Эта страница переведена с помощью Cloud Translation API.

iSDAsoil extractable Aluminium

ISDASOIL/Africa/v1/aluminium_extractable

Доступность набора данных: 2001-01-01T00:00:00Z–2017-01-01T00:00:00Z
Поставщик наборов данных: iSDA

Теги: почва африканского алюминия ISDA

Описание

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 сделаны компанией Innovative Solutions for Decision Agriculture Ltd. (iSDA) с размером пикселя 30 м с использованием машинного обучения в сочетании с данными дистанционного зондирования и обучающим набором из более чем 100 000 проанализированных образцов почвы.

Дополнительную информацию можно найти в разделе часто задаваемых вопросов и технической документации . Чтобы сообщить о проблеме или запросить поддержку, посетите сайт iSDAsoil .

В районах густых джунглей (как правило, в Центральной Африке) точность модели низкая, поэтому могут быть видны такие артефакты, как полосатость.

Группы

Размер пикселя
30 метров

Группы

Имя	Единицы	Мин.	Макс	Размер пикселя	Описание
`mean_0_20`	частей на миллион	3	80	метров	Алюминий, извлекаемый, прогнозируемое среднее на глубине 0–20 см
`mean_20_50`	частей на миллион	4	79	метров	Алюминий, извлекаемый, прогнозируемое среднее на глубине 20–50 см
`stdev_0_20`	частей на миллион	1	53	метров	Алюминий, извлекаемый, стандартное отклонение на глубине 0–20 см
`stdev_20_50`	частей на миллион	1	51	метров	Алюминий, извлекаемый, стандартное отклонение на глубине 20–50 см

Условия эксплуатации

Условия эксплуатации

CC-BY-4.0

Цитаты

Хенгль, Т., Миллер, М.А.Э., Крижан, Дж. и др. Свойства и питательные вещества африканских почв, картированные с пространственным разрешением 30 м с использованием двухмасштабного ансамблевого машинного обучения. Sci Rep 11, 6130 (2021). doi:10.1038/s41598-021-85639-y
Хенгль, Т., Миллер, М.А.Э., Крижан, Дж. и др. Свойства и питательные вещества африканских почв, картированные с пространственным разрешением 30 м с использованием двухмасштабного ансамблевого машинного обучения. Sci Rep 11, 6130 (2021). doi:10.1038/s41598-021-85639-y

DOI

https://doi.org/10.1038/s41598-021-85639-y

Исследуйте с Earth Engine

Редактор кода (JavaScript)

var mean_0_20 =
'<RasterSymbolizer>' +
 '<ColorMap type="ramp">' +
  '<ColorMapEntry color="#000004" label="0-21.2" opacity="1" quantity="31"/>' +
  '<ColorMapEntry color="#0C0927" label="21.2-35.6" opacity="1" quantity="36"/>' +
  '<ColorMapEntry color="#231151" label="35.6-53.6" opacity="1" quantity="40"/>' +
  '<ColorMapEntry color="#410F75" label="53.6-65.7" opacity="1" quantity="42"/>' +
  '<ColorMapEntry color="#5F187F" label="65.7-72.7" opacity="1" quantity="43"/>' +
  '<ColorMapEntry color="#7B2382" label="72.7-80.5" opacity="1" quantity="44"/>' +
  '<ColorMapEntry color="#982D80" label="80.5-89" opacity="1" quantity="45"/>' +
  '<ColorMapEntry color="#B63679" label="89-98.5" opacity="1" quantity="46"/>' +
  '<ColorMapEntry color="#D3436E" label="98.5-108.9" opacity="1" quantity="47"/>' +
  '<ColorMapEntry color="#EB5760" label="108.9-120.5" opacity="1" quantity="48"/>' +
  '<ColorMapEntry color="#F8765C" label="120.5-133.3" opacity="1" quantity="49"/>' +
  '<ColorMapEntry color="#FD9969" label="133.3-147.4" opacity="1" quantity="50"/>' +
  '<ColorMapEntry color="#FEBA80" label="147.4-163" opacity="1" quantity="51"/>' +
  '<ColorMapEntry color="#FDDC9E" label="163-199.3" opacity="1" quantity="53"/>' +
  '<ColorMapEntry color="#FCFDBF" label="199.3-1800" opacity="1" quantity="55"/>' +
 '</ColorMap>' +
 '<ContrastEnhancement/>' +
'</RasterSymbolizer>';

