Od 2011 roku Biuro Zarządzania Gruntami (BLM) zbiera informacje w terenie, aby oceniać stan gruntów w ramach strategii oceny, inwentaryzacji i monitorowania (AIM). Do tej pory na terenach BLM zebrano ponad 6000 danych z obszarów AIM. Archiwum danych BLM AIM …
Zbiór danych FLDAS (McNally i in. 2017) został opracowany, aby ułatwić ocenę bezpieczeństwa żywnościowego w krajach rozwijających się, w których brakuje danych. Zawiera informacje o wielu zmiennych związanych z klimatem, w tym o zawartości wilgoci, wilgotności, ewapotranspiracji, średniej temperaturze gleby, całkowitej ilości opadów itp. Istnieje wiele różnych zbiorów danych FLDAS.
NASA Global Land Data Assimilation System (System asymilacji danych o powierzchni Ziemi w skali globalnej) w wersji 2 (GLDAS-2) składa się z 3 komponentów: GLDAS-2.0, GLDAS-2.1 i GLDAS-2.2. GLDAS-2.0 jest w całości oparty na danych wejściowych dotyczących wymuszeń meteorologicznych z Princeton i zapewnia spójną czasowo serię danych z lat 1948–2014. GLDAS-2.1 powstaje przez połączenie danych z modelu…
NASA Global Land Data Assimilation System (System asymilacji danych o powierzchni Ziemi w skali globalnej) w wersji 2 (GLDAS-2) składa się z 3 komponentów: GLDAS-2.0, GLDAS-2.1 i GLDAS-2.2. GLDAS-2.0 jest w całości oparty na danych wejściowych dotyczących wymuszeń meteorologicznych z Princeton i zapewnia spójną czasowo serię danych z lat 1948–2014. GLDAS-2.1 powstaje przez połączenie danych z modelu…
M2T1NXLND (lub tavg1_2d_lnd_Nx) to zbieranie danych z godzinnym uśrednieniem czasowym w ramach analizy MERRA-2 (Modern-Era Retrospective Analysis for Research and Applications) w wersji 2. Zawiera on dane diagnostyczne dotyczące powierzchni lądu, takie jak przepływ podstawowy, spływ powierzchniowy, wilgotność gleby na powierzchni, wilgotność gleby w strefie korzeniowej, woda w warstwie powierzchniowej, woda w …
System asymilacji danych o powierzchni Ziemi (Land Data Assimilation System, LDAS) łączy wiele źródeł obserwacji (takich jak dane z deszczomierzy, dane satelitarne i radarowe pomiary opadów), aby tworzyć szacunki właściwości klimatycznych na powierzchni Ziemi lub w jej pobliżu. Ten zbiór danych jest głównym (domyślnym) plikiem zawierającym dane wejściowe (plikiem A) na potrzeby fazy…
Zawartość gliny w % (kg / kg) na 6 standardowych głębokościach (0, 10, 30, 60, 100 i 200 cm) w rozdzielczości 250 m na podstawie prognoz uczenia maszynowego z globalnego zestawienia profili i próbek gleby. Szczegółowe informacje o etapach przetwarzania znajdziesz tutaj. Antarktyda to…
Prognozowane główne grupy gleb USDA w odległości 250 m (prawdopodobieństwa). Rozkład głównych grup gleb USDA na podstawie prognoz uczenia maszynowego z globalnego zestawienia profili glebowych. Więcej informacji o grupach gleb znajdziesz w ilustrowanym przewodniku po taksonomii gleb – NRCS…
