Datasets tagged soil in Earth Engine
Оптимизируйте свои подборки
Сохраняйте и классифицируйте контент в соответствии со своими настройками.
BLM AIM TerraDat TerrestrialAIM Point v1
С 2011 года Бюро по управлению земельными ресурсами (BLM) собирает полевые данные для оценки состояния земель в рамках своей стратегии оценки, инвентаризации и мониторинга (AIM). На сегодняшний день собрано более 6000 данных AIM на землях, находящихся в ведении BLM. Архив данных AIM BLM…
FLDAS: Сеть систем раннего предупреждения о голоде (FEWS NET) Система ассимиляции данных о землепользовании
Набор данных FLDAS (McNally et al., 2017) был разработан для оценки продовольственной безопасности в развивающихся странах с дефицитом данных. Он включает информацию о многих климатических переменных, включая влажность воздуха, эвапотранспирацию, среднюю температуру почвы, общее количество осадков и т. д. Существует несколько различных наборов данных FLDAS; …
GLDAS-2.1: Глобальная система ассимиляции данных о земле
Система усвоения глобальных данных о землепользовании NASA версии 2 (GLDAS-2) состоит из трёх компонентов: GLDAS-2.0, GLDAS-2.1 и GLDAS-2.2. GLDAS-2.0 полностью основана на данных метеорологического форсинга Принстона и обеспечивает временную согласованность ряда данных с 1948 по 2014 год. GLDAS-2.1 основана на комбинации моделей…
GLDAS-2.2: Глобальная система ассимиляции данных о земле
Система усвоения глобальных данных о землепользовании NASA версии 2 (GLDAS-2) состоит из трёх компонентов: GLDAS-2.0, GLDAS-2.1 и GLDAS-2.2. GLDAS-2.0 полностью основана на данных метеорологического форсинга Принстона и обеспечивает временную согласованность ряда данных с 1948 по 2014 год. GLDAS-2.1 основана на комбинации моделей…
MERRA-2 M2T1NXLND: Диагностика поверхности земли V5.12.4
M2T1NXLND (или tavg1_2d_lnd_Nx) — это почасовой набор усреднённых по времени данных, собранных в программе Modern-Era Retrospective Analysis for Research and Applications, версия 2 (MERRA-2). Этот набор включает в себя данные диагностики поверхности земли, такие как базисный поток, сток, влажность поверхностной почвы, влажность корнеобитаемой зоны, влажность поверхностного слоя, влажность…
NLDAS-2: Воздействующие поля системы ассимиляции данных о суше Северной Америки
Система усвоения данных о земле (LDAS) объединяет данные из различных источников наблюдений (такие как данные осадкомеров, спутниковые данные и радиолокационные измерения осадков) для оценки климатологических свойств на поверхности Земли или вблизи неё. Этот набор данных является основным (используемым по умолчанию) файлом форсинга (файл A) для фазы…
Содержание глины в % (кг/кг) на 6 стандартных глубинах (0, 10, 30, 60, 100 и 200 см) с разрешением 250 м. Основано на прогнозах машинного обучения, полученных на основе глобальной компиляции почвенных профилей и образцов. Этапы обработки подробно описаны здесь. Антарктида…
Прогнозируемая вероятность Hapludalfs от OpenLandMap
Прогнозируемые основные группы почв USDA на глубине 250 м (вероятности). Распределение основных групп почв USDA основано на прогнозах машинного обучения, полученных на основе глобальной компиляции почвенных профилей. Подробнее о основных группах почв см. в Иллюстрированном руководстве по таксономии почв (NRCS)…
Содержание песка в % (кг/кг) на 6 стандартных глубинах (0, 10, 30, 60, 100 и 200 см) с разрешением 250 м. Основано на прогнозах машинного обучения, полученных на основе глобальной компиляции почвенных профилей и образцов. Этапы обработки подробно описаны здесь. Антарктида…
Плотность почвы (мелкозем) 10 x кг/м3 на 6 стандартных глубинах (0, 10, 30, 60, 100 и 200 см) с разрешением 250 м. Этапы обработки подробно описаны здесь. Антарктида не включена. Для доступа и визуализации карт за пределами Земли…
Содержание органического углерода в почве OpenLandMap
