Od 2011 roku Biuro Zarządzania Gruntami (BLM) zbiera informacje terenowe, aby na podstawie strategii oceny, inwentaryzacji i monitorowania (AIM) określać stan gruntów. Do tej pory na terenach BLM zebrano ponad 6000 danych z obszarów AIM. Archiwum danych BLM AIM …
Zbiór danych FLDAS (McNally i in. 2017) został opracowany, aby ułatwić ocenę bezpieczeństwa żywnościowego w krajach rozwijających się o ograniczonym dostępie do danych. Zawiera informacje o wielu zmiennych związanych z klimatem, w tym o zawartości wilgoci, wilgotności, ewapotranspiracji, średniej temperaturze gleby, całkowitej ilości opadów itp. Istnieje wiele różnych zbiorów danych FLDAS.
Globalny system asymilacji danych o powierzchni Ziemi NASA w wersji 2 (GLDAS-2) ma 3 komponenty: GLDAS-2.0, GLDAS-2.1 i GLDAS-2.2. GLDAS-2.0 jest w całości oparty na danych wejściowych dotyczących wymuszeń meteorologicznych z Princeton i zapewnia spójną czasowo serię danych z lat 1948–2014. GLDAS-2.1 jest wymuszany przez połączenie modelu …
Globalny system asymilacji danych o powierzchni Ziemi NASA w wersji 2 (GLDAS-2) ma 3 komponenty: GLDAS-2.0, GLDAS-2.1 i GLDAS-2.2. GLDAS-2.0 jest w całości oparty na danych wejściowych dotyczących wymuszeń meteorologicznych z Princeton i zapewnia spójną czasowo serię danych z lat 1948–2014. GLDAS-2.1 jest wymuszany przez połączenie modelu …
M2T1NXLND (lub tavg1_2d_lnd_Nx) to zbiór danych z godzinnym uśrednieniem czasowym w ramach analizy MERRA-2 (Modern-Era Retrospective Analysis for Research and Applications) w wersji 2. Zawiera on dane diagnostyczne dotyczące powierzchni lądu, takie jak przepływ podstawowy, spływ powierzchniowy, wilgotność gleby na powierzchni, wilgotność gleby w strefie korzeniowej, woda w warstwie powierzchniowej, woda w …
System LDAS łączy wiele źródeł obserwacji (takich jak dane z deszczomierzy, dane satelitarne i pomiary opadów radarowych), aby tworzyć szacunki właściwości klimatycznych na powierzchni Ziemi lub w jej pobliżu. Ten zbiór danych jest głównym (domyślnym) plikiem wymuszającym (plik A) w fazie …
Zawartość gliny w % (kg / kg) na 6 standardowych głębokościach (0, 10, 30, 60, 100 i 200 cm) w rozdzielczości 250 m. Na podstawie prognoz uczenia maszynowego z globalnego zestawienia profili i próbek gleby. Szczegółowe informacje o etapach przetwarzania znajdziesz tutaj. Antarktyda to…
Prognozowane główne grupy gleb USDA w odległości 250 m (prawdopodobieństwa). Rozkład głównych grup gleb według klasyfikacji USDA na podstawie prognoz uczenia maszynowego z globalnego zestawienia profili glebowych. Więcej informacji o grupach gleb znajdziesz w ilustrowanym przewodniku po taksonomii gleb – NRCS…
Zawartość piasku w % (kg / kg) na 6 standardowych głębokościach (0, 10, 30, 60, 100 i 200 cm) w rozdzielczości 250 m. Na podstawie prognoz uczenia maszynowego z globalnego zestawienia profili i próbek gleby. Szczegółowe informacje o etapach przetwarzania znajdziesz tutaj. Antarktyda to…
Gęstość nasypowa gleby (drobna frakcja) w jednostkach 10 x kg / m³ na 6 standardowych głębokościach (0, 10, 30, 60, 100 i 200 cm) w rozdzielczości 250 m. Szczegółowe informacje o etapach przetwarzania znajdziesz tutaj. Antarktyda nie jest uwzględniona. Aby uzyskać dostęp do map innych niż Ziemia i je wyświetlić…
Zawartość węgla organicznego w glebie w jednostkach x 5 g / kg na 6 standardowych głębokościach (0, 10, 30, 60, 100 i 200 cm) w rozdzielczości 250 m. Prognoza na podstawie globalnego zestawienia punktów glebowych. Szczegółowe informacje o etapach przetwarzania znajdziesz tutaj. Antarktyda nie jest uwzględniona. …
Klasy tekstury gleby (system USDA) dla 6 głębokości gleby (0, 10, 30, 60, 100 i 200 cm) w rozdzielczości 250 m. Dane pochodzą z przewidywanych frakcji tekstury gleby przy użyciu pakietu soiltexture w R. Szczegółowe informacje o etapach przetwarzania znajdziesz tutaj. Antarktyda nie jest uwzględniona. Aby uzyskać dostęp do…
Zawartość wody w glebie (objętościowo %) przy ciśnieniu 33 kPa i 1500 kPa, przewidywana na 6 standardowych głębokościach (0, 10, 30, 60, 100 i 200 cm) w rozdzielczości 250 m. Punkty szkoleniowe są oparte na globalnym zestawieniu profili glebowych: USDA NCSS AfSPDB ISRIC WISE EGRPR SPADE…
