A large volcanic eruption can generate large amounts of ash which affect the socio-economic activities of surrounding areas, affecting airline transportation, socio-economics activities, and human health. Accumulated ashfall has devastating impacts on areas surrounding the volcano and in other regions, and eruption scale and weather conditions may escalate ashfall hazards to wider areas. It is crucial to discover places with a high probability of exposure to ashfall deposition. Here, as a reference for ashfall disaster countermeasures, we present a dataset containing the estimated distributions of the ashfall deposit and airborne ash concentration, obtained from a simulation of ash dispersal following a large-scale explosive volcanic eruption. We selected the Taisho (1914) eruption of the Sakurajima volcano, as our case study. This was the strongest eruption in Japan in the last century, and our study provides a baseline for a worst-case scenario. We employed one eruption scenario (OES) approach by replicating the actual event under various extended weather conditions to show how it would affect contemporary Japan. We generated an ash dispersal dataset by simulating the ash transport of the Taisho eruption scenario using a volcanic ash dispersal model and meteorological reanalysis data for 64 years (1958–2021). We explain the dataset production and provide the dataset in multiple formats for broader audiences. We examine the validity of the dataset, its limitations, and its uncertainties. Countermeasure strategies can be derived from this dataset to reduce ashfall risk. The dataset is available at the DesignSafe-CI Data Depot: https://www.designsafe-ci.org/data/browser/public/designsafe.storage.published/PRJ-2848v2 or through the following DOI: https://doi.org/10.17603/ds2-vw5f-t920 by selecting Version 2 (Rahadianto and Tatano, 2020).

中文翻译：

---

用于火山灰灾害对策的樱岛大正喷发的长期火山灰扩散数据集

一次大型火山喷发会产生大量火山灰，影响周边地区的社会经济活动，影响航空运输、社会经济活动和人类健康。累积的火山灰对火山周围地区和其他地区造成破坏性影响，喷发规模和天气条件可能会将火山灰危害升级到更广泛的地区。找到极有可能暴露于火山灰沉积的地方至关重要。在这里，作为火山灰灾害对策的参考，我们提出了一个数据集，其中包含火山灰沉积物和空气中灰烬浓度的估计分布，该数据集是通过模拟大规模爆炸性火山喷发后的火山灰扩散获得的。我们选择大正（1914 年）的樱岛火山喷发作为案例研究。这是上个世纪日本最强烈的喷发，我们的研究为最坏情况提供了基准。我们采用一种喷发情景 (OES) 方法，通过在各种扩展天气条件下复制实际事件来展示它将如何影响当代日本。我们通过使用火山灰扩散模型和 64 年（1958 年至 2021 年）的气象再分析数据模拟大正喷发场景的火山灰输送，生成了火山灰扩散数据集。我们解释了数据集的制作，并为更广泛的受众提供多种格式的数据集。我们检查数据集的有效性、其局限性和不确定性。可以从该数据集中导出对策策略以降低灰烬风险。数据集可在 DesignSafe-CI Data Depot 获得：我们的研究为最坏情况提供了基准。我们采用一种喷发情景 (OES) 方法，通过在各种扩展天气条件下复制实际事件来展示它将如何影响当代日本。我们通过使用火山灰扩散模型和 64 年（1958 年至 2021 年）的气象再分析数据模拟大正喷发场景的火山灰输送，生成了火山灰扩散数据集。我们解释了数据集的制作，并为更广泛的受众提供多种格式的数据集。我们检查数据集的有效性、其局限性和不确定性。可以从该数据集中导出对策策略以降低灰烬风险。数据集可在 DesignSafe-CI Data Depot 获得：我们的研究为最坏情况提供了基准。我们采用一种喷发情景 (OES) 方法，通过在各种扩展天气条件下复制实际事件来展示它将如何影响当代日本。我们通过使用火山灰扩散模型和 64 年（1958 年至 2021 年）的气象再分析数据模拟大正喷发场景的火山灰输送，生成了火山灰扩散数据集。我们解释了数据集的制作，并为更广泛的受众提供多种格式的数据集。我们检查数据集的有效性、其局限性和不确定性。可以从该数据集中导出对策策略以降低灰烬风险。数据集可在 DesignSafe-CI Data Depot 获得：我们采用一种喷发情景 (OES) 方法，通过在各种扩展天气条件下复制实际事件来展示它将如何影响当代日本。我们通过使用火山灰扩散模型和 64 年（1958 年至 2021 年）的气象再分析数据模拟大正喷发场景的火山灰输送，生成了火山灰扩散数据集。我们解释了数据集的制作，并为更广泛的受众提供多种格式的数据集。我们检查数据集的有效性、其局限性和不确定性。可以从该数据集中导出对策策略以降低灰烬风险。数据集可在 DesignSafe-CI Data Depot 获得：我们采用一种喷发情景 (OES) 方法，通过在各种扩展天气条件下复制实际事件来展示它将如何影响当代日本。我们通过使用火山灰扩散模型和 64 年（1958 年至 2021 年）的气象再分析数据模拟大正喷发场景的火山灰输送，生成了火山灰扩散数据集。我们解释了数据集的制作，并为更广泛的受众提供多种格式的数据集。我们检查数据集的有效性、其局限性和不确定性。可以从该数据集中导出对策策略以降低灰烬风险。数据集可在 DesignSafe-CI Data Depot 获得：我们通过使用火山灰扩散模型和 64 年（1958 年至 2021 年）的气象再分析数据模拟大正喷发场景的火山灰输送，生成了火山灰扩散数据集。我们解释了数据集的制作，并为更广泛的受众提供多种格式的数据集。我们检查数据集的有效性、其局限性和不确定性。可以从该数据集中导出对策策略以降低灰烬风险。数据集可在 DesignSafe-CI Data Depot 获得：我们通过使用火山灰扩散模型和 64 年（1958 年至 2021 年）的气象再分析数据模拟大正喷发场景的火山灰输送，生成了火山灰扩散数据集。我们解释了数据集的制作，并为更广泛的受众提供多种格式的数据集。我们检查数据集的有效性、其局限性和不确定性。可以从该数据集中导出对策策略以降低灰烬风险。数据集可在 DesignSafe-CI Data Depot 获得：及其不确定性。可以从该数据集中导出对策策略以降低灰烬风险。数据集可在 DesignSafe-CI Data Depot 获得：及其不确定性。可以从该数据集中导出对策策略以降低灰烬风险。数据集可在 DesignSafe-CI Data Depot 获得： https://www.designsafe-ci.org/data/browser/public/designsafe.storage.published/PRJ-2848v2 或通过以下 DOI：https://doi.org/10.17603/ds2-vw5f-t920 通过选择第 2 版（Rahadianto 和 Tatano，2020 年）。