-
Capacité d'échange cationique effective iSDAsoil
Moyenne et écart type prévus de la capacité d'échange cationique effective à des profondeurs de sol de 0 à 20 cm et de 20 à 50 cm. Les valeurs de pixel doivent être transformées en arrière avec exp(x/10)-1. Dans les zones de jungle dense (généralement en Afrique centrale), la précision du modèle est faible. Par conséquent, des artefacts tels que des bandes (rayures) peuvent apparaître. Afrique aluminium isda sol -
Carbone total iSDAsoil
Carbone total à des profondeurs de sol de 0 à 20 cm et de 20 à 50 cm, moyenne et écart-type prévus. Les valeurs de pixel doivent être transformées en arrière avec exp(x/10)-1. Dans les zones de jungle dense (généralement en Afrique centrale), la précision du modèle est faible. Par conséquent, des artefacts tels que des bandes peuvent apparaître. Afrique aluminium isda sol -
Classe de texture USDA iSDAsoil
Classe de texture USDA à des profondeurs de 0 à 20 cm et de 20 à 50 cm. Dans les zones de jungle dense (généralement en Afrique centrale), la précision du modèle est faible. Par conséquent, des artefacts tels que des bandes peuvent apparaître. Les prévisions des propriétés du sol ont été effectuées par Innovative Solutions for Decision … Afrique aluminium isda sol -
Aluminium extractable iSDAsoil
Aluminium extractible à des profondeurs de sol de 0 à 20 cm et de 20 à 50 cm, moyenne et écart type prévus Les valeurs de pixel doivent être transformées en arrière avec exp(x/10)-1. Innovative Solutions for Decision Agriculture Ltd. (iSDA) a effectué des prédictions sur les propriétés du sol à une résolution de 30 m à l'aide du machine learning associé à … Afrique aluminium isda sol
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"]]