Zawartość piasku w % (kg / kg) na 6 standardowych głębokościach (0, 10, 30, 60, 100 i 200 cm) w rozdzielczości 250 m na podstawie prognoz uczenia maszynowego z globalnego zestawienia profili i próbek gleby. Szczegółowe informacje o etapach przetwarzania znajdziesz tutaj. Antarktyda to…
Gęstość nasypowa gleby (drobne cząstki) w jednostkach 10 x kg / m³ na 6 standardowych głębokościach (0, 10, 30, 60, 100 i 200 cm) w rozdzielczości 250 m. Szczegółowe informacje o etapach przetwarzania znajdziesz tutaj. Antarktyda nie jest uwzględniona. Aby uzyskać dostęp do map i je wizualizować poza Earth…
Zawartość węgla organicznego w glebie w jednostkach x 5 g / kg na 6 standardowych głębokościach (0, 10, 30, 60, 100 i 200 cm) w rozdzielczości 250 m. Dane przewidywane na podstawie globalnego zestawienia punktów glebowych. Szczegółowe informacje o etapach przetwarzania znajdziesz tutaj. Antarktyda nie jest uwzględniona. …
Klasy tekstury gleby (system USDA) dla 6 głębokości gleby (0, 10, 30, 60, 100 i 200 cm) w rozdzielczości 250 m. Dane pochodzą z przewidywanych frakcji tekstury gleby przy użyciu pakietu soiltexture w R. Szczegółowe informacje o etapach przetwarzania znajdziesz tutaj. Antarktyda nie jest uwzględniona. Aby uzyskać dostęp do…
Zawartość wody w glebie (objętościowo %) przy ciśnieniu 33 kPa i 1500 kPa, przewidywana na 6 standardowych głębokościach (0, 10, 30, 60, 100 i 200 cm) w rozdzielczości 250 m. Punkty szkoleniowe są oparte na globalnym zestawieniu profili glebowych: USDA NCSS AfSPDB ISRIC WISE EGRPR SPADE…
pH gleby w H2O na 6 standardowych głębokościach (0, 10, 30, 60, 100 i 200 cm) w rozdzielczości 250 m. Szczegółowe informacje o etapach przetwarzania znajdziesz tutaj. Antarktyda nie jest uwzględniona. Aby uzyskać dostęp do map i wyświetlać je poza Earth Engine, skorzystaj z tej strony. Jeśli…
Prognozowane prawdopodobieństwa wystąpienia wielkich grup gleb według klasyfikacji USDA w rozdzielczości 250 m. Rozkład głównych grup gleb USDA na podstawie prognoz uczenia maszynowego z globalnego zestawienia profili glebowych. Więcej informacji o grupach gleb znajdziesz w ilustrowanym przewodniku po taksonomii gleb – NRCS – …
NASA Global Land Data Assimilation System (System asymilacji danych o powierzchni Ziemi w skali globalnej) w wersji 2 (GLDAS-2) składa się z 3 komponentów: GLDAS-2.0, GLDAS-2.1 i GLDAS-2.2. GLDAS-2.0 jest w całości oparty na danych wejściowych dotyczących wymuszeń meteorologicznych z Princeton i zapewnia spójną czasowo serię danych z lat 1948–2014. GLDAS-2.1 powstaje przez połączenie danych z modelu…
Soil and Landscape Grid of Australia (SLGA) to kompleksowy zbiór danych o atrybutach gleby w Australii w rozdzielczości 3 sekund łuku (~90 m pikseli). Powierzchnie to wyniki modelowania, które opisują przestrzenny rozkład atrybutów gleby na podstawie istniejących danych o glebie i środowisku.
