Seit 2011 sammelt das Bureau of Land Management (BLM) Feldinformationen, um den Zustand des Landes durch seine AIM-Strategie (Assessment Inventory and Monitoring) zu ermitteln. Bisher wurden auf BLM-Land mehr als 6.000 AIM-Feldparzellen gesammelt. Das BLM AIM-Datenarchiv ist …
Das FLDAS-Dataset (McNally et al., 2017) wurde entwickelt, um die Bewertung der Ernährungssicherheit in datenarmen Entwicklungsländern zu unterstützen. Es enthält Informationen zu vielen klimabezogenen Variablen, darunter Feuchtigkeitsgehalt, Luftfeuchtigkeit, Evapotranspiration, durchschnittliche Bodentemperatur, Gesamtniederschlagsrate usw. Es gibt mehrere verschiedene FLDAS-Datasets. …
Das NASA Global Land Data Assimilation System Version 2 (GLDAS-2) besteht aus drei Komponenten: GLDAS-2.0, GLDAS-2.1 und GLDAS-2.2. GLDAS-2.0 wird vollständig mit den meteorologischen Eingabedaten von Princeton betrieben und bietet eine zeitlich konsistente Reihe von 1948 bis 2014. GLDAS-2.1 wird mit einer Kombination aus Modell …
Das NASA Global Land Data Assimilation System Version 2 (GLDAS-2) besteht aus drei Komponenten: GLDAS-2.0, GLDAS-2.1 und GLDAS-2.2. GLDAS-2.0 wird vollständig mit den meteorologischen Eingabedaten von Princeton betrieben und bietet eine zeitlich konsistente Reihe von 1948 bis 2014. GLDAS-2.1 wird mit einer Kombination aus Modell …
M2T1NXLND (oder tavg1_2d_lnd_Nx) ist eine stündliche, zeitlich gemittelte Datenerfassung in der Modern-Era Retrospective analysis for Research and Applications Version 2 (MERRA-2). Diese Sammlung besteht aus Diagnosen der Landoberfläche, z. B. Grundwasserabfluss, Oberflächenabfluss, Bodenfeuchte an der Oberfläche, Bodenfeuchte in der Wurzelzone, Wasser in der Oberflächenschicht, Wasser in …
Das Land Data Assimilation System (LDAS) kombiniert mehrere Beobachtungsquellen (z. B. Daten von Niederschlagsmessgeräten, Satellitendaten und Radarniederschlagsmessungen), um Schätzungen von klimatologischen Eigenschaften an oder in der Nähe der Erdoberfläche zu erstellen. Dieses Dataset ist die primäre (Standard-)Forcing-Datei (Datei A) für Phase …
Tongehalt in % (kg / kg) in 6 Standardtiefen (0, 10, 30, 60, 100 und 200 cm) bei einer Auflösung von 250 m. Basierend auf Machine-Learning-Vorhersagen aus einer globalen Zusammenstellung von Bodenprofilen und ‑proben. Die Verarbeitungsschritte werden hier ausführlich beschrieben. Die Antarktis ist …
Vorhersage der USDA-Bodenhauptgruppen bei 250 m (Wahrscheinlichkeiten). Verteilung der USDA-Bodenhauptgruppen basierend auf Machine-Learning-Vorhersagen aus einer globalen Zusammenstellung von Bodenprofilen. Weitere Informationen zu Bodengruppen finden Sie im Illustrated Guide to Soil Taxonomy – NRCS …
Sandgehalt in % (kg / kg) in 6 Standardtiefen (0, 10, 30, 60, 100 und 200 cm) bei einer Auflösung von 250 m. Basierend auf Machine-Learning-Vorhersagen aus einer globalen Zusammenstellung von Bodenprofilen und ‑proben. Die Verarbeitungsschritte werden hier ausführlich beschrieben. Die Antarktis ist …
Bodendichte (Feinerde) 10 × kg / m³ in 6 Standardtiefen (0, 10, 30, 60, 100 und 200 cm) mit einer Auflösung von 250 m. Die Verarbeitungsschritte werden hier ausführlich beschrieben. Die Antarktis ist nicht enthalten. So können Sie auf Karten außerhalb von Earth zugreifen und sie visualisieren:
Gehalt an organischem Kohlenstoff im Boden in x 5 g / kg in 6 Standardtiefen (0, 10, 30, 60, 100 und 200 cm) bei einer Auflösung von 250 m. Vorhersage auf Grundlage einer globalen Zusammenstellung von Bodenpunkten. Die Verarbeitungsschritte werden hier ausführlich beschrieben. Die Antarktis ist nicht enthalten. …
