Loading [MathJax]/jax/output/CommonHTML/config.js
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >Google Earth Engine ——2001-2017年非洲土壤深度 0-20 厘米和 20-50 厘米的可提取粘土含量,预测平均值和标准偏差数据集

Google Earth Engine ——2001-2017年非洲土壤深度 0-20 厘米和 20-50 厘米的可提取粘土含量,预测平均值和标准偏差数据集

作者头像
此星光明
发布于 2024-02-02 01:05:24
发布于 2024-02-02 01:05:24
14100
代码可运行
举报
运行总次数:0
代码可运行

Clay content at soil depths of 0-20 cm and 20-50 cm, predicted mean and standard deviation.

In areas of dense jungle (generally over central Africa), model accuracy is low and therefore artefacts such as banding (striping) might be seen.

Soil property predictions were made by Innovative Solutions for Decision Agriculture Ltd. (iSDA) at 30 m pixel size using machine learning coupled with remote sensing data and a training set of over 100,000 analyzed soil samples.

Further information can be found in the FAQ and technical information documentation. To submit an issue or request support, please visit the iSDAsoil site.

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
土壤深度为 0-20 厘米和 20-50 厘米的粘土含量,预测平均值和标准偏差。

在茂密的丛林地区(通常在非洲中部),模型精度较低,因此可能会看到条带(条纹)等伪影。

决策农业创新解决方案有限公司 (iSDA) 使用机器学习、遥感数据和超过 100,000 个分析土壤样本的训练集,以 30 m 像素大小对土壤特性进行了预测。

更多信息可以在常见问题和技术信息文档中找到。要提交问题或请求支持,请访问 iSDAsoil 站点。

Dataset Availability

2001-01-01T00:00:00 - 2017-01-01T00:00:00

Dataset Provider

iSDA

Collection Snippet

ee.Image("ISDASOIL/Africa/v1/clay_content")

Resolution

30 meters

Bands Table

Name

Description

Min

Max

Units

mean_0_20

Clay content, predicted mean at 0-20 cm depth

0

84

%

mean_20_50

Clay content, predicted mean at 20-50 cm depth

0

78

%

stdev_0_20

Clay content, standard deviation at 0-20 cm depth

0

90

%

stdev_20_50

Clay content, standard deviation at 20-50 cm depth

0

90

%

数据引用:

Hengl, T., Miller, M.A.E., Križan, J., et al. African soil properties and nutrients mapped at 30 m spatial resolution using two-scale ensemble machine learning. Sci Rep 11, 6130 (2021). doi:10.1038/s41598-021-85639-y

代码:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
var mean_0_20 =
'<RasterSymbolizer>' +
 '<ColorMap type="ramp">' +
  '<ColorMapEntry color="#00204D" label="0-8" opacity="1" quantity="8"/>' +
  '<ColorMapEntry color="#002D6C" label="8-14" opacity="1" quantity="14"/>' +
  '<ColorMapEntry color="#16396D" label="14-17" opacity="1" quantity="17"/>' +
  '<ColorMapEntry color="#36476B" label="17-19" opacity="1" quantity="19"/>' +
  '<ColorMapEntry color="#4B546C" label="19-21" opacity="1" quantity="21"/>' +
  '<ColorMapEntry color="#5C616E" label="21-22" opacity="1" quantity="22"/>' +
  '<ColorMapEntry color="#6C6E72" label="22-24" opacity="1" quantity="24"/>' +
  '<ColorMapEntry color="#7C7B78" label="24-25" opacity="1" quantity="25"/>' +
  '<ColorMapEntry color="#8E8A79" label="25-26" opacity="1" quantity="26"/>' +
  '<ColorMapEntry color="#A09877" label="26-28" opacity="1" quantity="28"/>' +
  '<ColorMapEntry color="#B3A772" label="28-30" opacity="1" quantity="30"/>' +
  '<ColorMapEntry color="#C6B66B" label="30-31" opacity="1" quantity="31"/>' +
  '<ColorMapEntry color="#DBC761" label="31-33" opacity="1" quantity="33"/>' +
  '<ColorMapEntry color="#F0D852" label="33-36" opacity="1" quantity="36"/>' +
  '<ColorMapEntry color="#FFEA46" label="36-70" opacity="1" quantity="40"/>' +
 '</ColorMap>' +
 '<ContrastEnhancement/>' +
'</RasterSymbolizer>';

