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%。
李新武, 梁爽, 杨博锦, 赵京京
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%。
李新武, 梁爽, 杨博锦, 赵京京
太阳总辐射和散射采用辐射表（CM22, Kipp & Zonen, 荷兰）测量，波长范围200-3600 nm。温湿度数据来源于IPEV/PNRA 项目 “Routine Meteorological Observation at Station Concordia” ，http://www.climantartide.it，地面水汽压单位为hPa。本数据集包括：利用经验模型计算的地面太阳总辐射、损失于大气中的吸收和散射辐射（小时累计值，单位MJ/m2）、大气顶和地表反照率；还包括散射因子（S/G）地面水汽压（E，单位hPa）。太阳辐射数据来源于数据提供者的计算、实验站测量，数据覆盖时间为2006-2016年（Bai, J.; Zong, X.; Lanconelli, C.; Lupi, A.; Driemel, A.; Vitale, V.; Li, K.; Song, T. 2022. Long-Term Variations of Global Solar Radiation and Its Potential Effects at Dome C (Antarctica). Int. J. Environ. Res. Public Health, 19, 3084. https://doi.org/10.3390/ijerph19053084）。该数据集可以用于南极Dome C地区太阳辐射及其衰减等相关研究。地面太阳辐射和其他气象数据可以参考：https://doi.org/10.1594/PANGAEA.935421
白建辉
太阳总辐射采用辐射表（CM21, Kipp & Zonen, 荷兰）测量，波长范围200-3600 nm。温湿度分别采用温湿度传感器HMP45C-GM （Vaisala Inc., Vantaa, Finland）测量。本数据集包括：利用经验模型计算的地面太阳总辐射、损失于大气中的吸收和散射辐射（小时累计值，单位MJ/m2）、大气顶和地表反照率；还包括散射因子（AF）地面水汽压（E，单位hPa）。太阳辐射数据来源于数据提供者的计算、实验站测量，数据覆盖时间为2007-2020年。关于数据处理和太阳总辐射计算等可参考文献：Bai, J.; Zong, X.; Ma, Y.; Wang, B.; Zhao, C.; Yang, Y.; Guang, J.; Cong, Z.; Li, K.; Song, T. 2022. Long-Term Variations in Global Solar Radiation and Its Interaction with Atmospheric Substances at Qomolangma. Int. J. Environ. Res. Public Health, 19, 8906. https://doi.org/10.3390/ijerph19158906。该数据集可以用于珠峰地区太阳辐射及其衰减等相关研究。珠峰站太阳辐射和其他气象数据可以参考：https://data.tpdc.ac.cn/zh-hans/data/b9ab35b2-81fb-4330-925f-4d9860ac47c3/。
白建辉
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
本数据集包含：（1）基于测高卫星提取的北半球16个大型湖泊水库冰厚数据，时间跨度为1992-2019年，时间分辨率10天，文件名为Altimetric LIT for 16 large lakes.xlsx；（2）基于遥感湖冰模型的北半球1,313个面积50km^2以上湖泊的逐日湖冰厚度和湖泊表面积雪深度数据，时间跨度为2003-2018年，文件格式为nc格式；（3）未来湖冰厚度变化的预测情况，时间跨度2071-2099年，文件为table S1.xlsx；（4）一个用于查找湖泊的对照表，包含湖泊ID，名称，地理坐标和面积等信息。本数据集可以为全球湖冰和湖面积雪研究提供基础信息，便于深入理解在变化环境下湖冰的演变规律及其对湖泊生态环境和区域社会经济的影响。
