SoilNet是具有无线数据采集与传输功能的土壤水分无线传感器节点。数据采集终端具有自动采集与长时间低功耗运行能力。SoilNet由低功耗高精度无线数据采集终端和土壤温湿度传感器组成。SoilNet温湿度传感器利用传感器探头，基于频率域的介电常数探测原理，得到土壤体积含水量（%）和土壤温度（℃）。此观测使用两个通道的传感器探头（通道1埋于3cm，通道2埋于10cm）来测量3cm和10cm处的土壤水分体积含水量和土壤温度。
张可
本数据集是基于土壤剖面和样本汇编的机器学习方法对土壤属性进行预测，长江上游和西南地区范围的土壤属性（砂粒、粘粒、PH、体积密度、有机碳、质地等级）空间分布成图。水平空间分辨率为250m，垂直方向包括六个土层深度：0，10，30，60，100，200cm。格式为GeoTIFF，数据包含6个波段，其中第一到第六个波段依次为土壤粘粒含量在土层深度为0、10、30、60、100、200cm 的值，单位为%。
Tomislav Hengl
长江上游及西南地区JRA55再分析3小时数据集（1958-2022），包括气温、大气加热、大气稳定性、亮度温度、冠层特征、云频率、云液态水/冰、蒸散发、 位势高度重力波、热通量、湿度、静水压力、地表温度、土地利用/土地覆盖分类、长波辐射、最高/最低温度、潜在温度、降水量、降水率径流、海平面压力、短波辐射、雪深、土壤水分/含水量、土壤温度、流函数、表面压力、表面粗糙度、地表风、总可降水量、对流层臭氧、高空气温、上层风等要素。数据为NETCDF格式，时间分辨率为3小时，水平空间分辨率为1.25°。可为长江上游和西南地区的陆面过程研究提供数据。 该数据集是对美国国家大气研究中心的JRA55气候再分析的陆地部分再处理生成的。 再分析使用物理定律将模型数据与来自世界各地的观察结果结合成一个全球完整的数据集，准确描述了过去的气候。
日本气象厅
SoilGrids基于约150000个用于训练的土壤剖面和一堆158个基于遥感的土壤协变量（主要来自MODIS土地产品，SRTM DEM衍生物、气候图像和全球地形和岩性图）用于拟合机器学习方法的集合随机森林和梯度，在R包中实现的增强和多项式逻辑回归，对七个标准深度（0、5、15、30、60、100和200 cm）的标准数值土壤特性（有机碳、体积密度、氮、阳离子交换量、pH值、土壤质地含量和粗碎屑）进行了预测。
Tomislav Hengl
这种增强的3级（L3）土壤水分产品提供了土壤湿度主动被动（SMAP）辐射计检索的全球陆地表面状况每日估计值的组合。本产品是 SMAP 2 级 （L2） 土壤湿度的每日复合物，该土壤水分源自 SMAP 1C 级 （L1C） 插值亮度温度。Backus-Gilbert 最优插值技术用于从 SMAP 天线温度中提取信息并将其转换为亮度温度，这些温度以全局圆柱投影的形式发布到 9 km 等积可扩展地球网格 2.0 版 （EASE-Grid 2.0）。截至2021年，这些数据也被发布到北半球EASE-Grid 2.0，一个方位角等积投影。
P. O’neill
SMOS INRA-CESBIO（SMOS-IC）算法由INRA（国家农学研究所）和CESBIO（生物空间研究中心）设计，用于执行SM和L-VOD的全球检索。SMOS-IC基于Wigneron等人（2017）中定义的L-MEB模型的双参数反转，并将像素视为同质。因此，SMOS-IC的设计基础与2级SM算法相同，但使用了一些简化。具体而言，SMOS-IC没有考虑与处理具有异质土地覆盖区域（森林覆盖区域）、天线模式和复杂SMOS视角几何形状的检索相关的校正。因此，SMOS-IC产品的主要目标之一是尽可能独立于辅助数据，以便更加稳健，并受上述修正中潜在不确定性的影响较小。SMOS-IC算法和数据集在费尔南德斯-莫兰等人（2017）中进行了描述。可用的土壤湿度产品是第2版，以25公里的EASEv2网格提供，为netcdf格式。本产品在元数据的基础上进行数据的裁剪，裁剪后区域为中国西南地区，格式为TIFF格式。
