Hyperspectral benchmark dataset on soil moisture

该数据集是一个关于土壤湿度的超光谱基准数据集，提供了详细的土壤湿度信息。

This dataset is a hyperspectral benchmark dataset on soil moisture, providing detailed information on soil moisture.

原始信息汇总

数据集概述

本数据集包含多个领域的公共数据源，涵盖农业、生物学、气候与天气、复杂网络、计算机网络、数据挑战、地球科学、经济学、教育和能源等多个领域。以下是各领域数据集的概要信息：

农业

• Hyperspectral benchmark dataset on soil moisture: 包含土壤湿度的超光谱基准数据集。
• U.S. Department of Agricultures Nutrient Database: 美国农业部的营养数据库。
• U.S. Department of Agricultures PLANTS Database: 美国农业部的植物数据库。

生物学

• American Gut (Microbiome Project): 美国肠道项目，研究微生物组。
• Broad Bioimage Benchmark Collection (BBBC): 广泛的生物图像基准集合。
• Broad Cancer Cell Line Encyclopedia (CCLE): 广泛的癌症细胞系百科全书。
• Cell Image Library: 细胞图像库。
• Complete Genomics Public Data: 完整的基因组公共数据。
• EBI ArrayExpress: 欧洲生物信息学研究所的ArrayExpress数据库。
• EBI Protein Data Bank in Europe: 欧洲的蛋白质数据库。
• ENCODE project: 编码项目，研究DNA元素百科全书。
• Electron Microscopy Pilot Image Archive (EMPIAR): 电子显微镜试点图像档案。
• Ensembl Genomes: 基因组数据库。
• Gene Expression Omnibus (GEO): 基因表达综合数据库。
• Gene Ontology (GO): 基因本体论注释文件。
• Global Biotic Interactions (GloBI): 全球生物相互作用数据库。
• Harvard Medical School (HMS) LINCS Project: 哈佛医学院的LINCS项目。
• Human Genome Diversity Project: 人类基因组多样性项目。
• Human Microbiome Project (HMP): 人类微生物组项目。
• ICOS PSP Benchmark: ICOS PSP基准。
• International HapMap Project: 国际人类基因组单体型图计划。
• KEGG: 京都基因与基因组百科全书。
• MIT Cancer Genomics Data: 麻省理工学院的癌症基因组数据。
• NCBI Proteins: 美国国家生物技术信息中心的蛋白质数据库。
• NCBI Taxonomy: 美国国家生物技术信息中心的分类数据库。
• NCI Genomic Data Commons: 美国国家癌症研究所的基因组数据共享平台。
• NIH Microarray data: 美国国立卫生研究院的微阵列数据。
• OpenSNP genotypes data: 开放SNP基因型数据。
• Pathguid: 蛋白质-蛋白质相互作用目录。
• Protein Data Bank: 蛋白质数据库。
• Psychiatric Genomics Consortium: 精神病基因组学联盟。
• PubChem Project: 公共化学数据库项目。
• PubGene (now Coremine Medical): 公共基因数据库，现为Coremine Medical。
• Sanger Catalogue of Somatic Mutations in Cancer (COSMIC): 癌症体细胞突变目录。
• Sanger Genomics of Drug Sensitivity in Cancer Project (GDSC): 癌症药物敏感性基因组学项目。
• Sequence Read Archive(SRA): 序列读取档案。
• Stanford Microarray Data: 斯坦福微阵列数据。
• Stowers Institute Original Data Repository: Stowers研究所原始数据存储库。
• Systems Science of Biological Dynamics (SSBD) Database: 生物动力学系统科学数据库。
• The Cancer Genome Atlas (TCGA): 癌症基因组图谱。
• The Catalogue of Life: 生命目录。
• The Personal Genome Project: 个人基因组项目。
• UCSC Public Data: 加州大学圣克鲁兹分校公共数据。
• UniGene: 基因集合数据库。
• Universal Protein Resource (UnitProt): 通用蛋白质资源。