Bodenartklassen (USDA-System) für 6 Bodentiefen (0, 10, 30, 60, 100 und 200 cm) bei 250 m. Abgeleitet von vorhergesagten Bodenartfraktionen mit dem soiltexture-Paket in R. Die Verarbeitungsschritte werden hier ausführlich beschrieben. Die Antarktis ist nicht enthalten. So greifen Sie auf … zu:
Bodenwassergehalt (volumetrisch %) für 33 kPa und 1.500 kPa-Saugspannungen, die in 6 Standardtiefen (0, 10, 30, 60, 100 und 200 cm) mit einer Auflösung von 250 m vorhergesagt werden. Die Trainingspunkte basieren auf einer globalen Zusammenstellung von Bodenprofilen: USDA NCSS AfSPDB ISRIC WISE EGRPR SPADE …
Boden-pH-Wert in H2O in 6 Standardtiefen (0, 10, 30, 60, 100 und 200 cm) bei einer Auflösung von 250 m. Die Verarbeitungsschritte werden hier ausführlich beschrieben. Die Antarktis ist nicht enthalten. Auf dieser Seite erfahren Sie, wie Sie außerhalb von Earth Engine auf Karten zugreifen und sie visualisieren können. Wenn Sie …
Vorhergesagte Wahrscheinlichkeiten für USDA-Bodengruppen auf 250 m. Verteilung der USDA-Bodenhauptgruppen basierend auf Machine-Learning-Vorhersagen aus einer globalen Zusammenstellung von Bodenprofilen. Weitere Informationen zu Bodengruppen finden Sie im Illustrated Guide to Soil Taxonomy – NRCS – …
Das NASA Global Land Data Assimilation System Version 2 (GLDAS-2) besteht aus drei Komponenten: GLDAS-2.0, GLDAS-2.1 und GLDAS-2.2. GLDAS-2.0 wird vollständig mit den meteorologischen Eingabedaten von Princeton betrieben und bietet eine zeitlich konsistente Reihe von 1948 bis 2014. GLDAS-2.1 wird mit einer Kombination aus Modell …
Das Soil and Landscape Grid of Australia (SLGA) ist ein umfassendes Dataset mit Bodenattributen für ganz Australien mit einer Auflösung von 3 Bogensekunden (~90-m-Pixel). Die Oberflächen sind die Ergebnisse der Modellierung, die die räumliche Verteilung der Bodenattribute anhand vorhandener Bodendaten und Umweltdaten beschreiben.
Daten ab dem 04.12.2023 sind in der Sammlung „NASA/SMAP/SPL3SMP_E/006“ verfügbar. Dieses Produkt zur Bodenfeuchte auf Stufe 3 (L3) bietet einen täglichen Composite der globalen Landoberflächenbedingungen, der vom SMAP-L-Band-Radiometer (Soil Moisture Active Passive) abgerufen wird. Die täglichen Daten hier wurden aus dem absteigenden (lokalen …
Daten vor dem 04.12.2023 sind in der älteren Sammlung NASA/SMAP/SPL3SMP_E/005 verfügbar. Sie werden schließlich neu verarbeitet und dieser Sammlung hinzugefügt. Dieses Bodenfeuchteprodukt der Stufe 3 (L3) bietet einen täglichen Composite der globalen Landoberflächenbedingungen, die vom Soil Moisture Active Passive (SMAP) L-Band abgerufen werden.
Das SMAP-Produkt (Soil Moisture Active Passive) der Stufe 4 (L4) umfasst die Bodenfeuchte an der Oberfläche (vertikaler Durchschnitt von 0–5 cm), die Bodenfeuchte in der Wurzelzone (vertikaler Durchschnitt von 0–100 cm) und zusätzliche Forschungsprodukte (nicht validiert), darunter meteorologische Variablen für die Oberfläche, Bodentemperatur, Evapotranspiration und Nettostrahlung. Dieses Dataset, das offiziell als …
Volumetrischer Wassergehalt bei 10 kPa, 33 kPa und 1.500 kPa Saugspannung in 10^-3 cm^3/cm^3 (0, 1 Volumenprozent oder 1 mm/m) bei 6 Standardtiefen (0–5 cm, 5–15 cm, 15–30 cm, 30–60 cm, 60–100 cm, 100–200 cm). Die Vorhersagen wurden mit einem digitalen Bodenkartierungsansatz auf der Grundlage von Quantile Random Forest abgeleitet, der auf einer globalen …
Schüttdichte, <2-mm-Fraktion in Bodentiefen von 0–20 cm und 20–50 cm, vorhergesagter Mittelwert und Standardabweichung. Pixelwerte müssen mit x/100 rücktransformiert werden. In Gebieten mit dichtem Dschungel (in der Regel in Zentralafrika) ist die Modellgenauigkeit gering und es können Artefakte wie Streifenbildung auftreten.
