本数据集数据源为：欧洲航天局多光谱卫星Sentinel-2卫星。其中包含2017年青藏高原湖泊CDOM和DOC年均值数据。使用方法：基于实测样点的CDOM数据，提取影像反射率信息，通过皮尔森相关性分析选择最佳预测变量，构建多元逐步回归CDOM 预测模型，获得青藏高原水体CDOM结果。由于CDOM与DOC具有很好的相关性，所以DOC预测结果通过CDOM计算。最终青藏高原CDOM模型的调整R²达到0.81。
宋开山
基于我国高分一号及二号数据，采用深度学习分类方法，结合人工目视解译修正，生产出青藏工程走廊冻融灾害分布数据。数据地理范围为青藏公路西大滩至安多段沿线40km范围。数据包括热融湖塘分布数据及热融滑坡分布数据。该数据集可为青藏工程走廊冻融灾害的研究工作及工程防灾减灾提供数据基础。青藏公路西大滩至安多段沿线40km范围冻融灾害空间分布基于国产高分二号影像数据自制。首先，利用深度学习方法从高分二号数据中提取泥流阶地区块；然后，利用ArcGIS进行人工编辑，将数据解译后合在一张图上可现实。
牛富俊, 罗京
该物候数据基于青藏高原2000-2015年MOD13A2数据（时间分辨率为16天，空间分辨率为1km），利用TIMESAT软件中分段高斯函数拟合NDVI曲线，采用动态阈值方法提取春季物候、秋季物候以及生长季长度，其中春季物候和秋季物候的阈值分别设置为0.2和0.7。此物候数据进行了掩膜处理。其中，掩膜规则为：1）必须满足NDVI的最大值出现在6-9月份之间；2）6-9月份NDVI均值不能小于0.2；3）冬季的NDVI均值不能超过0.3。
俎佳星, 张扬建
本数据集为过去20年间（2001-2020）青藏高原生长季NDVI与植被物候数据集，数据来源为MODIS（MOD13A2）产品，空间分辨率为1km。数据集内容包括：2001-2020年每年生长季（5-9月）平均NDVI、生长季开始日期（SOS）、生长季结束日期（EOS）与生长季长度（DOS）。提取物候采用了两种方法：动态阈值方法和双对数函数法。数据格式为TIFF格式，投影为Sphere_ARC_INFO_Lambert_Azimuthal_Equal_Area。
王泰华, 杨大文
地表实际蒸散发是陆表水循环的关键环节，同时也是能量平衡的重要支出项，且与地表碳收支密切相关，其准确估算不仅对于研究地球系统和全球气候变化具有重要意义，而且对于水资源有效开发利用、农作物需水生产管理、旱情监测和预测、天气预报等方面具有十分重要的应用价值。ETMonitor全球逐日1公里分辨率地表实际蒸散发数据集是基于多参数化、适用于不同土地覆盖类型的地表蒸散发遥感估算模型ETMonitor计算得到，输入数据主要采用的遥感数据包括GLASS产品（叶面积指数、植被覆盖度和反照率）、MODIS产品（地表覆盖、积雪覆盖）、动态地表水体覆盖、ESA CCI土壤水分、GPM降水等，并结合欧洲中期天气预报中心的ERA5全球大气再分析数据等。利用ETMonitor模型在日尺度上估算1公里分辨率像元尺度的植被蒸腾、土壤蒸发、冠层降水截留蒸发、水面蒸发和冰雪升华，并对各分量求和获得逐像元逐日蒸散发量。利用FLUXNET等地面观测数据进行直接验证，估算结果与地面实测数据一致性较好，逐日蒸散发验证RMSE为0.93mm/d，误差为0.08 mm/d，相关系数为0.75。本数据集将ETMonitor估算获得的逐日蒸散发值（https://doi.org//10.12237/casearth.6253cddc819aec49731a4bc2）进行累积求和运算，获得逐月蒸散发，并转为经纬度投影进行公开发布。本数据集覆盖全球，时间步长为每月，空间分辨率为1公里，单位为mm/月，数据类型为整型，缩放系数为0.1，无效值填充-1。
郑超磊, 贾立, 胡光成
