- 데이터 세트 제공
- 2015-04-02T12:00:00Z–2022-08-02T12:00:00Z
- 데이터 세트 출처
- NASA GSFC
- 주기
- 3일
- 태그
설명
NASA-USDA Enhanced SMAP Global 토양 수분 데이터는 전 세계의 토양 수분 정보를 10km 공간 해상도로 제공합니다. 이 데이터 세트에는 표면, 지하, 토양 수분(mm), 토양 수분 프로필(%), 표면 및 지하 토양 수분 이상(-), 위성에서 파생된 토양 수분 활성 수동(SMAP) 수준 3 토양 수분 관측을 수정된 2층 Palmer 모델에 통합하여 생성된 데이터 세트가 포함됩니다.
이 데이터 세트는 1D 앙상블 칼만 필터 (EnKF) 데이터 동화 접근 방식을 사용하여 위성에서 파생된 토양 수분 활성 수동 (SMAP) 수준 3 토양 수분 관측을 수정된 2층 Palmer 모델에 통합하여 생성됩니다. 토양 수분 이상은 관심 있는 날짜의 기후학에서 계산되었습니다. 기후학은 SMAP 위성 관측의 전체 데이터 기록과 31일 중심 이동 창 접근 방식을 기반으로 추정되었습니다. SMAP 토양 수분 관측의 동화는 양질의 강수량 데이터가 부족한 세계의 장비가 제대로 갖춰지지 않은 지역에서 모델 기반 토양 수분 예측을 개선하는 데 도움이 됩니다.
이 데이터 세트는 NASA 고다드 우주 비행 센터의 수문 과학 연구소에서 USDA 해외 농업 서비스 및 USDA 수문학 및 원격 감지 연구소와 협력하여 개발했습니다.
대역
대역
픽셀 크기: 10,000m (모든 대역)
| 이름 | 단위 | 최소 | 고속 충전 | 픽셀 크기 | 설명 |
|---|---|---|---|---|---|
ssm |
mm | 0* | 25.39* | 10,000m | 표면 토양 수분 |
susm |
mm | 0* | 274.6* | 10,000m | 지하 토양 수분 |
smp |
분수 | 0* | 1* | 10,000m | 토양 수분 프로필 |
ssma |
무차원 | -4* | 4* | 10,000m | 표면 토양 수분 이상 |
susma |
무차원 | -4* | 4* | 10,000m | 지하 토양 수분 이상 |
이용약관
이용약관
이 데이터 세트는 공개 도메인에 있으며 사용 및 배포에 제한 없이 사용할 수 있습니다. 자세한 내용은 NASA's 지구 과학 데이터 & 정보 정책 을 참고하세요.
인용
Sazib, N., J. D. Bolten, 및 I. E. Mladenova. 2021. NASA 토양 수분 활성 수동을 활용하여 호주와 캘리포니아의 화재 취약성 및 잠재적 영향 평가. 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. 및 Reynolds, C., 2020. SMAP 토양 수분 검색을 전역 토양 수분 균형 모델에 동화하여 농업 가뭄 모니터링. Front. Big Data, 3(10). doi:10.3389/fdata.2020.00010
Sazib, N., J. D. Bolten, 및 I. E. Mladenova. 2021. NASA 토양 수분 활성 수동을 활용하여 호주와 캘리포니아의 화재 취약성 및 잠재적 영향 평가. 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. 및 Reynolds, C., 2019. 전역 농업 가뭄 모니터링을 위한 SMAP의 운영 애플리케이션 평가. 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). 지구 관측 데이터를 사용하여 아프리카의 농업에 미치는 ENSO의 영향 평가. Frontiers in Sustainable Food Systems, 4, 188. doi:10.3389/fsufs.2020.509914 Google Scholar
Sazib, N., Mladenova, I. 및 Bolten, J., 2018. 전역 토양 수분 데이터를 사용하여 가뭄 평가를 위한 Google Earth Engine 활용. Remote sensing, 10(8): 1265. doi:10.3390/rs10081265
Bolten, J., W.T. Crow, X. Zhan, T.J. Jackson, 및 C.A. Reynolds (2010). 원격 감지 토양 수분 검색의 운영 농업 가뭄 모니터링 유용성 평가, IEEE Transactions on Geoscience and Remote Sensing, 3(1): 57-66. doi:10.1109/JSTARS.2009.2037163 Google 학술검색
Bolten, J., 및 W. T. Crow (2012). 원격 감지 표면 토양 수분을 사용하여 준전역 식생 조건의 예측 개선, 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). 토양 수분 활성 수동 (SMAP) 미션, 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). 미국에서 옥수수와 콩 수확량 추정을 위한 토양 수분, 증발 스트레스, 식생 지수의 상호 비교, 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, 및 R. Bindlish (2016). SMAP L3 방사계 전역 일일 36km EASE-Grid 토양 수분, 버전 4. 미국 콜로라도주 볼더. NASA 국립 눈 및 얼음 데이터 센터 분산 활성 아카이브 센터.doi:10.5067/ZX7YX2Y2LHEB
DOI
- https://doi.org/10.1029/2012GL053470
- https://doi.org/10.1109/JPROC.2010.2043918
- https://doi.org/10.1109/JSTARS.2009.2037163
- https://doi.org/10.1109/JSTARS.2016.2639338
- https://doi.org/10.1109/JSTARS.2019.2923555
- https://doi.org/10.1109/jstars.2021.3136756
- https://doi.org/10.3389/fsufs.2020.509914
- https://doi.org/10.3390/rs10081265
- https://doi.org/10.5067/ZX7YX2Y2LHEB
Earth Engine으로 탐색
코드 편집기 (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');
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