Depuis 2011, le Bureau of Land Management (BLM) collecte des informations sur le terrain pour évaluer l'état des terres grâce à sa stratégie AIM (Assessment Inventory and Monitoring). À ce jour, plus de 6 000 parcelles terrestres AIM ont été collectées sur les terres du BLM. L'archive de données BLM AIM est…
L'ensemble de données FLDAS (McNally et al. 2017) a été conçu pour faciliter les évaluations de la sécurité alimentaire dans les pays en développement où les données sont rares. Il inclut des informations sur de nombreuses variables liées au climat, y compris la teneur en humidité, l'humidité, l'évapotranspiration, la température moyenne du sol, le taux de précipitation total, etc. Il existe plusieurs ensembles de données FLDAS différents ; …
Le système GLDAS-2 (Global Land Data Assimilation System Version 2) de la NASA comporte trois composants : GLDAS-2.0, GLDAS-2.1 et GLDAS-2.2. GLDAS-2.0 est entièrement forcé avec les données d'entrée de forçage météorologique de Princeton et fournit une série cohérente dans le temps de 1948 à 2014. GLDAS-2.1 est forcé avec une combinaison de modèles…
Le système GLDAS-2 (Global Land Data Assimilation System Version 2) de la NASA comporte trois composants : GLDAS-2.0, GLDAS-2.1 et GLDAS-2.2. GLDAS-2.0 est entièrement forcé avec les données d'entrée de forçage météorologique de Princeton et fournit une série cohérente dans le temps de 1948 à 2014. GLDAS-2.1 est forcé avec une combinaison de modèles…
M2T1NXLND (ou tavg1_2d_lnd_Nx) est une collecte de données moyennées sur une heure dans l'analyse rétrospective de l'ère moderne pour la recherche et les applications, version 2 (MERRA-2). Cette collection se compose de diagnostics de surface terrestre, tels que le flux de base, le ruissellement, l'humidité de la surface du sol, l'humidité de la zone racinaire, l'eau à la surface, l'eau à …
Le système d'assimilation des données terrestres (LDAS, Land Data Assimilation System) combine plusieurs sources d'observations (telles que les données des pluviomètres, les données satellite et les mesures radar des précipitations) pour produire des estimations des propriétés climatologiques à la surface de la Terre ou à proximité. Cet ensemble de données est le fichier de forçage principal (par défaut) (fichier A) pour la phase …
Teneur en argile en % (kg / kg) à six profondeurs standards (0, 10, 30, 60, 100 et 200 cm) avec une résolution de 250 mètres. Basé sur les prédictions du machine learning à partir d'une compilation mondiale de profils et d'échantillons de sol. Les étapes de traitement sont décrites en détail ici. L'Antarctique est…
Grands groupes de sols USDA prédits à 250 m (probabilités). Distribution des grands groupes de sols de l'USDA en fonction des prédictions de machine learning issues de la compilation mondiale des profils de sols. Pour en savoir plus sur les grands groupes de sols, consultez le guide illustré de la classification des sols : NRCS…
Teneur en sable en % (kg / kg) à six profondeurs standards (0, 10, 30, 60, 100 et 200 cm) avec une résolution de 250 mètres. Basé sur des prédictions de machine learning à partir d'une compilation mondiale de profils et d'échantillons de sol. Les étapes de traitement sont décrites en détail ici. L'Antarctique est…
Densité apparente du sol (terre fine) 10 x kg / m3 à six profondeurs standards (0, 10, 30, 60, 100 et 200 cm) avec une résolution de 250 m. Les étapes de traitement sont décrites en détail ici. L'Antarctique n'est pas inclus. Pour accéder à des cartes et les visualiser en dehors d'Earth…
Teneur en carbone organique du sol en x 5 g / kg à six profondeurs standards (0, 10, 30, 60, 100 et 200 cm) à une résolution de 250 mètres, prédite à partir d'une compilation mondiale de points de sol. Les étapes de traitement sont décrites en détail ici. L'Antarctique n'est pas inclus. …
