با مجموعه‌ها، منظم بمانید
ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.
ظرفیت تبادل کاتیون موثر iSDAsoil
ظرفیت تبادل کاتیون موثر پیش‌بینی شده میانگین و انحراف معیار در عمق خاک 0-20 سانتی‌متر و 20-50 سانتی‌متر، مقادیر پیکسل باید با exp(x/10)-1 به عقب تبدیل شوند. در مناطق جنگلی متراکم (معمولاً بر فراز آفریقای مرکزی)، دقت مدل پایین است و بنابراین مصنوعاتی مانند نواربندی (راه راه)…
کربن کل در عمق 0-20 سانتی متر و 20-50 سانتی متر خاک، میانگین و انحراف معیار پیش بینی شده است. مقادیر پیکسل باید با exp(x/10)-1 به عقب تبدیل شوند. در مناطق جنگلی متراکم (معمولاً بر فراز آفریقای مرکزی)، دقت مدل پایین است و بنابراین مصنوعاتی مانند نواربندی (راه راه) ممکن است…
کلاس بافت USDA در عمق خاک 0-20 سانتی متر و 20-50 سانتی متر. در مناطق جنگلی متراکم (به طور کلی بر فراز آفریقای مرکزی)، دقت مدل پایین است و بنابراین ممکن است مصنوعاتی مانند نواربندی (راه راه) دیده شود. پیش‌بینی‌های خواص خاک توسط Solutions Innovative for Decision انجام شد…
آلومینیوم قابل استخراج در عمق 0-20 سانتی متر و 20-50 سانتی متر، میانگین و انحراف معیار پیش بینی شده است. مقادیر پیکسل باید با exp(x/10)-1 به عقب تبدیل شوند. پیش‌بینی ویژگی‌های خاک توسط Innovative Solutions for Decision Agriculture Ltd. (iSDA) در اندازه پیکسل 30 متر با استفاده از یادگیری ماشینی همراه با…
[[["درک آسان","easyToUnderstand","thumb-up"],["مشکلم را برطرف کرد","solvedMyProblem","thumb-up"],["غیره","otherUp","thumb-up"]],[["اطلاعاتی که نیاز دارم وجود ندارد","missingTheInformationINeed","thumb-down"],["بیشازحد پیچیده/ مراحل بسیار زیاد","tooComplicatedTooManySteps","thumb-down"],["قدیمی","outOfDate","thumb-down"],["مشکل ترجمه","translationIssue","thumb-down"],["مشکل کد / نمونهها","samplesCodeIssue","thumb-down"],["غیره","otherDown","thumb-down"]],[],[],["iSDA provides soil data for Africa at 30m pixel size, focusing on depths of 0-20 cm and 20-50 cm. This includes extractable aluminium, total carbon, effective cation exchange capacity, and USDA texture class. Data includes predicted mean and standard deviation. Pixel values require back-transformation using the formula exp(x/10)-1. Model accuracy may be low in dense jungle areas, potentially showing banding artifacts. Machine learning is employed for soil property predictions.\n"]]
