Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的总氮数据,预测平均值和标准偏差

简介: Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的总氮数据,预测平均值和标准偏差

Total nitrogen at soil depths of 0-20 cm and 20-50 cm, predicted mean and standard deviation.

Pixel values must be back-transformed with exp(x/100)-1.

In areas of dense jungle (generally over central Africa), model accuracy is low and therefore artefacts such as banding (striping) might be seen.

Soil property predictions were made by Innovative Solutions for Decision Agriculture Ltd. (iSDA) at 30 m pixel size using machine learning coupled with remote sensing data and a training set of over 100,000 analyzed soil samples.

Further information can be found in the FAQ and technical information documentation. To submit an issue or request support, please visit the iSDAsoil site.


土壤深度为 0-20 厘米和 20-50 厘米的总氮,预测平均值和标准偏差。


像素值必须使用 exp(x/100)-1 进行反向转换。


在茂密的丛林地区(通常在非洲中部),模型精度较低,因此可能会看到条带(条纹)等伪影。


决策农业创新解决方案有限公司 (iSDA) 使用机器学习、遥感数据和超过 100,000 个分析土壤样本的训练集,以 30 m 像素大小对土壤特性进行了预测。


更多信息可以在常见问题和技术信息文档中找到。要提交问题或请求支持,请访问 iSDAsoil 站点。

Dataset Availability

2001-01-01T00:00:00 - 2017-01-01T00:00:00

Dataset Provider

iSDA

Collection Snippet

ee.Image("ISDASOIL/Africa/v1/nitrogen_total")

Resolution

30 meters

Bands Table

Name Description Min Max Units
mean_0_20 Nitrogen, total, predicted mean at 0-20 cm depth 3 246 g/kg
mean_20_50 Nitrogen, total, predicted mean at 20-50 cm depth 0 254 g/kg
stdev_0_20 Nitrogen, total, standard deviation at 0-20 cm depth 1 124 g/kg
stdev_20_50 Nitrogen, total, standard deviation at 20-50 cm depth 1 125 g/kg

数据引用:

Hengl, T., Miller, M.A.E., Križan, J., et al. African soil properties and nutrients mapped at 30 m spatial resolution using two-scale ensemble machine learning. Sci Rep 11, 6130 (2021). doi:10.1038/s41598-021-85639-y

代码:

var mean_0_20 =
'<RasterSymbolizer>' +
 '<ColorMap type="ramp">' +
  '<ColorMapEntry color="#000004" label="0-0.2" opacity="1" quantity="20"/>' +
  '<ColorMapEntry color="#0C0927" label="0.2-0.3" opacity="1" quantity="30"/>' +
  '<ColorMapEntry color="#231151" label="0.3-0.4" opacity="1" quantity="36"/>' +
  '<ColorMapEntry color="#410F75" label="0.4-0.5" opacity="1" quantity="43"/>' +
  '<ColorMapEntry color="#5F187F" label="0.5-0.6" opacity="1" quantity="48"/>' +
  '<ColorMapEntry color="#7B2382" label="0.6-0.7" opacity="1" quantity="52"/>' +
  '<ColorMapEntry color="#982D80" label="0.7-0.8" opacity="1" quantity="58"/>' +
  '<ColorMapEntry color="#B63679" label="0.8-0.9" opacity="1" quantity="64"/>' +
  '<ColorMapEntry color="#D3436E" label="0.9-1" opacity="1" quantity="67"/>' +
  '<ColorMapEntry color="#EB5760" label="1-1.1" opacity="1" quantity="75"/>' +
  '<ColorMapEntry color="#F8765C" label="1.1-1.2" opacity="1" quantity="79"/>' +
  '<ColorMapEntry color="#FD9969" label="1.2-1.3" opacity="1" quantity="83"/>' +
  '<ColorMapEntry color="#FEBA80" label="1.3-1.4" opacity="1" quantity="89"/>' +
  '<ColorMapEntry color="#FDDC9E" label="1.4-1.5" opacity="1" quantity="93"/>' +
  '<ColorMapEntry color="#FCFDBF" label="1.5-10" opacity="1" quantity="99"/>' +
 '</ColorMap>' +
 '<ContrastEnhancement/>' +
'</RasterSymbolizer>';
var mean_20_50 =
'<RasterSymbolizer>' +
 '<ColorMap type="ramp">' +
  '<ColorMapEntry color="#000004" label="0-0.2" opacity="1" quantity="20"/>' +
  '<ColorMapEntry color="#0C0927" label="0.2-0.3" opacity="1" quantity="30"/>' +
  '<ColorMapEntry color="#231151" label="0.3-0.4" opacity="1" quantity="36"/>' +
  '<ColorMapEntry color="#410F75" label="0.4-0.5" opacity="1" quantity="43"/>' +
  '<ColorMapEntry color="#5F187F" label="0.5-0.6" opacity="1" quantity="48"/>' +
  '<ColorMapEntry color="#7B2382" label="0.6-0.7" opacity="1" quantity="52"/>' +
  '<ColorMapEntry color="#982D80" label="0.7-0.8" opacity="1" quantity="58"/>' +
  '<ColorMapEntry color="#B63679" label="0.8-0.9" opacity="1" quantity="64"/>' +
  '<ColorMapEntry color="#D3436E" label="0.9-1" opacity="1" quantity="67"/>' +
  '<ColorMapEntry color="#EB5760" label="1-1.1" opacity="1" quantity="75"/>' +
  '<ColorMapEntry color="#F8765C" label="1.1-1.2" opacity="1" quantity="79"/>' +
  '<ColorMapEntry color="#FD9969" label="1.2-1.3" opacity="1" quantity="83"/>' +
  '<ColorMapEntry color="#FEBA80" label="1.3-1.4" opacity="1" quantity="89"/>' +
  '<ColorMapEntry color="#FDDC9E" label="1.4-1.5" opacity="1" quantity="93"/>' +
  '<ColorMapEntry color="#FCFDBF" label="1.5-10" opacity="1" quantity="99"/>' +
 '</ColorMap>' +
 '<ContrastEnhancement/>' +
'</RasterSymbolizer>';
var stdev_0_20 =
'<RasterSymbolizer>' +
 '<ColorMap type="ramp">' +
  '<ColorMapEntry color="#fde725" label="low" opacity="1" quantity="1"/>' +
  '<ColorMapEntry color="#5dc962" label=" " opacity="1" quantity="8"/>' +
  '<ColorMapEntry color="#20908d" label=" " opacity="1" quantity="10"/>' +
  '<ColorMapEntry color="#3a528b" label=" " opacity="1" quantity="14"/>' +
  '<ColorMapEntry color="#440154" label="high" opacity="1" quantity="60"/>' +
 '</ColorMap>' +
 '<ContrastEnhancement/>' +
'</RasterSymbolizer>';
var stdev_20_50 =
'<RasterSymbolizer>' +
 '<ColorMap type="ramp">' +
  '<ColorMapEntry color="#fde725" label="low" opacity="1" quantity="1"/>' +
  '<ColorMapEntry color="#5dc962" label=" " opacity="1" quantity="8"/>' +
  '<ColorMapEntry color="#20908d" label=" " opacity="1" quantity="10"/>' +
  '<ColorMapEntry color="#3a528b" label=" " opacity="1" quantity="14"/>' +
  '<ColorMapEntry color="#440154" label="high" opacity="1" quantity="60"/>' +
 '</ColorMap>' +
 '<ContrastEnhancement/>' +
'</RasterSymbolizer>';
var raw = ee.Image("ISDASOIL/Africa/v1/nitrogen_total");
Map.addLayer(
    raw.select(0).sldStyle(mean_0_20), {},
    "Nitrogen, total, mean visualization, 0-20 cm");
Map.addLayer(
    raw.select(1).sldStyle(mean_20_50), {},
    "Nitrogen, total, mean visualization, 20-50 cm");
Map.addLayer(
    raw.select(2).sldStyle(stdev_0_20), {},
    "Nitrogen, total, stdev visualization, 0-20 cm");
Map.addLayer(
    raw.select(3).sldStyle(stdev_20_50), {},
    "Nitrogen, total, stdev visualization, 20-50 cm");
var converted = raw.divide(10).exp().subtract(1);
var visualization = {min: 0, max: 10000};
Map.setCenter(25, -3, 2);
Map.addLayer(converted.select(0), visualization, "Nitrogen, total, mean, 0-20 cm");


