Mehr

Extrahieren von Punktdaten für jede Breite und Länge aus einer Rasterdatei in einen Datenrahmen

Extrahieren von Punktdaten für jede Breite und Länge aus einer Rasterdatei in einen Datenrahmen


Ich habe gerasterte Datendateien (siehe Beispiel - jede Datei besteht aus einem monatlichen Niederschlag und trägt die Bezeichnung pYYYYMM) https://www.dropbox.com/sh/63z166tjxyu12s5/AAAs3Ccn1zdVoBYMj8Y1o303a?dl=0.

Ich versuche, die Punktdaten für jedes kanadische Territorium zu extrahieren, um eine Zeitreihe für jeden Breiten- und Längengrad innerhalb des Datensatzes zu erhalten

library(raster) files= list.files( ,pattern='*.grd',full.names=TRUE) s <- stack(files) # Einstellung Fehlende Werte s[s >= 170141000918782798866653488190622531584.00] <- NA_real_ # read in my read Point of Interest, pt<- read.csv("latandlong")

Diese Daten sind verfügbar https://www.dropbox.com/s/3p4u4pyxkyo2q15/latandlong.csv?dl=0

# Setzen der Datenpunkte auf räumliche Werte mit den ersten beiden Spalten point <- SpatialPoints(pt) df1 <- Extract(s, point, df=TRUE,method='simple') write.csv(df1, 'precip.csv' ) str(df1) data.frame': 409 obs. von 1922 Variablen: $ ID : Num 1 2 3 4 5 6 7 8 9 10… $ t190001: Num -18,8 -19,6 -20,2 -20,8 -21,9… $ t190002: Num -23 -23,4 -23,8 -24,8 -25,6… $ t190003: Num -14 -14,4 -14,5 -15,3 -15,9…

Wenn ich die von RobertH empfohlene Extraktionsfunktion ausführe, funktioniert dies, aber ich brauche nur noch einen letzten Schritt. Ich benötige auch die entsprechenden x-y-Werte und Lat / Lat-Koordinaten in meinem Datenrahmen oder gibt es eine Möglichkeit, Daten für jedes Gebiet direkt für jeden Punkt zu extrahieren.


Ich gehe davon aus, dass Sie mit 'x' und 'y' Zeilen- und Spaltennummer meinen? Wenn ja, können Sie Folgendes tun

# Ihr Code (vereinfacht) library(raster) files= list.files(pattern='.grd$', full.names=TRUE) s <- stack(files) pt<- read.csv("latandlong") point <- SpatialPoints(pt) df <- Extract(s, point, df=TRUE, method="simple") # Zeilen- und Spaltennummer abrufen row <- rowFromY(s, pt) col <- colFromX(s, pt) # kombiniere df <- cbind(df, pt, row=row, col=col) head(df)

R als GIS für Ökonomen

1.5.1 Projektübersicht

  • Jährliche Grundwasserförderung durch Bewässerungsbrunnen in Kansas für 2010 und 2011 (ursprünglich aus der Datenbank des Water Information Management & Analysis System (WIMAS) bezogen)
  • Daymet 27 Tagesniederschlag und maximale Temperatur, heruntergeladen mit dem daymetr-Paket

Ökonometrisches Modell

Das ökonometrische Modell, das wir schätzen möchten, lautet:

[ j_ = alpha + P_ eta + T_ gamma + phi_i + eta_t + v_ ]

wobei (y) die gesamte Grundwasserentnahme im Jahr (t) ist, (P_) und T_) ist die Sammlung des monatlichen Gesamtniederschlags und der mittleren Höchsttemperatur von April bis September im Jahr (t) bzw. (phi_i) ist der gut festgelegte Effekt, (eta_t) ist der Jahreseffekt, und (v_) ist der Fehlerterm.

  • Download von Daymet-Niederschlags- und Maximaltemperaturdaten für jedes Well aus R parallel
    • Verwenden Sie daymetr::download_daymet() und future.apply::future_lapply()

    Vorbereitung für die Replikation

    • Führen Sie den folgenden Code aus, um das pacman-Paket zu installieren oder zu laden (falls bereits installiert), und installieren oder laden Sie (falls bereits installiert) das aufgelistete Paket in der Funktion pacman::p_load().

    1.5.2 Projektdemonstration

    Wir haben bereits 2010 und 2011 in Kansas jährliche Grundwasserpumpendaten von Bewässerungsbrunnen aus der Datenbank des Water Information Management & Analysis System (WIMAS) gesammelt. Lesen wir die Grundwassernutzungsdaten ein.

    Wir haben insgesamt 28553 Brunnen, und jeder Brunnen hat Aufzeichnungen über die Grundwasserförderung ( f_used ) für die Jahre 2010 und 2011. Hier ist die räumliche Verteilung der Brunnen.

    Wir müssen jetzt monatliche Niederschlags- und Höchsttemperaturdaten erhalten. Wir haben uns entschieden, Daymet-Wetterdaten zu verwenden. Hier verwenden wir die Funktion download_daymet() aus dem Paket daymetr 28, die es uns ermöglicht, alle Wettervariablen für einen bestimmten geografischen Standort und Zeitraum 29 herunterzuladen. Wir schreiben eine Wrapper-Funktion, die Daymet-Daten herunterlädt und sie dann verarbeitet, um den monatlichen Gesamtniederschlag und die mittlere Höchsttemperatur zu ermitteln 30 . Wir durchlaufen dann die 56225 Wells, die mit der future_apply()-Funktion 31 aus dem future.apply-Paket parallelisiert werden. Dieser Vorgang dauert auf meinem Mac mit Parallelisierung auf 7 Kernen etwa eine Stunde. Die Daten stehen im Datenrepository für diesen Kurs (mit dem Namen „all_daymet.rds“) zur Verfügung.

    Hier ist, was ein Lauf (für den ersten Brunnen) von get_daymet() zurückgibt

    Wir erhalten die Anzahl der Kerne, die Sie mit RhpcBLASctl::get_num_procs() verwenden können, und parallelisieren die Schleife über Wells mit future_lapply() . 32

    Bevor wir die Daymet-Daten zusammenführen, müssen wir die Daten in ein breites Format umformen, um den monatlichen Niederschlag und die maximale Temperatur als Spalten zu erhalten.

    Lassen Sie uns nun die Wetterdaten mit dem Grundwasserpumpen-Dataset zusammenführen.

    Lassen Sie uns die Regression ausführen und die Ergebnisse anzeigen.

