Find research datasets worth reusing
Search datasets from major research repositories and use ShareScore to quickly assess how well each record supports discovery, access, and reuse.
12,237
datasets available to search
ShareScore release 0.9.0
Dataset results
12,237 results for “2019”
Abb. 7. Entwicklung der Orthetrum coerulescens-Population des Chuderriets von 2010 bis 2019 in Als Larvenhabitate von Orthetrum coerulescens (Odonata: Libellulidae) im Hinblick auf sporadische Sommertrockenheit optimierte Flachmoorgräben
Abb. 7. Entwicklung der Orthetrum coerulescens-Population des Chuderriets von 2010 bis 2019. Ausgezählt wurden die Grabenabschnitte (Strecken) 1–5 bei insgesamt 113 Kontrollgängen (K) jeweils während der Schlupf- und Flugperiode. BS = Anzahl besiedelte Grabenstrecken, RS =Anzahl Grabenstrecken mit Reproduktionsnachweisen, M × ⅒ = Anzahl territoriale Männchen mal 10–1.
Scope_1_and_2_emissons_2019
<p>Scope 1 and 2 emissions from the food chain from 2019</p>
A 500m-Resolution Dataset of Agricultural Drought Areas in the North China Plain During 2006–2019
<p>Agricultural drought stands as a dominant natural hazard in the North China Plain, showing increasing frequency and severity over recent decades. However, limitations posed by the coarser spatiotemporal resolution of accessible agricultural drought data archives impede the practical application of regional-scale agricultural drought simulation and monitoring studies. Hence, we generated a 500 m-resolution agricultural drought areas dataset of summer-harvest crops and autumn-harvest crops spanning across the North China Plain (NCP) from 2006 to 2019, encompassing three degrees of agricultural drought area: drought-covered area, drought-damaged area, and crop failure area. The generated dataset holds the potential for effective application in generating synthetic regional drought information, support impact-based agricultural drought monitoring and prediction, and subsequently could greatly assist in optimizing agricultural water management and ensuring global food security.</p>
Global 10-m spatial distribution of Water-surface photovoltaics (2019-2021)
<p>The recent boom in solar photovoltaics has intensified global competition for land use. Water-surface photovoltaics (WSPV) has also increased globally as an efficient alternative to land-based photovoltaics. Determining the spatio-temporally distribution of WSPVs is essential for estimating renewable energy capacity, evaluating the associated socio-environmental impacts, and managing and planning WSPV projects. However, a comprehensive inventory of WSPV locations and extent on the global scale is still lacking. To address these issues, we developed a workflow for identifying WSPVs using time-series optical satellite images and generated the first global-scale WSPV inventory map, with overall accuracy exceeding 96%.</p>
ELITE land surface temperature: hourly seamless 0.02° LST over East Asia (2019)
<p>The <strong>E</strong>ssential therma<strong>L</strong> <strong>I</strong>nfrared remo<strong>T</strong>e s<strong>E</strong>nsing (<strong>ELITE</strong>) product suite currently has four types of products, including land surface temperature (LST: clear-sky and all-sky), emissivity (NBE: narrowband emissivity; BBE: broadband emissivity; and spectral emissivity), the component of surface radiation and energy budget (SLUR: surface longwave upwelling radiation; SLDR: surface longwave downward radiation SLDR; SLNR: surface longwave net radiation), and the component of Earth’s radiation budget (OLR; outgoing longwave radiation; RSR: reflected solar radiation). The spatial-temporal resolutions of the ELITE products are mainly determined by the employed satellite data sources. For more information about ELITE products, please refer to the website (<a href="https://elite.bnu.edu.cn">https://elite.bnu.edu.cn</a>).</p> <p>This dataset is the 0.02 ° hourly seamless LST dataset over East Asia (2016-2021). Firstly, the iTES algorithm is employed to retrieve the Himawari-8/AHI LST. Secondly, the CLDAS LST is corrected to eliminate its system deviation. Finally, the multi-scale Kalman filter is employed to fuse Himawari-8/AHI LST and the bias-corrected CLDAS LST to generate 0.02 ° hourly seamless LST. The in situ validation results show that the root mean square error (RMSE) of the seamless LST is about 3k. The temporal resolution and spatial resolution of this dataset are 1 hour and 0.02°, respectively.