NASA-USDA Enhanced SMAP Global Soil Moisture Data [deprecated]

NASA_USDA/HSL/SMAP10KM_soil_moisture
مدى توفُّر مجموعة البيانات
2015-04-02T12:00:00Z–2022-08-02T12:00:00Z
الجهة المنتِجة لمجموعة البيانات
مقتطف Earth Engine
ee.ImageCollection("NASA_USDA/HSL/SMAP10KM_soil_moisture")
معدّل خطوات الجري
3 أيام
العلامات
geophysical
hsl
nasa
smap
تربة
soil-moisture
usda

الوصف

توفّر بيانات رطوبة التربة العالمية المحسّنة من NASA-USDA معلومات عن رطوبة التربة في جميع أنحاء العالم بدقة مكانية تبلغ 10 كيلومترات. وتشمل مجموعة البيانات هذه: رطوبة التربة السطحية وتحت السطحية (بالملليمتر) وملف رطوبة التربة (بالنسبة المئوية) والقيم الشاذة لرطوبة التربة السطحية وتحت السطحية (-).

يتم إنشاء مجموعة البيانات من خلال دمج ملاحظات رطوبة التربة من المستوى 3 المستندة إلى القمر الصناعي Soil Moisture Active Passive (SMAP) في نموذج بالمر المعدَّل ذي الطبقتَين باستخدام أسلوب استيعاب البيانات المستند إلى فلتر كالمان الجماعي (EnKF) أحادي الأبعاد. تم احتساب القيم الشاذة لرطوبة التربة من علم المناخ في اليوم المعنيّ. تم تقدير علم المناخ استنادًا إلى سجلّ البيانات الكامل لملاحظات القمر الصناعي SMAP وأسلوب النافذة المتحركة التي يبلغ عرضها 31 يومًا. يساعد استيعاب ملاحظات رطوبة التربة من SMAP على تحسين توقّعات رطوبة التربة المستندة إلى النموذج، لا سيما في المناطق التي لا تتوفّر فيها أجهزة قياس كافية في العالم والتي تفتقر إلى بيانات هطول الأمطار الجيدة.

تم تطوير مجموعة البيانات هذه من قِبل مختبر العلوم الهيدرولوجية في "مركز غودارد لرحلات الفضاء" التابع لوكالة ناسا بالتعاون مع "خدمات الزراعة الأجنبية" التابعة لوزارة الزراعة الأمريكية ومختبر الهيدرولوجيا والاستشعار عن بُعد التابع لوزارة الزراعة الأمريكية.

النطاقات

النطاقات

حجم البكسل: 10000 متر (جميع النطاقات)

الاسم الوحدات الحد الأدنى الشحن بأقصى سرعة حجم البكسل الوصف
ssm مم 0* 25.39* 10000 متر

رطوبة التربة السطحية
susm مم 0* 274.6* 10000 متر

رطوبة التربة تحت السطحية
smp كسر *0 *1 10000 متر

ملف رطوبة التربة
ssma بلا أبعاد -4* 4* 10000 متر

القيمة الشاذة لرطوبة التربة السطحية
susma بلا أبعاد -4* 4* 10000 متر

القيمة الشاذة لرطوبة التربة تحت السطحية
* الحدّ الأدنى أو الأقصى المقدَّر

بنود الاستخدام

بنود الاستخدام

مجموعة البيانات هذه متاحة للجميع ويمكن استخدامها وتوزيعها بدون قيود. يُرجى الاطّلاع على سياسة بيانات ومعلومات علوم الأرض في وكالة ناسا لمزيد من المعلومات.

الاقتباسات

المراجع

  • Sazib, N., م. د. Bolten, and I. هـ. Mladenova. 2021. Leveraging NASA Soil Moisture Active Passive for Assessing Fire Susceptibility and Potential Impacts Over Australia and California. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 15: 779-787. doi:10.1109/jstars.2021.3136756

    Mladenova, I.E., Bolten, J.D., Crow, W., Sazib, N. and Reynolds, C., 2020. Agricultural drought monitoring via the assimilation of SMAP soil moisture retrievals into a global soil water balance model. Front. Big Data, 3(10). doi:10.3389/fdata.2020.00010

  • Sazib, N., م. د. Bolten, and I. هـ. Mladenova. 2021. Leveraging NASA Soil Moisture Active Passive for Assessing Fire Susceptibility and Potential Impacts Over Australia and California. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 15: 779-787. doi:10.1109/jstars.2021.3136756

  • Mladenova, I.E., Bolten, J.D., Crow, W.T., Sazib, N., Cosh, M.H., Tucker, C.J. and Reynolds, C., 2019. Evaluating the operational application of SMAP for global agricultural drought monitoring. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 12(9): 3387-3397. doi:10.1109/JSTARS.2019.2923555