    Abhängige Variable:
    af_used
    prcp_4 -0.053 ***
    (0.017)
    prcp_5 0.112 ***
    (0.010)
    prcp_6 -0.073 ***
    (0.008)
    prcp_7 0.014
    (0.010)
    prcp_8 0.093 ***
    (0.014)
    prcp_9 -0.177 ***
    (0.025)
    tmax_4 9.159 ***
    (1.227)
    tmax_5 -7.505 ***
    (1.062)
    tmax_6 15.134 ***
    (1.360)
    tmax_7 3.969 **
    (1.618)
    tmax_8 3.420 ***
    (1.066)
    tmax_9 -11.803 ***
    (1.801)
    Beobachtungen 55,754
    R2 0.942
    Angepasstes R 2 0.883
    Reststd. Error 46,864 (df = 27659)
    Hinweis: p<0.1 p<0.05 p<0.01

    Das ist es. Versuchen Sie nicht, die Regressionsergebnisse einzulesen. Auch dies ist nur eine Veranschaulichung, wie R verwendet werden kann, um ein regressionsfähiges Dataset mit räumlichen Variablen vorzubereiten.

    Hier finden Sie eine ausführlichere Erklärung zur Verwendung des daymetr-Pakets.↩︎

    Dies ist für ein echtes Forschungsprojekt möglicherweise nicht ideal, da die ursprünglichen Rohdaten nicht aufbewahrt werden. Es ist häufig der Fall, dass sich Ihr ökonometrischer Plan im Laufe Ihres Projekts ändert (z. B. Verwendung anderer Wettervariablen oder Verwendung einer anderen zeitlichen Aggregation von Wettervariablen anstelle einer monatlichen Aggregation). In diesem Fall müssen Sie dieselben Daten erneut herunterladen.↩︎

    Für parallelisierte Berechnungen siehe Kapitel A↩︎

    Für Mac-Benutzer sind mclapply oder pbmclapply (mclapply mit Fortschrittsbalken) gute Alternativen.↩︎


    Fortgeschrittene Beispiele

    Die Oberflächen- und Bildtextur werden als COLLADA-Modell, verpackt in einer KMZ-Datei (komprimierte KML), ausgegeben. Das COLLADA-Modell wird als Ortsmarke in der in der KMZ gespeicherten KML-Datei referenziert. Die Ortsmarke enthält die geografischen WGS84-Koordinaten des Ursprungs (Mittelpunkt) des Modells, seine Höhe in Metern über dem Meeresspiegel und seine Ausrichtung (Nordwinkel). Diese Ortsmarkierungsinformationen ermöglichen es Google Earth, das Geländemodell im 3D-Raum korrekt zu lokalisieren und auszurichten.

    Das COLLADA-Modell spezifiziert ein Dreiecksnetz, das das benutzerdefinierte 3D-Gelände definiert, das aus dem DEM abgeleitet wurde, und eine Zuordnung zu den entsprechenden normalisierten Bildkoordinaten, damit das Bild (als JPEG-, PNG- oder TIFF-Datei exportiert) als Textur auf das Dreiecksnetz gelegt werden kann bei Google Earth. Die Dreiecksnetzkoordinaten werden aus einem aus dem DEM erstellten TIN gelesen. Das COLLADA-Modell hat projizierte Koordinaten, die aus dem Koordinatenbezugssystem des IMAGE abgeleitet sind (es sei denn, es hat ein nicht projiziertes CRS, in diesem Fall wird ein ortsgerechtes UTM-CRS erstellt und verwendet).

    Der Dialog für benutzerdefinierte Skripte bietet eine interaktive Auswahl der Eingabe-DEM und IMAGE und der Ausgabe-KMZ-Datei. Die Höheneinheiten für das DEM (Meter oder Fuß) müssen korrekt angegeben werden, um eine korrekte vertikale Skalierung für das Modell bereitzustellen. Ein vertikaler Versatz des Modells über der Google Earth-Geländeoberfläche kann eingestellt werden, um eine Überschneidung des Modells mit dem Google Earth-Gelände zu vermeiden (Teile des Modells unterhalb des Google Earth-Geländes sind nicht sichtbar).

    Das Eingabe-Raster muss ein ganzzahliges Einzel-Raster mit quadratischen Zellen sein. Spätere Versionen unterstützen möglicherweise weitere Formate. Das Maskenraster muss äußere Hintergrundbereiche mit der Markierung -1, innere Hintergrundbereiche mit 1 und Landschaftsbereiche mit 0 markiert haben.


    3 Antworten 3

    K-bedeutet Versuche, Beobachtungen nach räumlicher Nähe zu gruppieren. Wenn Sie beispielsweise 2 Cluster (k=2) angeben, könnten Sie feststellen, dass zwei Gruppen von Clustern (hoffentlich) weit voneinander entfernt sind. In diesem Fall stellen Sie möglicherweise fest, dass Werte mit niedriger Breite und niedriger Länge in derselben Gruppe wie Werte mit niedriger Temperatur zusammengefasst werden. Umgekehrt kann der andere Cluster zeigen, dass Beobachtungen in großen Breiten und in großen Längen dazu neigen, in den gleichen Raum wie hohe Temperaturen zu fallen. In diesem Beispiel könnten Sie daraus schließen, dass ein gewisses Maß an Assoziation zwischen den Attributen basierend auf Näherungsmerkmalen gefunden wurde. Beachten Sie, dass ein Großteil der Analyse durch die Visualisierung der Ergebnisse (die einfach in 3 Dimensionen durchgeführt werden kann) erheblich erweitert wird. Weil die Cluster möglicherweise nicht gut getrennt sind, obwohl Sie 2 oder mehr Cluster erzwingen. Es gibt auch keine Garantie (zumindest, die mir bekannt ist), dass Sie die richtige Anzahl von Clustern (für Ihr Problem) zuweisen, um mit einem anderen Grund zu beginnen, sich die Ergebnisse anzusehen.

    Wenn Sie nur Temperaturcluster betrachten würden, könnten Sie feststellen, dass die Tendenz besteht, deutlich unterschiedliche Gruppen von Temperaturen zu messen, die nicht zufällig verteilt sind , oder mit anderen statistischen Maßen (z. B. Fisher Linear Discriminant).

    Ich habe eine Simulation (über R) generiert, um eine Illustration des obigen Beispiels zu zeigen. Ich begann mit der Generierung synthetischer Daten mit niedrigen Werten für Lat, Long, Temp und hohen Werten für denselben Satz. Dann habe ich einfach die niedrigen und hohen Werte miteinander verkettet und ein Dataframe-Objekt (Matrix) aus den 3 Attributen erstellt. K-means mit k=2 konnte ohne vorherige Kenntnis ihrer Assoziationen eine sehr gute Trennung zwischen den Gruppen finden (wie in der Zusammenfassung zu sehen ist, wo es die gesamte 1. Hälfte in einem Satz und 2. Hälfte in den anderen gruppierte, wie wir es erwarten würden). Beachten Sie, dass die zusammenfassenden Ergebnisse auch eine gute Trennung zwischen den gefundenen Gruppen zeigen (99,4%).


