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？
Concentrations of dissolved micronutrient trace metals (Fe, Zn, Ni, Cu, Cd, Pb, Mn) in seawater, sea ice, and melt ponds collected during the US GEOTRACES Arctic cruise (HLY1502; GN01) on USCGC Healy from August to October 2015
收藏DataONE2023-07-07 更新2024-06-08 收录
下载链接：
https://search.dataone.org/view/sha256:90079a06e725e01b7f6607a16955de38b949bd1fbb23cdda4e6b8ac7cff0beeb
下载链接
链接失效反馈资源简介：
<p>Concentrations of dissolved micronutrient trace metals (Fe, Zn, Ni, Cu, Cd, Pb, Mn) in seawater, sea ice, and melt ponds collected on the US GEOTRACES Arctic cruise (HLY1502, GN01) from August to October 2015.</p>
<p>These data have been published in the following:<br />
Marsay et al., 2018 – Melt pond metal concentrations<br />
Kadko et al., 2019 – Surface seawater metal concentrations<br />
Jensen et al., 2019 – Dissolved Zn seawater concentrations<br />
Zhang et al., 2019 – Dissolved Cd seawater concentrations<br />
Charette et al., 2020 – Upper ocean dissolved metal concentrations<br />
Jensen, 2020 (PhD Dissertation)</p>
创建时间：
2023-12-31
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
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
flames-and-smoke-datasets
该仓库总结了多个公开的火焰和烟雾数据集，包括DFS、D-Fire dataset、FASDD、FLAME、BoWFire、VisiFire、fire-smoke-detect-yolov4、Forest Fire等数据集。每个数据集都有详细的描述，包括数据来源、图像数量、标注信息等。
github 收录
LIDC-IDRI
LIDC-IDRI 数据集包含来自四位经验丰富的胸部放射科医师的病变注释。 LIDC-IDRI 包含来自 1010 名肺部患者的 1018 份低剂量肺部 CT。
OpenDataLab 收录
Stanford Cars
Cars数据集包含196类汽车的16,185图像。数据被分成8,144训练图像和8,041测试图像，其中每个类被大致分成50-50。类别通常在品牌，型号，年份，例如2012特斯拉Model S或2012 BMW M3 coupe的级别。
OpenDataLab 收录
fruits_weight
该数据集用于训练和改进YOLOv8-seg模型，用于水果成熟度的识别与分割。数据集包含12个类别，涵盖了从生鲜水果到成熟水果的不同阶段，具体类别包括：生芒果（Raw_Mango）、熟芒果（Ripe_Mango）、熟葡萄（ripe grape）、熟苹果（ripe_apple）、熟橙子（ripe_orange）、熟石榴（ripe_pomegranate）、半熟葡萄（semiripe grape）、半熟苹果（semiripe_apple）、未熟葡萄（unripe grape）、未熟苹果（unripe_apple）、未熟橙子（unripe_orange）和未熟石榴（unripe_pomegranate）。数据集的丰富性和多样性使其成为训练水果成熟度识别模型的理想选择。
github 收录