</p> <p>This is the ELITE seamless LST product in 2019. Please <a href="https://zenodo.org/record/8256087"><strong><em>click here</em></strong></a> to download the ELITE LST product in 2018 and <a href="https://zenodo.org/record/8264798"><strong><em>click here</em></strong></a> to download the ELITE LST product in 2020.</p> <p><strong>Dataset Characteristics:</strong></p> <ul> <li>Spatial Coverage: East Asia (0-60°N, 80°E-140°E)</li> <li>Temporal Coverage: 2019</li> <li>Spatial Resolution: 0.02 °</li> <li>Temporal Resolution: one hour</li> <li>Data Format: Geotiff</li> <li>Scale: 0.01</li> </ul> <p><strong>Citation </strong>(Please cite these papers when using the data)<strong>:</strong></p> <ol> <li>Dong, S., Cheng, J., Shi, J., Shi, C., Sun, S., & Liu, W. (2022). A Data Fusion Method for Generating Hourly Seamless Land Surface Temperature from Himawari-8 AHI Data. Remote Sensing, 14, 5170</li> <li>Zhou, S., & Cheng, J. (2020). An Improved Temperature and Emissivity Separation Algorithm for the Advanced Himawari Imager. IEEE Transactions on Geoscience and Remote Sensing, 58(10), 7105-7124.</li> </ol> <p>If you have any questions, please contact Prof. Jie Cheng (Jie_Cheng@bnu.edu.cn).</p> <p> </p>
Earth's transit spectrum from Macdonald and Cowan (2019)
<p>Earth's transit spectrum from Macdonald and Cowan (2019), constructed from Atmospheric Chemistry Experiment Fourier Transform Spectrometer (ACE-FTS) solar occultation data (Hughes et al. 2014). The Atmospheric Chemistry Experiment (ACE), also known as SCISAT, is a Canadian-led mission mainly supported by the Canadian Space Agency. The occultation data used are available at http://www.ace.uwaterloo.ca/atlas.php. </p> <p> </p>
DHJewish bibliography 2019-2022
<p>This Zotero group library collects literature about the intersection of Jewish Studies and digital humanities. It goes back to early uses of computing in JS in the 1950s. This is an archived version of the records added between 2019-2022. </p> <p>The bibliography is part of the project <a href="https://dhjewish.org/projects/mapping-yiddish-publishing">#DHJewish - Jewish Studies & Digital Humanities</a>. </p> <p>The full Zotero group library can be found <a href="https://www.zotero.org/groups/2306363/dhjewish/items/EZSPKR9H/library">here</a>. </p>
AIS heatmap: North Sea and Dutch Inland Waterways for the months January, April, July, October in 2019
<p>This dataset contains information on vessel movements in the North Sea and Dutch Inland Waterways for the months January, April, July, and October in 2019. It provides a heatmap representation of vessel traffic density during these specific months, which can be useful for various maritime and environmental analyses.</p> <p>1. File Formats</p> <p>The dataset is provided in the following file formats:</p> <ul> <li>NetCDF : The primary data files are available in netcdf format. For each grid cell the variables sog (Speed Over Ground) and count (Number of AIS messages) are available</li> <li>GeoTIFF (Georeferenced Tagged Image File Format): Heatmap images are provided in GeoTIFF format, suitable for geographic visualization.</li> </ul> <p>The dataset is split into tiles. Each tile conforms to the <a href="https://wiki.openstreetmap.org/wiki/Tiles">OSM tiling</a> naming scheme.</p> <p>2. Variables </p> <p>The dataset includes the following key variables:</p> <ul> <li><strong>Speed Over Ground (SOG)</strong>: The average vessel's speed over the ground for all the messages.</li> <li><strong>Count</strong>: The number of AIS messages received in this location</li> </ul> <p>3. Data Collection Method </p> <p>The AIS data used in this dataset was collected from AIS transponders on vessels operating in the North Sea and Dutch Inland Waterways. These transponders transmit information such as vessel position, speed, and identification. The dataset aggregates this information to create heatmap images for analysis. We did this on all the messages. Some ships emit more messages than others. Ships emit messages at higher frequency when sailing than when stationary. </p> <p>4. Source of Original Data</p> <p>The original AIS data used to create this dataset was sourced from the AIS archive from Rijkswaterstaat. This dataset was analysed for the purpose of a <a href="https://ais-scrolly.netlify.app/">storymap</a>.</p> <p> </p> <p> </p>
FUTURES land change forecasts in response to flooding in Charleston area, South Carolina (2019-2050)