    STARE in die Zukunft der integrativen Analyse von GeoData

    Verschiedene Arten von Beobachtungen weisen unterschiedliche Stärken auf, z.B. sichtbare Infrarotbilder für Wolken und Radar für Niederschlag und, wenn integriert, wissenschaftliche Modelle und Hypothesen besser einschränken. Selbst kritische, grundlegende Operationen wie Kreuzkalibrierungen verwandter Sensoren, die auf unterschiedlichen Plattformen oder Umlaufbahnen arbeiten, z.B. Raumfahrzeugen und Flugzeugen, sind integrative Analysen. Die große Vielfalt der erdwissenschaftlichen Datentypen und die raumzeitliche Unregelmäßigkeit wichtiger Low-Level-Daten (ungridded) haben ihre Integration bisher zu einem maßgeschneiderten, langwierigen Prozess gemacht, der weder in Vielfalt noch Umfang skaliert. Generische, übergeordnete (gerasterte) Datenprodukte sind einfacher zu verwenden, auf Kosten der Entfernung von den ursprünglichen Beobachtungen und der Notwendigkeit, sich mit Gittern, Interpolationsannahmen und Unsicherheiten abzufinden, die ihre Anwendbarkeit einschränken. Die Hauptursache für die Schwierigkeit, unterschiedliche Daten skalierbar zusammenzuführen, ist die derzeitige geradlinige Geopartitionierung von Geodaten in konventionelle Arrays, die mit aufeinanderfolgenden ganzzahligen Indizes indiziert und dann in Dateien gepackt werden. Solche Indizes reichen für die Archivierung, Suche und Wiedergewinnung aus, es fehlt jedoch eine gemeinsame Geosemantik, die durch Hinzufügen von gleitkommacodierten Längen- und Breitengradinformationen für die Registrierung abgeschwächt wird. Als Alternative zu Gleitkommazahlen bietet die SpatioTemporal Adaptive Resolution Encoding (STARE) eine ganzzahlige Codierung für geo-spatio-temporale Standorte und Nachbarschaften, die über die Verwendung von Dateien und native Array-Indizierung hinausgeht und die Organisation unterschiedlicher Daten auf skalierbarem, verteiltem Computing und Speicher ermöglicht Plattformen.

    Dies ist eine Vorschau von Abonnementinhalten, auf die Sie über Ihre Institution zugreifen können.


    Einführung

    Küstengemeinden werden zunehmend durch die Notwendigkeit herausgefordert, die Offshore-Sandressourcen zu nutzen, um sich von der durch schwere Stürme verursachten Stranderosion zu erholen. An der US-Ostküste haben jüngste extreme Wetterlagen wie Hurrikan Katrina und “Superstorm” Sandy” solche Bedenken in den Vordergrund gerückt. Bundesbehörden wie das US Army Corps of Engineers (USACE), das Bureau of Ocean Energy Management (BOEM) und staatliche Ressourcenbehörden sind mit der Bewirtschaftung verschiedener Meeresressourcen konfrontiert, um die Fähigkeit aufrechtzuerhalten, die Verwundbarkeit der Gemeinschaft angesichts größerer Katastrophen. Die Nachhaltigkeit von Offshore-Sandressourcen hängt von drei Bedingungen ab (Hilton 1994). Erstens sollte das durch Baggern entfernte Volumen im Vergleich zum Gesamtvolumen der Ressource unbedeutend sein, oder zweitens sollte das Baggern mit einer Geschwindigkeit erfolgen, die der Rate der natürlichen Gewinnung der Ressource entspricht. Drittens sollten die negativen Auswirkungen auf Lebensräume minimiert werden, damit Ökosystemgüter und -dienstleistungen aufrechterhalten werden können. Die drei Bedingungen erfordern unterschiedliche Maßnahmen der Baggerintensität. In diesem Artikel diskutieren wir einen GIS-Ansatz zur Verfolgung der Gewinnung von Offshore-Sandressourcen, um insbesondere negative Auswirkungen auf benthische Lebensräume besser beurteilen zu können.

    Die Offshore-Lebensraumkartierung ist mittlerweile auf den Einsatz abiotischer Proxies angewiesen, um Ressourcenmanagern hochauflösende Habitatkarten zur Verfügung zu stellen (Brown und Blondel 2009 Buhl-Mortensen et al. 2015). Insbesondere Multibeam-Echolote haben die Kartierung benthischer Lebensräume revolutioniert (Brown und Blondel 2009), da ihre Produkte Unterschiede im Lebensraumwert anhand bathymetrischer Informationen wie Neigung und topografischer Rauheit, aufgelöst auf Flächen von einem Quadratmeter über weite Teile, unterscheiden können des Meeresbodens (Calvert et al. 2015). Es wurde festgestellt, dass die Diskriminierung von Habitaten über Entfernungen von nur 200 m wichtige Veränderungen über Entfernungen von mehreren zehn Metern in der Unordnung sehr kleiner Variationen erfasst (Calvert et al. 2015). Infolgedessen wäre die Möglichkeit, durch Baggerarbeiten in diesem Maßstab verursachte Bodenstörungen zu kartieren, nützlich.

    Hochseegängige Saugbaggerbagger werden oft verwendet, um Meeressand für die Strandsanierung auszuheben. Dabei handelt es sich um selbstfahrende Schiffe, an denen an jeder Seite zwei lange Saugrohre, sogenannte Schlepparme, angebracht sind. Die Mündungen der Schlepparme, sogenannte 𠇍ragheads”, werden über den Meeresboden gezogen, um Sand zu gewinnen. Das andere Ende ist über Pumpen mit dem Trichter des Schiffes verbunden. Offshore-Baggerarbeiten werden in ausgewiesenen 𠇋orrow”-Gebieten durchgeführt. Wenn der Bagger den ausgewiesenen Borrow-Bereich erreicht, wird seine Geschwindigkeit auf zwei oder drei Knoten reduziert (Vlasblom 2007, S. 13). Die Saugrohre’ Dragheads werden auf den Meeresboden abgesenkt. Sand wird durch die Schleppköpfe und Saugrohre in den Trichter des Schiffes gepumpt, um später zum Strandnahrungsort transportiert und entladen zu werden. Anhängersaugbaggerungen führen zu Spuren über den Meeresboden, die normalerweise weniger als 0,55 m tief sind (van Moorsel und Waardenburg 1990 Kenny und Rees 1994 Boyd et al. 2003 Davies und Hitchcock 1992). Die Entfernung der Oberfläche von 0,5 m des Meeresbodens reicht aus, um das Benthos aus den Ablagerungen zu entfernen. Daher können, wie später erörtert wird, einige Lebensräume an Orten beeinflusst werden, an denen die Änderungen der Bathymetrie durch bathymetrische Untersuchungen nicht aufgeklärt werden können.

