- 综合排序
- 最热优先
- 最新优先
- 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
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
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 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。 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）.
47710编辑于 2024-02-02 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
北美七个站点的地面传感器（L2）每小时容积（立方厘米立方厘米）土壤水分剖面图
AirMOSS: L2 Hourly In-Ground Soil Moisture at AirMOSS Sites, 2011-2015 北美七个站点的地面传感器（L2）每小时容积（立方厘米/立方厘米）土壤水分剖面图 简介 该数据集提供了 2 级（L2）每小时容积（立方厘米/立方厘米）土壤水分剖面图，这些数据来自北美七个站点的地面传感器，是机载次冠层和次表层微波观测站（AirMOSS）项目的一部分。 收集这些地面土壤水分数据是为了校准和验证 AirMOSS 数据。 该数据集有 29 个 NetCDF v4 (*.nc4) 格式的文件。 AirMOSS的数据对于研究地下水循环、土壤水分管理、气候变化和生态系统模拟等领域都具有重要意义。同时，这些数据也可以用于改进气象和水文模型的准确性，并提供更精确的土壤湿度监测与预测能力。 代码 !
12410编辑于 2025-01-17 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
机载次冠层和次表层微波观测站（AirMOSS）雷达仪器在北美十个站点采集的多深度、90 米空间分辨率的 23 级根区土壤湿度（RZSM）估算值
AirMOSS: L2/3 Volumetric Soil Moisture Profiles Derived From Radar, 2012-2015 简介 该数据集提供了通过机载次冠层和次表层微波观测站 由此得出的土壤水分估算值捕捉到了每个研究地点约 100km x 25km 区域内土壤梯度、地形和植被异质性的影响。 这些剖面可以显示土壤在不同深度上的湿度分布情况，从而提供了对土壤水分状况的详细了解。 AirMOSS项目的数据可用于研究土壤水分对生态系统和气候的影响，以及用于监测土壤湿度的变化。 总而言之，AirMOSS项目通过利用合成孔径雷达技术获取了土壤湿度的三维信息，提供了L2/3 Volumetric Soil Moisture Profiles数据，可用于研究和监测土壤水分状况的变化。
10410编辑于 2025-01-17 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
北美七个站点雨量计的 2 级（L2）校准小时降水量（厘米小时）—机载下冠层和地表下微波观测站（AirMOSS）项目
AirMOSS: L2 Hourly Precipitation at AirMOSS Sites, 2011-2015 北美七个站点雨量计的 2 级（L2）校准小时降水量（厘米/小时）—机载下冠层和地表下微波观测站 （AirMOSS）项目 简介 该数据集提供了北美七个站点雨量计的 2 级（L2）校准小时降水量（厘米/小时），是机载下冠层和地表下微波观测站（AirMOSS）项目的一部分。 这些降水数据是与地面土壤水分数据一起收集的，以便校准和验证 AirMOSS 数据。 这些雷达能够穿透植被，并提供有关植被下的土壤水分状况的信息。通过采集大量的数据，可以更好地了解降水的时空分布和变化趋势，从而为气候研究和水资源管理提供更准确的数据支持。
8000编辑于 2025-01-19 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
亚利桑那州核桃沟站点上空采集的机载次冠层和次表层微波观测站（AirMOSS）雷达仪器的 1 (L1) 级极坐标雷达反向散射系数
Polarimetric Data from AirMOSS P-band SAR, Walnut Gulch, 2012-2015 简介 该数据集提供了在亚利桑那州核桃沟站点上空采集的机载次冠层和次表层微波观测站 随后的分析将研究土壤水分的季节和年际变化，以及与碳通量的关系及其在大陆范围内的相关不确定性。 该数据集提供在核桃沟飞行活动中获得的所有 L1 产品。 这些数据可用于土壤湿度建模、水文模拟、土壤水分管理等领域的研究和应用。通过分析这些数据，研究人员可以了解土壤湿度的时空变化特征，从而更好地理解土壤水分动态，并进行相关的科学研究和决策支持。 代码 !