<p>Climate-aware scenarios of FUTURES land change projections in Charleston area (Cherleston, Dorchester, Berkeley) for 2019-2050.</p> <p>Zipped folder <code>results</code> contains FUTURES v3 simulation runs for 3 counties in South Carolina, USA (Charleston, Berkeley, Dorchester) from 2019 to 2050. Included are five <em>climate-aware</em> scenarios (reactive, managed retreat, resist, polarized population, trapped population) and one scenario which does not take future climate conditions into account (<em>dynamic development</em>). Each folder contains 50 monte-carlo simulation results with <code>developed_seed_X.tif</code> and <code>adapted_seed_X.tif</code> where <code>X</code> goes from 1 to 50. Values of <code>developed_seed_X.tif</code> range from -31 to 31, where the positive values represent simulation step when an undeveloped pixel was developed and the negative values represent simulation step when a developed pixel was abandoned. Zero stands for initial development. For example, value -11 means the particular pixel was abandoned in 2030. Note that values of raster files in <code>Dynamic development</code> folder range from -1 to 31, where -1 means undeveloped and the rest is the same as above. Values of <code>adapted_seed_X.tif</code> range from 0 to 100, where 0 means trapped (flooded but no adaptation), the other values represent return period for which the pixel is adapted (e.g. 2-, 5-, 10-, 20-, 50- and 100-year flood). The files' CRS is Albers Conic Equal Area, NAD83(2011) datum.</p> <p>Additionally, we include <code>migration_matrix.csv</code> derived from IRS data, that contains probability values of moving from an origin county in the case study (row) to any other counties (columns).</p>
Barómetro Andaluz de Junio de 2019
<p><strong>Resumen: </strong>Valoración de la población andaluza sobre la situación sociopolítica de España y Andalucía; medidas concretas de la acción de Gobierno de la Junta de Andalucía; acción de líderes políticos andaluces; y cuestiones relacionadas con el comportamiento electoral. Asimismo, recoge información sobre la percepción de la situación económica personal y familiar y datos de perfil sociodemográfico de la ciudadanía andaluza.</p> <p><strong>Como citar:</strong><br>Fundación CENTRA (2019). Barómetro Andaluz DE Junio 2019 [Data set]. Centro de Estudios Andaluces. <a href="https://doi.org/10.5281/zenodo.8414423">https://doi.org/10.5281/zenodo.8414423</a></p> <p><strong>Datos de contacto para aclarar dudas técnicas</strong>: <a href="mailto:investigacion@fundacioncentra.es">investigacion@fundacioncentra.es</a></p> <p><strong>Financiación: </strong>Fundación Centro de Estudios Andaluces (CENTRA)</p> <p><strong>Licencias de uso/restricciones impuestas a los datos</strong>: Este dataset está publicado en acceso abierto y puede usarse sin fines comerciales, realizando la pertinente atribución a los autores. Licencia Creative Commons Attribution-NonCommercial-NoDerivatives (CC BY-NC-ND): <a href="https://creativecommons.org/licenses/by-nc-nd/4.0/">https://creativecommons.org/licenses/by-nc-nd/4.</a></p> <p><strong>Enlaces a publicaciones que citen o hagan uso de los datos: </strong>Enlace a la publicación en PDF (ficha técnica, cuestionario, tablas de frecuencia, estimación de voto y cruces bivariables de datos): <a href="https://doi.org/10.54790/barometro.201906">https://doi.org/10.54790/barometro.201906</a></p> <p><strong>Enlaces/relaciones con conjuntos de datos auxiliares: </strong>Enlace a otros barómetros:<a href="http://https//doi.org/10.54790/barometro"> https://doi.org/10.54790/barometro</a></p> <p><strong>Lista de ficheros:</strong></p> <ul> <li>README_Barometro_Andaluz_Junio_2019.txt</li> <li>Diseño_de_Registro_Barometro_Andaluz_Junio_2019.xlsx (descripción de los códigos de las variables y etiquetas del archivo de datos)</li> <li>Barometro_Andaluz_Junio_2019.xlsx (dataset en formato XLSX)</li> <li>Barometro_Andaluz_Junio_2019.csv (dataset en formato CSV)</li> <li>Barometro_Andaluz_Junio_2019.sav (dataset en formato SAV)</li> </ul> <p><strong>Relación entre los ficheros: </strong>Los ficheros CSV y XLSX se han obtenido a partir del fichero SAV.</p> <p><strong>Descripción de los métodos utilizados para la recopilación/generación de datos:</strong></p> <ul> <li>Ámbito: Comunidad Autónoma de Andalucía.</li> <li>Universo: población de ambos sexos de 18 años y más, con ciudadanía española y residentes en cualquier municipio de Andalucía.