    Die Baggerintensität wurde als extrahiertes Volumen/Fläche/Zeit definiert (ICES 2014), aber “volume” kann ein schwer fassbarer Parameter sein. Einige Projekte wurden als zulässige Volumina oder Barge-Ladungen dokumentiert, während andere vorhandene Volumina verwenden und alle mit inhärenten Unsicherheiten behaftet sind. Zu Vertragszwecken werden die entnommenen Volumina häufig durch Erhebungen vor und nach dem Projekt am Ort der Vermittlung oder am Ort der Ausleihe überprüft. Bathymetrische Vermessungen beinhalten eine inhärente Unsicherheit sowohl bei der aufgezeichneten Wassertiefe als auch beim Standort des Schiffes. Fehler können 0,15 oder 0,25 m betragen (z. B. Wijnberg und Terwindt 1995). Ein Fehler von 0,05 m in der Tiefe allein bei einer Vermessung, die 2,5 km Küstenlinie über eine küstennahe Breite von 40 m umfasst, ergibt eine Unsicherheit von 50.000 m 3 (Gibeaut et al. 1998). Unsicherheiten dieser Größenordnung können jedoch bei Projekten, die eine Million Kubikmeter oder mehr umfassen, tolerierbar sein.

    Wenn die Gewinnung in tiefen Gruben über kleine Gebiete konzentriert ist, können solche Unsicherheiten auch bei der Berechnung von Vor- und Nachmengen vernachlässigbar sein. In vielen Fällen wird jedoch bewusst auf tiefe Gruben verzichtet, um negative Auswirkungen auf die Wellenverhältnisse oder die Wassersäulenschichtung zu vermeiden, und stattdessen Sand in dünnen Schichten über größere Flächen abgetragen. Aufgrund der Auflösung der Erhebungen können Störungen des Meeresbodens, die den Abbau dünner Schichten über große Gebiete um die Ränder herum umfassen, und die Lebensräume in diesen Gebieten durch konventionelle bathymetrische Vergleiche nicht dokumentiert werden.

    Abgesehen von bathymetrischen Vermessungen sind moderne elektronische Überwachungssysteme (EMS) in der Lage, Echtzeitdaten über Baggerarbeiten wie Standort, Schiffsgeschwindigkeit, Schnitttiefe und Konzentration der Sedimentmischung aufzuzeichnen, um nur einige zu nennen (Francingues et al. 2000). In den USA werden Überwachungssysteme für Bundesprojekte im Rahmen des National Dredging Quality Management (DQM)-Programms der USACE verwendet. Das DQM-Programm sammelt alle sechs Sekunden Echtzeitinformationen, die Datum, Uhrzeit, Position, Geschwindigkeit, Schiffstiefgang, Schlepparmtiefen, Dichte der gepumpten Gülle und Pumprate aufzeichnen Menge, um die der Trichter nicht voll ist), Position des Schleppkopfes und die Tiefe des Schnitts (http://dqm.usace.army.mil/, abgerufen im Dezember 2017). Der Mobile District der USACE unterhält DQM-Datenbanken für Bundesstrandernährung, Küstenwiederherstellung und Navigationsprojekte. Obwohl einige dieser Daten urheberrechtlich geschützt sind, können offizielle Benutzer grundlegende nicht proprietäre Informationen vom DQM-Supportteam erhalten. Die Aufzeichnung der Verdrängung ist besonders nützlich, da beim Ausbaggern im Borrow-Gebiet die Verdrängung des Schiffes von einer Messung zur nächsten zunimmt. Vollständige Daten wie diese werden jedoch nicht überall gesammelt und können aufgrund ihrer proprietären Klassifizierung für Ressourcenmanager effektiv nicht verfügbar sein, selbst wenn sie gesammelt werden.

    Prinzipiell kann aus den DQM-Daten das gesamte entnommene Volumen berechnet werden, jedoch kann die Bewertung von entnommenem Volumen/Fläche/Zeit für viele Länder sehr schwierig oder sogar unmöglich sein (ICES 2015). Wie bereits erwähnt, werden die Ausgrabungsvolumina stattdessen routinemäßig durch bathymetrische Vermessungen bestimmt. Für die Bewertung der Auswirkungen auf den Lebensraum können die Daten zur Berechnung der Gesamtzeit, die ein Bagger an einem ausgewiesenen Ausleihstandort verbringt, als Ersatz für Volumen/Fläche/Zeit verwendet werden. Es ist nicht nur wahrscheinlich, dass Zeit-/Flächenmessungen in größerem Umfang verfügbar sind, sondern sie sind auch in der Lage, Bereiche mit Habitatstörungen zu lokalisieren, die bei bathymetrischen Untersuchungen aufgrund von Unsicherheiten in der gemessenen Wassertiefe möglicherweise nicht entdeckt werden. Es ist jedoch zu beachten, dass die Baggerzeit pro Fläche andere wichtige Parameter, wie die Größe des Baggerschiffs, die Art des geförderten Materials und ob eine Siebung stattfindet oder nicht, nicht berücksichtigt.


    [Bearbeiten] Fragen zu Cache und Daten

    [Bearbeiten] Können Sie die Cache-Größe anpassen?

    Drücken Sie ALT+Q, um ein Dialogfeld aufzurufen, in dem Sie diese Einstellung ändern können.

    [Bearbeiten] Kann ich meine Cache-Daten auf einen anderen Computer kopieren?

    Ja, du kannst. Klicken Sie hier für eine Diskussion.

    [Bearbeiten] Kann ich meinen 1.2e-Cache in 1.3 verwenden?

    [Bearbeiten] Wie groß ist der Datensatz? Steht es zum Download zur Verfügung?

    Zusammen sind die Datensätze rund 4,6 Terabyte groß. Daher sind sie nicht als vollständiges Paket zum lokalisierten Download verfügbar. Es stehen jedoch mehrere Datensätze als Cache-Packs zum Download zur Verfügung.

    [Bearbeiten] Wie wäre es mit BitTorrent für die Datensätze?

    Aufgrund der Größe der verwendeten Daten und der begrenzten Menge an Daten, die Benutzer von den insgesamt verfügbaren Daten herunterladen, ist es unwahrscheinlich, dass p2p das Problem der Bereitstellung dieser Daten erheblich beeinträchtigen würde.


    Welche Art von Handlung wünschen Sie?

    Breite = [25,5 26,5 33,5 34,5 35,5 36,5 41,5 42,5]

    Lon = [89,5 91,5 78,5 79,5 83,5 84,5 75,5 76,5]

    Regen = [110 120 122 135 114 116 145 120 110 110]

    Zahl()

    plot3(Lat,Lon,Regen,'o')

    gibt Ihnen ein Streudiagramm mit Lat für das x, Lon für das y und Rain für das z.

