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

NASA_USDA/HSL/SMAP10KM_soil_moisture
Disponibilità set di dati
2015-04-02T12:00:00Z–2022-08-02T12:00:00Z
Produttore di dati del set di dati
Snippet Earth Engine
ee.ImageCollection("NASA_USDA/HSL/SMAP10KM_soil_moisture")
Cadenza
3 Days
Tag
geophysical
hsl
nasa
smap
soil
soil-moisture
usda

Descrizione

I dati sull'umidità del suolo globali SMAP migliorati della NASA-USDA forniscono informazioni sull'umidità del suolo in tutto il mondo con una risoluzione spaziale di 10 km. Questo set di dati include: superficie, sottosuolo, umidità del suolo (mm), profilo dell'umidità del suolo (%), anomalie dell'umidità del suolo superficiale e del sottosuolo (-).

Il set di dati viene generato integrando le osservazioni sull'umidità del suolo di livello 3 SMAP (Soil Moisture Active Passive) derivate da satellite nel modello di Palmer a due strati modificato utilizzando un approccio di assimilazione dei dati del filtro di Kalman di insieme (EnKF) 1D. Le anomalie dell'umidità del suolo sono state calcolate dalla climatologia del giorno di interesse. La climatologia è stata stimata in base al record completo dei dati dell'osservazione satellitare SMAP e all'approccio della finestra mobile centrata su 31 giorni. L'assimilazione delle osservazioni sull'umidità del suolo SMAP contribuisce a migliorare le previsioni sull'umidità del suolo basate sul modello, in particolare nelle aree del mondo scarsamente strumentate che non dispongono di dati sulle precipitazioni di buona qualità.

Questo set di dati è stato sviluppato dall'Hydrological Science Laboratory presso il Goddard Space Flight Center della NASA in collaborazione con l'USDA Foreign Agricultural Services e l'USDA Hydrology and Remote Sensing Lab.

Bande

Bande

Dimensioni pixel: 10.000 metri (tutte le bande)

Nome Unità Min Max Dimensioni pixel Descrizione
ssm mm 0* 25.39* 10000 meters

Umidità del suolo superficiale
susm mm 0* 274.6* 10000 meters

Umidità del suolo del sottosuolo
smp Frazione 0* 1* 10000 meters

Profilo dell'umidità del suolo
ssma Senza unità -4* 4* 10000 meters

Anomalia dell'umidità del suolo superficiale
susma Senza unità -4* 4* 10000 meters

Anomalia dell'umidità del suolo del sottosuolo
* valore minimo o massimo stimato

Termini e condizioni d'uso

Termini e condizioni d'uso

Questo set di dati è di pubblico dominio ed è disponibile senza restrizioni di utilizzo e distribuzione. Per ulteriori informazioni, consulta le norme relative a dati e informazioni scientifiche della Terra della NASA's.

Citazioni

Citazioni:

  • Sazib, N., J. D. Bolten e 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. e 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 e 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. e 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 Google Scholar

  • Sazib, N., Mladenova, I. e 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 e 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. e 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 e 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

DOI

Esplora con Earth Engine

Editor di codice (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');

Configurazione di Python

Per informazioni sull'API Python e sull'utilizzo di geemap per lo sviluppo interattivo, consulta la pagina Ambiente Python.

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
Apri nell'editor di codice
I dati sull'umidità del suolo globali SMAP migliorati della NASA-USDA forniscono informazioni sull'umidità del suolo in tutto il mondo con una risoluzione spaziale di 10 km. Questo set di dati include: superficie, sottosuolo, umidità del suolo (mm), profilo dell'umidità del suolo (%), anomalie dell'umidità del suolo superficiale e del sottosuolo (-). Il set di dati viene generato integrando le osservazioni sull'umidità del suolo di livello 3 SMAP (Soil Moisture Active Passive) derivate da satellite nel modello di Palmer a due strati modificato utilizzando un approccio di assimilazione dei dati del filtro di Kalman di insieme (EnKF) 1D.
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