</li> <li>Tamaño y distribución de la muestra: muestra diseñada por el Instituto de Estadística y Cartografía de Andalucía (IECA), y visada por el Colegio de Ciencias Políticas y Sociología de Andalucía, de 2.600 entrevistas con reparto proporcional a la población de cada provincia. Se han realizado 2.597 entrevistas de acuerdo con la estructura de la tabla 1. Del total de las entrevistas realizadas, se ha utilizado metodología CATI en un 50,66 %, metodología CAWI en el 36,71 % y de forma presencial en un 12,63 %.</li> <li>Procedimiento de muestreo: muestreo estratificado con afijación proporcional o de compromiso (uniforme y proporcional). Los estratos están formados por el cruce de las ocho provincias, con el tamaño de hábitat de sus municipios dividido en cinco categorías: menor o igual a 10.000; de 10.001 a 20.000, de 20.001 a 50.000; de 50.001 a 100.000; y más de 100.000 habitantes.<br>La selección de individuos se ha realizado mediante una selección aleatoria en cada estrato de acuerdo a cuotas cruzadas de sexo y edad, según el último Padrón Municipal de Habitantes disponible. Los tramos de edad a emplear son: 18-24, 25-34, 35-44, 45-54, 55-64 y 65 o más.</li> <li>Error muestral: error muestral del 1,9 % para el 95 % nivel de confianza en el supuesto de muestreo aleatorio simple y máxima variabilidad (p=q=50 %).</li> <li>Trabajo de campo: realizado entre el 10 y el 26 de junio de 2019 por la empresa Asé-PsiKe S.L.</li> <li>Dirección Científica: Fundación Centro de Estudios Andaluces.</li> </ul> <p><strong>Procedimiento de control de calidad realizado en los datos:</strong></p> <p>La presente investigación está visada por el Colegio Oficial de Ciencias Políticas y Sociología de Andalucía con objeto de ratificar que el proyecto está dirigido por un/a profesional colegiado/a, garantizar la capacidad técnica y deontológica de la dirección del trabajo así como establecer un control de calidad de la investigación mediante la evaluación externa de un porcentaje de la muestra.</p> <p>Los trabajos de control de calidad realizados son los siguientes:</p> <ul> <li>Supervisión Ficha Técnica del Estudio: supervisión Ámbito de estudio, Universo, Tamaño y distribución de la muestra, Procedimiento de Muestreo, Error Muestra, Temporalidad y Trabajo de Campo.</li> <li>Revisión y control de calidad Trabajo de Campo CATI: Comprobación de la base de datos telefónica empleada, Comprobación del muestreo realizado por sexo, edad, provincia, tamaño de hábitat y código postal.</li> <li>Comprobación de la correcta aplicación del cuestionario: Contenido, Tiempo de realización y Sesgos.</li> <li>Revisión de la batería de preguntas del cuestionario utilizado.</li> <li>Revisión de los protocolos éticos, anonimatos y protección de datos de los/as entrevistados/as.</li> </ul> <p><strong>Comité Científico: </strong><br>-Andrés Tristán Pertíñez Blasco <br>-Mª Eladia Illescas Estévez <br>-Raúl Lucena Martínez </p> <p><strong>Tratamiento de datos: </strong><br>-Rubén Martín Gimeno <br>-Ana Rocío Andreu Pérez<br>-Diego de Haro Gázquez</p> <p><strong>Publicación y divulgación: </strong><br>-Rafael Corpas Latorre <br>-Patricia Illana Sanmiguel<br>-F. Daniel Montes García</p> <p><strong>Información específica de los datos:</strong></p> <ol> <li>Número de variables: 85</li> <li>Número de casos/filas: 2.597</li> <li>Lista de variables: Consulta documento: Diseño_de_Registro_Barometro_Andaluz_Junio_2019.xlsx</li> <li>Códigos de datos faltantes: <ul> <li>Codificación de la No Respuesta Parcial: 98-No sabe; 99-No contesta.</li> <li>Valores faltantes por filtros del cuestionario: campo vacío.</li> </ul> </li> </ol>
Barómetro Andaluz de Diciembre de 2019
<p><strong>Resumen: </strong>Valoración de la situación sociopolítica de España y Andalucía; gestión del Gobierno de la Junta de Andalucía y líderes políticos; funcionamiento de la sanidad y la educación públicas; y cuestiones relacionadas con el comportamiento electoral y estimación de voto. Asimismo, recoge información sobre la percepción de la situación económica personal y familiar y datos de perfil sociodemográfico de la ciudadanía andaluza.</p> <p><strong>Como citar:</strong><br>Fundación CENTRA (2019). Barómetro Andaluz de Diciembre 2019 [Data set]. Centro de Estudios Andaluces (CENTRA). <a href="https://doi.org/10.5281/zenodo.8414374">https://doi.org/10.5281/zenodo.8414374</a></p> <p><strong>Datos de contacto para aclarar dudas técnicas</strong>: <a href="mailto:investigacion@fundacioncentra.es">investigacion@fundacioncentra.es</a></p> <p><strong>Financiación: </strong>Fundación Centro de Estudios Andaluces (CENTRA)</p> <p><strong>Licencias de uso/restricciones impuestas a los datos</strong>: Este dataset está publicado en acceso abierto y puede usarse sin fines comerciales, realizando la pertinente atribución a los autores. Licencia Creative Commons Attribution-NonCommercial-NoDerivatives (CC BY-NC-ND): <a href="https://creativecommons.org/licenses/by-nc-nd/4.0/">https://creativecommons.org/licenses/by-nc-nd/4.