时空三极环境大数据平台

黄河上游ASTER_DEM高程数据集（2009）

一、概述本数据集源于全球30m分辨率数字高程产品数据集，利用ASTER GDEM第一版本（v1）的数据进行加工得到。其空间分辨率为30m，由于云覆盖，边界堆叠产生的直线，坑，隆起，大坝或其他异常的影响，ASTER GDEM第一版本原始数据局部地区存在异常，所以由ASTER GDEM v1加工的数字高程数据产品存在个别区域的数据异常现象，用户使用过程中需要注意。此外该数据集可以与SRTM全球90m分辨率高程数据集进行相互补充使用。二、数据处理说明 ASTER GDEM是采用全自动化的方法对150万景的ASTER存档数据进行处理生成的，其中包括通过立体相关生成的1264118个基于独立场景的ASTER DEM数据，经过去云处理，除去残余的异常值，取平均值，并以此为ASTER GDEM对象区域的最后像素值。纠正剩余的异常数据，再按1°× 1°分片，生成全球ASTER GDEM数据。三、数据内容说明该数据集覆盖整个黄河上游，每个数据文件名称根据分片几何中心左下（西南）角的经纬度产生。例如，ASTGTM_N40E116文件的左下角坐标是北纬40度，东经116度。ASTGTM_N40E116_dem和ASTGTM_N40E116_num对应的分别是数字高程模型（DEM）与质量控制（QA）的数据。四、数据使用说明 ASTER GDEM数据具有可计算及可视化功能，在各个领域的应用前景十分广阔，尤其是在测绘、地表形变及军事等领域具有十分重要的应用。具体而言，主要包括如下几方面：在科学研究上，ASTER GDEM数据在地质学、地球物理学、地震研究、水平建模、火山监控以及遥感图像的配准等方面都有十分重要的作用。利用高精度数字地形高程数据建立地面的三维立体模型，与地面的影像镶嵌叠加，可以观测到地球表面细微变化。在民用及工业应用上，ASTER GDEM数据可用于土木工程的计算、水库坝址的选定、土地利用规划等，在通讯方面，数字地形数据可以帮助商家建造更好的转播塔，研判移动电话亭的最佳地理位置；在航空安全方面，利用ASTER GDEM数字高程数据可以建立增强型飞机着陆报警系统，大大提高了飞机着陆安全系数。在军事上，ASTER GDEM数据是C4ISR（军队自动指挥系统）的基础信息平台，在研究战场地域结构、作战方向、战场预设、作战部署、兵力集结于投送、防护条件、后勤保障等方面是必不可少的。

6869 2015-05-15

2002-2019年全球AMSR-E/2近地表冻融状态产品数据集（0.25°）

近地表土壤的冻结/融化状态表征着陆地表层过程的休眠和活跃，这种冻融相态交替能引起一系列复杂的地表过程轨迹模式突变，影响着土壤的水热特性、地表径流和地下水补给等水循环过程，同时也通过水和能量循环机制影响气候变化。本数据集是基于AMSR-E和AMSR2被动微波亮温数据，利用冻融判别式算法制备的全球近地表冻融状态（空间分辨率：0.25°；时间跨度：2002-2019年），可用于分析全球近地表冻融循环的开始/结束日期、冻结/融化时长、冻结范围等指标的空间分布和趋势变化，可为理解全球变化背景下陆表冻融循环与水分、能量交换过程的相互作用机制提供数据支持。

6526 2018-03-02

黑河流域30弧秒DEM数据（2009）

该数据根据国家基础地理信息中心发布的中国1：25万数字等高线和高程点生成的DEM数据，通过ARCGIS空间分析模块的最邻近法重采样方法生成黑河流域DEM数据集，空间分辨率30 sec 。

9943 2015-06-03

2002-2017年全球AMSR-E/2近地表冻融状态产品数据集(0.05°)

近地表土壤的冻结/融化状态表征着陆地表层过程的休眠和活跃，这种冻融相态交替能引起一系列复杂的地表过程轨迹模式突变，影响着土壤的水热特性、地表径流和地下水补给等水循环过程，同时也通过水和能量循环机制影响气候变化。本数据集是基于AMSR-E、AMSR2被动微波亮温数据，以及MODIS光学遥感数据，利用冻融判别式算法和冻融降尺度算法制备的全球近地表冻融状态（空间分辨率：0.05°；时间跨度：2002-2017年），可用于分析全球近地表冻融循环的开始/结束日期、冻结/融化时长、冻结范围等指标的空间分布和趋势变化，可为理解全球变化背景下陆表冻融循环与水分、能量交换过程的相互作用机制提供数据支持。