气候与天气

• Actuaries Climate Index: 精算师气候指数。
• Australian Weather: 澳大利亚天气数据。
• Aviation Weather Center: 航空天气中心数据。
• Brazilian Weather: 巴西天气历史数据。
• Canadian Meteorological Centre: 加拿大气象中心数据。
• Climate Data from UEA: 东英吉利大学气候数据。
• Dutch Weather: 荷兰天气数据。
• European Climate Assessment & Dataset: 欧洲气候评估与数据集。
• Global Climate Data Since 1929: 自1929年以来的全球气候数据。
• NASA Global Imagery Browse Services: 美国宇航局全球图像浏览服务。
• NOAA Bering Sea Climate: 美国国家海洋和大气管理局的白令海气候数据。
• NOAA Climate Datasets: 美国国家海洋和大气管理局的气候数据集。
• NOAA Realtime Weather Models: 美国国家海洋和大气管理局的实时天气模型。
• NOAA SURFRAD Meteorology and Radiation Datasets: 美国国家海洋和大气管理局的SURFRAD气象和辐射数据集。
• The World Bank Open Data Resources for Climate Change: 世界银行气候变化开放数据资源。
• UEA Climatic Research Unit: 东英吉利大学气候研究单位数据。
• WU Historical Weather Worldwide: 世界天气信息服务历史天气数据。
• WorldClim - Global Climate Data: 全球气候数据。

复杂网络

• AMiner Citation Network Dataset: AMiner引用网络数据集。
• CrossRef DOI URLs: CrossRef DOI网址。
• DBLP Citation dataset: DBLP引用数据集。
• DIMACS Road Networks Collection: DIMACS道路网络集合。
• NBER Patent Citations: 国家经济研究局的专利引用数据。
• NIST complex networks data collection: 美国国家标准与技术研究院的复杂网络数据收集。
• Network Repository with Interactive Exploratory Analysis Tools: 网络存储库与交互式探索分析工具。
• Protein-protein interaction network: 蛋白质-蛋白质相互作用网络。
• PyPI and Maven Dependency Network: PyPI和Maven依赖网络。
• Scopus Citation Database: Scopus引用数据库。
• Small Network Data: 小型网络数据。
• Stanford GraphBase: 斯坦福图形库。
• Stanford Large Network Dataset Collection: 斯坦福大型网络数据集收集。
• The Koblenz Network Collection: 科布伦茨网络收集。
• The Laboratory for Web Algorithmics (UNIMI): 网络算法实验室数据集。
• UCI Network Data Repository: 加州大学欧文分校网络数据存储库。
• UFL sparse matrix collection: 佛罗里达大学稀疏矩阵集合。

计算机网络

• 3.5B Web Pages from CommonCrawl 2012: 来自CommonCrawl 2012的35亿网页。
• 53.5B Web clicks of 100K users in Indiana Univ.: 印第安纳大学10万用户的535亿次网页点击。
• CAIDA Internet Datasets: 加州大学圣地亚哥分校的互联网数据集。
• CRAWDAD Wireless datasets from Dartmouth Univ.: 达特茅斯大学的无线数据集。
• ClueWeb09 - 1B web pages: ClueWeb09的10亿网页。
• ClueWeb12 - 733M web pages: ClueWeb12的7.33亿网页。
• CommonCrawl Web Data over 7 years: 过去7年的CommonCrawl网页数据。
• Criteo click-through data: Criteo的点击通过数据。
• Internet-Wide Scan Data Repository: 互联网全扫描数据存储库。
• MIRAGE-2019: MIRAGE-2019移动流量数据集。
• OONI: Open Observatory of Network Interference: 网络干扰开放观测站数据。
• Open Mobile Data by MobiPerf: MobiPerf的开放移动数据。
• The Peer-to-Peer Trace Archive: 对等网络跟踪档案。
• Rapid7 Sonar Internet Scans: Rapid7的Sonar互联网扫描数据。
• UCSD Network Telescope, IPv4 /8 net: 加州大学圣地亚哥分校的网络望远镜数据。

