ATom:加州理工学院(CIT)化学电离质谱仪(CIMS)测量的气相有机和无机分析物的浓度CIT-CIMS
目录
简介
摘要
代码
引用
网址推荐
0代码在线构建地图应用
机器学习
ATom: In Situ Data from Caltech Chemical Ionization Mass Spectrometer (CIT-CIMS), V2
简介
Caltech Chemical Ionization Mass Spectrometer (CIT-CIMS), V2是一种用于收集原位数据的质谱仪。该仪器通过化学离子化的方法,将气相分子离子化,并根据其质量进行检测和鉴定。
CIT-CIMS V2使用以下方法进行离子化和检测:
1. 化学离子化:样品通过化学反应与离子化试剂反应,产生带正电荷的离子。这些离子具有不同的质量,可以用来鉴定样品中的不同分子。
2. 质量分析:离子经过质量分析器,根据它们的质量-电荷比(m/z)进行分离和测量。这种方法可以确定不同离子的质量,并帮助确定它们是哪种分子。
CIT-CIMS V2的优点包括:
1. 原位数据采集:该仪器可以在实时或几乎实时的情况下收集数据,而不需要将样品带回实验室进行分析。
2. 高分辨率和准确性:CIT-CIMS V2具有高分辨率和准确性,可以鉴定样品中低浓度的分子,并提供准确的质量测量。
3. 多种离子化方法:该仪器可以使用多种离子化试剂,包括氨气(NH3)和甲酸(HCOOH),从而提供更多的分析选项。
通过收集CIT-CIMS V2的原位数据,科学家可以了解大气、水体或其他环境中存在的不同分子的组成、浓度和变化趋势。这些数据对于理解环境化学过程、监测污染和研究大气和水体中的化学反应机制等方面具有重要意义。
摘要
该数据集提供了由加州理工学院(CIT)化学电离质谱仪(CIMS)测量的气相有机和无机分析物的浓度,或称CIT-CIMS,该仪器在NASA DC-8飞机上飞行,参与了四次ATom活动。CIT-CIMS采用CF3O离子化学,配备两个独立的质谱仪(紧凑型飞行时间质谱仪和三重四极杆质谱仪),以实现对大气微量气体的敏感和特异性测量。测量包括过氧化氢(H2O2)、氢氰酸(HCN)、硝酸(HNO3)、甲基过氧化氢(CH3OOH)、过氧乙酸(C2O3H4)、过氧硝酸(HO2NO2)和二氧化硫(SO2),单位为万亿分之一体积。 这是该数据集的版本2。版本2包含ATom-4活动的文件初始发布和ATom-3活动的CIT-SO2文件。更多详细信息请参见第8节 数据集修订。
代码
!pip install leafmap
!pip install pandas
!pip install folium
!pip install matplotlib
!pip install mapclassifyimport pandas as pd
import leafmapurl = "https://github.com/opengeos/NASA-Earth-Data/raw/main/nasa_earth_data.tsv"
df = pd.read_csv(url, sep="\t")
dfleafmap.nasa_data_login()results, gdf = leafmap.nasa_data_search(short_name="ATom_CIT_Instrument_Data_V2_1927",cloud_hosted=True,bounding_box=(-180.0, -90.0, 180.0, 90.0),temporal=("2017-07-20", "2017-08-08"),count=-1, # use -1 to return all datasetsreturn_gdf=True,
)gdf.explore()#leafmap.nasa_data_download(results[:5], out_dir="data")
引用
Allen, H.M., J.D. Crounse, M.J. Kim, A.P. Teng, L. Xu, and P.O. Wennberg. 2021. ATom: In Situ Data from Caltech Chemical Ionization Mass Spectrometer (CIT-CIMS), V2. ORNL DAAC, Oak Ridge, Tennessee, USA. ATom: In Situ Data from Caltech Chemical Ionization Mass Spectrometer (CIT-CIMS), V2, https://doi.org/10.3334/ORNLDAAC/1927
网址推荐
0代码在线构建地图应用
https://www.mapmost.com/#/?source_inviter=CnVrwIQs
机器学习
https://www.cbedai.net/xg