中国1km土壤特征数据集(2010年)

简介: 中国1km土壤特征数据集(2010年)

简介:

中国1km土壤特征数据集(2010)是基于第二次全国土壤调查的中国1:1000000比例尺土壤图和8595个土壤剖面图,以及美国农业部(USDA)中国区域土地和气候模拟标准,开发了一个多层土壤粒度分布数据集(砂、粉土和粘土含量)。

采用多边形链接方法,结合土壤剖面和地图多边形之间的距离、剖面的样本大小和土壤分类信息,推导出砂、粉土和粘土的含量分布图。该数据集分辨率为1公里,可用于区域范围内的土地和气候建模。前言 – 人工智能教程

土壤特征包括以下几个方面:

1.土壤颜色:土壤颜色取决于其中的有机物、金属氧化物和矿物质组成。土壤颜色不仅能反映出土壤的肥力和质地,还能对土壤的排水、温度和特定物质的存在进行示意。

2.土壤质地:土壤质地指土壤中各粒度组分的比例,一般分为粘土、砂质和粉砂质。不同的土壤质地影响着土壤的通透性、保水性、保肥能力等,因此对农业生产和生物多样性的维护起着重要作用。

3.土壤结构:土壤结构是指土壤中土粒的分布状态,包括土粒之间的连接形式、大小和形状等。良好的土壤结构有利于空气、水和根系的透过,增加土壤通气性、保水能力和保肥能力。

4.土壤pH值:土壤pH值是指土壤酸碱度的测量值。不同的作物对于酸碱度的需求有所不同,因此需要根据不同作物的需要,对土壤进行合理的调整。

5.土壤水分:土壤水分对于作物的生长和发育十分关键,土壤水分充足时能提供作物所需养分,改善作物的生长环境。

以上是土壤的主要特征,它们的变化都将直接影响作物的生长、发育和产量。因此,在农业生产和环境保护中,对土壤的特征进行细致的观测和分析,合理地利用和管理土壤,是十分必要和重要的。

数据集ID:

TPDC/CHINA_SOIL_CHARACTERISTICS

时间范围: 2010年-2010年

范围: 全国

来源: 国家青藏高原科学数据中心

复制代码段:

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

名称 类型 分辨率(km) 值域范围 无效值 描述信息
clay1 float32 1 0%~100% -1 表层(0-30cm)粘粒含量
clay2 float32 1 0%~100% -1 底层(30-100cm)粘粒含量
sand1 float32 1 0%~100% -1 表层(0-30cm)砂粒含量
sand2 float32 1 0%~100% -1 >底层(30-100cm)砂粒含量

 

date

string

影像日期

代码:

var img =  pie.ImageCollection("TPDC/CHINA_SOIL_CHARACTERISTICS")
            //.filterDate("2000-01-01", "2006-01-01")
            .select("clay1").first()
            //.mean();
print(img);
//设定颜色预览组合
visParams = {min:0,max:60,
            palette: ['#0D0887','#5B02A3','#9A179B','#CB4678','#EB7852','#FBB32F','#F0F921']};
//定位地图中心
Map.centerObject(img, 3);
//加载影像
Map.addLayer(img, visParams, "img");

数据引用:

上官微, 戴永久. 中国土壤特征数据集(2010). 国家青藏高原科学数据中心, 2019. DOI: 10.11888/Soil.tpdc.270466. CSTR: 18406.11.Soil.tpdc.270466.

文章引用:

1. Shangguan, W., Dai, Y., Liu, B., Ye, A., and Yuan, H., (2012). A soil particle-size distribution dataset for regional land and climate modelling in China, Geoderma, 171-172, 85-91.

 

相关文章
|
6月前
|
编解码 数据中心
中国1km分辨率逐月降水数据集(1901-2020)
中国1km分辨率逐月降水数据集(1901-2020)
147 1
中国1km分辨率逐月降水数据集(1901-2020)
|
6月前
|
传感器 编解码 人工智能
中国雪深长时间序列数据集(1979-2020)
中国雪深长时间序列数据集(1979-2020)
132 0
|
6月前
|
机器学习/深度学习 数据建模
数据分享|Eviews用ARIMA、指数曲线趋势模型对中国进出口总额时间序列预测分析
数据分享|Eviews用ARIMA、指数曲线趋势模型对中国进出口总额时间序列预测分析
|
6月前
|
安全 vr&ar
R语言非线性动态回归模型ARIMAX、随机、确定性趋势时间序列预测个人消费和收入、用电量、国际游客数量
R语言非线性动态回归模型ARIMAX、随机、确定性趋势时间序列预测个人消费和收入、用电量、国际游客数量
|
6月前
|
vr&ar Python
数据分享|R语言ARIMA模型分析预测上海空气质量指数AQI时间序列
数据分享|R语言ARIMA模型分析预测上海空气质量指数AQI时间序列
|
6月前
|
数据可视化 数据建模
R语言广义加性混合模型(GAMM)分析长沙气象因子、空气污染、PM2.5浓度、显著性检验、逐日变化可视化(下)
R语言广义加性混合模型(GAMM)分析长沙气象因子、空气污染、PM2.5浓度、显著性检验、逐日变化可视化
|
6月前
|
机器学习/深度学习 数据可视化
R语言广义加性混合模型(GAMM)分析长沙气象因子、空气污染、PM2.5浓度、显著性检验、逐日变化可视化(上)
R语言广义加性混合模型(GAMM)分析长沙气象因子、空气污染、PM2.5浓度、显著性检验、逐日变化可视化
|
6月前
|
数据可视化
Eviews用向量自回归模型VAR实证分析公路交通通车里程与经济发展GDP协整关系时间序列数据和脉冲响应可视化
Eviews用向量自回归模型VAR实证分析公路交通通车里程与经济发展GDP协整关系时间序列数据和脉冲响应可视化
|
6月前
|
大数据 vr&ar Windows
R语言使用ARIMAX预测失业率经济时间序列数据
R语言使用ARIMAX预测失业率经济时间序列数据
|
6月前
|
机器学习/深度学习 数据采集 数据可视化
mlr3verse vs KM曲线:谁能更精准地预测生存率?
mlr3verse vs KM曲线:谁能更精准地预测生存率?
95 0