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

NASA_USDA/HSL/SMAP10KM_soil_moisture
Dostępność zbioru danych
2015-04-02T12:00:00Z–2022-08-02T12:00:00Z
Dostawca zbioru danych
Fragment kodu Earth Engine
ee.ImageCollection("NASA_USDA/HSL/SMAP10KM_soil_moisture")
Częstotliwość
3 dni
Tagi
geofizyczne,
HSL
nasa
smap
ziemia
wilgotność gleby
usda

Opis

Ulepszone globalne dane o wilgotności gleby SMAP NASA-USDA dostarczają informacji o wilgotności gleby na całym świecie w rozdzielczości przestrzennej 10 km. Ten zbiór danych obejmuje: powierzchnię, warstwę podpowierzchniową, wilgotność gleby (mm), profil wilgotności gleby (%), anomalie wilgotności gleby na powierzchni i pod powierzchnią (-).

Zbiór danych jest generowany przez integrację pochodzących z satelity SMAP (Soil Moisture Active Passive) obserwacji wilgotności gleby na poziomie 3 ze zmodyfikowanym dwuwarstwowym modelem Palmera przy użyciu jednowymiarowego podejścia do asymilacji danych opartego na zespole filtrów Kalmana (EnKF). Anomalie wilgotności gleby zostały obliczone na podstawie klimatu w danym dniu. Klimat został oszacowany na podstawie pełnego zapisu danych z obserwacji satelity SMAP oraz 31-dniowego okna ruchomego. Asymilacja obserwacji wilgotności gleby z satelity SMAP pomaga poprawić prognozy wilgotności gleby oparte na modelu, zwłaszcza na obszarach świata o słabym wyposażeniu w instrumenty pomiarowe, na których brakuje danych o opadach dobrej jakości.

Ten zbiór danych został opracowany przez Laboratorium Nauk Hydrologicznych w Centrum Lotów Kosmicznych im. Goddarda NASA we współpracy z Zagraniczną Służbą Rolniczą USDA oraz Laboratorium Hydrologii i Teledetekcji USDA.

Pasma

Pasma

Rozmiar piksela: 10 000 m (wszystkie pasma)

Nazwa Jednostki Min. Maks. Rozmiar piksela Opis
ssm mm 0* 25,39* 10 000 metrów

Wilgotność gleby na powierzchni
susm mm 0* 274,6* 10 000 metrów

Wilgotność gleby pod powierzchnią
smp Ułamek 0* 1* 10 000 metrów

Profil wilgotności gleby
ssma Bezwymiarowe -4* 4* 10 000 metrów

Anomalia wilgotności gleby na powierzchni
susma Bezwymiarowe -4* 4* 10 000 metrów

Anomalia wilgotności gleby pod powierzchnią
* Szacunkowa wartość minimalna lub maksymalna

Warunki korzystania z usługi

Warunki korzystania z usługi

Ten zbiór danych należy do domeny publicznej i jest dostępny bez ograniczeń dotyczących użytkowania i dystrybucji. Więcej informacji znajdziesz w zasadach NASA dotyczących danych i informacji o naukach o Ziemi.

Cytaty

Cytowanie:

  • Sazib, N., J. D. Bolten i I. E. Mladenova. 2021 r. Wykorzystanie danych z satelity SMAP NASA 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. and 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 satelity SMAP NASA 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. i Reynolds, C., 2019 r. Ocena zastosowania operacyjnego 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. Jacksona 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

Odkrywaj 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');

Konfiguracja Pythona

Informacje o interfejsie API dla Pythona oraz o używaniu geemap do interaktywnego programowania znajdziesz na stronie środowiska 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
Otwórz w edytorze kodu
Ulepszone globalne dane NASA-USDA SMAP dotyczące wilgotności gleby dostarczają informacji o wilgotności gleby na całym świecie w rozdzielczości przestrzennej 10 km. Ten zbiór danych obejmuje: wilgotność powierzchniową, podpowierzchniową, wilgotność gleby (mm), profil wilgotności gleby (%), anomalie wilgotności powierzchniowej i podpowierzchniowej gleby (-). Zbiór danych jest generowany przez integrację danych o wilgotności gleby pochodzących z satelity SMAP (Soil Moisture Active Passive) z modelami numerycznymi.
NASA_USDA/HSL/SMAP10KM_soil_moisture, dane geofizyczne,hsl,nasa,smap,gleba,wilgotność-gleby,usda
2015-04-02T12:00:00Z/2022-08-02T12:00:00Z
-60 –180 90 180
Google Earth Engine