7413 2019-11-04

机器学习方法融合北半球长时间序列逐日雪深数据集（1980-2019）

在地球大数据科学工程专项时空三极环境项目第一课题“三极大数据共享与集成” (XDA19070100)资助下，中国科学院西北生态环境资源研究院车涛课题组利用机器学习方法结合多源雪深产品数据、环境因子变量及地面观测雪深数据等制备了北半球长时间序列逐日雪深数据集。首先将人工神经网络、支持向量机和随机森林方法在积雪深度融合的适用性进行对比研究，发现随机森林方法在雪深数据融合上表现出较强优势。其次，利用随机森林方法，结合AMSR-E，AMSR2，NHSD和GlobSnow等遥感雪深产品及ERA-Interim和MERRA2等再分析资料格网雪深产品和环境因子变量等作为模型的输入自变量，用中国气象台站数据（945）、俄罗斯气象台站（620）、俄罗斯积雪调查数据（514）和全球历史气象网络逐日数据（41261）等43340个地面观测站点的雪深数据作为参考真值对模型训练与验证，在专项“地球大数据科学工程”提供的云平台上制备1980~2019年积雪水文年（上一年9月1日至本年度5月31日）的逐日格网雪深数据集。由于1980~1987年微波亮温数据为隔日数据，所以这段时间的数据会出现少量条带缺失现象。利用全球积雪模型对比计划及独立的地面观测数据进行验证，融合数据集的质量在整体上有所提升。利用地面观测数据及融合前的雪深产品对比来看，融合数据的决定系数（R2）从6种融合前产品中最高的0.23（GlobSnow雪深产品）提升至0.81，而相应的均方根误差（RMSE）和平均绝对误差（MAE）也减小至7.7 cm 和2.7 cm。

6731 2021-09-13

“一带一路”沿线国家能源供给恢复力（2000-2019）

“一带一路”沿线国家能源供给恢复力反映了沿线国家能源供给恢复力水平，数据值越高，表明沿线国家能源供给恢复力越强。“一带一路”沿线国家能源供给恢复力数据产品制备参考了国际能源署各国能源统计数据（https://www.iea.org/data-and-statistics），利用2000-2019年“一带一路”沿线国家煤炭、石油、天然气供给的逐年数据，在考虑各能源逐年变化的基础上，基于敏感性和适应性分析，通过综合诊断，制备生成了能源供给恢复力产品。

1062 2021-12-29

黑河流域ASTER GDEM数据集（2009）

该数据集包括ASTER GDEM数据及其镶嵌图。 ASTER Global DEM（简称ASTER GDEM）是美国是美国航空航天局 (NASA )和日本经济产业省(METI)于2009年6月29日联合发布的全球数字高程数据产品, 该DEM数据是根据NASA新一代对地观测卫星TERRA的观测结果完成，是由ASTER(Advanced Space borne Thermal Emission and Reflection Radio meter)传感器搜集的130万个立体像对数据制作，其覆盖范围超过了地球99%陆地表面。该数据的水平精度30米（置信度95%），高程精度为7-14米（置信度95%）。该数据是第三个全球范围内的高程数据，较之以前的SRTM3 DEM和GTOPO30数据有明显的提高。我们从NASA数据网站上（http://wist.echo.nasa.gov/api）下载了黑河流域的数据，并通过本数据中心重新分发。本中心分发的数据完全保留了数据的原貌，没有对数据进行任何修改。用户如需详细了解ASTER GDEM的制备过程，请参考本元数据连接的数据文档，或直接访问http://www.ersdac.or.jp/GDEM/E/3.html or from https://lpdaac.usgs.gov/阅读与ASTER Global DEM 相关的文档. ASTER GDEM在分发是被分割为若干1×1度的数据块，分发格式为zip压缩格式，每个压缩文件包括三个文件，文件命名格式如下： ASTGTM_NxxEyyy_dem.tif ASTGTM_NxxEyyy_num.tif reademe.pdf 其中xx为起始纬度，yyy为起始经度。_dem.tif为dem数据文件，_num.tif为数据质量文件，reademe为该数据说明文件。为了便于用户使用数据，在分幅ASTER GDEM数据的基础上，我们将分数SRTM数据进行拼接制备了黑河流域ASTER GDEM镶嵌图，该数据保留了ASTER GDEM的全部原始特征，没有经过任何重采样处理。本数据包括两个文件： Heihe_ASTER_GDEM_Mosaic_dem.img Heihe_Aster_GDEM_Mosaic_num.img 数据采用Erdas image格式存储,其中_dem.img文件是dem数据文件，_num.img是数据质量文件。