该数据集是通过中国高分辨率对地观测中心获取了青藏工程走廊地区的高分1号卫星遥感影像资料，经过多光谱与全色波段的融合处理，得到了空间分辨率2 m的影像数据，在获取地面植被信息过程中，采用面向对象的计算机自动解译与人工目视解译相结合的分类技术，面向对象分类技术是集合邻近像元为对象来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱数据空间、纹理和光谱信息来分割和分类，以高精度的分类结果或者矢量输出。在实际操作中，借助 eCognition 软件对影像进行自动提取，主要过程为影像分割、信息提取和精度评价。经过与实地定点调查验证，整体提取精度大于90%。
牛富俊
本数据集包括2000-2018年青藏高原植被生长季开始日期、结束日期多年平均空间分布格局，1982-1999年和2000-2020年青藏高原植被生长季开始日期、结束日期的时间变化趋势。该数据集以AVHRR NDVI、MODIS NDVI、EVI为基础，通过四个步骤最小化植被指数时间序列的偏差和噪声。首先，去除无植被覆盖、低植被覆盖或季节性较弱的植被对应的像元；其次，将冬季（12月至3月初）受积雪、冰或两者污染的植被指数替换为冬季未受污染的高质量的植被指数的平均值；其他季节由云和气溶胶引起的植被指数负偏差通过Savitzky-Golay方法进行校准；最后，使用双逻辑斯蒂或改良后的双逻辑斯蒂函数拟合年植被指数时间序列。基于阈值和拐点的方法，逐像元提取青藏高原植被生长季开始日期、结束日期。数据的空间分辨率为250m和1/12°。数据质量可靠。
沈妙根
数据内容：该数据集是青藏高原重点河湖研究区的国产高分系列（GF1/2/3/4）2015-2020年历史存档卫星数据，可覆盖典型河湖区进行有效监测，数据的时间范围为2015-2020年。数据来源和加工方法：数据为1级产品，经过均衡化辐射校正，通过不同检测器的均衡功能对影响传感器的变化进行校正，部分数据基于同时期的Landsat8影像为底图，选取控制点，进行图像几何校正，之后基于DEM数据进行正射校正，并对相应的数据进行波段融合处理。数据质量描述：高分系列卫星由中国资源卫星应用中心负责处理，有中科院空天院卫星地面接收站接收的原始数据和经过加工处理形成的各级产品。其中，1A级（预处理级辐射校正影像产品）：经数据解析、均一化辐射校正、去噪、MTFC、CCD拼接、波段配准等处理的影像数据；并提供卫星直传姿轨数据生产的RPC文件。具体参考中国资源卫星应用中心数据网站文件。数据应用成果及前景：数据为国产高分数据，分辨率高，可应用于监测青藏高原作为亚洲水塔的变化以及产生的影像，检验区内其他数据的准确性。
邱玉宝
及时准确地监测绿洲的时空格局和动态变化对干旱区社会经济的可持续发展至关重要。本研究基于1986年、1990年、1995年、2000年、2005年、2010年、2015年、2018年、2020年共计9期Landsat TM/OLI影像数据，采用OSTU阈值法和人工目视解译相结合的方法获取1986~2020年河西走廊绿洲分布数据，并结合高分辨率Google Earth影像和实地验证数据基于混淆矩阵的方法建立随机样点验证绿洲提取结果的准确性。河西走廊绿洲数据的总体精度超过94%，Kappa系数超过0.88。本数据集可以为河西绿洲生态环境保护提供数据支持。
颉耀文, 张学渊, 刘怡阳, 黄晓君, 李汝嫣, 宗乐丽, 肖敏, 秦梦瑶
青藏高原六大外流河（黄河、金沙江、雅砻江、怒江、澜沧江、雅鲁藏布江）平滩流量条件下河流表面SHP矢量数据，以1km为步长的平滩流量下河宽和面积的SHP矢量和XLS表格数据。 基于现场实测水文和大断面数据（1967-2020年），结合洪水频率分析，确定六大水系沿程的平滩流量、日期和河宽；采用MNDWI指数分别从Sentinel-2（2017-2020年）和Landsat5/7/8（1984-2020年）影像中提取平滩流量下河流表面矢量。 该数据库可作为全球水文数据集的补充，为研究青藏高原河床演变、河流生态、水文模拟、河流水-气界面物质交换等提供基础数据。
李丹, 薛源, 覃超, 吴保生, 陈博伟, 汪舸