  • Sazib, N., Mladenova, I., &Bolten, J. (2020). Assessing the Impact of ENSO on Agriculture over Africa using Earth Observation Data. Frontiers in Sustainable Food Systems, 4, 188. doi:10.3389/fsufs.2020.509914 الباحث العلمي من Google

  • Sazib, N., Mladenova, I. and Bolten, J., 2018. Leveraging the google earth engine for drought assessment using global soil moisture data. Remote sensing, 10(8): 1265. doi:10.3390/rs10081265

  • Bolten, J., W.T. Crow, X. Zhan, T.J. Jackson, and C.A. Reynolds (2010). Evaluating the Utility of Remotely Sensed Soil Moisture Retrievals for Operational Agricultural Drought Monitoring, IEEE Transactions on Geoscience and Remote Sensing, 3(1): 57-66. doi:10.1109/JSTARS.2009.2037163 الباحث العلمي من Google

  • Bolten, J., and W. T. Crow (2012). Improved prediction of quasi-global vegetation conditions using remotely sensed surface soil moisture, Geophysical Research Letters, 39: (L19406). [doi:10.1029/2012GL053470][https://doi.org/10.1029/2012GL053470) الباحث العلمي من Google

  • Entekhabi, D, Njoku, EG, O'Neill, PE, Kellogg, KH, Crow, WT, Edelstein, WN, Entin, JK, Goodman, SD, Jackson, TJ, Johnson, J, Kimball, J, Piepmeier, JR, Koster, RD, Martin, N, McDonald, KC, Moghaddam, M, Moran, S, Reichle, R, Shi, JC, Spencer, MW, Thurman, SW, Tsang, L & Van Zyl, J (2010). The soil moisture active passive (SMAP) mission, Proceedings of the IEEE, 98(5): 704-716. doi:10.1109/JPROC.2010.2043918

  • I. هـ. Mladenova, J.D. Bolten, W.T. Crow, M.C. Anderson, C.R. Hain, D.M. Johnson, R. Mueller (2017). Intercomparison of Soil Moisture, Evaporative Stress, and Vegetation Indices for Estimating Corn and Soybean Yields Over the U.S., IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 10(4): 1328-1343. doi:10.1109/JSTARS.2016.2639338

  • O'Neill, P. E., S. Chan, E. G. Njoku, T. Jackson, and R. Bindlish (2016). SMAP L3 Radiometer Global Daily 36 km EASE-Grid Soil Moisture, Version 4. Boulder, Colorado USA. NASA National Snow and Ice Data Center Distributed Active Archive Center.doi:10.5067/ZX7YX2Y2LHEB

معرِّفات العناصر الرقمية (DOI)

الاستكشاف باستخدام Earth Engine

أداة تعديل الرموز (JavaScript)

var dataset = ee.ImageCollection('NASA_USDA/HSL/SMAP10KM_soil_moisture')
                  .filter(ee.Filter.date('2017-04-01', '2017-04-30'));
var soilMoisture = dataset.select('ssm');
var soilMoistureVis = {
  min: 0.0,
  max: 28.0,
  palette: ['0300ff', '418504', 'efff07', 'efff07', 'ff0303'],
};
Map.setCenter(-6.746, 46.529, 2);
Map.addLayer(soilMoisture, soilMoistureVis, 'Soil Moisture');

إعداد Python

يُرجى الاطّلاع على صفحة Python Environment للحصول على معلومات عن Python API واستخدام geemap للتطوير التفاعلي.

import ee
import geemap.core as geemap

Colab (Python)

dataset = ee.ImageCollection('NASA_USDA/HSL/SMAP10KM_soil_moisture').filter(
    ee.Filter.date('2017-04-01', '2017-04-30')
)

soil_moisture = dataset.select('ssm')

soil_moisture_vis = {
    'min': 0.0,
    'max': 28.0,
    'palette': ['0300ff', '418504', 'efff07', 'efff07', 'ff0303'],
}

m = geemap.Map()
m.set_center(-6.746, 46.529, 2)
m.add_layer(soil_moisture, soil_moisture_vis, 'Soil Moisture')
m
فتح في أداة تعديل الرموز"
توفّر بيانات رطوبة التربة العالمية المحسّنة من NASA-USDA معلومات عن رطوبة التربة في جميع أنحاء العالم بدقة مكانية تبلغ 10 كيلومترات. وتشمل مجموعة البيانات هذه: رطوبة التربة السطحية وتحت السطحية (بالملليمتر) وملف رطوبة التربة (بالنسبة المئوية) والقيم الشاذة لرطوبة التربة السطحية وتحت السطحية (-). يتم إنشاء مجموعة البيانات من خلال دمج ملاحظات رطوبة التربة من المستوى 3 المستندة إلى القمر الصناعي Soil Moisture Active Passive (SMAP) …
NASA_USDA/HSL/SMAP10KM_soil_moisture, geophysical,hsl,nasa,smap,soil,soil-moisture,usda
2015-04-02T12:00:00Z/2022-08-02T12:00:00Z
‎-60 -180 90 180
Google Earth Engine