var mean_20_50 =
'<RasterSymbolizer>' +
 '<ColorMap type="ramp">' +
  '<ColorMapEntry color="#00204D" label="0-8" opacity="1" quantity="8"/>' +
  '<ColorMapEntry color="#002D6C" label="8-14" opacity="1" quantity="14"/>' +
  '<ColorMapEntry color="#16396D" label="14-17" opacity="1" quantity="17"/>' +
  '<ColorMapEntry color="#36476B" label="17-19" opacity="1" quantity="19"/>' +
  '<ColorMapEntry color="#4B546C" label="19-21" opacity="1" quantity="21"/>' +
  '<ColorMapEntry color="#5C616E" label="21-22" opacity="1" quantity="22"/>' +
  '<ColorMapEntry color="#6C6E72" label="22-24" opacity="1" quantity="24"/>' +
  '<ColorMapEntry color="#7C7B78" label="24-25" opacity="1" quantity="25"/>' +
  '<ColorMapEntry color="#8E8A79" label="25-26" opacity="1" quantity="26"/>' +
  '<ColorMapEntry color="#A09877" label="26-28" opacity="1" quantity="28"/>' +
  '<ColorMapEntry color="#B3A772" label="28-30" opacity="1" quantity="30"/>' +
  '<ColorMapEntry color="#C6B66B" label="30-31" opacity="1" quantity="31"/>' +
  '<ColorMapEntry color="#DBC761" label="31-33" opacity="1" quantity="33"/>' +
  '<ColorMapEntry color="#F0D852" label="33-36" opacity="1" quantity="36"/>' +
  '<ColorMapEntry color="#FFEA46" label="36-70" opacity="1" quantity="40"/>' +
 '</ColorMap>' +
 '<ContrastEnhancement/>' +
'</RasterSymbolizer>';

var stdev_0_20 =
'<RasterSymbolizer>' +
 '<ColorMap type="ramp">' +
  '<ColorMapEntry color="#fde725" label="low" opacity="1" quantity="1"/>' +
  '<ColorMapEntry color="#5dc962" label=" " opacity="1" quantity="2"/>' +
  '<ColorMapEntry color="#20908d" label=" " opacity="1" quantity="3"/>' +
  '<ColorMapEntry color="#3a528b" label=" " opacity="1" quantity="4"/>' +
  '<ColorMapEntry color="#440154" label="high" opacity="1" quantity="6"/>' +
 '</ColorMap>' +
 '<ContrastEnhancement/>' +
'</RasterSymbolizer>';

var stdev_20_50 =
'<RasterSymbolizer>' +
 '<ColorMap type="ramp">' +
  '<ColorMapEntry color="#fde725" label="low" opacity="1" quantity="1"/>' +
  '<ColorMapEntry color="#5dc962" label=" " opacity="1" quantity="2"/>' +
  '<ColorMapEntry color="#20908d" label=" " opacity="1" quantity="3"/>' +
  '<ColorMapEntry color="#3a528b" label=" " opacity="1" quantity="4"/>' +
  '<ColorMapEntry color="#440154" label="high" opacity="1" quantity="6"/>' +
 '</ColorMap>' +
 '<ContrastEnhancement/>' +
'</RasterSymbolizer>';

var raw = ee.Image("ISDASOIL/Africa/v1/clay_content");
Map.addLayer(
    raw.select(0).sldStyle(mean_0_20), {},
    "Clay content, mean visualization, 0-20 cm");
Map.addLayer(
    raw.select(1).sldStyle(mean_20_50), {},
    "Clay content, mean visualization, 20-50 cm");
Map.addLayer(
    raw.select(2).sldStyle(stdev_0_20), {},
    "Clay content, stdev visualization, 0-20 cm");
Map.addLayer(
    raw.select(3).sldStyle(stdev_20_50), {},
    "Clay content, stdev visualization, 20-50 cm");

var converted = raw.divide(10).exp().subtract(1);

var visualization = {min: 0, max: 50};

