Recherche Data Gouv
Not a member yet
4753 research outputs found
Sort by
Fiches des stations agrométéorologiques du réseau AgroClim INRAE
No full textChaque fiche station est un rapport de données climatiques produit par l'unité INRAE AgroClim pour chaque station de mesure. Elle présente une synthèse des conditions météorologiques et climatiques locales à travers une série de graphiques et de tableaux. Les informations portent sur plusieurs variables clés comme la température (moyenne, maximale, minimale), les précipitations, le rayonnement global et la vitesse du vent.
Ce rapport inclut différentes perspectives d'analyse :
des comparaisons des valeurs annuelles par rapport à la moyenne interannuelle,
des distributions mensuelles des mesures,
des indicateurs agroclimatiques spécifiques, tels que les jours de fortes chaleurs ou les épisodes de gel.
Ce document est conçu pour donner un aperçu détaillé du climat d'une station sur plusieurs années. Chacune des 54 fiches représente une station de mesure, permettant ainsi un suivi et une analyse climatiques sur le réseau.</p
Lab GHG emissions data in the DRYvER project
No full textCO2 and CH4 fluxes measured under controlled laboratory conditions (i.e. potential aerobic respiration and methanogenesis rates), from riverbed sediment collected from the 6 European DRNs in 3 sampling campaigns; together with sediment characteristics including humidity, organic matter, carbon and nitrogen content. The following environmental variables measured in the field when collecting the sediment samples are included: flow state, habitat where sample was collected (flowing waters, dry riverbed, isolated pool, water pH, conductivity, temperature, dissolved oxygen (absolute concentration), discharge
Indicateurs des séries annuelles issus des projections hydrologiques Explore2 pour le modèle MORDOR-SD sous RCP 2.6
No full textIndicateurs des séries annuelles issus des débits journaliers simulés par le modèle hydrologique MORDOR-SD pour l'ensemble des projections climatiques Explore2 sous RCP 2.6. Ces fichiers résultent de l'agrégation temporelle des simulations hydrologiques sous runs historiques (avant 2005) et des projections hydrologiques (post 2005), fichiers NetCDF disponibles au téléchargement dans la collection Explore2 - Projections hydrologiques.
Ce dépôt regroupe un tableau par indicateur et chaîne de simulation, c'est-à-dire, scénario d'émission RCP, couple GCM/RCM, correction de biais BC et modèle hydrologique HM. Ces données sont brutes et contiennent donc des chaînes de projections jugées aberrantes / horsains qu'il est possible de filtrer grâce à des métadonnées supplémentaires. Pour des raisons techniques, ces indicateurs sont regroupés par dossiers compressés selon les différentes phases du régime hydrologique.
La description des chaines de modélisation du climat et celle des modèles hydrologiques sont, respectivement, disponibles dans le rapport https://doi.org/10.57745/PUR7ML et dans les annexes du rapport https://doi.org/10.57745/S6PQXD. Retrouvez le diagnostic des modèles hydrologiques résumé à l'échelle des régions hydrologiques dans les fiches téléchargeables ici : https://doi.org/10.57745/DMFUXW.
Métadonnées supplémentaires : Récapitulatif de l'ensemble des indicateurs hydrologiques : https://doi.org/10.57745/JVNHQL Récapitulatif de l'ensemble des chaînes de simulation : https://doi.org/10.57745/R6HG5X Description de l'ensemble des points de simulation : https://doi.org/10.57745/UTKWR5 Liste des chaînes de modélisation jugées aberrantes / horsains : https://doi.org/10.57745/YZNENQ Récapitulatif des années pivots utilisées pour la TRACC : https://doi.org/10.57745/DCOQM6
Décomposition des chaînes de caractères formant le nom des fichiers parquet, séparées par des "_" : {1} Indicateur : Le nom de l’indicateur, du type de statistique calculée {2} Échantillonnage : Échantillonnage temporel sur laquelle est calculé l’indicateur → {1}_{2} Variable : Variable résultante d'un indicateur temporellement contextualisé {3} EXP : Identifiant de l’expérience historique (post 2005) ou future (post 2005) {4} GCM : Identifiant du GCM forçeur {5} RCM : Identifiant du RCM {6} BC : Identifiant de la méthode de correction de biais statistique {7} HM : Identifiant du modèle hydrologique
Les colonnes des fichiers parquet sont : EXP : Voir ci-dessus GCM : Voir ci-dessus RCM : Voir ci-dessus BC : Voir ci-dessus HM : Voir ci-dessus code : Code à 10 caractères du point de simulation fourni dans la description des points de simulation date : Date du début de la période annuelle d'agrégation (i.e. 2042-05-01 indique que l'année hydrologique commence en mai, plus d'information dans les métadonnées de variable) *Variable* : Voir ci-dessus