Classes de texture du sol (système USDA) pour six profondeurs de sol (0, 10, 30, 60, 100 et 200 cm) à 250 mètres. Dérivées des fractions de texture du sol prédites à l'aide du package soiltexture dans R. Les étapes de traitement sont décrites en détail ici. L'Antarctique n'est pas inclus. Pour accéder à…
Teneur en eau du sol (en %) pour des succions de 33 kPa et 1 500 kPa prédites à six profondeurs standards (0, 10, 30, 60, 100 et 200 cm) à une résolution de 250 m. Les points d'entraînement sont basés sur une compilation mondiale de profils de sol : USDA NCSS AfSPDB ISRIC WISE EGRPR SPADE…
pH du sol dans H2O à six profondeurs standards (0, 10, 30, 60, 100 et 200 cm) à une résolution de 250 m. Les étapes de traitement sont décrites en détail ici. L'Antarctique n'est pas inclus. Pour accéder aux cartes et les visualiser en dehors d'Earth Engine, consultez cette page. Si vous…
Probabilités prédites des grands groupes de sols USDA à 250 m. Distribution des grands groupes de sols de l'USDA en fonction des prédictions de machine learning issues de la compilation mondiale des profils de sols. Pour en savoir plus sur les grands groupes de sols, veuillez consulter le guide illustré de la taxonomie des sols : NRCS – …
Le système GLDAS-2 (Global Land Data Assimilation System Version 2) de la NASA comporte trois composants : GLDAS-2.0, GLDAS-2.1 et GLDAS-2.2. GLDAS-2.0 est entièrement forcé avec les données d'entrée de forçage météorologique de Princeton et fournit une série cohérente dans le temps de 1948 à 2014. GLDAS-2.1 est forcé avec une combinaison de modèles…
La grille australienne des sols et du paysage (SLGA, Soil and Landscape Grid of Australia) est un ensemble de données complet sur les attributs des sols en Australie, avec une résolution de 3 secondes d'arc (pixels d'environ 90 mètres). Les surfaces sont les résultats de la modélisation qui décrivent la distribution spatiale des attributs du sol à l'aide des données existantes sur le sol et des données environnementales…
Les données à partir du 4 décembre 2023 sont disponibles dans la collection NASA/SMAP/SPL3SMP_E/006. Ce produit de niveau 3 (L3) sur l'humidité du sol fournit un composite quotidien des conditions de surface des terres à l'échelle mondiale, récupéré par le radiomètre en bande L du satellite SMAP (Soil Moisture Active Passive). Les données quotidiennes ici ont été collectées à partir de la descente (locale…
Les données antérieures au 4 décembre 2023 sont disponibles dans l'ancienne collection NASA/SMAP/SPL3SMP_E/005. Ils seront finalement retraités et ajoutés à cette collection. Ce produit de niveau 3 (L3) sur l'humidité du sol fournit un composite quotidien des conditions de surface des terres à l'échelle mondiale, récupéré par le capteur L-Band Soil Moisture Active Passive (SMAP) …
Le produit SMAP de niveau 4 (L4) sur l'humidité du sol comprend l'humidité du sol en surface (moyenne verticale de 0 à 5 cm), l'humidité du sol dans la zone racinaire (moyenne verticale de 0 à 100 cm) et d'autres produits de recherche (non validés), y compris les variables de forçage météorologique en surface, la température du sol, l'évapotranspiration et le rayonnement net. Cet ensemble de données, officiellement appelé …
Teneur en eau volumétrique à une succion de 10 kPa, 33 kPa et 1 500 kPa en 10^-3 cm^3/cm^3 (0, 1 v% ou 1 mm/m) à six profondeurs standards (0-5 cm, 5-15 cm, 15-30 cm, 30-60 cm, 60-100 cm, 100-200 cm). Les prédictions ont été obtenues à l'aide d'une approche de cartographie numérique des sols basée sur la méthode Quantile Random Forest, en s'appuyant sur une base de données mondiale…
Densité apparente, fraction < 2 mm à des profondeurs de sol de 0 à 20 cm et de 20 à 50 cm, moyenne et écart-type prévus. Les valeurs en pixels doivent être retransformées avec x/100. Dans les zones de jungle dense (généralement en Afrique centrale), la précision du modèle est faible et des artefacts tels que des bandes (rayures) peuvent apparaître…