var mean_20_50 =
'<RasterSymbolizer>' +
 '<ColorMap type="ramp">' +
  '<ColorMapEntry color="#000004" label="0-21.2" opacity="1" quantity="31"/>' +
  '<ColorMapEntry color="#0C0927" label="21.2-35.6" opacity="1" quantity="36"/>' +
  '<ColorMapEntry color="#231151" label="35.6-53.6" opacity="1" quantity="40"/>' +
  '<ColorMapEntry color="#410F75" label="53.6-65.7" opacity="1" quantity="42"/>' +
  '<ColorMapEntry color="#5F187F" label="65.7-72.7" opacity="1" quantity="43"/>' +
  '<ColorMapEntry color="#7B2382" label="72.7-80.5" opacity="1" quantity="44"/>' +
  '<ColorMapEntry color="#982D80" label="80.5-89" opacity="1" quantity="45"/>' +
  '<ColorMapEntry color="#B63679" label="89-98.5" opacity="1" quantity="46"/>' +
  '<ColorMapEntry color="#D3436E" label="98.5-108.9" opacity="1" quantity="47"/>' +
  '<ColorMapEntry color="#EB5760" label="108.9-120.5" opacity="1" quantity="48"/>' +
  '<ColorMapEntry color="#F8765C" label="120.5-133.3" opacity="1" quantity="49"/>' +
  '<ColorMapEntry color="#FD9969" label="133.3-147.4" opacity="1" quantity="50"/>' +
  '<ColorMapEntry color="#FEBA80" label="147.4-163" opacity="1" quantity="51"/>' +
  '<ColorMapEntry color="#FDDC9E" label="163-199.3" opacity="1" quantity="53"/>' +
  '<ColorMapEntry color="#FCFDBF" label="199.3-1800" opacity="1" quantity="55"/>' +
 '</ColorMap>' +
 '<ContrastEnhancement/>' +
'</RasterSymbolizer>';

var stdev_0_20 =
'<RasterSymbolizer>' +
 '<ColorMap type="ramp">' +
  '<ColorMapEntry color="#fde725" label="low" opacity="1" quantity="5"/>' +
  '<ColorMapEntry color="#5dc962" label=" " opacity="1" quantity="9"/>' +
  '<ColorMapEntry color="#20908d" label=" " opacity="1" quantity="10"/>' +
  '<ColorMapEntry color="#3a528b" label=" " opacity="1" quantity="12"/>' +
  '<ColorMapEntry color="#440154" label="high" opacity="1" quantity="14"/>' +
 '</ColorMap>' +
 '<ContrastEnhancement/>' +
'</RasterSymbolizer>';

var stdev_20_50 =
'<RasterSymbolizer>' +
 '<ColorMap type="ramp">' +
  '<ColorMapEntry color="#fde725" label="low" opacity="1" quantity="5"/>' +
  '<ColorMapEntry color="#5dc962" label=" " opacity="1" quantity="9"/>' +
  '<ColorMapEntry color="#20908d" label=" " opacity="1" quantity="10"/>' +
  '<ColorMapEntry color="#3a528b" label=" " opacity="1" quantity="12"/>' +
  '<ColorMapEntry color="#440154" label="high" opacity="1" quantity="14"/>' +
 '</ColorMap>' +
 '<ContrastEnhancement/>' +
'</RasterSymbolizer>';

Map.setCenter(25, -3, 2);

var raw = ee.Image("ISDASOIL/Africa/v1/aluminium_extractable");
Map.addLayer(
    raw.select(0).sldStyle(mean_0_20), {},
    "Aluminium, extractable, mean visualization, 0-20 cm");
Map.addLayer(
    raw.select(1).sldStyle(mean_20_50), {},
    "Aluminium, extractable, mean visualization, 20-50 cm");
Map.addLayer(
    raw.select(2).sldStyle(stdev_0_20), {},
    "Aluminium, extractable, stdev visualization, 0-20 cm");
Map.addLayer(
    raw.select(3).sldStyle(stdev_20_50), {},
    "Aluminium, extractable, stdev visualization, 20-50 cm");

var converted = raw.divide(10).exp().subtract(1);
Map.addLayer(
    converted.select(0), {min: 0, max: 100},
    "Aluminium, extractable, mean, 0-20 cm");

Открыть в редакторе кода

iSDAпочвоизвлекаемый алюминий

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 данными дистанционного зондирования и…

ISDASOIL/Africa/v1/aluminium_extractable, africa,aluminium,isda,soil

2001-01-01T00:00:00Z/2017-01-01T00:00:00Z

-35,22 -31,46 37,98 57,08

Google Earth Engine

https://developers.google.com/earth-engine/datasets

iSDAsoil extractable Aluminium Оптимизируйте свои подборки Сохраняйте и классифицируйте контент в соответствии со своими настройками.