Retrouvez des scripts d'aide pour utiliser ces données parquet
Data from cows in low input (LI) and very low input (VLI) mountain dairy systems
No full textThe dataset contains production, reproduction and health data from high yielding cows (Holstein and Montbeliarde) reared in either a Very-Low-Input system (no concentrates except for veal calves) or a Low-Input system (less concentrates and mineral fertilisers than conventional systems while safeguarding milk production and nitrogen balance of the land) with a short mating season in spring to align the milk and the grass production curves (24 cows/system for 5 years). Reproductive management included artificial insemination, the use of a bull at the end of the mating season, the use of sexed semen for heifers, and extended lactations for some non-pregnant cows. The dataset provides references for the production and the sustainability of such low input dairy systems
Indicateurs des séries annuelles issus des projections hydrologiques Explore2 pour le modèle MORDOR-TS sous RCP 2.6
No full textIndicateurs des séries annuelles issus des débits journaliers simulés par le modèle hydrologique MORDOR-TS pour l'ensemble des projections climatiques Explore2 sous RCP 2.6. Ces fichiers résultent de l'agrégation temporelle des simulations hydrologiques sous runs historiques (avant 2005) et des projections hydrologiques (post 2005), fichiers NetCDF disponibles au téléchargement dans la collection Explore2 - Projections hydrologiques.
Ce dépôt regroupe un tableau par indicateur et chaîne de simulation, c'est-à-dire, scénario d'émission RCP, couple GCM/RCM, correction de biais BC et modèle hydrologique HM. Ces données sont brutes et contiennent donc des chaînes de projections jugées aberrantes / horsains qu'il est possible de filtrer grâce à des métadonnées supplémentaires. Pour des raisons techniques, ces indicateurs sont regroupés par dossiers compressés selon les différentes phases du régime hydrologique.
La description des chaines de modélisation du climat et celle des modèles hydrologiques sont, respectivement, disponibles dans le rapport https://doi.org/10.57745/PUR7ML et dans les annexes du rapport https://doi.org/10.57745/S6PQXD. Retrouvez le diagnostic des modèles hydrologiques résumé à l'échelle des régions hydrologiques dans les fiches téléchargeables ici : https://doi.org/10.57745/DMFUXW.
Métadonnées supplémentaires : Récapitulatif de l'ensemble des indicateurs hydrologiques : https://doi.org/10.57745/JVNHQL Récapitulatif de l'ensemble des chaînes de simulation : https://doi.org/10.57745/R6HG5X Description de l'ensemble des points de simulation : https://doi.org/10.57745/UTKWR5 Liste des chaînes de modélisation jugées aberrantes / horsains : https://doi.org/10.57745/YZNENQ Récapitulatif des années pivots utilisées pour la TRACC : https://doi.org/10.57745/DCOQM6
Décomposition des chaînes de caractères formant le nom des fichiers parquet, séparées par des "_" : {1} Indicateur : Le nom de l’indicateur, du type de statistique calculée {2} Échantillonnage : Échantillonnage temporel sur laquelle est calculé l’indicateur → {1}_{2} Variable : Variable résultante d'un indicateur temporellement contextualisé {3} EXP : Identifiant de l’expérience historique (post 2005) ou future (post 2005) {4} GCM : Identifiant du GCM forçeur {5} RCM : Identifiant du RCM {6} BC : Identifiant de la méthode de correction de biais statistique {7} HM : Identifiant du modèle hydrologique
Les colonnes des fichiers parquet sont : EXP : Voir ci-dessus GCM : Voir ci-dessus RCM : Voir ci-dessus BC : Voir ci-dessus HM : Voir ci-dessus code : Code à 10 caractères du point de simulation fourni dans la description des points de simulation date : Date du début de la période annuelle d'agrégation (i.e. 2042-05-01 indique que l'année hydrologique commence en mai, plus d'information dans les métadonnées de variable) *Variable* : Voir ci-dessus
Retrouvez des scripts d'aide pour utiliser ces données parquet
Traceability of oak logs: Extension of the Biomtrace database for the study of extreme cases
No full textLes exigences en termes de traçabilité du bois sont de plus en plus fortes. Dans le but de lutter contre le commerce illégal du bois des labels et des réglementations sont mis en place qui nécessitent des méthodes de traçabilité performantes et des contrôles associés.