Teneur en argile à des profondeurs de sol de 0 à 20 cm et de 20 à 50 cm, moyenne et écart-type prévus. Dans les zones de jungle dense (généralement en Afrique centrale), la précision du modèle est faible. Des artefacts tels que des bandes (rayures) peuvent donc apparaître. Les prédictions sur les propriétés du sol ont été effectuées par Innovative …
Profondeur du socle rocheux à une profondeur de 0 à 200 cm, moyenne et écart-type prévus. En raison du masque de terres arables potentiel utilisé pour générer les données, de nombreuses zones de roche exposée (où la profondeur du socle rocheux serait de 0 cm) ont été masquées et apparaissent donc…
Moyenne et écart-type prévus de la capacité d'échange cationique efficace à des profondeurs de sol de 0 à 20 cm et de 20 à 50 cm. Les valeurs des pixels doivent être retransformées avec exp(x/10)-1. Dans les zones de jungle dense (généralement en Afrique centrale), la précision du modèle est faible et des artefacts tels que des bandes (rayures) peuvent apparaître…
Calcium extractible à des profondeurs de sol de 0 à 20 cm et de 20 à 50 cm, moyenne et écart-type prévus. Les valeurs de pixels doivent être retransformées avec exp(x/10)-1. Dans les zones de jungle dense (généralement en Afrique centrale), la précision du modèle est faible et des artefacts tels que des bandes (rayures) peuvent donc apparaître.
Fer extractible à des profondeurs de sol de 0 à 20 cm et de 20 à 50 cm, moyenne et écart-type prévus. Les valeurs de pixels doivent être retransformées avec exp(x/10)-1. Dans les zones de jungle dense (généralement en Afrique centrale), la précision du modèle est faible et des artefacts tels que des bandes (rayures) peuvent donc apparaître.
Magnésium extractible à des profondeurs de sol de 0 à 20 cm et de 20 à 50 cm, moyenne et écart-type prévus. Les valeurs de pixels doivent être retransformées avec exp(x/10)-1. Dans les zones de jungle dense (généralement en Afrique centrale), la précision du modèle est faible et des artefacts tels que des bandes (rayures) peuvent donc apparaître.
Phosphore extractible à des profondeurs de sol de 0 à 20 cm et de 20 à 50 cm, moyenne et écart-type prévus. Les valeurs de pixels doivent être retransformées avec exp(x/10)-1. Dans les zones de jungle dense (généralement en Afrique centrale), la précision du modèle est faible et des artefacts tels que des bandes (rayures) peuvent donc apparaître.
Potassium extractible à des profondeurs de sol de 0 à 20 cm et de 20 à 50 cm, moyenne et écart-type prévus. Les valeurs de pixels doivent être retransformées avec exp(x/10)-1. Dans les zones de jungle dense (généralement en Afrique centrale), la précision du modèle est faible et des artefacts tels que des bandes (rayures) peuvent donc apparaître.
Soufre extractible à des profondeurs de sol de 0 à 20 cm et de 20 à 50 cm, moyenne et écart-type prévus. Les valeurs de pixels doivent être retransformées avec exp(x/10)-1. Dans les zones de jungle dense (généralement en Afrique centrale), la précision du modèle est faible et des artefacts tels que des bandes (rayures) peuvent donc apparaître.
Zinc extractible à des profondeurs de sol de 0 à 20 cm et de 20 à 50 cm, moyenne et écart-type prévus. Les valeurs de pixels doivent être retransformées avec exp(x/10)-1. Dans les zones de jungle dense (généralement en Afrique centrale), la précision du modèle est faible et des artefacts tels que des bandes (rayures) peuvent donc apparaître.
Classification de la capacité de fertilité des sols dérivée à partir des propriétés chimiques et physiques des sols et de la pente. Pour en savoir plus sur cette couche, veuillez consulter cette page. Les classes de la bande "fcc" s'appliquent aux valeurs de pixels qui doivent être retransformées avec x modulo 3000. Dans les zones de jungle dense…
Carbone organique à des profondeurs de sol de 0 à 20 cm et de 20 à 50 cm, moyenne et écart-type prévus. Les valeurs de pixels doivent être retransformées avec exp(x/10)-1. Dans les zones de jungle dense (généralement en Afrique centrale), la précision du modèle est faible et des artefacts tels que des bandes (rayures) peuvent donc apparaître.