Содержание органического углерода в почве в x 5 г/кг на 6 стандартных глубинах (0, 10, 30, 60, 100 и 200 см) с разрешением 250 м. Прогнозируется на основе глобального сбора почвенных точек. Этапы обработки подробно описаны здесь. Антарктида не включена. …
Классы гранулометрического состава почвы (система USDA) для 6 уровней глубины (0, 10, 30, 60, 100 и 200 см) на глубине 250 м. Получены на основе прогнозируемых фракций гранулометрического состава почвы с помощью пакета soiltexture в R. Этапы обработки подробно описаны здесь. Антарктида не включена. Чтобы получить доступ…
Содержание влаги в почве OpenLandMap при 33 кПа (полевая влагоемкость)
Содержание влаги в почве (по объему%) для всасывания 33 кПа и 1500 кПа, спрогнозированное на 6 стандартных глубинах (0, 10, 30, 60, 100 и 200 см) с разрешением 250 м. Точки обучения основаны на глобальной компиляции почвенных профилей: USDA NCSS AfSPDB ISRIC WISE EGRPR SPADE …
pH почвы в H₂O на 6 стандартных глубинах (0, 10, 30, 60, 100 и 200 см) с разрешением 250 м. Этапы обработки подробно описаны здесь. Антарктида не включена. Для доступа к картам и их визуализации вне Earth Engine используйте эту страницу. Если вы…
Прогнозируемая вероятность существования основных почвенных групп USDA на глубине 250 м. Распределение основных почвенных групп USDA основано на прогнозах машинного обучения, полученных на основе глобальной компиляции почвенных профилей. Подробнее о основных почвенных группах см. в Иллюстрированном руководстве по таксономии почв (NRCS)…
Переработанная версия GLDAS-2.0: Глобальная система ассимиляции данных о земле
Система усвоения глобальных данных о землепользовании NASA версии 2 (GLDAS-2) состоит из трёх компонентов: GLDAS-2.0, GLDAS-2.1 и GLDAS-2.2. GLDAS-2.0 полностью основана на данных метеорологического форсинга Принстона и обеспечивает временную согласованность ряда данных с 1948 по 2014 год. GLDAS-2.1 основана на комбинации моделей…
SLGA: Сетка почв и ландшафтов Австралии (атрибуты почв)
Сетка почв и ландшафтов Австралии (SLGA) представляет собой комплексный набор данных о характеристиках почв по всей Австралии с разрешением 3 угловые секунды (~90 млн пикселей). Поверхности представляют собой результаты моделирования, описывающего пространственное распределение характеристик почв с использованием имеющихся данных о почве и окружающей среде…
SPL3SMP_E.005 Радиометр SMAP L3 для измерения влажности почвы в течение дня на расстоянии 9 км
Данные, начиная с 4 декабря 2023 года, доступны в коллекции NASA/SMAP/SPL3SMP_E/006. Этот продукт уровня 3 (L3) влажности почвы представляет собой ежедневный составной показатель состояния поверхности суши в мире, полученный с помощью радиометра L-диапазона Soil Moisture Active Passive (SMAP). Ежедневные данные, представленные здесь, были собраны по нисходящей (локальной…
SPL3SMP_E.006 Радиометр SMAP L3 для измерения влажности почвы на расстоянии 9 км
Данные, полученные до 4 декабря 2023 года, доступны в старой коллекции NASA/SMAP/SPL3SMP_E/005. В дальнейшем они будут переработаны и добавлены в эту коллекцию. Этот продукт уровня 3 (L3) влажности почвы представляет собой ежедневный композитный анализ состояния поверхности суши в мире, полученный с помощью L-диапазона активного пассивного мониторинга влажности почвы (SMAP)…
SPL4SMGP.008 SMAP L4 Global 3-часовой 9-километровый датчик влажности поверхности и корневой зоны почвы
Продукт SMAP Level-4 (L4) Soil Moisture включает влажность почвы на поверхности (среднее значение по вертикали 0–5 см), влажность почвы в корнеобитаемой зоне (среднее значение по вертикали 0–100 см) и дополнительные исследовательские продукты (не проверенные), включая метеорологические факторы воздействия на поверхности, температуру почвы, эвапотранспирацию и суммарную радиацию. Этот набор данных, официально известный как…
