南极McMurdo Dry Valleys 冰川表面流速遥感后处理产品，基于Antarctic Ice Sheet Velocity and Mapping Project（AIV）数据，通过先进的算法和数值工具后处理得到。该产品利用Sentinel-1/2/Landsat数据绘制，提供了McMurdo Dry Valleys 均匀、高分辨率（60m）的冰流速结果，时间覆盖范围从2015到2020。
2022-11-03
南极冰盖21、22流域分布有松岛冰川、斯维特冰川等，是西南极融化最为剧烈的地区之一。本数据集首先利用Cryosat-2数据（2010年8月至2018年10月），在每个规则格网内，考虑地形项、季节波动、后向散射系数、波形前缘宽度及升降轨等因素建立平面方程，通过最小二乘回归计算格网内冰盖表面高程变化。另外，我们使用了ICESat-2数据（2018年10月至2020年12月），通过在每个规则格网内获取两个时期的卫星升降轨道交叉点处的高程差值，进而计算该时期内冰盖的表面高程变化。两个时期的面高程变化数据空间分辨率为5km×5km，文件格式为GeoTIFF，投影坐标为极地立体投影(EPSG 3031),并由所使用的卫星测高数据名称命名(即CryoSat-2、ICESat-2)。该数据可使用ArcMap、QGIS等软件打开。结果表明，该区域2010-2018年平均高程变化率为-0.34±0.08m/yr，属于融化剧烈地区。2018年10月-2020年11月年平均高程变化率为-0.38±0.06m/yr，相比于CryoSat-2计算结果该区域融化处于加剧状态。
2022-10-19
本数据集包括1995，2000，2005，2010和2015年等5期湖泊透明度数据。数据源为：Landsat 5，Landsat 7和Landsat 8。使用方法：利于实测光谱反射率，在分析光谱反射率与同步测量的透明度之间的关系的基础上，采用半经验方法选择最佳波段组合，建立青藏高原湖泊透明度算法，获得水体透明度。通过实测点的验证表明水体的透明度估算相对误差在35%。
2022-08-25
我们提出利用U-net网络进行冰裂隙识别探测的算法，可以实现格陵兰冰盖典型冰川冰裂隙的自动化探测。基于Sentinel-1 IW每年7、8月的数据，为了抑制SAR图像的相干斑噪声，选择Probabilistic Patch-Based Weights (PPB)算法进行滤波，然后选择具有代表性的样本输入U-net网络进行模型训练，根据训练的模型进行冰裂隙的预测。以格陵兰2个典型冰川（Jakobshavn、Kangerdlussuaq）为例分类结果的平均准确率可达94.5%，其中裂隙区域的局部准确率可达78.6%，召回率为89.4%。
2022-07-29
我们提出利用U-net网络进行冰裂隙识别探测的算法，可以实现南极冰裂隙的自动化探测。基于Sentinel-1 EW 1月、2月的数据，为了抑制SAR图像的相干斑噪声，选择Probabilistic Patch-Based Weights（PPB）算法进行滤波，然后选择具有代表性的样本输入U-net网络进行模型训练，根据训练的模型进行冰裂隙的预测。以南极5个典型冰架（Amery、Fimbul、Nickerson、Shackleton、Thwaiters）为例分类结果的平均准确率可达94.5%，其中裂隙区域的局部准确率可达78.6%，召回率为89.4%。
2022-07-28
积雪面积比例（fractional snow cover， FSC）是单位像元内积雪覆盖面积（Snow Cover Area SCA）与单位像元面积的比值。本数据集的制作方法为BV-BLRM积雪面积比例线性回归经验模型；采用的源数据为MOD09GA 500米全球逐日地表反射率产品，以及MOD09A1 500m的8天合成全球地表反射率产品；制作平台使用的是Google Earth Engine；数据范围为全球范围，数据制备时间为2000至2021年，空间分辨率为500米，时间分辨率为逐年。该套数据可为区域气候模拟、水文模型等提供积雪分布的定量信息。
