-
Capacità di scambio cationico effettiva iSDAsoil
Capacità di scambio cationico effettiva media e deviazione standard prevista a profondità del suolo di 0-20 cm e 20-50 cm, i valori dei pixel devono essere trasformati in modo inverso con exp(x/10)-1. Nelle aree di giungla fitta (generalmente nell'Africa centrale), l'accuratezza del modello è bassa e quindi si verificano artefatti come bande … africa alluminio isda suolo -
Carbonio totale iSDAsoil
Carbonio totale a profondità del suolo di 0-20 cm e 20-50 cm, media e deviazione standard previste. I valori dei pixel devono essere trasformati nuovamente con exp(x/10)-1. Nelle aree di giungla fitta (generalmente nell'Africa centrale), la precisione del modello è bassa e, di conseguenza, potrebbero verificarsi artefatti come bande … africa alluminio isda suolo -
Classe di texture USDA iSDAsoil
Classe di tessitura del suolo USDA a profondità del suolo di 0-20 cm e 20-50 cm. Nelle aree di giungla fitta (generalmente nell'Africa centrale), la precisione del modello è bassa e potrebbero essere visibili artefatti come bande. Le previsioni delle proprietà del suolo sono state effettuate da Innovative Solutions for Decision … africa alluminio isda suolo -
Alluminio estraibile dal suolo iSDA
Alluminio estraibile a profondità del suolo di 0-20 cm e 20-50 cm, media e deviazione standard previste. I valori dei pixel devono essere trasformati nuovamente con exp(x/10)-1. Le previsioni delle proprietà del suolo sono state effettuate da Innovative Solutions for Decision Agriculture Ltd. (iSDA) con una dimensione del pixel di 30 m utilizzando il machine learning combinato … africa alluminio isda suolo
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"]]