（1）数据内容：全球气候-生态格局演变产品。时间范围包括历史时期1981-2020，空间分辨率0.5°，未来时期2021-2100（未来时期包含四个不同共享社会经济路径：SSP126，SSP245，SSP370，SSP585），空间分辨率1°，每20年1期。 （2）数据来源及加工方法：历史时期选用GLOBMAP 的叶面积指数数据为基础，未来时期融合三个CMIP6模式（ACCESS-ESM1-5，CanESM5，UKESM1-0-LL）的叶面积指数数据。通过多元线性回归构建温度、降水和辐射与叶面积指数之间的关系，提取相应的系数来表征各气候变量对叶面积指数的影响程度，最后通过RGB映射图来表征叶面积指数的气候因素的影响系数。 （3）数据质量描述：全球20年1期，历史时期2期（1981-2000；2001-2020），未来时期共包含四个共享社会经济路径（SSP126，SSP245，SSP370，SSP585），每个路径下4期（2021-2040；2041-2060；2061-2080；2081-2100）。 （4）数据应用成果及前景：该数据可用于气候变化背景下的植被和生态系统演变相关研究。
何斌
植被指数（NDVI, Normalized Difference Vegetation Index）可以准确反映地表植被覆盖状况。目前，基于SPOT/VEGETATION以及MODIS等卫星遥感影像得到的NDVI时序数据已经在各尺度区域的植被动态变化监测、土地利用/覆被变化检测、宏观植被覆盖分类和净初级生产力估算等研究中得到了广泛的应用。EVI类似于归一化差异植被指数（NDVI），可用于量化植被绿度。然而，EVI对一些大气条件和树冠背景噪声进行了校正，并且在植被茂密的地区更为敏感。它包含一个“L”值来调整树冠背景，“C”值作为大气阻力系数，以及来自蓝色波段（B）的值。这些增强功能允许将指数计算R和NIR值之间的比率，同时在大多数情况下降低背景噪声、大气噪声和饱和度。本研究工作主要是对NDVI和EVI数据进行后处理，通过转换投影坐标系、数据融合、最大值合成法、剔除异常值和剪裁后给出较为可靠的2013年和2018年的青藏高原的植被情况。
叶爱中
植被覆盖度（Fractional vegetation cover, FVC）表示植被地面垂直投影面积与研究区总面积的百分比，是衡量生态保护和生态恢复有效性的重要指标，被广泛应用于气候、生态和土壤侵蚀等领域。FVC不仅是反映植被生产能力的理想参数，而且在评估地形差异、气候变化和区域生态环境质量时也能发挥较好的作用。本研究工作主要是对两套GLASS FVC数据进行后处理，通过数据融合、剔除异常值和剪裁后给出较为可靠的2013年和2018年的环北极圈（范围为北纬66°以北）和青藏高原（范围为北纬26°到39.85°，东经73.45°到104.65°）的植被覆盖度情况。
叶爱中
NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、雪、枯叶、粗糙度等，且与植被覆盖有关。是反映农作物长势和营养信息的重要参数之一。根据该参数,可以知道不同季节的农作物对氮的需求量, 对合理施用氮肥具有重要的指导作用。植被修正指数Correct NDVI (C-NDVI) 是剔除气候要素（气温、降水等）对NDVI的影响后的NDVI的值。以降水为例，降水对植被生长影响的滞后效应的研究表明，不同地区由于植被组成和土壤类型的差异，降水影响的滞后时间不同。本研究工作主要是对MODIS NDVI数据进行后处理，首先将当月NDVI值与本月的降水量、本月与上月的降水量的平均值、本月与上两个月的降水量的平均值等分别进行相关分析,确定最优的滞后时间。将NDVI与降水和气温做回归分析，得到相关的系数，然后通过MODIS NDVI与气候因子回归的NDVI的差值计算出校正的NDVI值。我们利用气候数据对NDVI进行修正后给出可靠的2013年和2018年的环北极圈（范围为北纬66°以北）和青藏高原（范围为北纬26°到39.85°，东经73.45°到104.65°）的植被修正指数。数据空间分辨率为0.5度，时间分辨率为月度值。
叶爱中
项目基于Landsat_TM30m遥感数据通过人工解译和机器学习算法完成了1990-2015年祁连山地区森林、农田、草地、湿地、聚落城市、荒漠六大类生态系统的空间格局分布信息提取，该套数据可以服务于研究区域生态系统宏观格局演变规律，生态系统服务功能评估，重大生态修复工程规划与效果评估。生态系统宏观格局演变是气候-社会经济耦合驱动的自然过程演变的宏观反应，也是土地利用与土地覆被变化的直接反映，更是区域可持续发展成效评估的重要数据基础。研究可为祁连山地区绿色发展指数评估提供数据基础。