Le chêne est une ressource stratégique en France. Le projet Biomtrace a pour objectif de développer une méthode de traçabilité biométrique des grumes de chêne, basée sur des caractéristiques intrinsèques aux grumes visibles sur des photos de leur extrémité inférieure. Plusieurs approches algorithmiques devront être envisagées dont celles issues du domaine de l’intelligence artificielle (IA). Les approches d'IA, et plus spécifiquement les réseaux de neurones convolutifs (CNNs) et les Vision Transformers (ViTs) dans notre cas, nécessitent des bases de données conséquentes.
Ce dépôt correspond à une extension de la base d'images Biomtrace constituée et utilisée dans le cadre du projet Biomtrace. Cette extension, appelée Biomtrace_extension, a pour but d'étudier la sensibilité et la robustesse des algorithmes dans certains cas limites identifiés : reconnaissance des grumes (i) entre avant et après débardage, (ii) quand les photos sont prises en modifiant l'angle de prise de vue et la distance à la grume, et (iii) en cas de purge de l'extrémité de la grume entre les deux prises de photos.The requirements in terms of timber traceability are becoming increasingly stringent. In order to combat the illegal timber trade, labels and regulations are being introduced that require effective traceability methods and associated controls.
Oak is a strategic resource in France. The aim of the Biomtrace project is to develop a biometric traceability method for oak logs, based on intrinsic characteristics of the logs visible on photos of their lower end. Several algorithmic approaches will need to be considered, including those from the field of artificial intelligence (AI). AI approaches, and more specifically Convolutional Neural Networks (CNNs) and Vision Transformers (ViTs) in our case, require large databases.
This repository is an extension of the Biomtrace image database created and used as part of the Biomtrace project. The aim of this extension, named Biomtrace_extension, is to study the sensitivity and robustness of the algorithms in certain identified extreme cases: Recognition of the logs (i) before and after log extraction, (ii) when the photos are taken by changing the angle of the shot and the distance to the log, and (iii) if the end of the log is trimmed between the two photo sessions
Data sets of article "Observation of extrinsic topological phases in Floquet photonic lattices"
No full textData sets corresponding to all the figures in the article (main text). Name of file corresponds to the specific figure. The data sets are produced from oscilloscope traces that record the light intensity extracted from two coupled fibre rings using two photodiodes (Thorlabs DET08CFC) with 5 GHz bandwidth. The oscilloscope time traces are arranged in a series of temporal segments, each one corresponding to the average round trip in the two-fibre loop system. The oscilloscope is a Tektronix MSO64 featuring 6 GHz bandwidth, 10-bit vertical resolution, 25 GS/s sampling rate, and a memory record length of 62.5 Mpts corresponding to 2.5 ms
Data for Balancing organic agriculture expansion target and climate goals in Europe without outsourcing emissions is possible
No full textThis dataset contains input data used to simulate scenarios of organic farming expansion in Europe as described in Balancing organic agriculture expansion target and climate goals in Europe without outsourcing emissions is possible.
These scenarios were built upon the consistent combination of options considering (i) organic crop production, (ii) organic livestock production, and (iii) human diets in Europe. They were developped and analyzed as part of the CLINOrg project (CLImate Neutral Organic Farming), funded by INRAE internal program on organic farming METABIO.
More specifically, the dataset contains the following input data for the GOANIM model for each scenario : (i) organic crop harvested areas , (ii) organic livestock productivity (iii) organic livestock feed requirements, in Energy or protein.
All data are provided in the Netcdf format. The method used to generate these data is available in the Supplementary Material A of 'Balancing organic agriculture expansion target and climate goals in Europe without outsourcing emissions is possible.'
Optique, imagerie, spectroscopie, polarimétrie solaire
No full textCe dépot contient les diapositives (en PPTX) du cours "Optique, imagerie, spectroscopie, polarimétrie solaire" donné par l'auteur en Master M1 de l'Observatoire de Paris de 2007 à 2020. Il est accompagné du polycopié (en PDF). Le cours traite les aspects fondamentaux de l'observation astronomique en termes d'imagerie monochromatique, de spectroscopie, de polarimétrie appliquée à la mesure des champs magnétiques à distance par effet Zeeman et de physique du Soleil
R scripts for CATA, liking and penalty analyses for sensory science
No full textR scripts for CATA, liking and penalty analyses for sensory science, including extracts of data sets to illustrate the way of arranging dat