17682 2013-07-21

中国地区SRTM DEM数据集（2000）

SRTM的传感器有两个波段，分别是C波段和X波段，我们现在使用的SRTM都自于C波段。公开发布的SRTM数字高程产品包括三种不同分辨率的DEM 数据: * SRTM1 覆盖范围仅仅包括美国大陆,其空间分辨率为1s ; * SRTM3 数据覆盖全球, 空间分辨率为3s,这是目前使用最为广泛的数据集，SRTM3的高程基准是EGM96的大地水准面，平面基准是WGS84；标称绝对高程精度是±16m，绝对平面精度是±20m。 * SRTM30 数据同样覆盖全球 ,分辨率是30s. SRTM数据存在多个版本，早期的SRTM数据由NASA“喷气推进实验室”(JPL ,Jet Propulsion Laboratory)地面数据处理系统( GDPS)来完成的，数据被称为SRTM3-1。美国国家地理空间情报局对数据做了更进一步的处理，缺少情况得到明显改进，数据称为SRTM3-2。该数据集主要是第四版本由 CIAT（国际热带农业中心）利用新的插值算法得到的SRTM地形数据，此方法更好的填补了SRTM 90的数据空洞。插值算法来自于Reuter et al.（2007） SRTM的数据组织方式为：每5度经纬度方格划分一个文件，共分为24行（-60至60度）和72列（-180至180度）。文件命名规则为srtm_XX_YY.zip，XX表示列数（01-72），YY表示行数（01-24）。数据分辨率90米数据使用:SRTM的数据是用16位的数值表示高程数值的（-/+/32767米），最大的正高程9000米，负高程（海平面以下12000米）。空数据用-32767标准

40446 2013-09-04

珠穆朗玛大气与环境综合观测研究站气象观测数据（2005-2016）

本数据集包含珠穆朗玛大气与环境综合观测研究站，2005-2016年观测的气温、气压、相对湿度、风速、降水、总辐射、P2.5浓度等日平均值。数据服务对象为从事青藏高原气象研究的学生和科研人员。其中降水数据是人工雨量桶观测，蒸发数据为Φ20mm蒸发皿观测，其它均为半小时的观测值处理后得到的日均值。所有数据严格按照仪器操作规范进行观测和采集，在加工生成数据时，剔除了一些明显的误差数据。

5373 2018-03-27

南极海冰表面积雪厚度数据集（2002-2020）

海冰表面的积雪控制着能量收支，影响海冰的生长和消融，具有重要的气候作用。积雪厚度作为积雪的重要属性之一，对于理解气候变化、估算海冰参量等具有重要意义。被动微波数据可以获取逐日半球尺度的积雪厚度观测数据，但是原先提出的估算方法会产生明显的低估，限制了该方法的进一步应用。我们构建了一个新的且鲁棒的线性回归公式，通过引入低频信号明显改进了被动微波反演积雪厚度的效果，并且基于AMSR-E，AMSR-2和SSMIS被动微波辐射计亮温数据，应用该方法生成了2002—2020年逐日南极海冰表面积雪厚度数据集。采用7年的机载Operation IceBridge (OIB) 飞行计划获取的积雪厚度测量数据进行回归分析，发现采用垂直极化下37和19 GHz的亮温计算得到的极化梯度率（gradient ratio, GR），即GR（37/7），是用于南极海冰表面积雪厚度估算的最优极化梯度率，均方根偏差约为8.92厘米，相关系数为-0.64，并获取了相应的线性回归公式系数。GR（37/19）用于基于SSMIS的积雪厚度估算，用来填补AMSR-E和AMSR-2之间的观测空白。不同辐射计估算的积雪厚度进行了一致性校正。基于高斯误差传递法估算的积雪厚平均不确定度约为3.81厘米，占积雪厚度的12%左右。与Australian Aantarctic Data Centre发布的实测数据对比发现提出的方法明显优于原有的方法，平均差异和均方根偏差约为5.64厘米和13.79厘米，而原有方法的平均差异和均方根偏差约为-14.47厘米和19.49厘米。与Antarctic Sea Ice Processes and Climate 计划发布的船载观测数据对比发现提出的方法略优于原有方法（均方根偏差分别为16.85厘米和17.61厘米），并且该方法在海冰生长期和融化期有着相似的精度，表明该方法也可以应用于消融季。基于该套数据，我们发现2002—2020年在南极所有海域和季节内海冰表面积雪厚度均呈现降低趋势。该数据可以进一步用于再分析数据的评估，海冰厚度估算和气候模式等方面。

1242 2021-08-16