This is a dataset of shrubline shifts and recruitment including 24 willow shrubline plots on the eastern Tibetan Plateau. It includes the following information: 1) Shrub recruitment series; 2) Climatic sensitivity of shrub recruitment; 3) Shrubline shifts and their potential drivers.

中国站点尺度天然径流量估算数据集，包括全国多个水文站1961–2018年月值天然径流量（数据将继续更新），数据为ASCII格式。该数据是基于VIC（The Variable Infiltration Capacity）分布式水文模型，结合参数不确定分析、流向校正和统计后处理等数据质量方法重建的，是中国长时序、高质量与时间连续的天然河川径流资料。研究中涉及到的全国水文站分别约有83％和56％水文站的NSE值、KGE值大于0.70。偏差校正后全国站点平均偏差百分比从约17%降至2%，NSE与KGE平均值分别为0.85与0.91。该天然径流数据集质量较高，可以为变化环境下水文过程模拟与水资源综合管理提供重要基础数据与科学服务。

海冰表面积雪厚度是海冰表面积雪的重要参数之一。积雪厚度的变化可以调节海冰的变化，对地球气候系统发挥重要作用。本数据集为2012-2020年结冰期（10月-4月）逐日的海冰表面积雪厚度数据。海冰表面积雪厚度算法结合了线性回归和LSTM深度学习算法。首先根据AMSR2亮温数据和大量的实测积雪厚度数据确定最优的估算一年冰表面积雪厚度的极化梯度率，构建一年冰表面积雪厚度估算模型。LSTM的模型输入为不同的极化梯度率、37GHz通道亮温极化率，模型输出为海冰表面积雪厚度，从而确定了多年冰表面积雪厚度的估算模型。最终得到25 km空间分辨率的北极海冰表面积雪厚度数据。本数据集能有效的反映厚冰和薄冰表面的积雪厚度，与NASA发布的OIB数据吻合良好，均方根误差为7.35 cm。本数据集能够为海冰厚度的反演提供高精度的输入参数，有助于分析北极物质平衡和能量平衡。

中国逐日雪深模拟预估数据集是采用人工神经网络模型，以NEX-GDPP模式数据集作为依托，预估的中国未来逐日雪深数据，其中雪深模拟的人工神经网络模型是以当天的最高温度、最低温度、降水数据和当天雪深数据作为模型的输入层，次日的雪深数据作为模型目标层对模型搭建，然后运用国家气象站数据对搭建的雪深模拟模型进行训练和验证进行训练，模型验证结果显示：模型迭代时空模拟能力较好；累积雪盖持续时间、累积积雪深度的模拟值和验证值的空间相关性为0.97和0.87，累积雪深的时间和空间相关性分别为0.92和0.91。在模型最优基础上，用此模型迭代模拟未来中国区域内逐日雪深数据。该数据集可以为中国未来雪灾风险评估、积雪范围变化研究以及气候变化研究提供数据支持。该数据基本信息如下：历史基准时段(1986～2005年)、未来模拟（2016～2065年）两个时间段，以及RCP4.5和RCP8.5两种情景，20个气候模式。其空间分辨率为0.25°*0.25°。该数据的投影方式为EASE-Gr，数据保存格式为nc格式。 下面是nc中数据文件信息 time：时长（单位：天）历史基准时段（起始时间：1986年1月1日，终止时期：2005年12月31日） 未来模拟（起始时间：2016年1月1日，终止时期：2065年12月31日） longitude = 320矩阵共320列 latitude = 160矩阵共160行 depth：雪深（cm） X Dimension: Xmin = 60.125; //矩阵x方向左下角网格的角落点坐标 Y Dimension: Ymin = 15.125; //矩阵y方向轴左下角网格的角落点坐标

本数据为降水数据，是热带降水测量任务TRMM（Tropical Rainfall Measuring Mission）逐月降水产品TRMM 3B43，融合青藏高原为主主体的范围区域（25~40°N；73~105°E）内332个气象站点降水数据，该气象站降水数据源自中国气象局国家气象信息中心。本数据集采用站点3°插值优化变分订正方法计算获得的再分析数据集。时间跨度为1998年1月至2018年12月的月样本资料，空间覆盖范围是25~40°N；73~105°E，空间分辨率为1°*1°。

该数据集为发源于青藏高原的黄河流域水文站河水的季节性水文观测数据。共两个水文站：1、黄河中游龙门水文站，为2013年逐周水文数据，包括水温（T）、径流量（Qw）、物理侵蚀速率（PER）、pH。2、黄河唐乃亥水文站，为2012年7月至2014年6月河水逐月数据，包括径流量（Qw）、泥沙量（silt）、pH、EC。该数据集委托黄河水利委员会水文站工作人员观测，为青藏高原隆升背景下水文学、水化学、水圈循环等研究提供基础水文资料。