SOLUS (Soil Landscapes of the United States) to krajowa mapa opracowana przez National Cooperative Soil Survey, która zawiera spójny zestaw map właściwości gleby o ciągłości przestrzennej. Umożliwia ona prowadzenie badań gleby na dużą skalę i podejmowanie decyzji dotyczących użytkowania terenu. Mapy SOLUS…
Dane od 4 grudnia 2023 r. są dostępne w kolekcji NASA/SMAP/SPL3SMP_E/006. Ten produkt wilgotności gleby poziomu 3 (L3) zawiera dzienny kompozyt globalnych warunków powierzchni Ziemi uzyskany za pomocą radiometru pasma L Soil Moisture Active Passive (SMAP). Dane dzienne zostały zebrane z danych malejących (lokalnych …
Dane sprzed 4 grudnia 2023 r. są dostępne w starszej kolekcji NASA/SMAP/SPL3SMP_E/005. Zostaną one ostatecznie ponownie przetworzone i dodane do tej kolekcji. Ten produkt dotyczący wilgotności gleby na poziomie 3 (L3) zawiera dzienny kompozyt globalnych warunków powierzchni Ziemi uzyskany za pomocą instrumentu Soil Moisture Active Passive (SMAP) w paśmie L…
Produkt SMAP Level-4 (L4) Soil Moisture zawiera informacje o wilgotności gleby powierzchniowej (średnia pionowa w zakresie 0–5 cm) i wilgotności gleby w strefie korzeniowej (średnia pionowa w zakresie 0–100 cm) oraz dodatkowe produkty badawcze (niezweryfikowane), w tym zmienne wymuszające meteorologiczne na powierzchni, temperaturę gleby, ewapotranspirację i promieniowanie netto. Ten zbiór danych, formalnie znany jako …
Objętościowa zawartość wody przy ssaniu 10 kPa, 33 kPa i 1500 kPa w jednostkach 10^-3 cm^3/cm^3 (0, 1% obj.lub 1 mm/m) na 6 standardowych głębokościach (0–5 cm, 5–15 cm, 15–30 cm, 30–60 cm, 60–100 cm, 100–200 cm). Prognozy zostały opracowane przy użyciu cyfrowego mapowania gleb na podstawie metody Quantile Random Forest, z wykorzystaniem globalnych…
Gęstość nasypowa, frakcja <2 mm na głębokościach gleby 0–20 cm i 20–50 cm, prognozowana średnia i odchylenie standardowe. Wartości pikseli muszą być przekształcone wstecznie za pomocą wzoru x/100. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy (paski) …
Zawartość gliny na głębokości 0–20 cm i 20–50 cm, przewidywana średnia i odchylenie standardowe. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy. Prognozy dotyczące właściwości gleby zostały opracowane przez firmę Innovative …
Głębokość do podłoża skalnego na głębokości 0–200 cm, prognozowana średnia i odchylenie standardowe. Ze względu na potencjalną maskę gruntów ornych, która została użyta do wygenerowania danych, wiele obszarów odsłoniętej skały (gdzie głębokość do podłoża skalnego wynosiłaby 0 cm) zostało zamaskowanych i dlatego pojawiają się jako …
Przewidywana średnia i odchylenie standardowe efektywnej pojemności wymiany kationów na głębokościach gleby 0–20 cm i 20–50 cm. Wartości pikseli muszą być przekształcone wstecznie za pomocą funkcji exp(x/10)-1. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy (paski) …
Ekstrakcyjny wapń na głębokości 0–20 cm i 20–50 cm, prognozowana średnia i odchylenie standardowe. Wartości pikseli muszą być przekształcone wstecznie za pomocą funkcji exp(x/10)-1. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy.
Żelazo, które można wyekstrahować z gleby na głębokości 0–20 cm i 20–50 cm, prognozowana średnia i odchylenie standardowe. Wartości pikseli muszą być przekształcone wstecznie za pomocą funkcji exp(x/10)-1. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy.
Ekstrahowany magnez na głębokości gleby 0–20 cm i 20–50 cm, przewidywana średnia i odchylenie standardowe. Wartości pikseli muszą być przekształcone wstecznie za pomocą funkcji exp(x/10)-1. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy.
Ekstrahowany fosfor na głębokościach gleby 0–20 cm i 20–50 cm, przewidywana średnia i odchylenie standardowe. Wartości pikseli muszą być przekształcone wstecznie za pomocą funkcji exp(x/10)-1. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy.
Ekstrahowany potas na głębokości 0–20 cm i 20–50 cm, przewidywana średnia i odchylenie standardowe. Wartości pikseli muszą być przekształcone wstecznie za pomocą funkcji exp(x/10)-1. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy.