Map.setCenter(25, -3, 2);

Map.addLayer(converted.select(0), visualization, "Clay content, mean, 0-20 cm");
本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2024-02-01,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
Google Earth Engine ——2001-2017年非洲土壤在土壤深度 0-20 厘米和 20-50 厘米的可提取锌,预测平均值和标准偏差数据
Extractable zinc at soil depths of 0-20 cm and 20-50 cm, predicted mean and standard deviation.
此星光明
2024/02/02
1260
Google Earth Engine ——2001-2017年非洲土壤在土壤深度 0-20 厘米和 20-50 厘米的可提取锌,预测平均值和标准偏差数据
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的磷数据,预测平均值和标准偏差
Extractable phosphorus at soil depths of 0-20 cm and 20-50 cm, predicted mean and standard deviation.
此星光明
2024/02/02
1030
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的磷数据,预测平均值和标准偏差
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的含砂量数据,预测平均值和标准偏差
Sand content at soil depths of 0-20 cm and 20-50 cm, predicted mean and standard deviation.
此星光明
2024/02/02
1250
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的含砂量数据,预测平均值和标准偏差
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的镁数据,预测平均值和标准偏差
Extractable magnesium at soil depths of 0-20 cm and 20-50 cm, predicted mean and standard deviation.
此星光明
2024/02/02
900
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的镁数据,预测平均值和标准偏差
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的总氮数据,预测平均值和标准偏差
Total nitrogen at soil depths of 0-20 cm and 20-50 cm, predicted mean and standard deviation.
此星光明
2024/02/02
1490
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的总氮数据,预测平均值和标准偏差
Google Earth Engine ——2001-2017年非洲土壤在 土壤深度为 0-20 厘米和 20-50 厘米的美国农业部质地等级数据,预测平均值和标准偏差
USDA Texture Class at soil depths of 0-20 cm and 20-50 cm.
此星光明
2024/02/02
1130
Google Earth Engine ——2001-2017年非洲土壤在 土壤深度为 0-20 厘米和 20-50 厘米的美国农业部质地等级数据,预测平均值和标准偏差
GEE数据集——巴基斯坦国家级土壤侵蚀数据集(2005 年和 2015 年)
巴基斯坦国家级土壤侵蚀数据集(2005 年和 2015 年) 该数据集采用修订的通用土壤流失方程 (RUSLE),并考虑了六个关键影响因素:降雨侵蚀率 (R)、土壤可侵蚀性 (K)、坡长 (L)、坡陡 (S)、覆盖管理 (C) 和保护措施 (P),对 2005 年至 2015 年巴基斯坦的土壤侵蚀动态进行了全面评估。土壤侵蚀图从低侵蚀率到极高侵蚀率分为四个等级,有助于了解研究期间土壤侵蚀模式的空间分布和变化。侵蚀等级之间的过渡分析揭示了侵蚀强度的变化,同时对巴基斯坦七个行政单位的空间模式和动态进行了评估。数据集显示,在人口增长、基础设施发展和自然资源开发引起的土地覆盖和土地利用变化的推动下,全国范围内的土壤侵蚀从 2005 年的 1.79 ± 11.52 吨/公顷-¹年-¹增加到 2015 年的 2.47 ± 18.14 吨/公顷-¹年-¹。利用修订的通用土壤流失方程 (RUSLE) 模型和六个影响因素,以 1 平方公里的空间分辨率对 2005 年和 2015 年巴基斯坦的土壤侵蚀动态进行全面评估。水土流失图分为低、中、高和极高四个等级,显示全国水土流失从 1.79 吨/公顷-¹年-¹增加到 2.47 吨/公顷-¹年-¹。点击此处阅读论文全文
