2002/07/27~2022/08/31的全球连续一致的地表土壤水分数据集

举报
此星光明 发表于 2023/11/10 20:10:09 2023/11/10
【摘要】 ​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...

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")

名称 类型 空间分辨率(m) 值域范围 无效值 描述
sm float32 36000 0~1 -9999 土壤中水分含量

 

名称

范围

描述

date

string

影像日期

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

 

【版权声明】本文为华为云社区用户原创内容,转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息, 否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。