全球地表温度月值数据集（1980-2022） NOAAGlobalTemp
全球地表温度数据集，NOAA Global Surface Temperature (NOAAGlobalTemp)，由全球海洋表面（水）温度（SST）数据集与全球陆地表面空气温度数据集合成。时间分辨率为1880年1月至2022年2月的月值数据，空间分辨率5°×5°。
在这里插入图片描述
数据保存格式为.nc文件，可使用ArcGIS软件中的“创建NetCDF栅格图层”工具打开。

数据打开可能存在问题，如不能正常打开，请参照以下工具设置参数。通常选中文件后相关参数会自动填充，如不显示相关参数，请把.nc文件放到非中文字符的相对浅一点的路径下（比如放到桌面）。
工具设置界面
在这里插入图片描述
全球地表温度月值数据集（1980-2022） NOAAGlobalTemp
全球地表温度数据集，NOAA Global Surface Temperature (NOAAGlobalTemp)，由全球海洋表面（水）温度（SST）数据集与全球陆地表面空气温度数据集合成。时间分辨率为1880年1月至2022年2月的月值数据，空间分辨率5°×5°。
download地方：全球地表温度月值数据集（1980-2022） NOAAGlobalTemp-文档资料CSDN

# 大数据
Logo
DAMO开发者矩阵

DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。

更多推荐

cover

Galaxea G0.5横扫了7大具身评测：统一自回归架构重塑视觉语言动作模型

avatar DAMO开发者矩阵

训练周期减半：LoongForge 全链路优化 GR00T N1.6 训练，吞吐提升至 2.3 倍

通过对训练调度、通信-计算重叠与数据 IO 链路的系统级优化，我们显著减少了 Python 调度开销、通信等待与数据供给空转，使 GPU 从「被动等待」转向「持续计算」。最终在不改变模型结构的前提下，实现 2.3× 加速与 56.6% 训练周期缩短，大幅提升模型迭代效率与研发节奏。目前，相关优化已集成至全模态训练框架LoongForge。我们欢迎具身智能领域的研究者与开发者共同探索更高效的 VLA

avatar DAMO开发者矩阵

GMR（General Motion Retargeting）仓库详细解析

GMR 是一个通用的运动重定向框架，专注于将人类运动数据高精度、实时地重定向到多款人形机器人，同时适配 RL 跟踪策略优化，支持多类人类运动格式和人形机器人型号。，无需从零开发 IK / 关节映射，仅需调用脚本即可完成从各类人体运动数据到多款机器人的重定向，同时适配 RL 训练和实时遥操作场景。这类脚本的核心逻辑是「解析源运动数据 → 调用 GMR 核心算法 → 输出机器人可执行的关节数据」，支持

avatar DAMO开发者矩阵