李兴东, 龙笛, 黄琦, 赵凡玉
“亚洲水塔”青藏高原（TP）的降水在区域水和能源循环中发挥着关键作用，对下游国家的水资源供应有重要影响。气象站点所获取的降水信息通常被认为是最准确的，但在地形复杂、环境恶劣的青藏高原中，气象站数据却十分有限。卫星和再分析降水产品可以为地面测量提供补充信息，特别是在大面积测量不足的区域。在这里，我们通过使用人工神经网络 (ANN) 和环境变量（包括海拔、地表压力和风速）确定各种数据源的权重来最优地融合站点、卫星和再分析数据。在 1998-2017 年期间，以每日时间尺度和 0.1° 的空间分辨率生成了一个多源降水 (MSP) 数据集横跨青藏高原。与其他四颗卫星产品相比，MSP与标准观测的日降水相关系数（CC）最高（0.74），均方根误差第二低，表明MSP的质量和数据合并的有效性方法。我们使用分布式水文模型进一步评估了青藏高原长江和黄河源头测量不佳的不同降水产品的水文效用。在 2004-2014 年期间，MSP 实现了每日流量模拟的最佳 Nash-Sutcliffe 效率系数（超过 0.8）和 CC（超过 0.9）。此外，基于多重搭配评估，MSP 在未测量的西部 TP 上表现最好。该合并方法可应用于全球其他数据稀缺地区，为水文研究提供高质量的降水数据。整个 TP 的左下角的经纬度、行数和列数以及网格单元信息都包含在每个 ASCII 文件中。
洪仲坤, 龙笛
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。
姚鑫
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。
周欣, 刘修国, 周俊雄, 张正加, 陈启浩, 解清华
沱沱河源区植被类型图是基于 319 个地面采样点数据结合随机森林(RF)分类方法进行创建的。随机森林分类器的16个输入变量包括了Landsat-8的可见光、短波红外和热红外波段值及其反演的植被指数和地表温度数据等。根据研究区的植被特征及多年冻土模拟的需要，该图对高寒沼泽草甸(alpine swamp meadow)、高寒草甸(alpine meadow)、高寒草原(alpine steppe)和高寒沙漠(alpine desert )等4种植被类型进行了分类。图件的空间分辨率为30 m，可以提供更细节的植被类型的位置信息。
邹德富, 赵林, 刘广岳, 杜二计, 胡国杰, 李智斌, 吴通华, 吴晓东, 陈杰
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。
刘俊国
本数据集是一个包含接近35年（1984-2018）的全球高分辨率光合有效辐射数据集，其分辨率为3小时/逐日/逐月，10公里，数据单位为W/㎡，瞬时值。该数据集可用于生态过程模拟和全球碳循环的理解。该数据集是基于改进的物理参数化方案并以ISCCP-HXG云产品、ERA5再分析数据、MERRA-2气溶胶数据以及MODIS反照率产品为输入而生成的。验证并和其他全球卫星辐射产品比较表明，该数据集的精度通常比CERES全球卫星辐射产品的精度要高。该全球辐射数据集将有助于未来生态过程模拟的研究和全球二氧化碳通量的估算。
唐文君
基于2019-2020年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。在制作过程中，规定操作人员严格遵守操作规范，同时由专人负责质量审查。
牛富俊, 罗京
