宏观经济是指整个国民经济或国民经济总体及其经济活动和运行状态。“一带一路”沿线国家宏观经济发展恢复力数据集全面反映了沿线国家宏观经济发展恢复力水平，数据值越高，表明沿线国家宏观经济发展恢复力越强。宏观经济发展恢复力数据产品制备参考了世界银行统计数据库，利用2000-2019年“一带一路”沿线国家人均GDP、固定资本形成总额占GDP的百分比、按GDP平减指数衡量的通货膨胀、总储蓄占GDP的百分比4个指标的逐年变化数据，在考虑各指标逐年变化的基础上，基于敏感性和适应性分析，通过综合诊断，制备生成了宏观经济发展恢复力产品。“一带一路”沿线国家宏观经济发展恢复力数据集对分析和对比当前各国宏观经济发展的恢复力状况具有重要参考意义。

“一带一路”沿线国家国内经济系统恢复力数据集全面反映各国国内经济系统恢复力水平，数据值越高，表明沿线国家国内经济系统恢复力越强。国内经济系统恢复力包括宏观经济发展恢复力、工业和服务业发展恢复力，数据产品制备参考了世界银行统计数据库，利用2000-2019年“一带一路”沿线国家人均GDP、固定资本形成总额占GDP的百分比、按GDP平减指数衡量的通货膨胀、总储蓄占GDP的百分比、工业增加值占GDP的百分比、服务业增加值占GDP的百分比这6个指标的逐年数据，在考虑各指标逐年变化的基础上，基于敏感性和适应性分析，通过综合诊断，制备生成了国内经济系统恢复力产品。“一带一路”沿线国家国内经济系统恢复力数据集对分析和对比当前各国国内经济系统恢复力状况具有重要参考意义。

“一带一路”沿线国家工业和服务业发展恢复力数据集反映了沿线国家工业和服务业发展恢复力水平，数据值越高，表明沿线国家工业和服务业发展恢复力越强。工业和服务业发展恢复力数据产品制备参考了世界银行统计数据库，利用2000-2019年“一带一路”沿线国家工业增加值占GDP的百分比、服务业增加值占GDP的百分比2个指标的逐年变化数据，在考虑各指标逐年变化的基础上，基于敏感性和适应性分析，通过综合诊断，制备生成了工业和服务业发展恢复力产品。“一带一路”沿线国家工业和服务业发展恢复力数据集对分析和对比当前各国工业和服务业发展的恢复力状况具有重要参考意义。

“一带一路”沿线国家对外贸易系统恢复力数据集全面反映各国对外贸易系统恢复力水平，数据值越高，表明沿线国家对外贸易系统恢复力越强。对外贸易系统恢复力数据产品制备参考了世界银行统计数据库，利用2000-2019年“一带一路”沿线国家贸易额占国民生产总值（GDP）比例、货物和服务出口年增长率、货物和服务进口年增长率3个指标的逐年数据，在考虑各指标逐年变化的基础上，基于敏感性和适应性分析，通过综合诊断，制备生成了对外贸易系统恢复力产品。数据集制备方法请参考说明文档。“一带一路”沿线国家对外贸易系统恢复力数据集对分析和对比当前各国对外贸易系统的恢复力状况具有重要参考意义。

近地表气温是反映气候变化的重要物理参数。为了获得中国地区高时空分辨率的日数据(Tmax、Tmin和Tavg)，我们充分分析了各种现有数据(再分析数据、遥感数据和原位数据)的优缺点。针对不同的天气条件建立了不同的Ta重建模型，并通过建立不同区域的修正方程进一步提高数据精度。最后，获得了1979 - 2018年中国逐日气温数据集(Tmax、Tmin和Tavg)，空间分辨率为0.1°。 对于Tmax，使用原位数据的验证表明，均方根误差(RMSE)范围为0.86°C至1.78°C，平均绝对误差(MAE)范围为0.63°C至1.40°C，皮尔逊系数(R2)范围为0.96至0.99。Tmin的RMSE为0.78°C ~ 2.09°C, MAE为0.58°C ~ 1.61°C, R2为0.95 ~ 0.99。对于Tavg, RMSE范围为0.35°C ~ 1.00°C, MAE范围为0.27°C ~ 0.68°C, R2范围为0.99 ~ 1.00。此外，利用多种评价指标分析Ta的时空变化趋势，Tavg增加幅度大于0.0°C/a，与全球变暖的总体趋势一致。 综上所述，该数据集具有较高的空间分辨率和可靠的精度，弥补了之前在高空间分辨率下缺失的温度值(Tmax、Tmin和Tavg)。该数据集也为研究气候变化，特别是高温干旱和低温冷害提供了关键参数。

冻结（融化）指数是指一年内小于（大于）0 ℃的所有温度的和。地表冻结（融化）指数是度量地表冻结（融化）时间和能力大小的重要参数，可反映区域的冻融环境特征。基于MODIS-LST数据产品，来源于国家青藏高原科学数据中心，采用MATLAB语言读取三江流域内数据，结合冻结（融化指数）公式计算，获得了三江流域外动力环境因素地表冻结、融化指数空间分布数据集（2003~2015平均），该数据集可较好的反映三江流域地表冻结、融化的能力，从而反映区域的冻融环境特征，为冻融滑坡的发育提供重要的外动力环境因素。