Ekstrahowana siarka na głębokości 0–20 cm i 20–50 cm, prognozowana średnia i odchylenie standardowe. Wartości pikseli muszą być przekształcone wstecznie za pomocą funkcji exp(x/10)-1. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy.
Ekstrakcyjny cynk na głębokościach gleby 0–20 cm i 20–50 cm, prognozowana średnia i odchylenie standardowe. Wartości pikseli muszą być przekształcone wstecznie za pomocą funkcji exp(x/10)-1. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy.
Klasyfikacja zdolności gleby do użyźniania na podstawie nachylenia, właściwości chemicznych i fizycznych gleby. Więcej informacji o tej warstwie znajdziesz na tej stronie. Klasy pasma „fcc” dotyczą wartości pikseli, które muszą zostać przekształcone wstecznie za pomocą funkcji x modulo 3000. Na obszarach gęstej dżungli…
Węgiel organiczny na głębokości 0–20 cm i 20–50 cm, prognozowana średnia i odchylenie standardowe. Wartości pikseli muszą być przekształcone wstecznie za pomocą funkcji exp(x/10)-1. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy.
Zawartość piasku na głębokości 0–20 cm i 20–50 cm, przewidywana średnia i odchylenie standardowe. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy. Prognozy dotyczące właściwości gleby zostały opracowane przez firmę Innovative …
Zawartość pyłu w glebie na głębokości 0–20 cm i 20–50 cm, przewidywana średnia i odchylenie standardowe. Wartości pikseli muszą być przekształcone wstecznie za pomocą funkcji exp(x/10)-1. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy.
Zawartość kamieni na głębokości 0–20 cm i 20–50 cm, przewidywana średnia i odchylenie standardowe. Wartości pikseli muszą być przekształcone wstecznie za pomocą funkcji exp(x/10)-1. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy.
Całkowita zawartość węgla na głębokości 0–20 cm i 20–50 cm, przewidywana średnia i odchylenie standardowe. Wartości pikseli muszą być przekształcone wstecznie za pomocą funkcji exp(x/10)-1. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy.
Całkowita zawartość azotu na głębokości 0–20 cm i 20–50 cm, przewidywana średnia i odchylenie standardowe. Wartości pikseli muszą być przekształcone wstecznie za pomocą wzoru exp(x/100)-1. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy.
Klasa tekstury gleby według USDA na głębokości 0–20 cm i 20–50 cm. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy. Prognozy dotyczące właściwości gleby zostały opracowane przez Innovative Solutions for Decision…
Ekstrahowane aluminium na głębokościach gleby 0–20 cm i 20–50 cm, prognozowana średnia i odchylenie standardowe. Wartości pikseli muszą być przekształcone wstecznie za pomocą funkcji exp(x/10)-1. Prognozy dotyczące właściwości gleby zostały opracowane przez firmę Innovative Solutions for Decision Agriculture Ltd. (iSDA) w rozdzielczości 30 m przy użyciu systemów uczących się w połączeniu z …
pH na głębokości 0–20 cm i 20–50 cm, prognozowana średnia i odchylenie standardowe. Wartości pikseli należy przekształcić z powrotem za pomocą wzoru x/10. Na obszarach gęstej dżungli (głównie w Afryce Środkowej) dokładność modelu jest niska, dlatego mogą pojawiać się artefakty, takie jak pasy. …
[[["Łatwo zrozumieć","easyToUnderstand","thumb-up"],["Rozwiązało to mój problem","solvedMyProblem","thumb-up"],["Inne","otherUp","thumb-up"]],[["Brak potrzebnych mi informacji","missingTheInformationINeed","thumb-down"],["Zbyt skomplikowane / zbyt wiele czynności do wykonania","tooComplicatedTooManySteps","thumb-down"],["Nieaktualne treści","outOfDate","thumb-down"],["Problem z tłumaczeniem","translationIssue","thumb-down"],["Problem z przykładami/kodem","samplesCodeIssue","thumb-down"],["Inne","otherDown","thumb-down"]],[],[],[]]