冰盖表面融化是影响格陵兰冰盖物质平衡的主要原因，同时冰雪的反射率较高，冰盖表面融化会造成辐射能量收支差异，进而影响海-陆-气之间能量交换。高分辨率冰盖表面融化产品的生成，对研究格陵兰冰盖表面融化及其对全球气候变化的响应提供重要信息支撑。本数据集基于微波辐射计与光学反照率产品，对微波辐射计当日、冬季（12-次年2月）平均和1月平均进行波段合成，利用Gram-Schmidt方法将微波辐射计波段合成数据与MODIS GLASS反照率产品融合，使其空间分辨率从25 km提高至0.05˚。然后基于微波辐射计当日与冬季亮温差值的阈值法对降尺度结果提取格陵兰冰盖表面融化，得到1985年、2000年、2015年格陵兰冰盖表面0.05˚ 每日融化产品。该数据集0.05˚ 的空间分辨率高于目前国内外已发布数据集，凸显了辐射计和反照率数据对表面融化的响应，空间细节特征更加清晰，保持了原辐射计产品的动态范围，有效地抑制了辐射计噪声。该数据集的数据类型为整型，其中1代表融化，0代表未融化，255代表冰盖以外掩膜区域，数据集以“*.nc”格式存储。
魏思怡, 刘岩
此数据包含1992年-2020年时间段的中亚，南亚和中南半岛地区的空间分辨率为300m土地覆盖数据，包含10个一级类别，由原数据的二级类别合并而来。数据基于欧空局的1992年-2020年时间段地表覆盖产品 CCI-LC，对耕地、建设用地和水体等地类进行修正。基于清华大学全球土地覆被数据（FROM-GLC，30m栅格）、美国NASA的MODIS全球土地覆被数据（MCD12Q1，500m栅格）、美国地质调查局USGS的全球耕地数据（GFSAD30，30m）、日本全球林地数据的（PALSAR/PALSAR-2，25m）的一致区获取训练样本，应用谷歌地球数字引擎及其随机森林算法，对研究区待修正区域进行机器判别，获得修正的土地覆被产品。应用2019年和2020年的谷歌地球高清影像，对耕地、建设用地和水体变化区域的精度进行分层随机抽样验证，三种地类分别抽取了1200个、共计3600个，相比 CCI-LC数据，本修正产品在该变化区域的精度提升了11%到26%。
许尔琪
冰雪具有高反射率，冰盖表面融化会降低地表反照率进而影响区域能量平衡，表面融化形成的水文系统会影响冰盖稳定性进而影响冰盖物质平衡。本数据集基于微波辐射计与光学反照率产品，对微波辐射计当日、冬季（6-8月）平均和7月平均进行波段合成，利用Gram-Schmidt方法将微波辐射计波段合成数据与MODIS GLASS反照率产品融合，使其空间分辨率从25 km提高至0.05˚。然后基于微波辐射计当日与冬季亮温差值的阈值法对降尺度结果提取南极冰盖表面融化，得到1985-1986年、2000-2001年、2015-2016年南极冰盖表面0.05˚ 每日融化产品。该数据集0.05˚ 的空间分辨率高于目前国内外已发布数据集，凸显了辐射计和反照率数据对表面融化的响应，空间细节特征更加清晰，保持了原辐射计产品的动态范围，有效地抑制了辐射计噪声，更好的反映了山区、触地线区域和冰架的融化范围随时间的梯度演变特征，产品精度更高。该数据集的数据类型为整型，其中1代表融化，0代表未融化，255代表冰盖以外掩膜区域，数据集以“*.nc”格式存储。
魏思怡, 刘岩
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。
闫大江, 马宁, 张寅生
1）数据内容：本数据集包含从1980s-2019年青藏高原地区Landsat长时序NDWI产品。2）数据来源及加工方法：主要是在青藏高原Landsat系列卫星地表反射率数据集的基础上，通过NDWI的计算公式进行生产的，即利用绿光波段和近红外波段的差异比值来增强水体信息，并减弱植被、土壤、建筑物等地物的信息；3）数据质量描述：为了标识云、冰雪，并相应生产了质量标识文件（QA）。4) 数据应用成果及前景：该指数便于地表水体信息有效提取，广泛应用于水资源、水文以及林农业等领域。
彭燕
数据内容：该数据集产品包含青藏高原地区10米分辨率的不透水面产品，可作为青藏高原地区生态系统相关研究的关键参数。数据来源及加工方法：产品反演主要基于Sentinel系列数据，从联合特征出发，结合深度空间特征、长时序的NDVI等指数特征、地形特征，采用随机森林模型实现不透水面信息提取。数据质量：整体精度较高。数据应用成果及前景：数据集将持续更新，可用于进一步明晰人类活动对青藏高原地区生态系统的影响。