Tongehalt in Bodentiefen von 0–20 cm und 20–50 cm, vorhergesagter Mittelwert und Standardabweichung. In Gebieten mit dichtem Dschungel (in der Regel in Zentralafrika) ist die Modellgenauigkeit gering. Daher können Artefakte wie Streifenbildung auftreten. Vorhersagen zu Bodeneigenschaften wurden von Innovative … getroffen.
Tiefe bis zum Grundgestein in 0–200 cm Tiefe, geschätzter Mittelwert und Standardabweichung. Aufgrund der potenziellen Maske für Ackerland, die zum Generieren der Daten verwendet wurde, wurden viele Bereiche mit freiliegendem Fels (wo die Tiefe bis zum anstehenden Fels 0 cm betragen würde) maskiert und erscheinen daher …
Vorhersage von mittlerer und Standardabweichung der effektiven Kationenaustauschkapazität in Bodentiefen von 0–20 cm und 20–50 cm. Pixelwerte müssen mit exp(x/10)-1 rücktransformiert werden. In Gebieten mit dichtem Dschungel (in der Regel in Zentralafrika) ist die Modellgenauigkeit gering und es können Artefakte wie Streifenbildung auftreten.
Extrahierbares Kalzium in Bodentiefen von 0–20 cm und 20–50 cm, vorhergesagter Mittelwert und Standardabweichung. Pixelwerte müssen mit exp(x/10)-1 rücktransformiert werden. In Gebieten mit dichtem Dschungel (in der Regel in Zentralafrika) ist die Modellgenauigkeit gering. Daher können Artefakte wie Streifenbildung auftreten.
Extrahiertes Eisen in Bodentiefen von 0–20 cm und 20–50 cm, geschätzter Mittelwert und Standardabweichung. Pixelwerte müssen mit exp(x/10)-1 rücktransformiert werden. In Gebieten mit dichtem Dschungel (in der Regel in Zentralafrika) ist die Modellgenauigkeit gering. Daher können Artefakte wie Streifenbildung auftreten.
Extrahierbares Magnesium in Bodentiefen von 0–20 cm und 20–50 cm, vorhergesagter Mittelwert und Standardabweichung. Pixelwerte müssen mit exp(x/10)-1 rücktransformiert werden. In Gebieten mit dichtem Dschungel (in der Regel in Zentralafrika) ist die Modellgenauigkeit gering. Daher können Artefakte wie Streifenbildung auftreten.
Extrahierbarer Phosphor in Bodentiefen von 0–20 cm und 20–50 cm, vorhergesagter Mittelwert und Standardabweichung. Pixelwerte müssen mit exp(x/10)-1 rücktransformiert werden. In Gebieten mit dichtem Dschungel (in der Regel in Zentralafrika) ist die Modellgenauigkeit gering. Daher können Artefakte wie Streifenbildung auftreten.
Extrahierbares Kalium in Bodentiefen von 0–20 cm und 20–50 cm, vorhergesagter Mittelwert und Standardabweichung. Pixelwerte müssen mit exp(x/10)-1 rücktransformiert werden. In Gebieten mit dichtem Dschungel (in der Regel in Zentralafrika) ist die Modellgenauigkeit gering. Daher können Artefakte wie Streifenbildung auftreten.
Extrahierbarer Schwefel in Bodentiefen von 0–20 cm und 20–50 cm, vorhergesagter Mittelwert und Standardabweichung. Pixelwerte müssen mit exp(x/10)-1 rücktransformiert werden. In Gebieten mit dichtem Dschungel (in der Regel in Zentralafrika) ist die Modellgenauigkeit gering. Daher können Artefakte wie Streifenbildung auftreten.
