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年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的淤泥含量数据,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淤泥含量数据,预测平均值和标准偏差

作者头像
此星光明
发布于 2024-05-24 00:56:34
发布于 2024-05-24 00:56:34
7600
代码可运行
举报
运行总次数:0
代码可运行

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

Pixel values must be back-transformed with exp(x/10)-1.

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 厘米的可提取含砂量,预测平均值和标准偏差。

像素值必须使用 exp(x/10)-1 进行反向转换。

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/silt_content")

Resolution

30 meters

Bands Table

Name

Description

Min

Max

Units

mean_0_20

Phosphorus, extractable, predicted mean at 0-20 cm depth

1

55

ppm

mean_20_50

Phosphorus, extractable, predicted mean at 20-50 cm depth

0

52

ppm

stdev_0_20

Phosphorus, extractable, standard deviation at 0-20 cm depth

0

19

ppm

stdev_20_50

Phosphorus, extractable, standard deviation at 20-50 cm depth

0

20

ppm

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="0-7" opacity="1" quantity="7"/>' +
  '<ColorMapEntry color="#002D6C" label="7-9" opacity="1" quantity="9"/>' +
  '<ColorMapEntry color="#16396D" label="9-10" opacity="1" quantity="10"/>' +
  '<ColorMapEntry color="#36476B" label="10-11" opacity="1" quantity="11"/>' +
  '<ColorMapEntry color="#4B546C" label="11-12" opacity="1" quantity="12"/>' +
  '<ColorMapEntry color="#5C616E" label="12-13" opacity="1" quantity="13"/>' +
  '<ColorMapEntry color="#6C6E72" label="13-14" opacity="1" quantity="14"/>' +
  '<ColorMapEntry color="#7C7B78" label="14-15" opacity="1" quantity="15"/>' +
  '<ColorMapEntry color="#8E8A79" label="15-16" opacity="1" quantity="16"/>' +
  '<ColorMapEntry color="#A09877" label="16-17" opacity="1" quantity="17"/>' +
  '<ColorMapEntry color="#B3A772" label="17-18" opacity="1" quantity="18"/>' +
  '<ColorMapEntry color="#C6B66B" label="18-19" opacity="1" quantity="19"/>' +
  '<ColorMapEntry color="#DBC761" label="19-20" opacity="1" quantity="20"/>' +
  '<ColorMapEntry color="#F0D852" label="20-22" opacity="1" quantity="22"/>' +
  '<ColorMapEntry color="#FFEA46" label="22-70" opacity="1" quantity="24"/>' +
 '</ColorMap>' +
 '<ContrastEnhancement/>' +
'</RasterSymbolizer>';

var mean_20_50 =
'<RasterSymbolizer>' +
 '<ColorMap type="ramp">' +
  '<ColorMapEntry color="#00204D" label="0-7" opacity="1" quantity="7"/>' +
  '<ColorMapEntry color="#002D6C" label="7-9" opacity="1" quantity="9"/>' +
  '<ColorMapEntry color="#16396D" label="9-10" opacity="1" quantity="10"/>' +
  '<ColorMapEntry color="#36476B" label="10-11" opacity="1" quantity="11"/>' +
  '<ColorMapEntry color="#4B546C" label="11-12" opacity="1" quantity="12"/>' +
  '<ColorMapEntry color="#5C616E" label="12-13" opacity="1" quantity="13"/>' +
  '<ColorMapEntry color="#6C6E72" label="13-14" opacity="1" quantity="14"/>' +
  '<ColorMapEntry color="#7C7B78" label="14-15" opacity="1" quantity="15"/>' +
  '<ColorMapEntry color="#8E8A79" label="15-16" opacity="1" quantity="16"/>' +
  '<ColorMapEntry color="#A09877" label="16-17" opacity="1" quantity="17"/>' +
  '<ColorMapEntry color="#B3A772" label="17-18" opacity="1" quantity="18"/>' +
  '<ColorMapEntry color="#C6B66B" label="18-19" opacity="1" quantity="19"/>' +
  '<ColorMapEntry color="#DBC761" label="19-20" opacity="1" quantity="20"/>' +
  '<ColorMapEntry color="#F0D852" label="20-22" opacity="1" quantity="22"/>' +
  '<ColorMapEntry color="#FFEA46" label="22-70" opacity="1" quantity="24"/>' +
 '</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="4.19000000000005"/>' +
 '</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="4.19000000000005"/>' +
 '</ColorMap>' +
 '<ContrastEnhancement/>' +
'</RasterSymbolizer>';

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

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

var visualization = {min: 0, max: 15};

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

Map.addLayer(converted.select(0), visualization, "Silt 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:2021-09-15,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 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 ——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
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——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
2200
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)。
推荐阅读
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 ——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
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——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)。
2200
相关推荐
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
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