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

NASA_USDA/HSL/SMAP10KM_soil_moisture
ความพร้อมใช้งานของชุดข้อมูล
2015-04-02T12:00:00Z–2022-08-02T12:00:00Z
ผู้ผลิตชุดข้อมูล
ตัวอย่างข้อมูล Earth Engine
ee.ImageCollection("NASA_USDA/HSL/SMAP10KM_soil_moisture")
รอบขา
3 วัน
แท็ก
geophysical
hsl
nasa
smap
soil
soil-moisture
usda

คำอธิบาย

ข้อมูลความชื้นในดินทั่วโลกของ SMAP ที่ปรับปรุงแล้วของ NASA-USDA ให้ข้อมูลความชื้นในดินทั่วโลกที่ความละเอียดเชิงพื้นที่ 10 กม. ชุดข้อมูลนี้ประกอบด้วยความชื้นในดินที่พื้นผิวและใต้พื้นผิว (มม.), โปรไฟล์ความชื้นในดิน (%) รวมถึงความผิดปกติของความชื้นในดินที่พื้นผิวและใต้พื้นผิว (-)

ชุดข้อมูลนี้สร้างขึ้นโดยการผสานรวมข้อมูลการสังเกตความชื้นในดินระดับ 3 ของดาวเทียม Soil Moisture Active Passive (SMAP) เข้ากับโมเดล Palmer แบบ 2 ชั้นที่ปรับเปลี่ยนแล้วโดยใช้แนวทางการดูดซึมข้อมูล 1-D Ensemble Kalman Filter (EnKF) ความผิดปกติของความชื้นในดินคำนวณจากสภาพอากาศของวันที่มีความสนใจ สภาพอากาศโดยเฉลี่ยคำนวณโดยอิงตามบันทึกข้อมูลทั้งหมดของการสังเกตการณ์จากดาวเทียม SMAP และแนวทางหน้าต่างเคลื่อนที่แบบ 31 วัน การดูดซึมข้อมูลการสังเกตความชื้นในดินของ SMAP ช่วยปรับปรุงการคาดการณ์ความชื้นในดินตามโมเดล โดยเฉพาะอย่างยิ่งในพื้นที่ที่มีเครื่องมือไม่ดีพอทั่วโลกซึ่งขาดข้อมูลปริมาณน้ำฝนที่มีคุณภาพ

ชุดข้อมูลนี้พัฒนาขึ้นโดยห้องปฏิบัติการวิทยาศาสตร์อุทกวิทยาที่ศูนย์การบินอวกาศก็อดดาร์ดของ NASA ร่วมกับ USDA Foreign Agricultural Services และ USDA Hydrology and Remote Sensing Lab

ย่านความถี่

ย่านความถี่

ขนาดพิกเซล: 10,000 เมตร (ทุกย่านความถี่)

ชื่อ หน่วย ต่ำสุด สูงสุด ขนาดพิกเซล คำอธิบาย
ssm มม. 0* 25.39* 10,000 เมตร

ความชื้นในดินที่พื้นผิว
susm มม. 0* 274.6* 10,000 เมตร

ความชื้นในดินใต้พื้นผิว
smp เศษส่วน 0* 1* 10,000 เมตร

โปรไฟล์ความชื้นในดิน
ssma ไม่มีหน่วย -4* 4* 10,000 เมตร

ความผิดปกติของความชื้นในดินที่พื้นผิว
susma ไม่มีหน่วย -4* 4* 10,000 เมตร

ความผิดปกติของความชื้นในดินใต้พื้นผิว
* ค่าต่ำสุดหรือสูงสุดโดยประมาณ

ข้อกำหนดในการใช้งาน

ข้อกำหนดในการใช้งาน

ชุดข้อมูลนี้เป็นสาธารณสมบัติและพร้อมใช้งานโดยไม่มีข้อจำกัดในการใช้งานและการเผยแพร่ ดูข้อมูลเพิ่มเติมได้ที่นโยบายข้อมูลและวิทยาศาสตร์โลกของ NASA

การอ้างอิง

การอ้างอิง

  • Sazib, N., J. D. Bolten, and 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. 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., J. D. Bolten, and 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. 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

  • Sazib, N., Mladenova, I. and 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, and 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, 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

สำรวจด้วย Earth Engine

ตัวแก้ไขโค้ด (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');

การตั้งค่า Python

ดูข้อมูลเกี่ยวกับ Python API และการใช้ geemap เพื่อการพัฒนาแบบอินเทอร์แอกทีฟได้ที่หน้าสภาพแวดล้อม 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
เปิดในตัวแก้ไขโค้ด
ข้อมูลความชื้นในดินทั่วโลกของ SMAP ที่ปรับปรุงแล้วของ NASA-USDA ให้ข้อมูลความชื้นในดินทั่วโลกที่ความละเอียดเชิงพื้นที่ 10 กม. ชุดข้อมูลนี้ประกอบด้วยความชื้นในดินที่พื้นผิวและใต้พื้นผิว (มม.), โปรไฟล์ความชื้นในดิน (%) รวมถึงความผิดปกติของความชื้นในดินที่พื้นผิวและใต้พื้นผิว (-) ชุดข้อมูลนี้สร้างขึ้นโดยการผสานรวมข้อมูลการสังเกตความชื้นในดินระดับ 3 ของดาวเทียม 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