    Beachten Sie auch, dass Sie nicht plotten können, da Ihre Vektoren unterschiedliche Längen haben. Sie müssen Vektoren derselben Länge zum Plotten haben (jeder Punkt muss einem anderen Punkt auf der Achse entsprechen).

    Bei anderen Diagrammtypen müssen Sie zwischen den Datenpunkten interpolieren.

    Wenn Sie es wie im Kommentar unten plotten möchten: pcolor ist Ihre beste Wahl.

    Angenommen, Ihre Lat/Lon-Vektoren haben n Punkte. Um dann ein nxn-Gitter zu erstellen, können Sie den Befehl verwenden

    Dadurch erhalten Sie das gewünschte Raster, solange Ihre Lat / Lon-Vektoren wie gewünscht angeordnet sind. Um die "Farbe" der pcolor zu erhalten, benötigen Sie eine nxn-Matrix von Regenwerten: Sie müssen wissen, was diese an jedem Punkt sind. Wenn Sie diese nicht kennen, können Sie sie nicht in der Kartenansicht darstellen es sei denn, Sie führen irgendeine Form der Modellierung oder Interpolation durch.

    Wenn Sie eine unregelmäßige Form haben, würde ich Matlab nicht verwenden. Ich würde Visit oder Paraview verwenden, und online gibt es viele Anleitungen dazu.

    Wenn Sie Matlab verwenden müssen, würde ich "Fake Points" erstellen, um dem Gitter eine regelmäßige Form zu geben, und ihnen falsche Regenwerte (wie NaN) geben. Den Plot würde ich dann in einem Postprozessor (Photoshop) so bearbeiten, dass nur die unregelmäßige Form erscheint.

    Der Rasterabstand spielt keine Rolle, da er über Ihre Vektoren festgelegt ist.


    3. Vorbereitende Schritte

    3.1. Abrufen der Kanalkopfdatei

    Bevor der Algorithmus zur Extraktion von Überschwemmungsgebieten/Terrassen ausgeführt werden kann, müssen Sie ein Kanalnetz für Ihr DEM erstellen. Dies kann mit den Kanalextrahierungsalgorithmen in LSDTopoTools erfolgen. Es gibt mehrere Kanalextraktionsalgorithmen, aus denen Sie wählen können: Weitere Informationen finden Sie im Abschnitt Kanalextraktion. Nachdem Sie den Kanalextraktionsalgorithmus ausgeführt haben, müssen Sie sicherstellen, dass sich die CSV-Datei mit den Speicherorten der Kanalköpfe im selben Ordner wie Ihr DEM befindet.

    Wenn Sie Überschwemmungsgebiete berechnen, möchten Sie vielleicht einen ausgefallenen Kanalextraktionsalgorithmus (wie Driech oder die Wiener Methode, siehe die Dokumentation zur Kanalextraktion), aber für Terrassen müssen Sie wirklich nur die großen Kanäle aufnehmen und Sie können diese mit erhalten Schwellenentwässerungszone. So können Sie beim Extrahieren von Kanälen mit dieser Methode für Terrassenstudien etwas Zeit sparen.

    3.2. Die richtige Fenstergröße finden

    Bevor wir den Überschwemmungs-/Terrassen-Extraktionsalgorithmus ausführen können, müssen wir die richtige Fenstergröße für die Berechnung der Neigung über die DEM berechnen. Daraus werden die Schwellenwerte für die Auen-/Terrassenerkennung berechnet. Informationen zur Berechnung einer Fenstergröße für Ihr DEM finden Sie im Abschnitt Auswahl einer Fenstergröße. Wir empfehlen einen Wert von etwa 6 m für DEMs mit 1 m Auflösung und einen Wert von 15 m für DEMs mit 10 m Auflösung.


    A5 Zusammenfassung der Bodenfeuchtewerte

    Wir präsentieren eine Zusammenfassung der Bodenfeuchtewerte pro beitragendem Netzwerk im ISMN.

    Abbildung A5Eine Liste der beitragenden Netzwerke über den analysierten Zeitraum (in drei Hauptperioden gegliedert, um die Abbildung zu vereinfachen) und Bodenfeuchtewerte, die zum Vergleich der ESA-CCI v4.5 und unserer Bodenfeuchtevorhersagen verwendet wurden. Allgemeine Informationen zu jedem Netzwerk finden Sie dank der ISMN-Initiative unter https://ismn.geo.tuwien.ac.at/en/networks/ (letzter Zugriff: 20. April 2021).

    MG, RV und MT haben das Projekt konzipiert. MG führte Analysen durch und schrieb das Manuskript in Zusammenarbeit mit RV und MT.

    Die Autoren geben an, dass kein Interessenkonflikt besteht.

    Mario Guevara dankt für die Unterstützung durch ein CONACyT-Doktorandenstipendium (382790). Rodrigo Vargas und Michela Taufer danken der National Science Foundation (Fördernr. 1724843) für ihre Unterstützung. Wir danken Anita Z. Schwartz von der University of Delaware für ihre Unterstützung bei der Erstellung des globalen Zterrain-Datensatzes.

    Diese Forschung wurde von der National Science Foundation, Directorate for Computer and Information Science and Engineering (Grant-Nr. 1724843) unterstützt.

    Dieses Papier wurde von David Carlson herausgegeben und von zwei anonymen Gutachtern überprüft.

    Albergel, C., Dorigo, W., H, RR, Balsamo, G., de Rosnay, P, MuñozSabater, J., Isaksen, L., de Jeu, R. und Wagner, W.: Skill and Global Trend Analyse der Bodenfeuchtigkeit aus Reanalysen und Mikrowellen-Fernerkundung, J. Hydrometeorol., 14, 1259–1277, 2013.

    Alemohammad, S. H., Kolassa, J., Prigent, C., Aires, F. und Gentine, P.: Global downscaling of remotely Sensed Bodenfeuchtigkeit mit neuronalen Netzen, Hydrol. Erde Syst. Wissenschaft, 22, 5341–5356, https://doi.org/10.5194/hess-22-5341-2018, 2018.

    Al-Yaari, A., Wigneron, J.-P., Dorigo, W., Colliander, A., Pellarin, T., Hahn, S., Mialon, A., Richaume, P., Fernandez-Moran, R ., Fan, L., Kerr, YH, and De Lannoy, G.: Bewertung und Vergleich von kürzlich entwickelten/aufbereiteten Mikrowellensatelliten-Bodenfeuchtigkeitsprodukten mit ISMN-Bodenmessungen, Remote Sens. Environ., 224, 289– 303, https://doi.org/10.1016/j.rse.2019.02.008, 2019.

    An, R., Zhang, L., Wang, Z., Quaye-Ballard, JA, You, J., Shen, X., Gao, W., Huang, L., Zhao, Y. und Ke, Z .: Validierung des ESA CCI Bodenfeuchteprodukts in China, Int. J. Appl. Erdbeobachtung. Geoinf., 48, 28–36, https://doi.org/10.1016/j.jag.2015.09.009, 2016.