王桂周
数据内容：该数据集产品包含青藏高原地区30米分辨率的不透水面产品，可作为青藏高原地区生态系统相关研究的关键参数。数据来源及加工方法：产品反演主要基于Landsat系列数据，从联合特征出发，结合深度空间特征、长时序的NDVI等指数特征、地形特征，采用随机森林模型实现不透水面信息提取。数据质量：整体精度较高，多数地区优于80%。数据应用成果及前景：数据集将持续更新，可用于进一步明晰人类活动对青藏高原地区生态系统的影响。
王桂周
地上生物量（Aboveground biomass，AGB）是衡量生态系统生产力的一个重要指标。该数据集提供了2015年青藏高原地区30m分辨率的森林地上生物量。该生物量数据采用Landsat系列数据，基于地面实测数据和部分文献资料，同时结合森林树高数据，森林类型分类（包括针叶林、阔叶林和混合林）等估算而成。通过数据公开和免费下载服务的方式，为青藏高原森林生态系统动态变化的相关研究提供基础数据支持，也为该地区森林的可持续管理提供科学依据。
张晓美
光合有效辐射吸收系数（FPAR）是碳循环研究的一个关键生理变量，被认为是表述植被生态系统的基本变量之一。基于30米空间分辨率的LANDSAT反射率数据，得到青藏高原区域的地表植被类型分类结果，根据不同植被类型NDVI值差异，构建遥感反演模型生产各植被类型的生长季FPAR产品。光合有效辐射吸收系数（FPAR）产品可以用来作为参数之一计算植被固碳量，评价植被生态系统状态等，广泛用于生态环境、林业等领域。该数据集投影坐标信息为经纬度WGS84。
彭代亮
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。
周广胜, 汲玉河, 吕晓敏, 宋兴阳
青藏高原地面光谱数据集主要是利用光谱仪测定不同土地利用类型的光谱特征，测定的地物类型主要分为林地、（高寒）灌木、（高寒）草地、湿地、耕地与裸地等。包含拉萨、林芝、日喀则、阿里、那曲部分县区的实地观测点。林地数据采集测定植被不同生长阶段的光谱特征；草地数据采集测定不同覆盖度的光谱特征；耕地测定常见作物油菜花与青稞田块的光谱特征；湿地则主要测定长流水河流旁的湿地、低洼谷地自然形成的湿地、湖泊旁的湿地等；裸地则测定无植被覆盖的荒漠、戈壁、道路等的光谱特征。观测时间为2019年7-8月，数据为日观测数据。数据集可以为遥感解译的实地验证提供参考。
冯晓明
本数据集包含由卫星重力测量数据得到的2002年4月至2019年12月南极冰盖质量变化数据。所采用的卫星重力数据来自于美国宇航局NASA与德国宇航局DLR合作的重力场恢复与气候学实验双星星座（GRACE，2002年4月至2017年6月）及其后续任务GRACE-FO (2018年六月至今）。由于GRACE和GRACE-FO之间有一年左右数据间断，我们额外采用了由欧洲空间局ESA的Swarm星座GPS数据反演得到的重力场数据（2013年12月至2019年12月）。所采用GRACE重力场数据为德州大学奥斯丁空间研究中心（CSR）、德国地学研究中心（GFZ）、美国宇航局喷气推进实验室（JPL）以及俄亥俄州立大学（OSU）四家机构发布产品的加权平均模型。GRACE数据后处理包括：用SLR数据解算结果替换GRACE低阶重力场参数（degree-1, C20和C30），去条带滤波，300公里高斯平滑，ICE6-G_D（VM5a）GIA模型，信号泄露误差改正，椭球误差改正等。
张宇, 沈嗣钧
