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

NASA_USDA/HSL/SMAP10KM_soil_moisture
Доступность набора данных
2015-04-02T12:00:00Z–2022-08-02T12:00:00Z
Производитель наборов данных
Фрагмент кода земляного двигателя
ee.ImageCollection("NASA_USDA/HSL/SMAP10KM_soil_moisture")
Каденция
3 дня
Теги
геофизические
хсл
НАСА
смап
земля
влажность почвы
USDA

Описание

The NASA-USDA Enhanced SMAP Global soil moisture data provides soil moisture information across the globe at 10-km spatial resolution. This dataset includes: surface, subsurface, soil moisture (mm), soil moisture profile (%), surface and subsurface soil moisture anomalies (-).

Набор данных создан путем интеграции спутниковых наблюдений за влажностью почвы уровня 3 (SMAP) в модифицированную двухслойную модель Палмера с использованием одномерного ансамблевого фильтра Калмана (EnKF) для ассимиляции данных. Аномалии влажности почвы были рассчитаны на основе климатологии за интересующий день. Климатология была оценена на основе полной записи данных спутниковых наблюдений SMAP и подхода с использованием скользящего окна с центром в 31 день. Ассимиляция данных наблюдений за влажностью почвы SMAP помогает улучшить прогнозы влажности почвы, основанные на модели, особенно в регионах мира с недостаточным количеством измерительных приборов, где отсутствуют качественные данные об осадках.

This dataset was developed by the Hydrological Science Laboratory at NASA's Goddard Space Flight Center in cooperation with USDA Foreign Agricultural Services and USDA Hydrology and Remote Sensing Lab.

Группы

Группы

Размер пикселя: 10000 метров (все диапазоны)

Имя Единицы Мин Макс Размер пикселя Описание
ssm мм 0* 25.39* 10000 метров

Влажность поверхностного слоя почвы

susm мм 0* 274.6* 10000 метров

Влажность подповерхностного слоя почвы

smp Дробь 0* 1* 10000 метров

Профиль влажности почвы

ssma Безразмерная -4* 4* 10000 метров

Аномалия влажности поверхностного слоя почвы

susma Безразмерная -4* 4* 10000 метров

Аномалия влажности подповерхностного слоя почвы

* расчетное минимальное или максимальное значение

Условия эксплуатации

Условия эксплуатации

Данный набор данных находится в общественном достоянии и доступен без ограничений на использование и распространение. Дополнительную информацию см. в Политике НАСА в отношении данных и информации о науках о Земле .

Цитаты

Ссылки:

  • Sazib, N., JD Bolten, and IE 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, IE, Bolten, JD, Crow, W., Sazib, N. and 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., JD Bolten, and IE 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, IE, Bolten, JD, Crow, WT, Sazib, N., Cosh, MH, Tucker, CJ and 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

  • Сазиб, Н., Младенова, И. и Болтен, Дж., 2018. Использование Google Earth Engine для оценки засухи с помощью глобальных данных о влажности почвы. Дистанционное зондирование , 10(8): 1265. doi:10.3390/rs10081265

  • Bolten, J., WT Crow, X. Zhan, TJ Jackson, and CA 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 WT 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

  • Энтехаби, Д., Нджоку, Э.Г., О'Нил, П.Е., Келлогг, К.Х., Кроу, В.Т., Эдельштейн, В.Н., Энтин, Дж.К., Гудман, С.Д., Джексон, Т.Дж., Джонсон, Дж., Кимбалл, Дж., Пипмайер, Дж.Р., Костер, Р.Д., Мартин, Н., Макдональд, К.С., Могхаддам, М., Моран, С., Райхле, Р., Ши, Дж.С., Спенсер, М.В., Турман, С.В., Цанг, Л. и Ван Зил, Дж. (2010). Миссия активного пассивного мониторинга влажности почвы (SMAP), Труды IEEE , 98(5): 704-716. doi:10.1109/JPROC.2010.2043918

  • IE Mladenova, JD Bolten, WT Crow, MC Anderson, CR Hain, DM Johnson, R. Mueller (2017). Intercomparison of Soil Moisture, Evaporative Stress, and Vegetation Indices for Estimating Corn and Soybean Yields Over the US, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing , 10(4): 1328-1343. doi:10.1109/JSTARS.2016.2639338

  • O'Neill, PE, S. Chan, EG Njoku, T. Jackson, and 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

Исследуйте мир с помощью Earth Engine.

Редактор кода (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');

настройка Python

Информацию об API Python и использовании geemap для интерактивной разработки можно найти на странице «Среда 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
Открыть в редакторе кода
The NASA-USDA Enhanced SMAP Global soil moisture data provides soil moisture information across the globe at 10-km spatial resolution. This dataset includes: surface, subsurface, soil moisture (mm), soil moisture profile (%), surface and subsurface soil moisture anomalies (-). The dataset is generated by integrating satellite-derived Soil Moisture Active Passive (SMAP) …
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