Extrahierbares Zink in Bodentiefen von 0–20 cm und 20–50 cm, vorhergesagter Mittelwert und Standardabweichung. Pixelwerte müssen mit exp(x/10)-1 rücktransformiert werden. In Gebieten mit dichtem Dschungel (in der Regel in Zentralafrika) ist die Modellgenauigkeit gering. Daher können Artefakte wie Streifenbildung auftreten.
Klassifizierung der Bodenfruchtbarkeit auf Grundlage von Hangneigung, chemischen und physikalischen Bodeneigenschaften. Weitere Informationen zu dieser Ebene finden Sie auf dieser Seite. Die Klassen für das Band „fcc“ gelten für Pixelwerte, die mit „x modulo 3000“ rücktransformiert werden müssen. In Gebieten mit dichtem Dschungel …
Organischer Kohlenstoff in Bodentiefen von 0–20 cm und 20–50 cm, vorhergesagter Mittelwert und Standardabweichung. Pixelwerte müssen mit exp(x/10)-1 rücktransformiert werden. In Gebieten mit dichtem Dschungel (in der Regel in Zentralafrika) ist die Modellgenauigkeit gering. Daher können Artefakte wie Streifenbildung auftreten.
Sandgehalt in Bodentiefen von 0–20 cm und 20–50 cm, vorhergesagter Mittelwert und Standardabweichung. In Gebieten mit dichtem Dschungel (in der Regel in Zentralafrika) ist die Modellgenauigkeit gering. Daher können Artefakte wie Streifenbildung auftreten. Vorhersagen zu Bodeneigenschaften wurden von Innovative … getroffen.
Schluffgehalt in Bodentiefen von 0–20 cm und 20–50 cm, vorhergesagter Mittelwert und Standardabweichung. Pixelwerte müssen mit exp(x/10)-1 rücktransformiert werden. In Gebieten mit dichtem Dschungel (in der Regel in Zentralafrika) ist die Modellgenauigkeit gering. Daher können Artefakte wie Streifenbildung auftreten.
Steingehalt in Bodentiefen von 0–20 cm und 20–50 cm, vorhergesagter Mittelwert und Standardabweichung. Pixelwerte müssen mit exp(x/10)-1 rücktransformiert werden. In Gebieten mit dichtem Dschungel (in der Regel in Zentralafrika) ist die Modellgenauigkeit gering. Daher können Artefakte wie Streifenbildung auftreten.
Gesamtkohlenstoff in Bodentiefen von 0–20 cm und 20–50 cm, vorhergesagter Mittelwert und Standardabweichung. Pixelwerte müssen mit exp(x/10)-1 rücktransformiert werden. In Gebieten mit dichtem Dschungel (in der Regel in Zentralafrika) ist die Modellgenauigkeit gering. Daher können Artefakte wie Streifenbildung auftreten.
Gesamtstickstoff in Bodentiefen von 0–20 cm und 20–50 cm, vorhergesagter Mittelwert und Standardabweichung. Pixelwerte müssen mit exp(x/100)-1 rücktransformiert werden. In Gebieten mit dichtem Dschungel (in der Regel in Zentralafrika) ist die Modellgenauigkeit gering. Daher können Artefakte wie Streifenbildung auftreten.
USDA-Klasse für die Bodenstruktur in einer Tiefe von 0–20 cm und 20–50 cm. In Gebieten mit dichtem Dschungel (in der Regel in Zentralafrika) ist die Modellgenauigkeit gering. Daher können Artefakte wie Streifenbildung auftreten. Die Vorhersagen der Bodeneigenschaften wurden von Innovative Solutions for Decision …
Extrahierbares Aluminium in Bodentiefen von 0–20 cm und 20–50 cm, vorhergesagter Mittelwert und Standardabweichung. Pixelwerte müssen mit exp(x/10)-1 rücktransformiert werden. Vorhersagen zu Bodeneigenschaften wurden von Innovative Solutions for Decision Agriculture Ltd. (iSDA) mit einer Pixelgröße von 30 m mithilfe von maschinellem Lernen in Kombination mit … getroffen.
pH-Wert in Bodentiefen von 0–20 cm und 20–50 cm, prognostizierter Mittelwert und Standardabweichung. Pixelwerte müssen mit x/10 rücktransformiert werden. In Gebieten mit dichtem Dschungel (in der Regel in Zentralafrika) ist die Modellgenauigkeit gering. Daher können Artefakte wie Streifenbildung auftreten. …