</a></p> <p><strong>Enlaces a publicaciones que citen o hagan uso de los datos: </strong>Enlace a la publicación en PDF (ficha técnica, cuestionario, tablas de frecuencia, estimación de voto y cruces bivariables de datos): <a href="https://doi.org/10.54790/barometro.201912">https://doi.org/10.54790/barometro.201912</a></p> <p><strong>Enlaces/relaciones con conjuntos de datos auxiliares: </strong>Enlace a otros barómetros:<a href="http://https//doi.org/10.54790/barometro"> https://doi.org/10.54790/barometro</a></p> <p><strong>Lista de ficheros:</strong></p> <ul> <li>README_Barometro_Andaluz_Diciembre_2019.txt</li> <li>Diseño_de_Registro_Barometro_Andaluz_Diciembre_2019.xlsx (descripción de los códigos de las variables y etiquetas del archivo de datos)</li> <li>Barometro_Andaluz_Diciembre_2019.xlsx (dataset en formato XLSX)</li> <li>Barometro_Andaluz_Diciembre_2019.csv (dataset en formato CSV)</li> <li>Barometro_Andaluz_Diciembre_2019.sav (dataset en formato SAV)</li> </ul> <p><strong>Relación entre los ficheros: </strong>Los ficheros CSV y XLSX se han obtenido a partir del fichero SAV.</p> <p><strong>Descripción de los métodos utilizados para la recopilación/generación de datos:</strong></p> <ul> <li>Ámbito: Comunidad Autónoma de Andalucía.</li> <li>Universo: población de ambos sexos de 18 años y más, con ciudadanía española y residentes en cualquier municipio de Andalucía. Tamaño y distribución de la muestra: muestra diseñada por el Instituto de Estadística y Cartografía de Andalucía (IECA).</li> <li>Diseño muestral: Se han realizado 2.627 entrevistas de acuerdo con la estructura de la tabla 1. Del total de las entrevistas realizadas, se ha utilizado metodología CATI en un 49 % y metodología CAWI en el 51 %.</li> <li>Procedimiento de muestreo: realizado mediante un criterio de compromiso entre la afijación uniforme y la proporcional. Tras asignar 200 entrevistas a cada una de las ocho provincias, el resto, hasta 2.600, se distribuye proporcionalmente según la población residente. Los estratos están formados por el cruce de las ocho provincias, con el tamaño de hábitat de sus municipios dividido en cinco categorías: menor o igual a 10.000; de 10.001 a 20.000; de 20.001 a 50.000; de 50.001 a 100.000 y de 100.001 o más habitantes. La selección de individuos se ha realizado mediante una selección aleatoria de los individuos en cada estrato, de acuerdo a cuotas cruzadas de sexo y edad, según el último Padrón Municipal de Habitantes disponible. Los tramos de edad a emplear son: 18-24, 25-34, 35-44, 45-54, 55-64, 65-74, 75 y más.</li> <li>Error muestral: error muestral del 1,9 % para el 95 % nivel de confianza en el supuesto de muestreo aleatorio simple y máxima variabilidad (p=q=50 %).</li> <li>Trabajo de campo: realizado entre el 25 de noviembre y el 12 de diciembre de 2019 por la empresa Nexo SCA.</li> <li>Dirección Científica: Fundación Centro de Estudios Andaluces.</li> </ul> <p><strong>Procedimiento de control de calidad realizado en los datos:</strong></p> <p>La presente investigación está visada por el Colegio Oficial de Ciencias Políticas y Sociología de Andalucía con objeto de ratificar que el proyecto está dirigido por un/a profesional colegiado/a, garantizar la capacidad técnica y deontológica de la dirección del trabajo así como establecer un control de calidad de la investigación mediante la evaluación externa de un porcentaje de la muestra.</p> <p>Los trabajos de control de calidad realizados son los siguientes:</p> <ul> <li>Supervisión Ficha Técnica del Estudio: supervisión Ámbito de estudio, Universo, Tamaño y distribución de la muestra, Procedimiento de Muestreo, Error Muestra, Temporalidad y Trabajo de Campo.</li> <li>Revisión y control de calidad Trabajo de Campo CATI: Comprobación de la base de datos telefónica empleada, Comprobación del muestreo realizado por sexo, edad, provincia, tamaño de hábitat y código postal.</li> <li>Comprobación de la correcta aplicación del cuestionario: Contenido, Tiempo de realización y Sesgos.</li> <li>Revisión de la batería de preguntas del cuestionario utilizado.</li> <li>Revisión de los protocolos éticos, anonimatos y protección de datos de los/as entrevistados/as.