7800编辑于 2025-01-17 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
哥斯达黎加拉塞尔瓦生物站上空采集的机载次冠层和次表层微波观测站（AirMOSS）雷达仪器的 1 (L1) 级极坐标雷达反向散射系数
Polarimetric Data from AirMOSS P-band SAR, La Selva, 2012-2015 简介 该数据集提供了在哥斯达黎加拉塞尔瓦生物站上空采集的机载次冠层和次表层微波观测站 随后的分析将研究土壤水分的季节和年际变化，以及与碳通量的关系及其在大陆范围内的相关不确定性。 该数据集提供了在拉塞尔瓦飞行活动中获得的所有 L1 产品。 它们可以用于分析土壤湿度的季节变化、植被的生长和土壤水分的分布模式。此外，这些数据还可以帮助农业和自然资源管理者更好地了解土壤湿度对作物生长和水资源管理的影响。
9200编辑于 2025-01-13 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
2012-2014 年夏季期间飞机在杜克大学、哈佛大学和豪兰森林站点记录的碳通量测量数据（二氧化碳和水）
摘要 该数据集包含 2012-2014 年夏季期间飞机在杜克大学、哈佛大学和豪兰森林站点记录的碳通量测量数据，是机载下冠层和下表面微波观测站（AirMOSS）项目的一部分。 次冠层和次表层机载微波观测站（AirMOSS NASA 的次冠层和次表层机载微波观测站（AirMOSS）调查的目标是提供北美主要气候栖息地（生物群落）代表性区域根区土壤湿度的高分辨率观测数据，量化土壤湿度变化对区域碳通量估算的影响 此外，AirMOSS 数据还为验证土壤水分主动和被动（SMAP）任务的根区土壤测量算法以及评估其粗分辨率产品中细粒度异质性的影响提供了直接手段。 代码 !pip install leafmap !
9900编辑于 2025-01-17 自动雨量观测站技术方案
自动雨量观测站技术方案 自动雨量观测站旨在实现对降雨量的精准、实时、连续监测，为气象预报、水文监测、防汛抗旱、农业生产、城市排水等领域提供可靠的雨量数据支撑。 实时监测与告警：云端平台实时接收并展示各观测站的降雨量数据，包括瞬时雨强、小时雨量、日雨量、月雨量、年雨量等。 远程管理与维护：通过云端平台可实现对自动雨量观测站的远程管理，包括设备参数配置（如采集频率、传输周期）、固件升级、工作状态监测等。 四、安装与运维方案安装要求选址：观测站应安装在地势开阔、周围无高大建筑物、树木遮挡的位置，避免地形和障碍物对降雨观测的影响，观测场地四周应无强电磁场干扰。 五、方案价值与应用场景本自动雨量观测站技术方案通过高精度的雨量监测、稳定的数据传输和强大的数据分析功能，能为各行业提供准确、及时的雨量数据。
20710编辑于 2025-08-20- 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
杜克森林飞行活动中获得的所有 L1 产品
Polarimetric Data from AirMOSS P-band SAR, Duke Forest, 2012-2015 简介 该数据集提供了在北卡罗来纳州杜克森林站点上空采集的机载次冠层和次表层微波观测站 随后的分析将研究土壤水分的季节和年际变化，以及与碳通量的关系及其在大陆范围内的相关不确定性。 该数据集提供了在杜克森林飞行活动中获得的所有 L1 产品。 数据集提供了高分辨率的地表土壤湿度信息，可以用于研究土壤水分的时空变化以及与气候和生态系统的相互作用关系。 这些数据对于土壤湿度研究、水文模型验证、农业监测等应用具有重要意义。
16100编辑于 2025-01-13 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
俄勒冈州梅托柳斯站点上空采集的机载次冠层和次表层微波观测站（AirMOSS）雷达仪器的 1 (L1) 级极坐标雷达反向散射系数
