​

简介：

本数据集是一个20年（2002/07/27~2022/08/31）的全球连续一致的地表土壤水分数据集，分辨率为日尺度的36km，数据单位为m3/m3。数据集采用Yao et al.(2017)发展的土壤水分神经网络反演算法，将SMAP的优势传递到AMSR-E/2，以目前卫星最优精度的SMAP标准土壤水分产品为训练目标，以AMSR-E/2的亮温为输入，最终输出长时序土壤水分数据。该数据集能够重现SMAP土壤水分的时空分布，精度与SMAP土壤水分产品相当；同时该数据集精度优于AMSR-E和AMSR2的官方土壤水分产品，通过全球14个密集观测站网的地面观测验证表明，其土壤水分精度为5%左右。该全球长时序数据集目前时间覆盖20年，随着AMSR2的持续在轨观测以及即将发射的后继AMSR3任务，该数据集是可延长的，为气候极端事件、趋势分析和年代际变化的长时序研究提供支持。前言 – 人工智能教程

土壤水分数据对于农业生产和水资源管理非常重要。以下是几个具体的作用：

1. 确定灌溉时机和量：利用土壤水分数据可以确定植物的水分需求和土壤的含水量，帮助农民确定合适的灌溉时机和灌溉量，避免浪费水资源和能源。

2. 监测农作物的健康状况：土壤水分数据可以帮助农民监测土壤和农作物的水分状况，及时发现和处理土壤和植物的问题，避免因缺水或过度灌溉而导致的农作物减产或死亡。

3. 预测旱情和洪涝灾害：土壤水分数据可以帮助水利部门和气象部门预测旱情和洪涝灾害，指导抗旱和防洪工作。

4. 优化水资源管理：土壤水分数据可以帮助水资源管理部门了解土壤和植被的水分状况，制定合理的水资源管理计划，优化水资源利用效率。

综上所述，土壤水分数据对于农业生产和水资源管理有着重要的作用。

数据集ID: 

TPDC/NNSM

时间范围: 2002年-2022年

范围: 全球

来源: 国家青藏高原科学数据中心

复制代码段: 

var images = pie.ImageCollection("TPDC/NNSM")

代码：

/**
* @File   :   基于AMSR-E和AMSR2数据的全球长时序日尺度土壤水分数据产品（2002-2022））
* @Time   :   2022/11/13
* @Author  :   piesat
* @Version :   1.0
* @Contact :   400-890-0662
* @License :   (C)Copyright 航天宏图信息技术股份有限公司
* @Desc   :   加载基于AMSR-E和AMSR2数据的全球长时序日尺度土壤水分数据产品（2002-2022）
*/
//加载数据集，通过时间范围筛选，均值合成
var image = pie.ImageCollection("TPDC/NNSM")
                .filterDate("2022-02-01", "2022-02-28")
                .select("sm")
                .mean()
//设置图层显示参数并加载
var style = {
    min:0,
    max:0.5,
    opacity: 1,
    palette: ["#92070B","#DE1418","#EE6C6D","#F69369","#FBFD45","#FFFAAA","#CDFFFF","#32F8FC","#1B96FC","#0A21DF"]
};
Map.addLayer(image, style, "image");

数据引用：姚盼盼, 卢麾. 基于AMSR-E和AMSR2数据的全球长时序日尺度土壤水分数据集（2002-2022）. 国家青藏高原科学数据中心, DOI:10.11888/Soil.tpdc.270960, CSTR:18406.11.Soil.tpdc.270960, 2020.

文章引用：
1.Yao, P.P., Shi, J.C., Zhao, T.J., Lu, H. & Al-Yaari, A. (2017). Rebuilding Long Time Series Global Soil Moisture Products Using the Neural Network Adopting the Microwave Vegetation Index. Remote Sensing 9(1), 35.
2.Yao, P.P., Lu, H., Shi, J.C., Zhao, T.J., Yang K., Cosh, M.H., Gianotti, D.J.S., & Entekhabi, D. (2021). A long term global daily soil moisture dataset derived from AMSR-E and AMSR2 (2002-2019). Scientific Data, 8, 143 (2021). https://doi.org/10.1038/s41597-021-00925-8

​