基于青藏高原土壤温湿度观测网玛曲站点建立的地基L波段微波辐射计观测系统（ELBARA-III，由欧洲航空局提供），本数据集囊括了水平和垂直极化的L波段亮温数据，地表及以下不同层土壤湿度和温度数据，地表通量（如感热、潜热、碳通量），气象要素数据（如降水、上下行长波/短波辐射、空气温度和湿度、气压）以及植被叶面积指数LAI和土壤性质等辅助数据。此多年尺度的数据集可用于提高对陆面过程、微波辐射过程的理解，验证SMOS和SMAP卫星亮温观测和土壤湿度反演结果，校验微波辐射传输模型中的假设条件，验证陆面模式输出以及再分析资料，反演土壤物理性质，量化陆-气间的水、碳、能量交换，并将帮助定量化地球系统模型中参数化方案的偏差和不确定性，从而提出相应改进方案。 ELBARA-III双极化亮温数据可通过测量的辐射计电压和校准的内部噪声温度计算得到。该数据质量可靠，其质量控制主要通过：1）对辐射计输出的原始电压数据（以800Hz采样频率）进行直方图检验，利用统计指标过滤射频干扰对ELBARA-III微波信号数据的影响；2）检查辐射计进行天空辐射测量时两天线端口的电压值是否相似，天线电缆有无损耗；3）分析仪器内部温度、主动冷源温度和环境温度；4）分析不同入射角度的双极化亮温的特点。 - 时间分辨率：30分钟 - 空间分辨率：入射角为40°~ 70°，间隔为5°，观测覆盖范围为3.31 m^2~ 43.64 m^2 - 测量精度：亮温，1 K；土壤水分，0.001 m^3 m^-3；土壤温度，0.1 °C - 单位：亮温，K；土壤水分，m^3 m^-3；土壤温度，°C /K
Bob Su, 文军
青藏高原是全球气候变化的敏感区域。地表温度（Land Surface Temperature, LST）作为地表能量平衡中的主要参数，表征了地气间能量和水分交换的程度，广泛应用于气象气候、水文、生态等领域的研究中。青藏高原的陆地-大气相互作用等研究，迫切需要较长时间序列和较高时空分辨率的全天候地表温度数据集。然而，该区域较为频繁的云覆盖特征，使现有卫星热红外遥感地表温度数据集的使用受到较大的局限。 相较于2019年发布的前一个版本——中国西部逐日1km空间分辨率全天候地表温度数据集（2003-2018）V1，本数据集（V2）采用了一种新的制备方法，即基于新型地表温度时间分解模型的卫星热红外遥感-再分析数据集成方法。方法的主要输入数据为Aqua MODIS LST产品和GLDAS等数据，辅助数据包括卫星遥感提供的植被指数、地表反照率等。该方法充分利用了卫星热红外遥感和再分析数据提供的地表温度高频分量、低频分量以及地表温度的空间相关性。 评价结果表明，本数据集具有良好的图像质量和精度，不仅在空间上无缝，还与当前学术界广泛采用的逐日1 km Aqua MODIS LST产品在幅值和空间分布上具有较高的一致性。以MODIS LST为参考值时，该数据集在白天和夜间平均偏差（MBE）分别为-0.28 K和-0.29 K，偏差标准差（STD）分别为1.25 K和1.36 K。基于青藏高原和黑河流域的6个站点实测数据的检验结果表明，晴空条件下，本数据集在白天/夜间与实测LST均具有高度的一致性，其MBE为-0.42~0.25 K/-0.35~0.19 K；均方根误差 （RMSE）为1.03~2.28 K/1.05~2.05 K；非晴空条件下，本数据集在白天/夜间的MBE为-0.55~1.42 K/-0.46~1.27 K；RMSE为2.24~3.87 K/2.03~3.62 K。与V1版本的数据相比，两种全天候地表温度均在空间维度上表现除了空间无缝（即无缺失值）的特性，且在大部分区域内，两种全天候地表温度的空间分布和幅值均与MODIS地表温度高度一致。然而，在AMSR-E/AMSR2轨道间隙亮温缺失的区域内，V1版本的地表温度产生了低估。TRIMS地表温度与V1版本地表温度在AMSR-E/AMSR2轨道间隙外的质量接近，而在轨道间隙内前者的质量更加可靠。因此，建议用户使用V2版本。 本数据集的时间分辨率为逐日2次，空间分辨率为1km，时间跨度为2000年-2021年（注：通过外推方式将缺少Aqua MODIS LST产品时段内的全天候地表温度补齐）。本数据集的空间范围包括青藏高原为核心的我国西部及周边地区（72°E-104°E，20°N-45°N）。因此，本数据集的缩写名为TRIMS LST-TP（Thermal and Reanalysis Integrating Moderate-resolution Spatial-seamless LST – Tibetan Plateau），以便用户使用。
周纪, 张晓东, 唐文彬, 丁利荣, 马晋, 张旭