</li> </ul> <p><strong>Comité Científico: </strong><br>-Andrés Tristán Pertíñez Blasco <br>-Mª Eladia Illescas Estévez <br>-Raúl Lucena Martínez </p> <p><strong>Tratamiento de datos: </strong><br>-Rubén Martín Gimeno <br>-Ana Rocío Andreu Pérez<br>-Diego de Haro Gázquez</p> <p><strong>Publicación y divulgación: </strong><br>-Rafael Corpas Latorre <br>-Patricia Illana Sanmiguel<br>-F. Daniel Montes García</p> <p><strong>Información específica de los datos:</strong></p> <ol> <li>Número de variables: 118</li> <li>Número de casos/filas: 2.627</li> <li>Lista de variables: Consulta documento: Diseño_de_Registro_Barometro_Andaluz_Diciembre_2019.xlsx</li> <li>Códigos de datos faltantes: <ul> <li>Codificación de la No Respuesta Parcial: 98-No sabe; 99-No contesta.</li> <li>Valores faltantes por filtros del cuestionario: campo vacío. </li> </ul> </li> </ol>
Monthly aggregated GLASS FAPAR V6 (250 m): 50th percentile monthly time-series (2019)
<p><strong>List of Subdatasets:</strong></p> <ul> <li>Long-term data: <a href="https://doi.org/10.5281/zenodo.8381409">2000-2021</a></li> <li>5th percentile (p05) monthly time-series: <a href="https://doi.org/10.5281/zenodo.8408654">2000</a>, <a href="https://doi.org/10.5281/zenodo.8411611">2001</a>, <a href="https://doi.org/10.5281/zenodo.8412712">2002</a>, <a href="https://doi.org/10.5281/zenodo.8413021">2003</a>, <a href="https://doi.org/10.5281/zenodo.8413689">2004</a>, <a href="https://doi.org/10.5281/zenodo.8414639">2005</a>, <a href="https://doi.org/10.5281/zenodo.8411609">2006</a>, <a href="https://doi.org/10.5281/zenodo.8414085">2007</a>, <a href="https://doi.org/10.5281/zenodo.8414960">2008</a>, <a href="https://doi.org/10.5281/zenodo.8415476">2009</a>, <a href="https://doi.org/10.5281/zenodo.8415686">2010</a>, <a href="https://doi.org/10.5281/zenodo.8412154">2011</a>, <a href="https://doi.org/10.5281/zenodo.8414082">2012</a>, <a href="https://doi.org/10.5281/zenodo.8411364">2013</a>, <a href="https://doi.org/10.5281/zenodo.8414933">2014</a>, <a href="https://doi.org/10.5281/zenodo.8415414">2015</a>, <a href="https://doi.org/10.5281/zenodo.8412246">2016</a>, <a href="https://doi.org/10.5281/zenodo.8414083">2017</a>, <a href="https://doi.org/10.5281/zenodo.8411366">2018</a>, <a href="https://doi.org/10.5281/zenodo.8415203">2019</a>, <a href="https://doi.org/10.5281/zenodo.8415549">2020</a>, <a href="https://doi.org/10.5281/zenodo.8387608">2021</a></li> <li>50th percentile (p50) monthly time-series: <a href="https://doi.org/10.5281/zenodo.8408710">2000</a>, <a href="https://doi.org/10.5281/zenodo.8408798">2001</a>, <a href="https://doi.org/10.5281/zenodo.8408866">2002</a>, <a href="https://doi.org/10.5281/zenodo.8415319">2003</a>, <a href="https://doi.org/10.5281/zenodo.8415619">2004</a>, <a href="https://doi.org/10.5281/zenodo.8415878">2005</a>, <a href="https://doi.org/10.5281/zenodo.8416080">2006</a>, <a href="https://doi.org/10.5281/zenodo.8416619">2007</a>, <a href="https://doi.org/10.5281/zenodo.8417164">2008</a>, <a href="https://doi.org/10.5281/zenodo.8417513">2009</a>, <a href="https://doi.org/10.5281/zenodo.8417708">2010</a>, <a href="https://doi.org/10.5281/zenodo.8415669">2011</a>, <a href="https://doi.org/10.5281/zenodo.8416000">2012</a>, <a href="https://doi.org/10.5281/zenodo.8416542">2013</a>, <a href="https://doi.org/10.5281/zenodo.8417055">2014</a>, <a href="https://doi.org/10.5281/zenodo.8417467">2015</a>, <a href="https://doi.org/10.5281/zenodo.8415747">2016</a>, <a href="https://doi.org/10.5281/zenodo.8416333">2017</a>, <a href="https://doi.org/10.5281/zenodo.8416835">2018</a>, <a href="https://doi.org/10.5281/zenodo.8417326">2019</a>, <a href="https://doi.org/10.5281/zenodo.8417589">2020</a>, <a href="https://doi.org/10.5281/zenodo.8388078">2021</a></li> <li>95th percentile (p95) monthly time-series: <a href="https://doi.org/10.5281/zenodo.8408949">2000</a>, <a href="https://doi.org/10.5281/zenodo.8409059">2001</a>, <a href="https://doi.org/10.5281/zenodo.8409154">2002</a>, <a href="https://doi.org/10.5281/zenodo.8409362">2003</a>, <a href="https://doi.org/10.5281/zenodo.8416487">2004</a>, <a href="https://doi.org/10.5281/zenodo.8417029">2005</a>, <a href="https://doi.org/10.5281/zenodo.8417833">2006</a>, <a href="https://doi.org/10.5281/zenodo.8417996">2007</a>, <a href="https://doi.org/10.5281/zenodo.8418308">2008</a>, <a href="https://doi.org/10.5281/zenodo.8418669">2009</a>, <a href="https://doi.org/10.5281/zenodo.8418986">2010</a>, <a href="https://doi.org/10.5281/zenodo.8417649">2011</a>, <a