Объёмное содержание воды при всасывании 10 кПа, 33 кПа и 1500 кПа в 10^-3 см^3/см^3 (0,1 об.% или 1 мм/м) на 6 стандартных глубинах (0-5 см, 5-15 см, 15-30 см, 30-60 см, 60-100 см, 100-200 см). Прогнозы были получены с помощью метода цифрового почвенного картирования, основанного на квантильном случайном лесу, с использованием глобальной…
Плотность насыпного материала, фракция <2 мм на глубине почвы 0–20 см и 20–50 см, прогнозируемое среднее значение и стандартное отклонение. Значения пикселей необходимо преобразовать обратно с коэффициентом x/100. В районах густых джунглей (обычно в Центральной Африке) точность модели низкая, поэтому возможны артефакты, такие как полосатость…
Содержание глины на глубине 0–20 см и 20–50 см, прогнозируемое среднее значение и стандартное отклонение. В районах густых джунглей (в основном в Центральной Африке) точность модели низкая, поэтому могут наблюдаться артефакты, такие как полосчатость. Прогнозы свойств почвы были сделаны компанией Innovative…
Глубина до коренной породы на глубине 0–200 см, прогнозируемое среднее значение и стандартное отклонение. Из-за маски потенциальной пахотной земли, использованной для получения данных, многие участки обнаженной породы (где глубина до коренной породы составляла бы 0 см) оказались замаскированы и, следовательно, выглядят…
Прогнозируемое среднее значение и стандартное отклонение эффективной катионообменной ёмкости на глубинах почвы 0–20 см и 20–50 см. Значения пикселей необходимо преобразовать обратно с помощью exp(x/10)-1. В районах густых джунглей (обычно в Центральной Африке) точность модели низкая, поэтому возможны артефакты, такие как полосатость…
Извлекаемый кальций на глубине почвы 0–20 см и 20–50 см, прогнозируемое среднее значение и стандартное отклонение. Значения пикселей необходимо преобразовать обратно с помощью exp(x/10)-1. В районах густых джунглей (обычно в Центральной Африке) точность модели низкая, поэтому возможны артефакты, такие как полосчатость (или образование полос).
Извлекаемое железо на глубине почвы 0–20 см и 20–50 см, прогнозируемое среднее значение и стандартное отклонение. Значения пикселей необходимо преобразовать обратно с помощью exp(x/10)-1. В районах густых джунглей (обычно в Центральной Африке) точность модели низкая, поэтому возможны артефакты, такие как полосчатость (или образование полос).
Извлекаемый магний на глубине почвы 0–20 см и 20–50 см, прогнозируемое среднее значение и стандартное отклонение. Значения пикселей необходимо преобразовать обратно с помощью exp(x/10)-1. В районах густых джунглей (обычно в Центральной Африке) точность модели низкая, поэтому возможны артефакты, такие как полосчатость (или образование полос).
Извлекаемый фосфор на глубине почвы 0–20 см и 20–50 см, прогнозируемое среднее значение и стандартное отклонение. Значения пикселей необходимо преобразовать обратно с помощью exp(x/10)-1. В районах густых джунглей (обычно в Центральной Африке) точность модели низкая, поэтому возможны артефакты, такие как полосатость (или образование полос).
Извлекаемый калий на глубине почвы 0–20 см и 20–50 см, прогнозируемое среднее значение и стандартное отклонение. Значения пикселей необходимо преобразовать обратно с помощью exp(x/10)-1. В районах густых джунглей (обычно в Центральной Африке) точность модели низкая, поэтому возможны артефакты, такие как полосатость (или поперечные полосы).
Извлекаемая сера на глубине почвы 0–20 см и 20–50 см, прогнозируемое среднее значение и стандартное отклонение. Значения пикселей необходимо преобразовать обратно с помощью exp(x/10)-1. В районах густых джунглей (обычно в Центральной Африке) точность модели низкая, поэтому возможны артефакты, такие как полосатость (или образование полос).
Извлекаемый цинк на глубине почвы 0–20 см и 20–50 см, прогнозируемое среднее значение и стандартное отклонение. Значения пикселей необходимо преобразовать обратно с помощью exp(x/10)-1. В районах густых джунглей (обычно в Центральной Африке) точность модели низкая, поэтому возможны артефакты, такие как полосчатость (или образование полос).