pH gleby w H2O na 6 standardowych głębokościach (0, 10, 30, 60, 100 i 200 cm) w rozdzielczości 250 m. Szczegółowe informacje o etapach przetwarzania znajdziesz tutaj. Antarktyda nie jest uwzględniona. Aby uzyskać dostęp do map i je wizualizować poza Earth Engine, skorzystaj z tej strony. Jeśli…
Prognozowane prawdopodobieństwa wystąpienia wielkich grup gleb według klasyfikacji USDA w rozdzielczości 250 m. Rozkład głównych grup gleb według klasyfikacji USDA na podstawie prognoz uczenia maszynowego z globalnego zestawienia profili glebowych. Więcej informacji o grupach gleb znajdziesz w ilustrowanym przewodniku po taksonomii gleb – NRCS – …
Globalny system asymilacji danych o powierzchni Ziemi NASA w wersji 2 (GLDAS-2) ma 3 komponenty: GLDAS-2.0, GLDAS-2.1 i GLDAS-2.2. GLDAS-2.0 jest w całości oparty na danych wejściowych dotyczących wymuszeń meteorologicznych z Princeton i zapewnia spójną czasowo serię danych z lat 1948–2014. GLDAS-2.1 jest wymuszany przez połączenie modelu …
Soil and Landscape Grid of Australia (SLGA) to kompleksowy zbiór danych o właściwościach gleby w Australii w rozdzielczości 3 sekund łuku (~90 m pikseli). Powierzchnie to wyniki modelowania, które opisują przestrzenny rozkład atrybutów gleby na podstawie istniejących danych o glebie i środowisku.
Dane od 4 grudnia 2023 r. są dostępne w kolekcji NASA/SMAP/SPL3SMP_E/006. Ten produkt dotyczący wilgotności gleby na poziomie 3 (L3) zawiera dzienny kompozyt globalnych warunków powierzchni lądu uzyskany za pomocą radiometru pasma L instrumentu SMAP (Soil Moisture Active Passive). Dane dzienne zostały zebrane z danych malejących (lokalnych …
Dane sprzed 4 grudnia 2023 r. są dostępne w starszej kolekcji NASA/SMAP/SPL3SMP_E/005. Zostaną one ostatecznie ponownie przetworzone i dodane do tej kolekcji. Ten produkt dotyczący wilgotności gleby na poziomie 3 (L3) zawiera dzienny kompozyt globalnych warunków powierzchni lądu uzyskany za pomocą instrumentu Soil Moisture Active Passive (SMAP) L-Band…
Produkt SMAP Level-4 (L4) Soil Moisture zawiera dane o wilgotności gleby powierzchniowej (średnia pionowa w zakresie 0–5 cm) i wilgotności gleby w strefie korzeniowej (średnia pionowa w zakresie 0–100 cm) oraz dodatkowe produkty badawcze (niezweryfikowane), w tym zmienne wymuszające meteorologiczne na powierzchni, temperaturę gleby, ewapotranspirację i promieniowanie netto. Ten zbiór danych, formalnie znany jako …
Objętościowa zawartość wody przy ssaniu 10 kPa, 33 kPa i 1500 kPa w jednostkach 10^-3 cm^3/cm^3 (0, 1% obj.lub 1 mm/m) na 6 standardowych głębokościach (0–5 cm, 5–15 cm, 15–30 cm, 30–60 cm, 60–100 cm, 100–200 cm). Prognozy zostały opracowane przy użyciu cyfrowego mapowania gleby na podstawie algorytmu Quantile Random Forest, z wykorzystaniem globalnych…
Gęstość nasypowa, frakcja <2 mm na głębokościach gleby 0–20 cm i 20–50 cm, prognozowana średnia i odchylenie standardowe. Wartości pikseli muszą zostać przekształcone z powrotem za pomocą wzoru x/100. Na obszarach gęstej dżungli (zwykle w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy (paski) …
Zawartość gliny na głębokości 0–20 cm i 20–50 cm, przewidywana średnia i odchylenie standardowe. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy. Prognozy dotyczące właściwości gleby zostały opracowane przez firmę Innovative …
Głębokość do podłoża skalnego na głębokości 0–200 cm, prognozowana średnia i odchylenie standardowe. Ze względu na potencjalną maskę gruntów ornych, która została użyta do wygenerowania danych, wiele obszarów odsłoniętej skały (gdzie głębokość do podłoża skalnego wynosiłaby 0 cm) zostało zamaskowanych i dlatego pojawia się jako …
Przewidywana średnia i odchylenie standardowe efektywnej pojemności wymiany kationowej na głębokościach gleby 0–20 cm i 20–50 cm. Wartości pikseli muszą być przekształcone wstecznie za pomocą funkcji exp(x/10)-1. Na obszarach gęstej dżungli (zwykle w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy (paski) …
Ekstrakcyjny wapń na głębokości gleby 0–20 cm i 20–50 cm, przewidywana średnia i odchylenie standardowe. Wartości pikseli należy przekształcić wstecznie za pomocą funkcji exp(x/10)-1. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy.
