进聋人与听人社区之间的无障碍沟通。
arXiv 收录
OpenSonarDatasets
OpenSonarDatasets是一个致力于整合开放源代码声纳数据集的仓库，旨在为水下研究和开发提供便利。该仓库鼓励研究人员扩展当前的数据集集合，以增加开放源代码声纳数据集的可见性，并提供一个更容易查找和比较数据集的方式。
github 收录
Population and Housing Census of 2007 - Ethiopia
Geographic coverage --------------------------- National coverage Analysis unit --------------------------- Household Person Housing unit Universe --------------------------- The census has counted people on dejure and defacto basis. The dejure population comprises all the persons who belong to a given area at a given time by virtue of usual residence, while under defacto approach people were counted as the residents of the place where they found. In the census, a person is said to be a usual resident of a household (and hence an area) if he/she has been residing in the household continuously for at least six months before the census day or intends to reside in the household for six months or longer. Thus, visitors are not included with the usual (dejure) population. Homeless persons were enumerated in the place where they spent the night on the enumeration day. The 2007 census counted foreign nationals who were residing in the city administration. On the other hand all Ethiopians living abroad were not counted. Kind of data --------------------------- Census/enumeration data [cen] Mode of data collection --------------------------- Face-to-face [f2f] Research instrument --------------------------- Two type sof questionnaires were used to collect census data: i) Short questionnaire ii) Long questionnaire Unlike the previous censuses, the contents of the short and long questionnaires were similar both for the urban and rural areas as well as for the entire city. But the short and the long questionnaires differ by the number of variables they contained. That is, the short questionnaire was used to collect basic data on population characteristics, such as population size, sex, age, language, ethnic group, religion, orphanhood and disability. Whereas the long questionnaire includes information on marital status, education, economic activity, migration, fertility, mortality, as well as housing stocks and conditions in addition to those questions contained in a short questionnaire.
catalog.ihsn.org 收录
CMNEE（Chinese Military News Event Extraction dataset）
CMNEE（Chinese Military News Event Extraction dataset）是国防科技大学、东南大学和清华大学联合构建的一个大规模的、基于文档标注的开源中文军事新闻事件抽取数据集。该数据集包含17,000份文档和29,223个事件，所有事件均基于预定义的军事领域模式人工标注，包括8种事件类型和11种论元角色。数据集构建遵循两阶段多轮次标注策略，首先通过权威网站获取军事新闻文本并预处理，然后依据触发词字典进行预标注，经领域专家审核后形成事件模式。随后，通过人工分批、迭代标注并持续修正，直至满足既定质量标准。CMNEE作为首个专注于军事领域文档级事件抽取的数据集，对推动相关研究具有显著意义。
github 收录