此星光明
2024/04/15
2120
GEE数据集——巴基斯坦国家级土壤侵蚀数据集(2005 年和 2015 年)
Google Earth Engine(GEE)——LandScan人口数据集
LandScan人口数据 LandScan计划于1997年在橡树岭国家实验室(ORNL)启动,以满足为后果评估改进人口估计的需要。例如,全球范围内的自然和人为灾害使大量的人口处于危险之中,而且往往没有什么预先警告。开发高分辨的估计值是至关重要的,这样他们就可以对多个地理范围内的事件进行评估。自1998年以来,这一直是一个年度产品。
此星光明
2024/02/02
5820
Google Earth Engine(GEE)——LandScan人口数据集
全球森林碳通量(2001-2023年)数据集
全球森林碳通量(2001-2023) 森林碳净通量表示 2001-2023 年间森林与大气之间的碳净交换量,计算方法是模型期内森林排放的碳与森林清除(或封存)的碳之间的平衡(兆克 CO2 排放量/公顷)。碳净通量的计算方法是将每个建模像素的年均总清除量减去年均总排放量;负值表示 2001 年至 2023 年期间森林是碳的净汇,正值表示森林是碳的净源。净通量的计算遵循 IPCC 国家温室气体清单指南,根据 Hansen 等人(2013 年)的全球森林变化植被变化数据,在 2000 年有森林或 2000 年至 2012 年期间有森林的每个像素点进行计算。该层反映了模型期间(2001-2023 年)的累积净通量,必须除以 23 才能得到年平均净通量;净通量值不能分配给模型的各个年份。
此星光明
2024/06/23
2550
全球森林碳通量(2001-2023年)数据集
Google Earth Engine ——2001-2017年使用坡度、化学和物理土壤特性得出的土壤肥力能力分类,预测平均值和标准偏差数据集
iSDAsoil Fertility Capability Classification
此星光明
2024/02/02
1300
Google Earth Engine ——2001-2017年使用坡度、化学和物理土壤特性得出的土壤肥力能力分类,预测平均值和标准偏差数据集
GEE(Google Earth Engine)——使用 NASA NEX-DCP30 数据集创建投影的可视化(美国加利福尼亚州圣华金流域的气候)
https://cds.nccs.nasa.gov/wp-content/uploads/2014/04/NEX-DCP30_Tech_Note_v0.pdf http://www.nasa.gov/content/nasa-supercomputer-generates-closer-look-at-future-climate-conditions-in-us
此星光明
2024/02/01
1840
GEE(Google Earth Engine)——使用 NASA NEX-DCP30 数据集创建投影的可视化(美国加利福尼亚州圣华金流域的气候)
Google Earth Engine——全球土壤纹理数据集:250米处6个土壤深度(0、10、30、60、100和200厘米)的土壤纹理等级(美国农业部系统)。
Soil texture classes (USDA system) for 6 soil depths (0, 10, 30, 60, 100 and 200 cm) at 250 m
此星光明
2024/02/02
2830
Google Earth Engine——全球土壤纹理数据集:250米处6个土壤深度(0、10、30、60、100和200厘米)的土壤纹理等级(美国农业部系统)。
Google Earth Engine——全球土壤6个标准深度(0、10、30、60、100和200厘米)的土壤有机碳含量,单位为x 5 g/kg,分辨率为250米
Soil organic carbon content in x 5 g / kg at 6 standard depths (0, 10, 30, 60, 100 and 200 cm) at 250 m resolution
此星光明
2024/02/02
2300
Google Earth Engine——全球土壤6个标准深度(0、10、30、60、100和200厘米)的土壤有机碳含量,单位为x 5 g/kg,分辨率为250米
Google Earth Engine(GEE)——南非土壤有机碳储量及趋势数据集