Żelazo, które można wyekstrahować z gleby na głębokości 0–20 cm i 20–50 cm, prognozowana średnia i odchylenie standardowe. Wartości pikseli należy przekształcić wstecznie za pomocą funkcji exp(x/10)-1. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy.
Ekstrahowany magnez na głębokościach gleby 0–20 cm i 20–50 cm, przewidywana średnia i odchylenie standardowe. Wartości pikseli należy przekształcić wstecznie za pomocą funkcji exp(x/10)-1. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy.
Ekstrahowany fosfor na głębokości 0–20 cm i 20–50 cm, przewidywana średnia i odchylenie standardowe. Wartości pikseli należy przekształcić wstecznie za pomocą funkcji exp(x/10)-1. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy.
Ekstrahowany potas na głębokości 0–20 cm i 20–50 cm, przewidywana średnia i odchylenie standardowe. Wartości pikseli należy przekształcić wstecznie za pomocą funkcji exp(x/10)-1. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy.
Ekstrakcyjny siarka na głębokości gleby 0–20 cm i 20–50 cm, prognozowana średnia i odchylenie standardowe. Wartości pikseli należy przekształcić wstecznie za pomocą funkcji exp(x/10)-1. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy.
Ekstrakcyjny cynk na głębokościach gleby 0–20 cm i 20–50 cm, przewidywana średnia i odchylenie standardowe. Wartości pikseli należy przekształcić wstecznie za pomocą funkcji exp(x/10)-1. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy.
Klasyfikacja zdolności gleby do użyźniania na podstawie nachylenia, właściwości chemicznych i fizycznych gleby. Więcej informacji o tej warstwie znajdziesz na tej stronie. Klasy pasma „fcc” dotyczą wartości pikseli, które muszą zostać przekształcone wstecznie za pomocą funkcji x modulo 3000. Na obszarach gęstej dżungli…
Węgiel organiczny na głębokości 0–20 cm i 20–50 cm, przewidywana średnia i odchylenie standardowe. Wartości pikseli należy przekształcić wstecznie za pomocą funkcji exp(x/10)-1. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy.
Zawartość piasku na głębokości 0–20 cm i 20–50 cm, przewidywana średnia i odchylenie standardowe. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy. Prognozy dotyczące właściwości gleby zostały opracowane przez firmę Innovative …
Zawartość mułu na głębokości 0–20 cm i 20–50 cm, przewidywana średnia i odchylenie standardowe. Wartości pikseli należy przekształcić wstecznie za pomocą funkcji exp(x/10)-1. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy.
Zawartość kamieni na głębokości 0–20 cm i 20–50 cm, przewidywana średnia i odchylenie standardowe. Wartości pikseli należy przekształcić wstecznie za pomocą funkcji exp(x/10)-1. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy.
Całkowita zawartość węgla na głębokości 0–20 cm i 20–50 cm, przewidywana średnia i odchylenie standardowe. Wartości pikseli należy przekształcić wstecznie za pomocą funkcji exp(x/10)-1. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy.
Całkowita zawartość azotu na głębokości 0–20 cm i 20–50 cm, przewidywana średnia i odchylenie standardowe. Wartości pikseli muszą być przekształcone wstecznie za pomocą funkcji exp(x/100)-1. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy.
Klasa tekstury USDA na głębokości gleby 0–20 cm i 20–50 cm. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy. Prognozy dotyczące właściwości gleby zostały opracowane przez Innovative Solutions for Decision …
Ekstrahowane aluminium na głębokościach 0–20 cm i 20–50 cm, przewidywana średnia i odchylenie standardowe. Wartości pikseli należy przekształcić wstecznie za pomocą funkcji exp(x/10)-1. Prognozy dotyczące właściwości gleby zostały opracowane przez firmę Innovative Solutions for Decision Agriculture Ltd. (iSDA) w rozdzielczości 30 m przy użyciu systemów uczących się w połączeniu z …
pH na głębokościach 0–20 cm i 20–50 cm, prognozowana średnia i odchylenie standardowe. Wartości pikseli należy przekształcić z powrotem za pomocą wzoru x/10. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy. …
[[["Łatwo zrozumieć","easyToUnderstand","thumb-up"],["Rozwiązało to mój problem","solvedMyProblem","thumb-up"],["Inne","otherUp","thumb-up"]],[["Brak potrzebnych mi informacji","missingTheInformationINeed","thumb-down"],["Zbyt skomplikowane / zbyt wiele czynności do wykonania","tooComplicatedTooManySteps","thumb-down"],["Nieaktualne treści","outOfDate","thumb-down"],["Problem z tłumaczeniem","translationIssue","thumb-down"],["Problem z przykładami/kodem","samplesCodeIssue","thumb-down"],["Inne","otherDown","thumb-down"]],[],[],[]]
