five

Bed elevation, bed surface grain size (D50 and D90), and water discharge- Waal, Pannerden Channel, Nederrijn, and IJssel, 1928-2020

收藏
Mendeley Data2024-03-27 更新2024-06-27 收录
下载链接:
https://data.4tu.nl/datasets/c6e7c1ff-44e6-46f9-9b30-e010e91a97dd
下载链接
链接失效反馈
资源简介:
Rijkswaterstaat has measured bed level along the Rhine branches since 1926 (Bovenrijn-Waal), 1928 (Pannerden Canal- Nederrijn), and 1941 (IJssel). The measurements were done using single beam echo sounders until 1999 and multibeam echo sounders since 1999-2002. Single beam measurements were taken at cross-sections spaced roughly 25 m apart and were averaged over 1 km. Multibeam measurements cover the river's entire length, and 100 m averaged data is provided here. Only cross-section averaged data is provided here. The error in bed elevation data (defined as two times the standard deviation) has been estimated to be up to 0.2-0.5 m until 1990; 0.2-0.3 m between 1990-1999, and 0.05-0.1 m since 1999 (Wiegmann, 2002). Water discharge data at Lobith, Waal, and IJssel have been measured by Rijkswaterstaat using Ott current meters until 1999 and acoustic Doppler current profiler (ADCP) since 2000. Uncertainty related to Ott current meter measurement is smaller than 20% and smaller than 10% for ADCP. Rijkswaterstaat has measured grain size data using digging buckets (until 1984) and grab-samplers (since 1984). We have included data from 1966, 1976, 1984, 2008, 2016, 2017, and 2020 measurement campaigns in this dataset. The samples were taken at cross-sections spaced 500 m to 1 km, with three samples (spaced 65 m) at each cross-section. The uncertainty of grain size data is high due to the high natural Spatio-temporal variability and limited spatial and temporal sampling density.
创建时间:
2023-06-28
用户留言
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?
点击留言
数据主题
具身智能
数据集  4099个
机构  8个
大模型
数据集  439个
机构  10个
无人机
数据集  37个
机构  6个
指令微调
数据集  36个
机构  6个
蛋白质结构
数据集  50个
机构  8个
空间智能
数据集  21个
机构  5个
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

中国劳动力动态调查

“中国劳动力动态调查” (China Labor-force Dynamics Survey,简称 CLDS)是“985”三期“中山大学社会科学特色数据库建设”专项内容,CLDS的目的是通过对中国城乡以村/居为追踪范围的家庭、劳动力个体开展每两年一次的动态追踪调查,系统地监测村/居社区的社会结构和家庭、劳动力个体的变化与相互影响,建立劳动力、家庭和社区三个层次上的追踪数据库,从而为进行实证导向的高质量的理论研究和政策研究提供基础数据。

中国学术调查数据资料库 收录

UCF-Crime

UCF-犯罪数据集是128小时视频的新型大规模第一个数据集。它包含1900年长而未修剪的真实世界监控视频,其中包含13个现实异常,包括虐待,逮捕,纵火,殴打,道路交通事故,入室盗窃,爆炸,战斗,抢劫,射击,偷窃,入店行窃和故意破坏。之所以选择这些异常,是因为它们对公共安全有重大影响。这个数据集可以用于两个任务。首先,考虑一组中的所有异常和另一组中的所有正常活动的一般异常检测。第二,用于识别13个异常活动中的每一个。

OpenDataLab 收录

Wind Turbine Data

该数据集包含风力涡轮机的运行数据,包括风速、风向、发电量等参数。数据记录了多个风力涡轮机在不同时间点的运行状态,适用于风能研究和风力发电系统的优化分析。

www.kaggle.com 收录

AgiBot World

为了进一步推动通用具身智能领域研究进展,让高质量机器人数据触手可及,作为上海模塑申城语料普惠计划中的一份子,智元机器人携手上海人工智能实验室、国家地方共建人形机器人创新中心以及上海库帕思,重磅发布全球首个基于全域真实场景、全能硬件平台、全程质量把控的百万真机数据集开源项目 AgiBot World。这一里程碑式的开源项目,旨在构建国际领先的开源技术底座,标志着具身智能领域 「ImageNet 时刻」已到来。AgiBot World 是全球首个基于全域真实场景、全能硬件平台、全程质量把控的大规模机器人数据集。相比于 Google 开源的 Open X-Embodiment 数据集,AgiBot World 的长程数据规模高出 10 倍,场景范围覆盖面扩大 100 倍,数据质量从实验室级上升到工业级标准。AgiBot World 数据集收录了八十余种日常生活中的多样化技能,从抓取、放置、推、拉等基础操作,到搅拌、折叠、熨烫等精细长程、双臂协同复杂交互,几乎涵盖了日常生活所需的绝大多数动作需求。

github 收录

EdNet-Behavior Dataset

EdNet-Behavior Dataset 是一个包含学生学习行为数据的大型数据集,主要用于教育数据挖掘和个性化学习系统的研究。数据集包括学生在不同学习平台上的互动记录,如答题、观看视频、参与讨论等。

github.com 收录