    Bauer-Marschallinger, B., Paulik, C., Hochstöger, S., Mistelbauer, T., Modanesi, S., Ciabatta, L., Massari, C., Brocca, L. und Wagner, W.: Bodenfeuchte aus Fusion of Scatterometer and SAR: Closing the Scale Gap with Temporal Filtering, Remote Sens., 2018, 1030, https://doi.org/10.3390/rs10071030, 2018.

    Becker, J. J., Sandwell, DT, Smith, WHF, Braud, J., Binder, B., Depner, J., Fabre, D., Factor, J., Ingalls, S., Kim, S.-H., Ladner, R., Marks, K., Nelson, S., Pharaoh, A., Trimmer, R., Rosenberg, JV, Wallace, G. und Weatherall, P.: Global Bathymetry and Elevation Data at 30 Arc Seconds Resolution : SRTM30_PLUS, Mar. Geod., 32, 355–371, https://doi.org/10.1080/01490410903297766, 2009.

    Berg, A. und Sheffield, J.: Klimawandel und Dürre: die Perspektive der Bodenfeuchte, Curr. Steig. Rep. ändern, 4, 180–191, https://doi.org/10.1007/s40641-018-0095-0, 2018.

    Behrens, T., Schmidt, K., MacMillan, R.A., und Viscarra Rossel, R.A.: Multi-scale Digital Bodenkartierung mit Deep Learning, Sci. Rep., 8, 1–9, https://doi.org/10.1038/s41598-018-33516-6, 2018.

    Bond-Lamberty, B. P. und Thomson, A. M.: A Global Database of Soil Respiration Data, Version 4.0, ORNL DAAC, Oak Ridge, Tennessee, USA, https://doi.org/10.3334/ORNLDAAC/1578, 2018.

    Bond-Lamberty, B., Bailey, V. L., Chen, M., Gough, C. M., und Vargas, R.: Globally steigender Boden heterotrophe Atmung in den letzten Jahrzehnten, Nature 560, 80–83, 2018.

    Bradford, JB, Schlaepfer, DR, Lauenroth, WK, Yackulic, CB, Duniway, M., Hall, S., Jia, G., Jamiyansharav, K., Munson, SM, Wilson, SD und Tietjen, B.: Zukünftige Bodenfeuchtigkeit und Temperaturextreme implizieren eine zunehmende Eignung für Regenfeldbau in gemäßigten Trockengebieten, Sci. Rep., 7, 12923, https://doi.org/10.1038/s41598-017-13165-x, 2017.

    Chen, X., Su, Y., Liao, J., Shang, J., Dong, T., Wang, C., Liu, W., Zhou, G. und Liu, L.: Detecting signifikant abnehmender Trends der Bodenfeuchtigkeit der Landoberfläche in Ostchina während der letzten drei Jahrzehnte (1979–2010), J. Geophys. Res.-Atmos., 121, 5177–5192, https://doi.org/10.1002/2015jd024676, 2016.

    Chung, D., Dorigo, W., De Jeu, R., Kidd, R. und Wagner, W.: ESA Climate Change Initiative Phase II – Soil Moisture, Product Specification Document (PSD), D.1.2.1 Version 4.4 Earth Observation Data Center for Water Resources Monitoring (EODC) GmbH, Wien, Österreich, S. 1 49, 2018.

    Colliander, A., Jackson, TJ, Bindlish, R., Chan, S., Das, N., Kim, SB, Cosh, MH, Dunbar, RS, Dang, L., Pashaian, L., Asanuma, J. , Aida, K., Berg, A., Rowlandson, T., Bosch, D., Caldwell, T., Caylor, K., Goodrich, D., al Jassar, H., Lopez-Baeza, E., Martínez -Fernández, J., González-Zamora, A., Livingston, S., McNairn, H., Pacheco, A., Moghaddam, M., Montzka, C., Notarnicola, C., Niedrist, G., Pellarin, T., Prueger, J., Pulliainen, J., Rautiainen, K., Ramos, J., Seyfried, M., Starks, P., Su, Z., Zeng, Y., van der Velde, R., Thibeault, M., Dorigo, W., Vreugdenhil, M., Walker, JP, Wu, X., Monerris, A., O'Neill, PE, Entekhabi, D., Njoku, EG und Yueh, S.: Validierung von SMAP-Oberflächen-Bodenfeuchtigkeitsprodukten mit Kernvalidierungsstellen, Remote Sens. Environ., 191, 215–231, https://doi.org/10.1016/j.rse.2017.01.021, 2017b.

    Conrad, O., Bechtel, B., Bock, M., Dietrich, H., Fischer, E., Gerlitz, L., Wehberg, J., Wichmann, V. und Böhner, J.: System for Automated Geoscientific Analysen (SAGA) v. 2.1.4, Geosci. Model Dev., 8, 1991–2007, https://doi.org/10.5194/gmd-8-1991-2015, 2015.

    Dorigo, W., Wagner, W., Albergel, C., Albrecht, F., Balsamo, G., Brocca, L., Chung, D., Ertl, M., Forkel, M., Gruber, A., Haas, E., Hamer, PD, Hirschi, M., Ikonen, J., de Jeu, R., Kidd, R., Lahoz, W., Liu, YY, Miralles, D., Mistelbauer, T., Nicolai -Shaw, N., Parinussa, R., Pratola, C., Reimer, C., van der Schalie, R., Seneviratne, SI, Smolander, T. und Lecomte, P.: ESA CCI Soil Moisture for Improved Earth Systemverständnis: Stand der Technik und zukünftige Richtungen, Remote Sens. Environ., 203, 185–215, https://doi.org/10.1016/j.rse.2017.07.001, 2017.

    Dorigo, WA, Oevelen, P. van, Wagner, W., Drusch, M., Mecklenburg, S., Robock, A. und Jackson, T.: A New International Network for in Situ Soil Moisture Data, EOS T. Bin. Geophysik. Un., 92, 141-142, https://doi.org/10.1029/2011EO170001, 2011a.

    Dorigo, WA, Wagner, W., Hohensinn, R., Hahn, S., Paulik, C., Xaver, A., Gruber, A., Drusch, M., Mecklenburg, S., van Oevelen, P., Robock, A. und Jackson, T.: The International Soil Moisture Network: eine Datenhosting-Einrichtung für globale in-situ-Bodenfeuchtemessungen, Hydrol. Erde Syst. Sci., 15, 1675–1698, https://doi.org/10.5194/hess-15-1675-2011, 2011b.