吴锋
植被的净初级生产力（Net Primary Productivity，NPP）指绿色植物在单位时间、单位面积上由光合作用产生的有机物质总量（即总初级生产力，Gross Primary Productivity，GPP）中扣除自养呼吸后的剩余部分，NPP作为陆地生态系统的水循环、养分循环和生物多样性变化的基础，是估算地球支持能力和评价陆地生态系统可持续发展的重要生态指标。本数据集包括祁连山区域2021年月度合成30m NPP产品。采用最大值合成（Max value composition, MVC）方法，利用Landsat8和sentinel 2红光和近红外两个通道的反射率数据，实现对地表月度NDVI产品的合成，进而计算NPP。
吴俊君, 李艺, 仲波
叶面积指数（Leaf Area Index，LAI）定义为地面单位投影面积内叶片总面积的一半，是描述植被的核心参数之一。LAI控制着植被的许多生物、物理过程，如光合、呼吸、蒸腾、碳循环和降水截获等，同时为植被冠层表面最初的能量交换提供定量化的信息，是一个十分重要的研究植被生态系统结构和功能的参数。本数据集包括祁连山区域2021年月度合成30m LAI产品。采用最大值合成 (Max value composition, MVC) 方法，利用Landsat8和sentinel 2红光和近红外两个通道的反射率数据，实现对地表月度NDVI产品的合成，进而计算LAI。
吴俊君, 李艺, 仲波
归一化植被指数（Normalized Difference Vegetation Index，NDVI）是近红外波段的反射率值与红光波段的反射率值之差比上近红外波段的反射率值与红光波段的反射率值之和。植被指数合成是指在适当合成周期内选出植被指数最佳代表，合成一幅空间分辨率、大气状况、云状况、观测几何、几何精度等影响最小化的植被指数栅格图像。本数据集包括祁连山区域2021年月度合成30m植被指数产品。采用最大值合成（Max value composition, MVC）方法，利用Landsat 8和sentinel 2红光和近红外两个通道的反射率数据，实现对地表月度NDVI产品的合成。
吴俊君, 李艺, 仲波
该数据集产品包含1990-2020年每5年1期的青藏高原地上生物量和植被覆盖度数据产品，即1990年、1995年、2000年、2005年、2010年、2015年和2020年共7期。青藏高原地上生物量是根据不同的土地覆被类型，分别建立草地、森林等的地上生物量反演模型形成的地上生物量遥感反演产品；青藏高原植被覆盖度是采用像元二分法模型形成的植被覆盖度遥感反演产品。其中2000-2020年5期青藏高原地上生物量和植被覆盖度是基于MODIS卫星遥感数据进行遥感反演，空间分辨率为250米；1990和1995年2期青藏高原地上生物量和植被覆盖度是基于NOAA AVHRR卫星遥感数据进行遥感反演，经重采样后空间分辨率为250米。该数据集可为揭示青藏高原土地覆被量与质的时空格局，支持生态系统、生态资产与生态安全评估提供基础数据。
吴炳方
归一化植被指数（Normalized Difference Vegetation Index, NDVI）数据集源数据来自MODIS产品，经过数据格式转换、投影、重采样等预处理流程。现有格式为TIFF格式，投影为Krasovsky_1940_Albers投影。数据空间分辨率为1000米，时间上，从2001-2020年，每年提供一幅图像。NDVI产品有红光和近红外两个波段反射率计算得到，能够用于检测植被生长状态、植被覆盖度等。-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大。
朱军涛
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
