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

NASA_USDA/HSL/SMAP10KM_soil_moisture
Verfügbarkeit des Datasets
2015-04-02T12:00:00Z–2022-08-02T12:00:00Z
Ersteller des Datasets
Earth Engine-Snippet
ee.ImageCollection("NASA_USDA/HSL/SMAP10KM_soil_moisture")
Cadence
3 Tage
Tags
geophysical
hsl
nasa
smap
soil
soil-moisture
usda

Beschreibung

Das verbesserte globale SMAP-Dataset zur Bodenfeuchte der NASA und des USDA enthält Informationen zur Bodenfeuchte weltweit mit einer räumlichen Auflösung von 10 km. Dieses Dataset umfasst: Bodenfeuchte an der Oberfläche und im Untergrund (in mm), Bodenfeuchteprofil (in %) sowie Anomalien der Bodenfeuchte an der Oberfläche und im Untergrund (-).

Das Dataset wird durch die Integration von aus Satelliten gewonnenen SMAP-Beobachtungen (Soil Moisture Active Passive) der Stufe 3 zur Bodenfeuchte in das modifizierte zweischichtige Palmer-Modell mithilfe eines 1D-Ensemble-Kalman-Filter-Ansatzes (EnKF) zur Datenassimilation erstellt. Anomalien der Bodenfeuchte wurden aus der Klimatologie des jeweiligen Tages berechnet. Die Klimatologie wurde anhand des vollständigen Datensatzes der SMAP-Satellitenbeobachtung und des 31-Tage-Fensters mit gleitendem Mittelwert geschätzt. Die Assimilation der SMAP-Beobachtungen zur Bodenfeuchte trägt dazu bei, die modellbasierten Vorhersagen zur Bodenfeuchte zu verbessern, insbesondere in schlecht instrumentierten Gebieten der Welt, in denen keine hochwertigen Niederschlagsdaten verfügbar sind.

Dieses Dataset wurde vom Hydrological Science Laboratory am Goddard Space Flight Center der NASA in Zusammenarbeit mit dem USDA Foreign Agricultural Service und dem USDA Hydrology and Remote Sensing Lab entwickelt.

Bänder

Bänder

Pixelgröße: 10.000 Meter (alle Bänder)

Name Einheiten Min. Max. Pixelgröße Beschreibung
ssm mm 0* 25,39* 10.000 Meter

Bodenfeuchte an der Oberfläche
susm mm 0* 274,6* 10.000 Meter

Bodenfeuchte im Untergrund
smp Bruch 0* 1* 10.000 Meter

Bodenfeuchteprofil
ssma Dimensionslos -4* 4* 10.000 Meter

Anomalie der Bodenfeuchte an der Oberfläche
susma Dimensionslos -4* 4* 10.000 Meter

Anomalie der Bodenfeuchte im Untergrund
* geschätzter Mindest- oder Höchstwert

Nutzungsbedingungen

Nutzungsbedingungen

Dieses Dataset ist frei von Urheberrechten und kann ohne Einschränkungen verwendet und weitergegeben werden. Weitere Informationen finden Sie in der Richtlinie zu Erdwissenschaftsdaten und ‑informationen der NASA.

Zitationen

Quellenangaben:

  • Sazib, N., J. D. Bolten und I. E. 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. und 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., J. D. Bolten und I. E. 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. und 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., und 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 Google Scholar

  • Sazib, N., Mladenova, I. und 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 und 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 Google Scholar

  • Bolten, J. und 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) Google Scholar

  • 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. E. 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 und 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

DOIs

Die Earth Engine nutzen

Code-Editor (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');

Python einrichten

Weitere Informationen zur Python API und zur Verwendung von geemap für die interaktive Entwicklung finden Sie auf der Seite Python-Umgebung.

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
Open in Code Editor
Das verbesserte globale SMAP-Dataset zur Bodenfeuchte der NASA und des USDA enthält Informationen zur Bodenfeuchte weltweit mit einer räumlichen Auflösung von 10 km. Dieses Dataset umfasst: Bodenfeuchte an der Oberfläche und im Untergrund (in mm), Bodenfeuchteprofil (in %) sowie Anomalien der Bodenfeuchte an der Oberfläche und im Untergrund (-). Das Dataset wird durch die Integration von aus Satelliten gewonnenen SMAP-Beobachtungen (Soil Moisture Active Passive) erstellt.
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