Polarimetric Data from AirMOSS P-band SAR, Metolius, 2012-2015 简介 该数据集提供了在俄勒冈州梅托柳斯站点上空采集的机载次冠层和次表层微波观测站 随后的分析将研究土壤水分的季节和年际变化，以及与碳通量的关系及其在大陆范围内的相关不确定性。 该数据集提供在梅托柳斯飞行活动中获得的所有 L1 产品。 这些数据提供了地下水和土壤湿度的空间分布图，可用于研究和分析地下水循环和土壤水分动态。 AirMOSS的L1 S-0极化数据对于水文学、气候学以及土地管理等领域的研究具有重要意义。
7900编辑于 2025-01-13 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
哈佛森林飞行活动中获得的所有 L1 产品
Polarimetric Data from AirMOSS P-band SAR, Harvard Forest, 2012-2015 简介 该数据集提供了在马萨诸塞州哈佛森林上空采集的机载次冠层和次表层微波观测站 随后的分析将研究土壤水分的季节和年际变化，以及与碳通量的关系及其在大陆范围内的相关不确定性。 该数据集提供了在哈佛森林飞行活动中获得的所有 L1 产品。 它对于研究土壤水分的分布和变化模式、了解湿地、农田和森林等生态系统的水文过程以及监测气候变化对土壤湿度的影响等方面非常有用。
15400编辑于 2025-01-13 - 来自专栏AI机器学习与深度学习算法
机器学习入门 6-6 随机梯度下降法
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍批量梯度下降法的弊端进而引出随机梯度下降法，并通过代码构建随机梯度下降法。
1K00发布于 2019-11-13 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
NASA数据集——包括阿拉斯加的 39 个站点和加拿大西北部的 12 个站点）的季节性沉降、活动层厚度 (ALT)、垂直土壤水分剖面数据
ALT和土壤水分剖面检索同时使用L波段和P波段合成孔径雷达（SAR）数据，这些数据由NASA/JPL无人驾驶飞行器合成孔径雷达（UAVSAR）仪器在2017年北极极地脆弱性实验（ABoVE）机载活动中获取 该产品由永冻土动力学观测站（PDO）项目创建，用于估算 2017 年 6 月和 9 月获取的 L 波段干涉合成孔径雷达（InSAR）对中由于活动层融化而导致的季节性下沉。 它还通过机载下冠层和下表面微波观测站（AirMOSS）在 8 月份获取的 P 波段极坐标合成孔径雷达（PolSAR）反向散射来估算土壤体积含水量（VWC）的垂直剖面。 联合检索同时使用 L 波段和 P 波段反向散射得出的季节性沉降来估算 ALT 和垂直土壤水分剖面以及不确定性。 解冻深度和土壤水分估算值被认为代表最大解冻时的活动层土壤剖面，在这种情况下，解冻深度相当于 2017 年的 ALT。 表 1.研究区域。纬度和经度以十进制度表示。
21710编辑于 2024-04-04 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
墨西哥哈利斯科州查梅拉生物站上空采集的机载次冠层和次表层微波观测站（AirMOSS）雷达仪器的 1 (L1) 级极坐标雷达反向散射系数
摘要 该数据集提供了在墨西哥哈利斯科州查梅拉生物站上空采集的机载次冠层和次表层微波观测站（AirMOSS）雷达仪器的 1 (L1) 级极坐标雷达反向散射系数（sigma-0）、多图复合、极坐标校准和地理参照数据产品 随后的分析将研究土壤水分的季节和年际变化，以及与碳通量的关系及其在大陆范围内的相关不确定性。 该数据集提供了在 Chamela 飞行活动中获得的所有 L1 产品。
9600编辑于 2025-01-13 - 来自专栏全栈开发那些事
6-6 带头结点的链式表操作集 (20分)
Position Find( List L, ElementType X )：返回线性表中X的位置。若找不到则返回ERROR；
24930编辑于 2023-02-27 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
2015-2017 年阿拉斯加通量塔站点的 CO2 和 CH4 通量及气象情况