美国国家航空航天局
此版本的亮点是改进了时间和空间覆盖范围，因为它包含了3个新的主动和被动传感器（所有传感器的上升和下降立交桥的观测值首次合并到此版本中）。验证表明，新版本是迄今为止最准确的ESA CCI SM产品。它提供了从1978年到2021年的全球数据。 算法更新包括以下内容： 包括新的风云 3C、3D 和 ASCAT-C 传感器 LPRM v7.1 改进了 LPRM 的模型参数化。这适用于所有无源传感器，但使用 LPRM v06.2 的 SMOS 和 SMAP 除外 所有无源传感器的日间观测值现在都包含在合并中 包括一个新的可选标志，用于贫瘠的地面 使用年内偏置校正方法协调传感器 产品的时间范围将延长至2021年底。 本数据在原始数据（主被动联合版本）的基础上对数据进行裁剪，裁剪范围为西南地区。
Wouter Dorigo
基于微波数据同化的中国土壤水分数据集包含2002-2011年3层土壤水分数据（0-5cm，5-20cm，20-100cm）。数据采用Yang et al.(2007) 发展的自动标定参数的陆面同化系统（ITPLDAS），以中国区域高时空分辨率的地面气象要素数据集（ITP-forcing数据集）驱动陆面过程模型SiB2，同化AMSR-E 卫星观测亮温，输出三层土壤水分数据。土壤水分均方根误差：5%VWC（在青藏高原那曲和玛曲的评估精度）。
阳坤
稳定连续的长时序地表土壤水分数据集对于全球环境和气候变化监测等都非常重要。SMAP等卫星搭载的L波段辐射计能提供目前最优精度的全球地表土壤水分观测，但其数据记录的短时间限制了其在长期研究中的应用；而AMSR-E和AMSR2系列传感器能提供长时序多频段辐射计观测（C、X和K波段）。本数据集是一个20年（2002/07/27~2022/08/31）的全球连续一致的地表土壤水分数据集，分辨率为日尺度的36 km，采用EASE-Grid2投影坐标系，数据单位为m3/m3。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5%左右。该全球长时序数据集目前时间覆盖20年，随着AMSR2的持续在轨观测以及即将发射的后继AMSR3任务，该数据集是可延长的，为气候极端事件、趋势分析和年代际变化的长时序研究提供支持。
姚盼盼, 卢麾
数据集包含2002年至2018年中国陆地土壤水分数据，单位为m³/m³，时间分辨率为月，空间分辨率为0.05°。它由3个被动微波遥感产品制成：日本宇宙航空研究开发机构（JAXA）的 AMSR-E 的 Level 3 土壤水分数据和 AMSR2 的 Level 3 土壤水分数据，以及由法国农业科学研究院（INRA）和法国空间生物圈研究中心（CESBIO）研发的 SMOS 产品的土壤水分数据。为了应对被动微波土壤水分产品空间分辨率低的不足，研究人员基于温度植被干旱指数（TVDI）建立了空间权重分解（SWD）模型，其中，TVDI由中分辨率成像光谱仪（MODIS）的地表温度（LST）MYD11C3数据和归一化植被指数（NDVI）MYD13C2数据计算而来。整体而言，降尺度的土壤水分产品与实地测量结果一致（R >0.78），且均方根误差较低（ubRMSE < 0.05 m³/m³），这表明数据在整个时间序列中具有良好的准确性。数据集可以广泛应用于水文及干旱监测，并且可以作为生态和其他地球物理模型的重要输入参数。本数据集在元数据集的基础上进行裁剪，获取西南地区土壤水分数据。
毛克彪
