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？
Salinity - Subsurface, Actual, Practical Salinity Unit for Estuaries, Multiparameter Meters, Sundays Estuary, Sundays Biological 02 between 4.05m and 0.01m below sea level from 2021-06-10 to 2024-06-13
收藏Mendeley Data2024-06-27 更新2024-06-28 收录
下载链接：
https://api.odp.saeon.ac.za/catalog/SAEON/go/10.15493/obsdb.0000.028A
下载链接
链接失效反馈资源简介：
Salinity - Subsurface, Actual, Practical Salinity Unit for Estuaries, Multiparameter Meters, Sundays Estuary, Sundays Biological 02 between 4.05m and 0.01m below sea level from 2021-06-10T13:15:43+02:00 to 2024-06-13T10:38:07+02:00 at -33.691330,25.831960 (+N-S,-W+E)
创建时间：
2023-09-12
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
中国区域地面气象要素驱动数据集 v2.0（1951-2024）
中国区域地面气象要素驱动数据集（China Meteorological Forcing Data，以下简称 CMFD）是为支撑中国区域陆面、水文、生态等领域研究而研发的一套高精度、高分辨率、长时间序列数据产品。本页面发布的 CMFD 2.0 包含了近地面气温、气压、比湿、全风速、向下短波辐射通量、向下长波辐射通量、降水率等气象要素，时间分辨率为 3 小时，水平空间分辨率为 0.1°，时间长度为 74 年（1951~2024 年），覆盖了 70°E~140°E，15°N~55°N 空间范围内的陆地区域。CMFD 2.0 融合了欧洲中期天气预报中心 ERA5 再分析数据与气象台站观测数据，并在辐射、降水数据产品中集成了采用人工智能技术制作的 ISCCP-ITP-CNN 和 TPHiPr 数据产品，其数据精度较 CMFD 的上一代产品有显著提升。 CMFD 历经十余年的发展，其间发布了多个重要版本。2019 年发布的 CMFD 1.6 是完全采用传统数据融合技术制作的最后一个 CMFD 版本，而本次发布的 CMFD 2.0 则是 CMFD 转向人工智能技术制作的首个版本。此版本与 1.6 版具有相同的时空分辨率和基础变量集，但在其它诸多方面存在大幅改进。除集成了采用人工智能技术制作的辐射和降水数据外，在制作 CMFD 2.0 的过程中，研发团队尽可能采用单一来源的再分析数据作为输入并引入气象台站迁址信息，显著缓解了 CMFD 1.6 中因多源数据拼接和气象台站迁址而产生的虚假气候突变。同时，CMFD 2.0 数据的时间长度从 CMFD 1.6 的 40 年大幅扩展到了 74 年，并将继续向后延伸。CMFD 2.0 的网格空间范围虽然与 CMFD 1.6 相同，但其有效数据扩展到了中国之外，能够更好地支持跨境区域研究。为方便用户使用，CMFD 2.0 还在基础变量集之外提供了若干衍生变量，包括近地面相对湿度、雨雪分离降水产品等。此外，CMFD 2.0 摒弃了 CMFD 1.6 中通过 scale_factor 和 add_offset 参数将实型数据化为整型数据的压缩技术，转而直接将实型数据压缩存储于 NetCDF4 格式文件中，从而消除了用户使用数据时进行解压换算的困扰。 本数据集原定版本号为 1.7，但鉴于本数据集从输入数据到研制技术都较上一代数据产品有了大幅的改变，故将其版本号重新定义为 2.0。
国家青藏高原科学数据中心 收录
SVAMP
在解决基础应用数学问题时，模型往往主要依赖于浅层启发式方法，而非进行深度推理。因此，一个更具挑战性且经过可靠评估的SVAMP数据集被引入。该数据集改编自现有的数据集，用于评估模型在数学问题解决和推理能力方面的敏感性，其难度保持在相当于小学四年级的水平。
github 收录
Vehicle Energy Dataset (VED)
Vehicle Energy Dataset (VED)是由密歇根大学创建的一个大规模数据集，包含从2017年11月至2018年11月期间，在美国密歇根州安娜堡收集的383辆个人汽车的燃油和能量数据。该数据集捕捉了车辆的GPS轨迹以及燃油、能量、速度和辅助电源使用的时间序列数据。数据集中的车辆类型多样，包括264辆汽油车、92辆混合动力车和27辆插电式混合动力/电动车。VED数据集总里程约374,000英里，涵盖了从高速公路到交通密集的市中心区域等各种驾驶条件和季节。数据集创建过程中，研究团队通过安装在车辆上的OBD-II记录器收集数据，并对个人身份信息进行了去标识化处理，以保护参与者隐私。VED数据集的应用领域广泛，包括车辆能源消耗建模、驾驶员行为建模、机器学习和深度学习、交通模拟器的校准、最佳路线选择模型、人类驾驶员行为预测以及自动驾驶汽车的决策制定等。
arXiv 收录
Fruits-360
一个高质量的水果图像数据集，包含多种水果的图像，如苹果、香蕉、樱桃等，总计42345张图片，分为训练集和验证集，共有64个水果类别。
github 收录
SeaDronesSee
SeaDronesSee是由德国图宾根大学认知系统组创建的大型视觉对象检测和跟踪基准，专注于海洋环境中的人类检测。该数据集包含超过54,000帧，总计400,000个实例，从不同高度和视角（5至260米，0至90度）捕获，并提供详细的元信息。数据集的创建旨在填补陆基视觉系统与海基系统之间的差距，特别适用于无人机辅助的海上搜救任务。SeaDronesSee通过提供精确的元数据，如高度、视角和速度，支持多模态系统的开发，以提高检测的准确性和速度。此外，数据集还包括多光谱图像，利用非可见光谱（如近红外和红边光谱）来增强人类检测能力。
arXiv 收录