Teneur en sable à des profondeurs de sol de 0 à 20 cm et de 20 à 50 cm, moyenne et écart-type prévus. Dans les zones de jungle dense (généralement en Afrique centrale), la précision du modèle est faible. Des artefacts tels que des bandes (rayures) peuvent donc apparaître. Les prédictions sur les propriétés du sol ont été effectuées par Innovative …
Teneur en limon à des profondeurs de sol de 0 à 20 cm et de 20 à 50 cm, moyenne et écart-type prévus. Les valeurs de pixels doivent être retransformées avec exp(x/10)-1. Dans les zones de jungle dense (généralement en Afrique centrale), la précision du modèle est faible et des artefacts tels que des bandes (rayures) peuvent donc apparaître.
Teneur en pierres à des profondeurs de sol de 0 à 20 cm et de 20 à 50 cm, moyenne et écart-type prévus. Les valeurs de pixels doivent être retransformées avec exp(x/10)-1. Dans les zones de jungle dense (généralement en Afrique centrale), la précision du modèle est faible et des artefacts tels que des bandes (rayures) peuvent donc apparaître.
Carbone total à des profondeurs de sol de 0 à 20 cm et de 20 à 50 cm, moyenne et écart-type prévus. Les valeurs de pixels doivent être retransformées avec exp(x/10)-1. Dans les zones de jungle dense (généralement en Afrique centrale), la précision du modèle est faible et des artefacts tels que des bandes (rayures) peuvent donc apparaître.
Azote total à des profondeurs de sol de 0 à 20 cm et de 20 à 50 cm, moyenne et écart-type prévus. Les valeurs de pixels doivent être retransformées avec exp(x/100)-1. Dans les zones de jungle dense (généralement en Afrique centrale), la précision du modèle est faible et des artefacts tels que des bandes (rayures) peuvent donc apparaître.
Classe de texture USDA à des profondeurs de sol de 0 à 20 cm et de 20 à 50 cm. Dans les zones de jungle dense (généralement en Afrique centrale), la précision du modèle est faible. Des artefacts tels que des bandes (rayures) peuvent donc apparaître. Les prédictions des propriétés du sol ont été effectuées par Innovative Solutions for Decision…
Aluminium extractible à des profondeurs de sol de 0 à 20 cm et de 20 à 50 cm, moyenne et écart-type prévus. Les valeurs de pixels doivent être retransformées avec exp(x/10)-1. Les prédictions des propriétés du sol ont été effectuées par Innovative Solutions for Decision Agriculture Ltd. (iSDA) avec une taille de pixel de 30 m à l'aide du machine learning associé …
pH à des profondeurs de sol de 0 à 20 cm et de 20 à 50 cm, moyenne et écart-type prévus. Les valeurs de pixels doivent être retransformées avec x/10. Dans les zones de jungle dense (généralement en Afrique centrale), la précision du modèle est faible. Des artefacts tels que des bandes (rayures) peuvent donc apparaître. …
[null,null,[],[[["\u003cp\u003eGoogle Earth Engine hosts a variety of soil datasets, including SLGA for Australia and iSDAsoil for Africa, offering diverse soil property information.\u003c/p\u003e\n"],["\u003cp\u003eiSDAsoil data often requires back-transformation for accurate values and may have lower accuracy in dense jungle areas.\u003c/p\u003e\n"],["\u003cp\u003eGLDAS-2 provides time-series climate and geophysical data globally at 3-hourly intervals.\u003c/p\u003e\n"],["\u003cp\u003eOpenLandMap offers global coverage (excluding Antarctica) of key soil properties like bulk density and organic carbon content at 250m resolution.\u003c/p\u003e\n"],["\u003cp\u003eDatasets vary in resolution and prediction methods, with many utilizing machine learning techniques.\u003c/p\u003e\n"]]],[],null,[]]