href="https://doi.org/10.5281/zenodo.8417816">2012</a>, <a href="https://doi.org/10.5281/zenodo.8417959">2013</a>, <a href="https://doi.org/10.5281/zenodo.8418253">2014</a>, <a href="https://doi.org/10.5281/zenodo.8418625">2015</a>, <a href="https://doi.org/10.5281/zenodo.8417759">2016</a>, <a href="https://doi.org/10.5281/zenodo.8417898">2017</a>, <a href="https://doi.org/10.5281/zenodo.8418076">2018</a>, <a href="https://doi.org/10.5281/zenodo.8418442">2019</a>, <a href="https://doi.org/10.5281/zenodo.8418751">2020</a>, <a href="https://doi.org/10.5281/zenodo.8392976">2021</a></li> </ul> <p><strong>General Description</strong></p> <p>The <i>monthly aggregated Fraction of Absorbed Photosynthetically Active Radiation (FAPAR)</i> dataset is derived from <abbr title="glass.umd.edu/FAPAR/MODIS/250m/">250m 8d GLASS V6 FAPAR</abbr>. The data set is derived from Moderate Resolution Imaging Spectroradiometer (MODIS) reflectance and LAI data using several other FAPAR products (MODIS Collection 6, GLASS FAPAR V5, and PROBA-V1 FAPAR) to generate a bidirectional long-short-term memory (Bi-LSTM) model to estimate FAPAR. The dataset time spans from March 2000 to December 2021 and provides data that covers the entire globe. The dataset can be used in many applications like land degradation modeling, land productivity mapping, and land potential mapping. The dataset includes:</p> <ul> <li><strong>Long-term:</strong></li> </ul> <p>Derived from monthly time-series. This dataset provides linear trend model for the p95 variable: (1) slope beta mean (p95.beta_m), p-value for beta (p95.beta_pv), intercept alpha mean (p95.alpha_m), p-value for alpha (p95.alpha_pv), and coefficient of determination R<sup>2</sup> (p95.r2_m).</p> <ul> <li><strong>Monthly time-series:</strong></li> </ul> <p>Monthly aggregation with three standard statistics: (1) 5th percentile (p05), median (p50), and 95th percentile (p95). For each month, we aggregate all composites within that month plus one composite each before and after, ending up with 5 to 6 composites for a single month depending on the number of images within that month.</p> <p><strong>Data Details</strong></p> <ul> <li><strong>Time period:</strong> March 2000 – December 2021</li> <li><strong>Type of data:</strong> Fraction of Absorbed Photosynthetically Active Radiation (FAPAR)</li> <li><strong>How the data was collected or derived:</strong> Derived from 250m 8 d GLASS V6 FAPAR using Python running in a local HPC. The time-series analysis were computed using the <a href="https://github.com/scikit-map/scikit-map">Scikit-map</a> Python package.</li> <li><strong>Statistical methods used:</strong> for the long-term, Ordinary Least Square (OLS) of p95 monthly variable; for the monthly time-series, percentiles 05, 50, and 95.</li> <li><strong>Limitations or exclusions in the data:</strong> The dataset does not include data for Antarctica.</li> <li><strong>Coordinate reference system:</strong> EPSG:4326</li> <li><strong>Bounding box (Xmin, Ymin, Xmax, Ymax):</strong> (-180.00000, -62.0008094, 179.9999424, 87.37000)</li> <li><strong>Spatial resolution:</strong> 1/480 d.d. = 0.00208333 (250m)</li> <li><strong>Image size:</strong> 172,800 x 71,698</li> <li><strong>File format:</strong> Cloud Optimized Geotiff (COG) format.</li> </ul> <p><strong>Support</strong></p> <p>If you discover a bug, artifact, or inconsistency, or if you have a question please raise a GitHub issue: <a href="https://github.com/Open-Earth-Monitor/Global_FAPAR_250m/issues">https://github.com/Open-Earth-Monitor/Global_FAPAR_250m/issues</a></p> <p><strong>Reference</strong></p> <p>Hackländer, J., Parente, L., Ho, Y.-F., Hengl, T., Simoes, R., Consoli, D., Şahin, M., Tian, X., Herold, M., Jung, M., Duveiller, G., Weynants, M., Wheeler, I., (2023?) "Land potential assessment and trend-analysis using 2000–2021 FAPAR monthly time-series at 250 m spatial resolution", submitted to PeerJ, preprint available at: <a href="https://doi.org/10.21203/rs.3.rs-3415685/v1">https://doi.org/10.21203/rs.3.rs-3415685/v1</a></p> <p><strong>Name convention</strong></p> <p>To ensure consistency and ease of use across and within the projects, we follow the standard Open-Earth-Monitor file-naming convention. The convention works with 10 fields that describes important properties of the data. In this way users can search files, prepare data analysis etc, without needing to open files. The fields are:</p> <ol> <li><strong>generic variable name:</strong> fapar = Fraction