数据覆盖区域为川藏交通廊道，为矢量线数据。数据定义了其活动时期，并对其进行了命名。描述了断层走向、性质、活动时期、出露情况。但内容有所缺失，次级断裂带没有命名。此数据集川藏交通廊道范围内共有590条线状要素，但有部分线状要素为同一断裂带的多部分要素。活动断裂带往往是不同板块、不同地块的结合带，是地壳的相对薄弱带，易诱发极为严重的地震灾害，也是崩塌、滑坡、泥石流等地质灾害的集中发育带。对断裂带位置及性质的判断对地质灾害的风险易发性评价具有重要意义，是研究地质灾害的关键因子。

青藏高原土壤温湿度观测网（Tibet-Obs）始建于2008年，包括玛曲、那曲、阿里和狮泉河四个站网，目前已连续运行超过十年，并被NASA的土壤水分主被动卫星SMAP选定为其产品的地面验证点，促进了青藏高原遥感产品和模型模拟的评估和改进。本研究详细梳理了各观测站网的现状及其应用情况，并基于已有观测数据发展了一套长时序（2009-2019）地表土壤湿度（5 cm）观测数据集，主要包含四个站网各站点的15分钟原始观测数据以及玛曲和狮泉河站网的升尺度区域土壤湿度数据。

本数据集是一个包含21年（1988-2008）的青藏高原地区地表土壤水分数据集，时间分辨率为yearly，空间分辨率为25km，数据单位为m3/m3。数据集是在van der Velde et al.（2014）反演的高原土壤湿度的基础上，利用三维离散变换方法弥补了缺值生成的。该数据经过了站点验证，并且和再分析数据进行了比较，发现数据质量较好。该数据可以应用于高原春季土壤湿度的时空变化等方面的研究。

青藏高原不同区域湖泊面积和水量的年际变化数据集包含1976-2019年不同区域的20个大于100平方公里湖泊的面积和水量连续序列数据（1978-1985无数据），根据Landsat系列影像的10-12月份数据，减少季节变化的同时使可利用数据达到最大。利用NDWI水体指数提取湖泊面积，利用SRTM DEM拟合湖泊面积与水量变化的关系，算出湖泊水量。数据应用于青藏高原湖泊变化、湖泊水量平衡、气候变化的研究。

该数据集包含了2020年7月25日至2020年10月20日的黑河水文气象观测网下游四道桥超级站叶面积指数观测数据。站点位于内蒙古额济纳旗四道桥，海拔870 m，下垫面是柽柳。观测在四道桥超级站（101.1374E, 42.0012N）旁开展，样方1个，大小约30m×30m，每个样方内布设5个冠层下节点和1个冠层上节点。 本数据集由叶面积指数无线传感网（LAINet）获取，该仪器原始观测数据为仪器自动获取的每个节点逐日逐小时的光照数据（Level0），利用LAINet软件对原始观测数据进行处理，逐节点计算每天LAI（Level1），进一步对无效值识别与填充，并7天滑动平均消除天气变化对LAI计算的影响（Level2），对有多个LAINet节点的观测子区，节点的均值为该子区的最终观测值（Level3）。 本次发布的数据集为处理后的Level3产品，数据以*.xlsx格式存储。 黑河流域地表过程综合观测网或站点信息请参考Liu et al. (2018)，观测数据处理请参考Qu et al. (2014)。

该数据集包含了2020年7月26日至2020年10月20日的黑河水文气象观测网下游混合林站叶面积指数观测数据。站点位于内蒙古额济纳旗四道桥，海拔870 m，下垫面是胡杨与柽柳混合。观测在混合林站（101.1335E, 41.9903N）旁开展，样方大小约30m×30m，每个样方内布设5个冠层下节点和1个冠层上节点。 本数据集由叶面积指数无线传感网（LAINet）获取，该仪器原始观测数据为仪器自动获取的每个节点逐日逐小时的光照数据（Level0），利用LAINet软件对原始观测数据进行处理，逐节点计算每天LAI（Level1），进一步对无效值识别与填充，并7天滑动平均消除天气变化对LAI计算的影响（Level2），对有多个LAINet节点的观测子区，节点的均值为该子区的最终观测值（Level3）。 本次发布的数据集为处理后的Level3产品，数据以*.xlsx格式存储。 黑河流域地表过程综合观测网或站点信息请参考Liu et al. (2018)，观测数据处理请参考Qu et al. (2014)。