- Dostępność zbioru danych
- 2015-04-02T12:00:00Z–2022-08-02T12:00:00Z
- Dostawca zbioru danych
- NASA GSFC
- Cykl
- 3 dni
- Tagi
Opis
Ulepszone dane NASA-USDA SMAP Global dotyczące wilgotności gleby dostarczają informacji o wilgotności gleby na całym świecie w rozdzielczości przestrzennej 10 km. Ten zbiór danych obejmuje: powierzchnię, podpowierzchnię, wilgotność gleby (mm), profil wilgotności gleby (%), anomalie wilgotności gleby na powierzchni i pod powierzchnią (-).
Zbiór danych jest generowany przez zintegrowanie pochodzących z satelity obserwacji wilgotności gleby na poziomie 3 (SMAP) z zmodyfikowanym dwuwarstwowym modelem Palmera przy użyciu jednowymiarowego podejścia do asymilacji danych opartego na zespole filtrów Kalmana (EnKF). Anomalie wilgotności gleby obliczono na podstawie klimatu w danym dniu. Klimatologia została oszacowana na podstawie pełnego zapisu danych z obserwacji satelity SMAP i 31-dniowego podejścia z ruchomym oknem. Asymilacja obserwacji wilgotności gleby z satelity SMAP pomaga poprawić prognozy wilgotności gleby oparte na modelu, zwłaszcza w słabo wyposażonych w instrumenty pomiarowe regionach świata, w których brakuje danych o opadach deszczu dobrej jakości.
Ten zbiór danych został opracowany przez Hydrological Science Laboratory w Goddard Space Flight Center NASA we współpracy z USDA Foreign Agricultural Services i USDA Hydrology and Remote Sensing Lab.
Pasma
Rozmiar piksela
10 000 m
Pasma
| Nazwa | Jednostki | Minimum | Maks. | Rozmiar piksela | Opis |
|---|---|---|---|---|---|
ssm |
mm | 0* | 25,39* | metry | Wilgotność gleby na powierzchni |
susm |
mm | 0* | 274,6* | metry | Wilgotność gleby pod powierzchnią |
smp |
Ułamek | 0* | 1* | metry | Profil wilgotności gleby |
ssma |
Bez jednostki | -4* | 4* | metry | Anomalia wilgotności gleby na powierzchni |
susma |
Bez jednostki | -4* | 4* | metry | Anomalia wilgotności gleby pod powierzchnią |
Warunki korzystania z usługi
Warunki korzystania z usługi
Ten zbiór danych jest dostępny publicznie i można go używać oraz rozpowszechniać bez ograniczeń. Więcej informacji znajdziesz w zasadach NASA dotyczących danych i informacji o naukach o Ziemi.
Cytaty
Sazib, N., J. D. Bolten i I. E. Mladenova. 2021 r. Wykorzystanie danych z misji NASA Soil Moisture Active Passive do oceny podatności na pożary i potencjalnych skutków w Australii i Kalifornii. 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. i Reynolds, C., 2020 r. Monitorowanie suszy rolniczej za pomocą asymilacji danych SMAP dotyczących wilgotności gleby w globalnym modelu bilansu wody w glebie. Przód. Big Data, 3(10). doi:10.3389/fdata.2020.00010
Sazib, N., J. D. Bolten i I. E. Mladenova. 2021 r. Wykorzystanie danych z misji NASA Soil Moisture Active Passive do oceny podatności na pożary i potencjalnych skutków w Australii i Kalifornii. 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 r. Ocena operacyjnego zastosowania SMAP do globalnego monitorowania suszy rolniczej. 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). Ocena wpływu ENSO na rolnictwo w Afryce na podstawie danych obserwacji Ziemi. Frontiers in Sustainable Food Systems, 4, 188. doi:10.3389/fsufs.2020.509914 Google Scholar
Sazib, N., Mladenova, I. i Bolten, J., 2018 r. Wykorzystanie Google Earth Engine do oceny suszy na podstawie globalnych danych o wilgotności gleby. Remote sensing, 10(8): 1265. doi:10.3390/rs10081265
Bolten, J., W.T. Crow, X. Zhan, T.J. Jackson i 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., 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) 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 i R. Bindlish (2016). SMAP L3 Radiometer Global Daily 36 km EASE-Grid Soil Moisture, Version 4. Boulder, Kolorado, USA. NASA National Snow and Ice Data Center Distributed Active Archive Center.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
Odkrywanie za pomocą Earth Engine
Edytor kodu (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');