of Absorbed Photosynthetically Active Radiation</li> <li><strong>variable procedure combination:</strong> essd.lstm = Earth System Science Data with bidirectional long short-term memory (Bi–LSTM)</li> <li><strong>Position in the probability distribution / variable type:</strong> p05/p50/p95 = 5th/50th/95th percentile</li> <li><strong>Spatial support:</strong> 250m</li> <li><strong>Depth reference:</strong> s = surface</li> <li><strong>Time reference begin time:</strong> 20000301 = 2000-03-01</li> <li><strong>Time reference end time:</strong> 20211231 = 2022-12-31</li> <li><strong>Bounding box:</strong> go = global (without Antarctica)</li> <li><strong>EPSG code:</strong> epsg.4326 = EPSG:4326</li> <li><strong>Version code:</strong> v20230628 = 2023-06-28 (creation date)</li> </ol>
Treatment With CSL312 in Adults With Coronavirus Disease 2019 (COVID-19)
ClinicalTrials.gov study NCT04409509. IPD Sharing: YES. Countries: 1. Publications: 1.
Coronavirus Disease 2019 (COVID-19) Antibody Plasma Research Study in Hospitalized Patients
ClinicalTrials.gov study NCT04524507. IPD Sharing: YES. Countries: 1. Publications: 1.
The Safety and Preliminary Tolerability of Lyophilized Lucinactant in Adults With Coronavirus Disease 2019 (COVID-19)
ClinicalTrials.gov study NCT04389671. IPD Sharing: NO. Countries: 2. Publications: 2.
GPS collar data and social-ecological feature data for examining the movement of coyotes in Los Angeles, California (2019-2021)
Open the record for dataset details and reuse information.
Data from: The impact of aid sanctions on maternal and child mortality, 1990–2019: A panel analysis
Open the record for dataset details and reuse information.
Behavioral datasets of wandering albatrosses collected at Possession Island, Crozet, France, in 2019 and 2020
Open the record for dataset details and reuse information.
Dietary protein and sodium co-limit cockroach growth and reproduction, 2019-2020
The dataset contains information on a feeding study done on the cockroach species Blaptica dubia. Cockroaches were assigned to a combination of treatments that contained two levels of protein (low 21% or high 27%) and three levels of sodium (low 0.06%, medium 0.15%, or high 0.3%). Cockroaches were reared until reaching maturity, growth measurements were taken every 14 days. Individuals from the same treatment were then paired to reproduce their first clutch of offspring.
Sediment, crab, and vegetation data from Sapelo Island, Georgia: 2017 - 2019
Sediment samples, Sesarma reticulatum gut and tissue samples, Spartina alterniflora leaves, and benthic diatoms were analyzed for a suite of biogeochemical parameters, including total carbon, total nitrogen, stable isotopes of carbon and nitrogen, and a subset of samples were analyzed for total hydrolyzable amino acids. Samples were collected between 2017 and 2019 on Sapelo Island, Georgia, USA. Samples were collected from Sesarma-grazed and un-grazed creeks. Analyses were conducted at the University of Florida and are associated with the manuscript by Morrison et al. entitled Influence of the keystone grazer, Sesarma reticulatum, on the hydrology and organic matter cycling of salt marshes in the southeastern United States.
ScienceDex guides
Understand access before you commit
These curated guides explain access requirements, typical timelines, costs, and reuse considerations for widely used research datasets.
Allen Brain Atlas
Allen Brain Atlas is an Allen Institute collection of brain map atlases, datasets, APIs, and analysis tools covering mouse, human, and non-human primate brain resources.
Annotated Behaviour and Observability Dataset (ABODe)
ABODe is a University of Edinburgh DataShare dataset for behavior classification in group-housed mice using home-cage video, identities, bounding boxes, ground-plate positions, and annotator labels.
DANDI Archive for NWB datasets
DANDI is a BRAIN Initiative archive for publishing and sharing neurophysiology data, including electrophysiology, optophysiology, and behavioral data packaged as NWB and related standards.
International Brain Laboratory public data
The International Brain Laboratory public data releases expose standardized mouse decision-making experiments, including Neuropixels recordings, widefield calcium imaging, behavior, and session metadata accessed through the ONE API.
OpenNeuro
OpenNeuro is a free, open platform for sharing neuroimaging datasets, with public search, dataset pages, and download paths for web, S3, DataLad, and the OpenNeuro CLI.