-
iSDAsoil Effektive Kationenaustauschkapazität
Geschätzter Mittelwert und Standardabweichung der effektiven Kationenaustauschkapazität in Bodentiefen von 0–20 cm und 20–50 cm. Pixelwerte müssen mit „exp(x/10)-1“ zurücktransformiert werden. In Gebieten mit dichtem Dschungel (in der Regel über Zentralafrika) ist die Modellgenauigkeit gering und es können Artefakte wie Streifen auftreten. afrika aluminium isda boden -
iSDAsoil Total Carbon
Gesamtkohlenstoff in Bodentiefen von 0–20 cm und 20–50 cm, prognostizierter Mittelwert und Standardabweichung. Pixelwerte müssen mit „exp(x/10)-1“ zurücktransformiert werden. In Gebieten mit dichtem Dschungel (in der Regel über Zentralafrika) ist die Modellgenauigkeit gering und daher können Artefakte wie Streifen auftreten. afrika aluminium isda boden -
iSDAsoil USDA-Texturklasse
USDA-Texturklasse bei Bodentiefen von 0–20 cm und 20–50 cm. In Gebieten mit dichtem Dschungel (in der Regel über Zentralafrika) ist die Modellgenauigkeit gering und es können Artefakte wie Streifen auftreten. Die Vorhersagen der Bodeneigenschaften wurden von Innovative Solutions for Decision … afrika aluminium isda boden -
iSDAsoil extrahierbares Aluminium
Extrahierbares Aluminium in Bodentiefen von 0–20 cm und 20–50 cm, prognostizierter Mittelwert und Standardabweichung. Pixelwerte müssen mit „exp(x/10)-1“ zurücktransformiert werden. Bodeneigenschaftsvorhersagen wurden von Innovative Solutions for Decision Agriculture Ltd. (iSDA) mit einer Pixelgröße von 30 m mithilfe von maschinellem Lernen und … afrika aluminium isda boden
Datasets tagged aluminium in Earth Engine
[null,null,[],[],["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"]]