数据挑战

• Bruteforce Database: 暴力破解数据库。
• Challenges in Machine Learning: 机器学习挑战。
• CrowdANALYTIX dataX: CrowdANALYTIX数据挑战。
• D4D Challenge of Orange: Orange的D4D挑战。
• DrivenData Competitions for Social Good: 为社会公益驱动的数据竞赛。
• ICWSM Data Challenge (since 2009): ICWSM自2009年以来的数据挑战。
• KDD Cup by Tencent 2012: 腾讯2012年KDD杯。
• Kaggle Competition Data: Kaggle竞赛数据。
• Localytics Data Visualization Challenge: Localytics数据可视化挑战。
• Netflix Prize: Netflix大奖赛数据。
• Space Apps Challenge: 太空应用挑战数据。
• Telecom Italia Big Data Challenge: 意大利电信大数据挑战。
• TravisTorrent Dataset - MSR2017 Mining Challenge: TravisTorrent数据集，MSR2017挖掘挑战。
• TunedIT - Data mining & machine learning data sets, algorithms, challenges: TunedIT数据挖掘与机器学习数据集、算法、挑战。
• Yelp Dataset Challenge: Yelp数据集挑战。

地球科学

• 38-Cloud (Cloud Detection): 38个Landsat 8场景图像及其云检测数据集。
• AQUASTAT - Global water resources and uses: AQUASTAT全球水资源和使用数据。
• BODC - marine data of ~22K vars: 英国海洋数据中心约22,000个变量的海洋数据。
• EOSDIS - NASAs earth observing system data: 美国宇航局的地球观测系统数据。
• Earth Models: 地球模型数据。
• Integrated Marine Observing System (IMOS): 综合海洋观测系统数据。
• Marinexplore - Open Oceanographic Data: 海洋探索开放海洋学数据。
• Alabama Real-Time Coastal Observing System: 阿拉巴马实时沿海观测系统数据。
• National Estuarine Research Reserves System-Wide Monitoring Program: 国家河口研究保护区系统范围监测计划数据。
• Oil and Gas Authority Open Data: 石油和天然气管理局开放数据。
• Smithsonian Institution Global Volcano and Eruption Database: 史密森尼学会全球火山和喷发数据库。
• USGS Earthquake Archives: 美国地质调查局地震档案。

经济学

• American Economic Association (AEA): 美国经济协会数据。
• EconData from UMD: 马里兰大学经济数据。
• Economic Freedom of the World Data: 世界经济自由数据。
• Historical MacroEconomic Statistics: 历史宏观经济统计数据。
• INFORUM - Interindustry Forecasting at the University of Maryland: 马里兰大学的产业间预测数据。
• DBnomics – the worlds economic database: DBnomics全球经济数据库。
• International Trade Statistics: 国际贸易统计数据。
• Internet Product Code Database: 互联网产品代码数据库。
• Joint External Debt Data Hub: 联合外债数据中心。
• Jon Haveman International Trade Data Links: Jon Haveman国际贸易数据链接。
• OpenCorporates Database of Companies in the World: 全球公司数据库。
• Our World in Data: 我们的世界数据。
• SciencesPo World Trade Gravity Datasets: 巴黎政治学院世界贸易引力数据集。
• The Atlas of Economic Complexity: 经济复杂性地图集。
• The Center for International Data: 国际数据中心。
• The Observatory of Economic Complexity: 经济复杂性观测站。
• UN Commodity Trade Statistics: 联合国商品贸易统计数据。
• UN Human Development Reports: 联合国人类发展报告。

教育

• College Scorecard Data: 大学记分卡数据。
• New York State Education Department Data: 纽约州教育部数据。
• Student Data from Free Code Camp: 免费编程营学生数据。

