2015-2021年全球36公里逐日SMAP表层土壤湿度重构数据集

利用时间序列挖掘算法，对存在空间缺失部分的逐日SMAP时间序列数据进行特征挖掘，生成多个空间无缝的时间序列特征，并结合地形特征和位置特征等异源信息，构建基于随机森林模型的SMAP缺失数据重构模型。通过输入逐日SMAP数据中的有效部分，可以生产出该场景下的缺失部分，进而重构形成空间连续的、全球尺度的36公里空间分辨率表层土壤湿度数据集。数据集提供GeoTIFF和NetCDF两种存储格式。

Time series mining algorithms are applied to extract features from daily SMAP time series data containing spatial gaps, generating multiple spatially seamless time series features. By integrating heterogeneous auxiliary information including topographic features and geographic location features, a SMAP missing data reconstruction model based on random forest is developed. By inputting the valid segments of the daily SMAP data, the missing parts under this scenario can be generated, thereby reconstructing a spatially continuous, global-scale surface soil moisture dataset with a 36 km spatial resolution. The dataset is provided in two storage formats: GeoTIFF and NetCDF.

搜集汇总

背景与挑战

背景概述

该数据集是一个全球尺度的表层土壤湿度数据集，时间覆盖2015年至2021年，空间分辨率为36公里。数据集通过时间序列挖掘和随机森林模型重构SMAP缺失数据，提供GeoTIFF和NetCDF两种格式，适用于水文学、土壤学和生态学等多个学科领域的研究。