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。

本数据是研究团队综合利用Sentinel-1 SAR数据，AMSR-2微波辐射计数据以及MODIS LST产品所生产的青藏工程走廊区域高分辨土壤冻融数据集。基于新提出的算法，本产品提供月尺度100m空间分辨土壤冻融状态检测结果，并通过气象站点和土壤温度站点进行精度验证。基于青藏工程走廊地区的4个气象站点进行精度验证，结果表明基于升轨和降轨Sentinel-1的土壤冻融检测结果的整体准确率分别为84.63%和77.09%。基于那曲土壤湿度/温度监测站点进行精度验证，升轨和降轨结果的平均整体精度为78.58%和76.66。该产品弥补了传统土壤冻融产品空间分辨率不足（>1km）的问题，为青藏工程走廊区域高分辨率土壤冻融监测提供了可能。

本数据集主要包括了在三极（南极、北极和第三极）雪冰样品中粉尘的锶（Sr）-钕（Nd）同位素数据，也包括全球主要沙漠区样品锶-钕同位素数据。放射性锶-钕同位素比值被认为是示踪地球表层粉尘溯源的主要地球化学手段。因此，作者通过自主测试和文献收集的方式整合了地球三极寒区旱区锶-钕同位素数据集。数据包括来自雪冰、沙漠、土壤、黄土和沉积物等样品，时间分辨率主要包括现代和过去不同时间尺度；每个数据给出了具体的获取位置。数据集包括967个数据，其中391个数据来自南极，302个数据来自北极和274个数据来自第三极。数据处理使用了相同的计算方法，数据的测试方法大多用热电离质谱仪测试，数据质量均达到了使用的最低标准。该数据集主要的科学目标将有助于理解不同时间尺度粉尘在三极雪冰中的溯源和传输路径，揭示三极雪冰粉尘的多源性。数据集主要用于雪冰（冰芯）、黄土和海洋沉积物等专业方向，也可以对三极地区大气环流时空变化特征、大气化学传输模式验证和地球环境变化演化等领域。

由于原始分区数据仅根据区域地理位置将中国划分为六大区域，但未考虑青藏高原这一特殊地理区域，以及中国中部和南部经济发展的差异，在分析中国不同区域经济发展和生态环境是具有一定的局限性，本数据在原始的中国六大区域分布的基础上，增加了青藏高原这一分区，并根据地理位置将原始的中南分成了华中和华南两个分区，因此该数据一共包含八个分区。该数据可用于比较中国不同区域之间的气候变化差异、生态环境差异、经济发展差异以及地形地貌差异。

土壤水分是地气交互作用的重要边界条件，是全球观测系统提出的关键气候变量之一；植被光学厚度是微波辐射传输过程中衡量植被衰减特性的物理量，在表征植被水分与生物量动态变化中具有重要作用。 本数据集使用多通道协同反演算法获取SMAP观测的土壤水分与植被光学厚度。该算法利用参数间的自约束关系与通道间的理论转换关系进行地表参数反演，反演过程不依赖于其他辅助数据，并适用于多种不同载荷配置。本数据集的土壤水分反演结果包含了融化期的土壤水分含量与冻结期的液态水含量；同时反演了水平和垂直两个极化的植被光学厚度，是全球第一套具有极化差异的L波段植被光学厚度产品。 本数据集基于国际土壤水分观测网络发布的22个土壤水分密集观测站网进行验证，其中包含9个SMAP核心验证站点以及SMAP尚未使用的13个密集观测站点，结果发现MCCA土壤水分反演结果的ubRMSE（无偏均方根误差）明显优于MTDCA和SMAP官方产品（DCA、SCA-H和SCA-V），MCCA算法在其中21个站点表现优于MTDCA，19个站点优于DCA，16个站点优于SCA-H，15个站点优于SCA-V。

本数据采用由滑坡崩塌灾害致灾因子、滑坡崩塌易发性模型，暴露人口和人口伤亡率四大模块共同构成的喜马拉雅山周边及亚洲水塔区多灾种人口综合风险评估模型。致灾因子模块包括DEM、坡度、降雨、气温、积雪覆盖度、GDP、植被覆盖度因素。滑坡灾害崩塌易发性模型是利用logistic回归模型进行统计分析，得到滑坡崩塌灾害易发概率值。人口暴露度模块是利用滑坡崩塌灾害易发性值与人口数据叠乘。人口伤亡率模块是基于滑坡崩塌灾害历史伤亡人口与同时期滑坡崩塌灾害暴露人口的比值得到。最后，代入2020年人口数据，计算滑坡崩塌灾害易发性不同等级下的暴露人口，并与历史时期滑坡崩塌灾害人口伤亡率相乘，评估2020年喜马拉雅山周边及亚洲水塔区多灾种人口综合风险。