能源

• AMPds - The Almanac of Minutely Power dataset: AMPds每分钟电力数据集。
• BLUEd - Building-Level fUlly labeled Electricity Disaggregation dataset: BLUEd建筑级完全标记的电力分解数据集。
• COMBED: COMBED数据集。
• DEL - Domestic Electrical Load study datsets for South Africa (1994 - 2014): DEL南非家用电气负荷研究数据集（1994-2014）。
• ECO - The ECO data set is a comprehensive data set for non-intrusive load monitoring: ECO数据集，用于非侵入式负载监控的综合数据集。

搜集汇总

数据集介绍

构建方式

该数据集通过高光谱成像技术采集土壤湿度数据，结合实地测量和遥感技术，确保数据的精确性和广泛覆盖。数据采集过程中，采用了标准化的土壤湿度测量方法，并结合高光谱图像分析，构建了一个包含多种土壤类型和湿度条件的高质量数据集。

特点

该数据集的特点在于其高光谱成像数据的丰富性和多样性，涵盖了不同土壤类型和湿度条件下的光谱特征。数据集不仅提供了高精度的土壤湿度测量数据，还包含了与之相关的地理信息和环境参数，为土壤湿度的多维度分析提供了坚实的基础。

使用方法

该数据集适用于土壤湿度监测、农业灌溉优化以及环境变化研究等领域。研究人员可以通过分析高光谱图像数据，结合土壤湿度测量值，建立预测模型或进行土壤湿度分布的时空分析。数据集的使用方法包括数据预处理、特征提取和模型训练等步骤，旨在为相关研究提供可靠的数据支持。

背景与挑战

背景概述

高光谱土壤湿度基准数据集（Hyperspectral benchmark dataset on soil moisture）是一个专注于农业和环境科学领域的重要数据集，旨在通过高光谱遥感技术精确测量土壤湿度。该数据集由多个研究机构合作创建，首次发布于2018年，数据来源包括卫星和地面传感器。其核心研究问题在于如何利用高光谱数据提高土壤湿度的监测精度，从而为农业灌溉管理、干旱预警以及气候变化研究提供科学依据。该数据集在农业遥感领域具有广泛的影响力，为相关算法的开发和验证提供了重要的基准数据。

当前挑战

该数据集面临的挑战主要集中在两个方面：首先，高光谱数据的复杂性和高维度特性使得数据处理和分析变得极为困难，尤其是在噪声去除和特征提取方面；其次，土壤湿度的时空变异性较大，如何在不同地理环境和气候条件下保持数据的准确性和一致性是一个亟待解决的问题。此外，数据集的构建过程中还面临传感器校准、数据融合以及跨平台数据整合等技术难题，这些挑战都对数据集的广泛应用提出了更高的要求。

常用场景

经典使用场景

在农业科学领域，高光谱土壤湿度基准数据集被广泛用于土壤湿度的精确监测与分析。通过高光谱成像技术，研究人员能够捕捉到土壤在不同湿度条件下的光谱特征，进而构建高精度的土壤湿度预测模型。这一数据集为农业灌溉管理、干旱监测以及作物生长模型的优化提供了重要的数据支持。

衍生相关工作

基于该数据集，许多经典研究工作得以展开。例如，研究人员开发了基于机器学习的高光谱土壤湿度预测算法，显著提升了预测精度。此外，该数据集还催生了一系列关于土壤湿度与作物生长关系的研究，为农业生态系统的可持续发展提供了理论支持。

数据集最近研究

最新研究方向

在农业遥感领域，高光谱土壤湿度基准数据集（Hyperspectral benchmark dataset on soil moisture）为土壤湿度的精确监测和预测提供了重要的数据支持。近年来，随着高光谱遥感技术的快速发展，研究者们利用该数据集开展了多项前沿研究，特别是在土壤湿度反演模型的优化、机器学习算法的应用以及多源数据融合方面取得了显著进展。这些研究不仅提升了土壤湿度的监测精度，还为精准农业的实施提供了科学依据。此外，该数据集在全球气候变化背景下，对干旱预警和水资源管理等领域的研究也具有重要意义，推动了农业与环境科学的交叉融合。