阿拉斯加巴罗的三个塔点：巴罗环境观测站 (BEO) 塔、南部生物复杂性实验 (BES) 塔以及气候监测和诊断实验室 (CMDL) 塔。 如第 5 节所述，每个站点的土壤水分剖面列也可能有不同数量的剖面、传感器和传感器深度。 土壤水分剖面列尽可能命名为（Px，表示剖面编号）、（_SWC，表示土壤含水量）和（_深度）（如 P2_SWC_15）。如果只提供传感器编号，则命名为 SWC_1。 巴罗环境观测站（Barrow Environmental Observatory，BEO）包括巴罗环境观测站塔、南部生物复杂性实验（Biocomplexity Experiment，South，BES） 厘米处的四个剖面 IVO：地表 5、15、30 和 40 厘米处的四个剖面 在 BES、ATQ 和 IVO 使用含水量反射仪 CS616（Campbell Scientific）测量土壤水分
18810编辑于 2024-06-01 - 来自专栏气象学家
Nature Climate Change | 干旱期间植被-大气的反馈作用加剧臭氧污染
(a)夏季站点观测臭氧浓度与温度的变化， (b) NOx排放的变化趋势 作者利用欧洲四个观测站点夏季的臭氧观测数据研究了近几十年臭氧浓度的变化趋势，结果表明，在年际和年代际时间尺度上，臭氧浓度的变化都与温度密切相关 观测与三组数值试验模拟的臭氧对于温度的敏感性 干旱期间土壤水分严重亏缺导致植被气孔关闭，减少植被对于臭氧的吸收，导致近地表臭氧浓度升高。
1.4K20发布于 2020-06-29 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
俄克拉荷马州 MOISST 站点上空采集的机载次冠层和次表层微波观测站 (AirMOSS) 雷达仪器的 1 (L1) 级极坐标雷达反向散射、多图复合、极坐标校准和地理参照数据产品
Polarimetric Data from AirMOSS P-band SAR, MOISST, 2012-2015 简介 该数据集提供了在俄克拉荷马州 MOISST 站点上空采集的机载次冠层和次表层微波观测站 随后的分析将研究土壤水分的季节和年际变化，以及与碳通量的关系及其在大陆范围内的相关不确定性。 该数据集提供了在气象卫星系统飞行活动中获得的所有 L1 产品。
8300编辑于 2025-01-13 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
GEE APP——土壤水分资源管理器
摘要 由于土壤水分含量与地球气候和天气以及干旱、洪水或山体滑坡等现象有关，因此对许多科学和专业用户来说都非常宝贵。遥感技术为连续测量这一变量提供了独特的可能性。 然而，目前可操作的土壤水分产品只有中粗空间分辨率（≥1 公里）。 本研究介绍了一种基于机器学习（ML）的高空间分辨率（50 米）土壤水分绘图方法，该方法基于 Landsat-8 光学和热图像、哥白尼哨兵-1 C 波段合成孔径雷达图像以及可在谷歌地球引擎中执行的模型数据的整合 这种方法的新颖之处在于将完全由数据驱动的 ML 概念应用于地表土壤水分含量的全球估算。来自国际土壤水分网络的全球分布式原位数据是模型训练的输入。 除了检索模型本身，本文还介绍了一个收集训练数据的框架和一个用于土壤水分绘图的独立 Python 软件包。谷歌地球引擎 Python 应用程序接口为完全基于云的数据收集和检索的执行提供了便利。
24910编辑于 2024-04-17 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
加利福尼亚州通齐牧场上空采集的机载次冠层和次表层微波观测站（AirMOSS）雷达仪器的 1 (L1) 级极坐标雷达反向散射系数
Polarimetric Data from AirMOSS P-band SAR, Tonzi Ranch, 2012-2015 简介 该数据集提供了在加利福尼亚州通齐牧场上空采集的机载次冠层和次表层微波观测站 随后的分析将研究土壤水分的季节和年际变化，以及与碳通量的关系及其在大陆范围内的相关不确定性。 该数据集提供在 Tonzi Ranch 飞行活动中获得的所有 L1 产品。
7000编辑于 2025-01-13
腾讯云开发者