    Entekhabi, D., Njoku, EG, O'Neill, PE, Kellogg, KH, Crow, WT, Edelstein, WN, Entin, JK, Goodman, SD, Jackson, TJ, Johnson, J., Kimball, J., Piepmeier , JR, Koster, RD, Martin, N., McDonald, KC, Moghaddam, M., Moran, S., Reichle, R., Shi, JC, Spencer, MW, Thurman, SW, Tsang, L. und Van Zyl, J.: The Soil Moisture Active Passive (SMAP) Mission, IEEE, verfügbar unter: https://dspace.mit.edu/handle/1721.1/60043 (letzter Zugriff: 15. Juli 2019), 2010.

    FAO: Globale ökologische Zonen für die FAO-Forstberichterstattung: 2010 Update, FAO Forest Resources Assessment Working Paper 179, Rom, Italien, 2012.

    Fischer, G., van Velthuizen, H. T. und Nachtergaele, F. O.: Global agro-ecological zone assessment: Methodology and results, IIASA, Luxemburg, Rom, 2000.

    Forkel, M., Carvalhais, N., Verbesselt, J., Mahecha, MD, Neigh, CSR, und Reichstein, M.: Trend Change Detection in NDVI Time Series: Effects of Inter-Annual Variability and Methodology, Remote Sensing, 5 , 2113–2144, https://doi.org/10.3390/rs5052113, 2013.

    Forkel, M., Migliavacca, M., Thonicke, K., Reichstein, M., Schaphoff, S., Weber, U. und Carvalhais, N.: Codominant water control on global interannual variability and trends in land surface phänology and Grün, Glob. Change Biol., 21, 3414–3435, https://doi.org/10.1111/gcb.12950, ​​2015.

    Florinsky, IV: Influence of Topography on Soil Properties, Digital Terrain Analysis in Soil Science and Geology, Academic Press, 265–270, https://doi.org/10.1016/b978-0-12-804632-6.00009-2, 2016 .

    Garg, V., Nikam, BR, Thakur, PK, Aggarwal, SP, Gupta, PK und Srivastav, SK: Vom Menschen verursachte Landnutzungsänderungen und ihre Auswirkungen auf die Hydrologie, HydroResearch, 1, 48–56, https: //doi.org/10.1016/j.hydres.2019.06.001, 2019.

    Global Administrative Areas: University of California, Berkely [digital geospatial data], available at: http://www.gadm.org , last access: 20 April 2021.

    Green, J. K., Seneviratne, S. I., Berg, A. M., Findell, K. L., Hagemann, S., Lawrence, D. M., and Gentine, P.: Large influence of soil moisture on long-term terrestrial carbon uptake, Nature, 565, 476–479, https://doi.org/10.1038/s41586-018-0848-x, 2019.

    Greve, P. and Seneviratne, S. I.: Assessment of future changes in water availability and aridity, Geophys. Res. Lett., 42, 5493–5499, https://doi.org/10.1002/2015gl064127, 2015.

    Gruber, A., Dorigo, W. A., Crow, W., and Wagner, W.: Triple Collocation-Based Merging of Satellite Soil Moisture Retrievals, IEEE T. Geosci. Remote Sens., 55, 6780–6792, https://doi.org/10.1109/tgrs.2017.2734070, 2017.

    Gruber, A., De Lannoy, G., Albergel, C., Al-Yaari, A., Brocca, L., Calvet, J.-C., Colliander, A., Cosh, M., Crow, W., Dorigo, W., Draper, C., Hirschi, M., Kerr, Y., Konings, A., Lahoz, W., McColl, K., Montzka, C., Muñoz-Sabater, J., Peng, J., Reichle, R., Richaume, P., Rüdiger, C., Scanlon, T., van der Schalie, R., Wigneron, J.-P., and Wagner, W.: Validation practices for satellite soil moisture retrievals: What are (the) errors?, Remote Sens. Environ., 244, 111806, https://doi.org/10.1016/j.rse.2020.111806, 2020.

    Gu, X., Zhang, Q., Li, J., Singh, V. P., Liu, J., Sun, P., and Cheng, C.: Attribution of Global Soil Moisture Drying to Human Activities: A Quantitative Viewpoint, Geophys. Res. Lett., 46, 2573–2582, https://doi.org/10.1029/2018gl080768, 2019a.

    Guevara, M. and Vargas, R.: Downscaling satellite soil moisture using geomorphometry and machine learning, edited by B. Poulter, PLOS ONE, 14, e0219639, https://doi.org/10.1371/journal.pone.0219639, 2019.

    Guevara, M., Vargas, R., and Taufer M.: Gap-Free Global Annual Soil Moisture: 15 km Grids for 1991–2018, HydroShare, https://doi.org/10.4211/hs.9f981ae4e68b4f529cdd7a5c9013e27e, 2020.

    Hechenbichler, K. and Schliep, K. P.: Weighted k -Nearest-Neighbor Techniques and Ordinal Classification, Discussion Paper 399, SFB 386, Ludwig-Maximilians University Munich, 2004.

    Hengl, T., Mendes de Jesus, J., Heuvelink, G. B. M., Gonzalez, M. R., Kilibarda, M., Blagotić, A., Shangguan, W., Wright, M. N., Geng, X., Bauer-Marschallinger, B., Guevara, M. A., Vargas, R., MacMillan, R. A., Batjes, N. H., Leenaars, J. G. B., Ribeiro, E., Wheeler, I., Mantel, S., and Kempen, B.: SoilGrids250 m: Global gridded soil information based on machine learning, PLOS ONE, 12, e0169748, https://doi.org/10.1371/journal.pone.0169748, 2017.

    Hengl, T., Nussbaum, M., Wright, M. N., Heuvelink, G. B. M., and Gräler, B.: Random Forest as a generic framework for predictive modeling of spatial and spatio-temporal variables, PeerJ Inc., https://doi.org/10.7717/peerj.5518, 2018.

    Hijmans R. J.: raster: Geographic Data Analysis and Modeling, R package version 2.9-23, https://CRAN.R-project.org/package=raster (last access: 20 April 2021), 2019.

    Jolliff, J. K., Kindle, J. C., Shulman, I., Penta, B., Friedrichs, M. A., Helber, R., and Arnone, R. A.: Summary diagrams for coupled hydrodynamic-ecosystem model skill assessment, J. Marine Syst., 76, 64–82, 2009.

    Kunsch, H. R.: The jackknife and the bootstrap for general stationary observations, Ann. Stat., 17, 1217–1241, 1989.

    Liu, Y. Y., Parinussa, R. M., Dorigo, W. A., De Jeu, R. A. M., Wagner, W., van Dijk, A. I. J. M., McCabe, M. F., and Evans, J. P.: Developing an improved soil moisture dataset by blending passive and active microwave satellite-based retrievals, Hydrol. Erde Syst. Sci., 15, 425–436, https://doi.org/10.5194/hess-15-425-2011, 2011.