南非土壤有机碳储量及趋势 利用光学卫星数据和其他辅助气候、形态和生物协变量驱动的机器学习工作流程,预测了南非自然区域(不包括水、城市和耕地)的土壤有机碳(SOC)储量(kg C m-2)。时间范围涵盖1984-2019年。空间范围包括南非自然土地面积的0-30厘米表土(占全国84%)。 土壤有机碳(SOC)储量的估算和监测对于保持土壤生产力和实现气候变化减缓目标非常重要。目前的全球SOC地图没有为景观决策提供足够的细节,也不允许跟踪碳的固存或损失的时间。利用光学卫星驱动的机器学习工作流程,我们以30米的空间分辨率绘制了1984年至2019年南非自然植被(86%的土地面积)下的SOC库存(表土;0至30厘米)。我们估计表土SOC总储量为5.6 Pg C,SOC密度中值为6 kg C m-2(IQR:四分位数范围2.9 kg C m-2)。35年来,预测的SOC经历了0.3%的净增长(相对于长期平均值),最大的净增长(1.7%)和下降(-0.6%)分别发生在草原和纳马卡鲁生物群落。在景观尺度上,SOC的变化在一些地方很明显,从栅栏线的对比中可以看出,这可能是由于当地的管理效应(例如,与SOC增加有关的木质侵蚀和与SOC减少有关的过度放牧)。我们的SOC绘图方法表现出较低的不确定性(R2=0.64;RMSE=2.5 kg C m-2),与以前的低分辨率(250-1000米)国家SOC绘图工作(平均R2=0.24;RMSE=3.7 kg C m-2)相比,偏差较小。我们的趋势图仍然是一个估计值,有待于对同一地点的土壤样本进行重复测量(时间序列);这是跟踪SOC变化的全球优先事项。虽然高分辨率的SOC地图可以为旨在减缓气候的土地管理决策提供信息(自然气候解决方案),但SOC的潜在增长可能受到当地气候和土壤的限制。同样重要的是,气候减缓工作,如植树,要平衡碳、生物多样性和整体生态系统功能之间的权衡。
此星光明
2024/02/02
2360
Google Earth Engine(GEE)——南非土壤有机碳储量及趋势数据集
Google Earth Engine——全球土壤含数量数据:6个标准深度(0、10、30、60、100和200厘米)以250米的分辨率预测的33kPa和1500kPa吸力的土壤含水量(体积百分比)。
Soil water content (volumetric %) for 33kPa and 1500kPa suctions predicted at 6 standard depths (0, 10, 30, 60, 100 and 200 cm) at 250 m resolution
此星光明
2024/02/02
2210
Google Earth Engine——全球土壤含数量数据:6个标准深度(0、10、30、60、100和200厘米)以250米的分辨率预测的33kPa和1500kPa吸力的土壤含水量(体积百分比)。
Google Earth Engine——全球土壤6个标准深度(0、10、30、60、100和200厘米)的土壤pH值(H2O),分辨率为250米
Soil pH in H2O at 6 standard depths (0, 10, 30, 60, 100 and 200 cm) at 250 m resolution
此星光明
2024/02/02
1500
Google Earth Engine——全球土壤6个标准深度(0、10、30、60、100和200厘米)的土壤pH值(H2O),分辨率为250米
Google Earth Engine——全球土壤含沙量数据集:250米分辨率下6个标准深度(0、10、30、60、100和200厘米)的含沙量(%)(千克/千克)
Sand content in % (kg / kg) at 6 standard depths (0, 10, 30, 60, 100 and 200 cm) at 250 m resolution
此星光明
2024/02/02
1900
Google Earth Engine——全球土壤含沙量数据集:250米分辨率下6个标准深度(0、10、30、60、100和200厘米)的含沙量(%)(千克/千克)
Google Earth Engine(GEE)——统一的全球夜间灯光数据集(1992-2020年)
统一的全球夜间灯光(1992-2020年) 在这项研究中,作者通过协调来自DMSP数据的相互校准的NTL观测值和来自VIIRS数据的模拟的类似DMSP的NTL观测值,在全球范围内生成了一个综合的、一致的NTL数据集。生成的全球DMSP NTL时间序列数据(1992-2018)显示出一致的时间趋势。这个时间上扩展的DMSP NTL数据集为与人类活动有关的各种研究提供了宝贵的支持,如电力消耗和城市范围动态。该数据集包含
此星光明
2024/02/02
5500
Google Earth Engine(GEE)——统一的全球夜间灯光数据集(1992-2020年)
Google Earth Engine——GOES-16/17 MCMIPM Series ABI Level 2 这些波段支持云、植被、雪/冰和气溶胶的特征。
GOES satellites are geostationary weather satellites run by NOAA.
此星光明
2024/02/02
1690
Google Earth Engine——GOES-16/17 MCMIPM Series ABI Level 2 这些波段支持云、植被、雪/冰和气溶胶的特征。
Google Earth Engine——GOES-16/17 MCMIPC Series ABI Level 2 云层和水分图像产品的分辨率都是2公里数据集