2022-07-20
针对青藏高原泛三江并流区的17.9万km2的区域，通过Sentinel-1升降轨，以及Palsar-1升轨三种SAR数据进行InSAR变形观测，根据获取的InSAR变形图像，结合地貌和光学影像特征进行综合解译。共识别得到海拔4000m以下的活动性滑坡949处。需要注意的是，因不同SAR数据的观测角度、敏感度和观测时相的差异，同一滑坡用不同数据解译存在一定的差异，在滑坡的范围、边界方面需要借助地面和光学影像进行修正。滑坡InSAR识别比例尺的概念与传统空间分辨率不同，主要依靠变形强度，因此一些规模较小，但与背景相比变形特征突出，整体性强，与地物具有逻辑空间关系的滑坡也能得以解译（配合SAR的强度图、地形阴影图、光学遥感影像为地物参照）。本次最小解译区域可达几个像素，如参考怒江沿江公路解译了一处只有4个像素的公路边坡滑坡。
2022-03-19
本数据为东南亚地区2015年的地表类型数据，空间分辨率为30米，数据类型为NetCDF，变量名为“land cover type”。该数据基于FROM-GLC数据加工而成，通过对原始影像的拼接、裁剪得到覆盖东南亚的地表类型数据，剔除东南亚地区不存在的雪冰等下垫面类型并重新整合图例。修改下垫面类型编码生成包含东南亚的地表类型数据。该数据提供耕地、森林、草地、灌木、湿地、水体、不透水面、及裸地共8种下垫面的信息。数据总体精度为71% （Gong et al., 2019），可为水文模型、区域气候模式等提供东南亚地区的下垫面信息。
2022-01-03
在国家重点研发计划“冰冻圈和极地环境变化关键参数观测与反演”第一课题“冰冻圈关键参数多尺度观测与数据产品研制“的资助下，中国科学院青藏高原研究所张寅生课题组发展了青藏高原地区降尺度雪深产品。青藏高原积雪深度降尺度数据集来源于积雪概率数据和中国雪深长时间序列数据集的融合结果,采用新发展的亚像元时空分解算法对原始0.25度的积雪深度数据进行时空降尺度，得到0.05度逐日积雪深度产品。通过降尺度前后的雪深产品精度评估的对比，发现降尺度后雪深产品的均方根误差由原产品的2.15 cm减少到了1.54 cm。 青藏高原积雪深度降尺度数据集（2000-2018）的产品信息细节如下。投影为经纬度，空间分辨率0.05 度（约5公里），时间范围为2000年9月1日-2018年9月1日，为Tif格式文件，命名规则为：SD_YYYYDDD.tif，其中YYYY代表年，ddd代表儒略日（001-365）。积雪深度（SD），单位：厘米（cm）。空间分辨率为0.05度。时间分辨率为逐日。
2021-10-08
本数据集是2019年9月川藏铁路沿线典型植被无人机高光谱观测数据，使用的是大疆M600 Resonon成像系统的机载光谱仪。包括2019年在拉萨的草原区域观测的高光谱数据，自带经纬度。高光谱调查时基本为晴天。飞行前进行了白板校准；采集数据时设有靶标（即适于草地的标准反光布），用于光谱校准；设有地面标志点（即有字母的泡沫板照片），并记录了每个标志点的经纬度坐标，用于几何精确校准。无人机高光谱相机记录的dn值，可使用Spectronon Pro软件转换为反射率。高光谱数据用于提取不同植被类型光谱特征、植被分类、反演植被覆盖度等。
2021-03-31
联系方式
中国科学院西北生态环境资源研究院
0931-4967287
poles@itpcas.ac.cn
关注我们
时空三极环境大数据平台 © 2018-2020 陇ICP备05000491号 | All Rights Reserved
｜ 
京公网安备11010502040845号
数据中心技术支持: 数云软件