相关文章
|
编解码 定位技术
Google Earth Engine——全球土壤含数量数据:6个标准深度(0、10、30、60、100和200厘米)以250米的分辨率预测的33kPa和1500kPa吸力的土壤含水量(体积百分比)。
Google Earth Engine——全球土壤含数量数据:6个标准深度(0、10、30、60、100和200厘米)以250米的分辨率预测的33kPa和1500kPa吸力的土壤含水量(体积百分比)。
774 0
Google Earth Engine——全球土壤含数量数据:6个标准深度(0、10、30、60、100和200厘米)以250米的分辨率预测的33kPa和1500kPa吸力的土壤含水量(体积百分比)。
|
编解码
Google Earth Engine ——数据全解析专辑(世界第 4 版网格化人口 (GPWv4) 修订版30 弧秒1公里格网)人口数量和密度数据集
Google Earth Engine ——数据全解析专辑(世界第 4 版网格化人口 (GPWv4) 修订版30 弧秒1公里格网)人口数量和密度数据集
345 0
Google Earth Engine ——数据全解析专辑(世界第 4 版网格化人口 (GPWv4) 修订版30 弧秒1公里格网)人口数量和密度数据集
|
存储 安全 定位技术
如何利用 ArcGIS Pro 和 Landsat 8 图像计算叶绿素指数和全球环境监测指数
如何利用 ArcGIS Pro 和 Landsat 8 图像计算叶绿素指数和全球环境监测指数
245 0
如何利用 ArcGIS Pro 和 Landsat 8 图像计算叶绿素指数和全球环境监测指数
|
机器学习/深度学习
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的磷数据,预测平均值和标准偏差
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的磷数据,预测平均值和标准偏差
72 0
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的磷数据,预测平均值和标准偏差
|
机器学习/深度学习
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的淤泥含量数据,预测平均值和标准偏差
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的淤泥含量数据,预测平均值和标准偏差
93 0
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的淤泥含量数据,预测平均值和标准偏差
|
机器学习/深度学习
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的PH数据,预测平均值和标准偏差
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的PH数据,预测平均值和标准偏差
119 0
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的PH数据,预测平均值和标准偏差
|
机器学习/深度学习
Google Earth Engine ——2001-2017年非洲土壤在土壤深度 0-20 厘米和 20-50 厘米的可提取锌,预测平均值和标准偏差数据
Google Earth Engine ——2001-2017年非洲土壤在土壤深度 0-20 厘米和 20-50 厘米的可提取锌,预测平均值和标准偏差数据
78 0
Google Earth Engine ——2001-2017年非洲土壤在土壤深度 0-20 厘米和 20-50 厘米的可提取锌,预测平均值和标准偏差数据
|
机器学习/深度学习
Google Earth Engine ——2001-2017年非洲土壤深度 0-20 厘米和 20-50 厘米的可提取粘土含量,预测平均值和标准偏差数据集
Google Earth Engine ——2001-2017年非洲土壤深度 0-20 厘米和 20-50 厘米的可提取粘土含量,预测平均值和标准偏差数据集
111 0
Google Earth Engine ——2001-2017年非洲土壤深度 0-20 厘米和 20-50 厘米的可提取粘土含量,预测平均值和标准偏差数据集
|
机器学习/深度学习
Google Earth Engine ——2001-2017年非洲土壤深度 0-20 厘米和 20-50 厘米的可提取铁,预测平均值和标准偏差数据集
Google Earth Engine ——2001-2017年非洲土壤深度 0-20 厘米和 20-50 厘米的可提取铁,预测平均值和标准偏差数据集
90 1
Google Earth Engine ——2001-2017年非洲土壤深度 0-20 厘米和 20-50 厘米的可提取铁,预测平均值和标准偏差数据集
|
机器学习/深度学习
Google Earth Engine ——2001-2017年非洲土壤深度 0-20 厘米和 20-50 厘米的可提取钙,预测平均值和标准偏差数据集
Google Earth Engine ——2001-2017年非洲土壤深度 0-20 厘米和 20-50 厘米的可提取钙,预测平均值和标准偏差数据集
95 0
Google Earth Engine ——2001-2017年非洲土壤深度 0-20 厘米和 20-50 厘米的可提取钙,预测平均值和标准偏差数据集