The Cloud and Moisture Imagery products are all at 2km resolution. Bands 1-6 are reflective. The dimensionless "reflectance factor" quantity is normalized by the solar zenith angle. These bands support the characterization of clouds, vegetation, snow/ice, and aerosols. Bands 7-16 are emissive. The brightness temperature at the Top-Of-Atmosphere (TOA) is measured in Kelvin. These bands support the characterization of the surface, clouds, water vapor, ozone, volcanic ash, and dust based on emissive properties.
此星光明
2024/02/02
1490
Google Earth Engine——GOES-16/17 MCMIPC Series ABI Level 2 云层和水分图像产品的分辨率都是2公里数据集
推荐阅读
Google Earth Engine ——2001-2017年非洲土壤在土壤深度 0-20 厘米和 20-50 厘米的可提取锌,预测平均值和标准偏差数据
1260
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的磷数据,预测平均值和标准偏差
1030
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的含砂量数据,预测平均值和标准偏差
1250
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的镁数据,预测平均值和标准偏差
900
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的总氮数据,预测平均值和标准偏差
1490
Google Earth Engine ——2001-2017年非洲土壤在 土壤深度为 0-20 厘米和 20-50 厘米的美国农业部质地等级数据,预测平均值和标准偏差
1130
GEE数据集——巴基斯坦国家级土壤侵蚀数据集(2005 年和 2015 年)
2120
Google Earth Engine(GEE)——LandScan人口数据集
5820
全球森林碳通量(2001-2023年)数据集
2550
Google Earth Engine ——2001-2017年使用坡度、化学和物理土壤特性得出的土壤肥力能力分类,预测平均值和标准偏差数据集
1300
GEE(Google Earth Engine)——使用 NASA NEX-DCP30 数据集创建投影的可视化(美国加利福尼亚州圣华金流域的气候)
1840
Google Earth Engine——全球土壤纹理数据集:250米处6个土壤深度(0、10、30、60、100和200厘米)的土壤纹理等级(美国农业部系统)。
2830
Google Earth Engine——全球土壤6个标准深度(0、10、30、60、100和200厘米)的土壤有机碳含量,单位为x 5 g/kg,分辨率为250米
2300
Google Earth Engine(GEE)——南非土壤有机碳储量及趋势数据集
2360
Google Earth Engine——全球土壤含数量数据:6个标准深度(0、10、30、60、100和200厘米)以250米的分辨率预测的33kPa和1500kPa吸力的土壤含水量(体积百分比)。
2210
Google Earth Engine——全球土壤6个标准深度(0、10、30、60、100和200厘米)的土壤pH值(H2O),分辨率为250米
1500
Google Earth Engine——全球土壤含沙量数据集:250米分辨率下6个标准深度(0、10、30、60、100和200厘米)的含沙量(%)(千克/千克)
1900
Google Earth Engine(GEE)——统一的全球夜间灯光数据集(1992-2020年)
5500
Google Earth Engine——GOES-16/17 MCMIPM Series ABI Level 2 这些波段支持云、植被、雪/冰和气溶胶的特征。
1690
Google Earth Engine——GOES-16/17 MCMIPC Series ABI Level 2 云层和水分图像产品的分辨率都是2公里数据集
1490
相关推荐
Google Earth Engine ——2001-2017年非洲土壤在土壤深度 0-20 厘米和 20-50 厘米的可提取锌,预测平均值和标准偏差数据
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档
本文部分代码块支持一键运行,欢迎体验
本文部分代码块支持一键运行,欢迎体验