    Liu, Y., Liu, Y., and Wang, W.: Inter-comparison of satellite-retrieved and Global Land Data Assimilation System-simulated soil moisture datasets for global drought analysis, Remote Sens. Environ., 220, 1–18, https://doi.org/10.1016/j.rse.2018.10.026, 2019.

    Lorenz, R. D., Pitman, A. J., Hirsch, A. L., and Srbinovsky, J.: Intraseasonal versus Interannual Measures of Land–Atmosphere Coupling Strength in a Global Climate Model: GLACE-1 versus GLACE-CMIP5 Experiments in ACCESS1.3b, available at: https://www.semanticscholar.org/paper/Intraseasonal-versus-Interannual-Measures-of-in-a-Lorenz-Pitman/1327a707d832e98b6c011c2ba6dd1812d2e2c2d8 (last access: 25 September 2019), 2015.

    Llamas, R. M., Guevara, M., Rorabaugh, D., Taufer, M., and Vargas, R.: Spatial Gap-Filling of ESA CCI Satellite-Derived Soil Moisture Based on Geostatistical Techniques and Multiple Regression, Remote Sensing, 12, 665, https://doi.org/10.3390/rs12040665, 2020.

    May, W., Rummukainen, M., Chéruy, F., Hagemann, S., and Meier, A.: Contributions of soil moisture interactions to future precipitation changes in the GLACE-CMIP5 experiment, Climate Dynam., 49, 1681–1704, https://doi.org/10.1007/s00382-016-3408-9, 2016.

    McColl, K. A., Alemohammad, S. H., Akbar, R., Konings, A. G., Yueh, S., and Entekhabi, D.: The global distribution and dynamics of surface soil moisture, Nat. Geosci., 10, 100–104, https://doi.org/10.1038/ngeo2868, 2017.

    McBratney, A. B., Mendonça Santos, M. L., and Minasny, B.: On digital soil mapping, Geoderma, 117, 3–52, https://doi.org/10.1016/S0016-7061(03)00223-4, 2003.

    Minet, J., Bogaert, P., Vanclooster, M., and Lambot, S.: Validation of ground penetrating radar full-waveform inversion for field scale soil moisture mapping, J. Hydrol., 424–425, 112–123, https://doi.org/10.1016/j.jhydrol.2011.12.034, 2012.

    Mohanty, B. P., Cosh, M. H., Lakshmi, V., and Montzka, C.: Soil Moisture Remote Sensing: State-of-the-Science, Vadose Zone J., 16, https://doi.org/10.2136/vzj2016.10.0105, 2017.

    Møller, A. B., Beucher, A. M., Pouladi, N., and Greve, M. H.: Oblique geographic coordinates as covariates for digital soil mapping, SOIL, 6, 269289, https://doi.org/10.5194/soil-6-269-2020, 2020.

    Martens, B., de Jeu, R., Verhoest, N., Schuurmans, H., Kleijer, J., and Miralles, D.: Towards Estimating Land Evaporation at Field Scales Using GLEAM, Remote Sensing, 10, 1720, https://doi.org/10.3390/rs10111720, 2018.

    Mason, D. C., Garcia-Pintado, J., Cloke, H. L., and Dance, S. L.: Evidence of a topographic signal in surface soil moisture derived from ENVISAT ASAR wide swath data, Int. J. Appl. Earth Observ. Geoinf., 45, 178–186, https://doi.org/10.1016/j.jag.2015.02.004, 2016.

    Mishra, V., Tiwari, A. D., Aadhar, S., Shah, R., Xiao, M., Pai, D. S., and Lettenmaier, D.: Drought and Famine in India, 1870–2016, Geophys. Res. Lett., 46, 2075–2083, https://doi.org/10.1029/2018gl081477, 2019.

    Moeslund, J. E., Arge, L., Bøcher, P. K., Dalgaard, T., Odgaard, M. V., Nygaard, B., and Svenning, J.-C.: Topographically controlled soil moisture is the primary driver of local vegetation patterns across a lowland region, Ecosphere, 4, art91, https://doi.org/10.1890/es13-00134.1, 2013.

    Moore, I. D., Gessler, P. E., Nielsen, G. A., and Peterson, G. A.: Soil Attribute Prediction Using Terrain Analysis, Soil Sci. Soz. Bin. J., 57, 443–452, https://doi.org/10.2136/sssaj1993.03615995005700020058x, 1993.

    Morton, D. C., Nagol, J., Carabajal, C. C., Rosette, J., Palace, M., Cook, B. D., Vermote, E. F., Harding, D. J., and North, P. R. J.: Amazon forests maintain consistent canopy structure and greenness during the dry season, Nature, 506, 221–224, https://doi.org/10.1038/nature13006, 2014.

    Naz, B. S., Kollet, S., Franssen, H.-J. H., Montzka, C., and Kurtz, W.: A 3 km spatially and temporally consistent European daily soil moisture reanalysis from 2000 to 2015, Sci. Data, 7, 111, https://doi.org/10.1038/s41597-020-0450-6, 2020.

    Nicolai-Shaw, N., Hirschi, M., Mittelbach, H., and Seneviratne, S. I.: Spatial representativeness of soil moisture using in situ, remote sensing, and land reanalysis data, J. Geophys. Res.-Atmos., 120, 9955–9964, https://doi.org/10.1002/2015jd023305, 2015.

    Nogherotto, R., Coppola, E., Giorgi, F., and Mariotti, L.: Impact of Congo Basin deforestation on the African monsoon, Atmos. Wissenschaft Lett., 14, 45–51, https://doi.org/10.1002/asl2.416, 2013.

    Oliver, M. A. and Webster, R.: Basic Steps in Geostatistics: The Variogram and Kriging, Springer International Publishing, Cham, 100 pp., https://doi.org/10.1007/978-3-319-15865-5, 2015.

    Padarian, J., McBratney, A. B., and Minasny, B.: Game theory interpretation of digital soil mapping convolutional neural networks, SOIL, 6, 389–397, https://doi.org/10.5194/soil-6-389-2020, 2020.

    Peng, J., Loew, A., Merlin, O., and Verhoest, N. E. C.: A review of spatial downscaling of satellite remotely sensed soil moisture, Rev. Geophys., 55, 341–366, https://doi.org/10.1002/2016rg000543, 2017.

    Piles, M., Ballabrera-Poy, J., and Muñoz-Sabater, J.: Dominant Features of Global Surface Soil Moisture Variability Observed by the SMOS Satellite, Remote Sensing, 11, 95, https://doi.org/10.3390/rs11010095, 2019.

    R Core Team: R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria, available at: https://www.R-project.org/ (last access: 20 April 2021), 2020.

    Ribeiro, M. T., Singh, S., and Guestrin, C.: Model-Agnostic Interpretability of Machine Learning, arXiv [preprint], arXiv:1606.05386, 16 June 2016.


    Schau das Video: GIS Tutorial 1: How To Georeference a Scanned Map