Классификация плодородности почвы, основанная на уклоне, химических и физических свойствах почвы. Подробнее об этом слое можно узнать на этой странице. Классы для диапазона «fcc» применяются к значениям пикселей, которые необходимо преобразовать обратно с помощью x по модулю 3000. В районах с густыми джунглями…
Органический углерод на глубине почвы 0–20 см и 20–50 см, прогнозируемое среднее значение и стандартное отклонение. Значения пикселей необходимо преобразовать обратно с помощью exp(x/10)-1. В районах густых джунглей (обычно в Центральной Африке) точность модели низкая, поэтому возможны артефакты, такие как полосатость (или образование полос).
Содержание песка на глубине 0–20 см и 20–50 см, прогнозируемое среднее значение и стандартное отклонение. В районах густых джунглей (в основном в Центральной Африке) точность модели низкая, поэтому могут наблюдаться артефакты, такие как полосчатость. Прогнозы свойств почвы были сделаны компанией Innovative…
Содержание ила на глубине 0–20 см и 20–50 см, прогнозируемое среднее значение и стандартное отклонение. Значения пикселей необходимо преобразовать обратно с помощью exp(x/10)-1. В районах густых джунглей (обычно в Центральной Африке) точность модели низкая, поэтому возможны артефакты, такие как полосатость (или образование полос).
Содержание камней на глубине 0–20 см и 20–50 см, прогнозируемое среднее значение и стандартное отклонение. Значения пикселей необходимо преобразовать обратно с помощью exp(x/10)-1. В районах густых джунглей (обычно в Центральной Африке) точность модели низкая, поэтому возможны артефакты, такие как полосатость (или образование полос).
Общее содержание углерода на глубине почвы 0–20 см и 20–50 см, прогнозируемое среднее значение и стандартное отклонение. Значения пикселей необходимо преобразовать обратно с помощью exp(x/10)-1. В районах густых джунглей (обычно в Центральной Африке) точность модели низкая, поэтому возможны артефакты, такие как полосатость (или образование полос).
Общее содержание азота на глубине почвы 0–20 см и 20–50 см, прогнозируемое среднее значение и стандартное отклонение. Значения пикселей необходимо преобразовать обратно с помощью exp(x/100)-1. В районах густых джунглей (обычно в Центральной Африке) точность модели низкая, поэтому возможны артефакты, такие как полосатость (или образование полос).
Класс текстуры почвы по данным Министерства сельского хозяйства США (USDA) на глубине 0–20 см и 20–50 см. В районах густых джунглей (в основном в Центральной Африке) точность модели низкая, поэтому могут наблюдаться артефакты, такие как полосчатость. Прогнозы свойств почвы были сделаны компанией Innovative Solutions for Decision…
Извлекаемый алюминий на глубине почвы 0–20 см и 20–50 см, прогнозируемое среднее значение и стандартное отклонение. Значения пикселей должны быть обратно преобразованы с помощью exp(x/10)-1. Прогнозы свойств почвы были выполнены компанией Innovative Solutions for Decision Agriculture Ltd. (iSDA) для размера пикселя 30 м с использованием машинного обучения в сочетании с…
pH на глубине почвы 0–20 см и 20–50 см, прогнозируемое среднее значение и стандартное отклонение. Значения пикселей необходимо преобразовать обратно с коэффициентом x/10. В районах густых джунглей (обычно в Центральной Африке) точность модели низкая, поэтому могут наблюдаться артефакты, такие как полосатость. …
[[["Прост для понимания","easyToUnderstand","thumb-up"],["Помог мне решить мою проблему","solvedMyProblem","thumb-up"],["Другое","otherUp","thumb-up"]],[["Отсутствует нужная мне информация","missingTheInformationINeed","thumb-down"],["Слишком сложен/слишком много шагов","tooComplicatedTooManySteps","thumb-down"],["Устарел","outOfDate","thumb-down"],["Проблема с переводом текста","translationIssue","thumb-down"],["Проблемы образцов/кода","samplesCodeIssue","thumb-down"],["Другое","otherDown","thumb-down"]],[],[],[]]