本数据集是2017年青藏高原冰川数据，使用了210景Landsat8 OLI卫星多光谱遥感数据，时间从2013年至2018年，90%来源于2017年,85%的Landsat8 OLI数据成像于冬季。冰川数据是青藏高原净冰川覆盖范围，不包括表碛物覆盖部分。数据格式是TIFF，可以为青藏高原冰川变化、冰川水文研究提供基础数据支持。 数据内容： Value是冰川斑块在系统中自动生成的编码。 格网单元：30m 数据的投影方式：Albers等积圆锥投影。 数据加工方法：基于210景Landsat8 OLI卫星多光谱遥感数据，校正、镶嵌为假彩色合成影像（RGB:654），采用人工目视解译方法，参考波段比值法结果，结合SRTM DEM V4.1数据与Google Earth和HJ1A/1B卫星同一年不同季节的影像，剔除了山体阴影、季节性积雪的影响，参考我国第一期和第二期冰川编目数据，剔除了非冰川区的陡崖、裸露基岩等，综合提取净冰川专题矢量数据，不包括冰川末端位置不清的表碛物覆盖区域，冰川边界数字化精度为半个像元（15m）。通过对比分析，可知基于多数据源、参考多方法结果、综合专家经验知识人-机互动方法提取获得的山地冰川数据更准确。具体数据提取方法详见参考文献： Ye, Q., J.Zong,L.Tian et al. (2017). Glacier changes on the Tibetan Plateau derived from Landsat imagery: mid-1970s – 2000 – 2013. Journal of Glaciology,63(238), 273-87. DOI:10.1017/jog.2016.137。 原始遥感资料数据精度：30m 数据质量控制措施：冰川边界数字化精度控制在半个像元之内（15m）。 项目来源：中国科学院战略性先导科技专项（A类）（XDA19070302）, 第二次青藏高原综合科学考察研究资助（2019QZKK0202），国家自然科学基金项目（41530748, 91747201）、中国科学院“十三五”信息化建设专项资助(XXH13505-06)。
叶庆华
青藏高原地温分布图是基于程国栋（1984）提出的多年冻土稳定型划分指标(表1)，利用统计模拟的年变化深度地温数据划分的。利用地理加权回归方法，融合2010年左右233个钻孔年变化深度处的年平均地温数据和遥感积雪日数、GLASS叶面积指数、SoilGrids250m的土壤沙粒含量、土壤粘粒含量、土壤粉粒含量、土壤有机质和土壤体密度数据产品、中国气象局陆面数据同化系统（CLDAS）输出的二版土壤湿度产品和融合了近4万区域自动气象站和FY2/EMSIP降水产品的融合产品。估计得到了代表2010年代的青藏高原1km分辨率年冻土稳定性分布图。数据格式为Arcgis Raster。
冉有华
青藏高原多源遥感合成1km积雪覆盖数据集（1995-2018）基于国家卫星气象中心的青藏高原光学仪器遥感1km积雪覆盖数据集（1989-2018）和美国雪冰中心的25km近实时逐日全球冰密集度与积雪范围NISE产品数据集（1995-2019）合成得到，覆盖时间从1995年到2018年（每年1-4月和10-12月两个时段），时间分辨率为逐日，覆盖范围为青藏高原（17°N -41°N，65°E -106°E），采用等经纬度投影，空间分辨率为0.01°×0.01°。数据集以日产品表征了卫星观测时刻的地面是否为积雪所覆盖。输入数据源为NOAA或MetOp卫星AVHRR逐日积雪覆盖产品，TERRA卫星MODIS替代AVHRR对应观测通道生成的逐日积雪覆盖产品，以及DMSP卫星SSM/I或SSMIS逐日全球冰密集度和积雪范围NISE产品。数据集合成方法：以青藏高原光学仪器遥感1km积雪覆盖产品为基础，完全信任其积雪和晴空无雪信息，对有云覆盖、无法判识、缺少卫星观测等区域，在相对高空间分辨率海陆模板的辅助下，利用NISE的陆地有效判识结果进行替换。对于部分水陆边界，因NISE产品空间分辨率较低，合成结果有可能仍存在极少量的云覆盖或者无观测数据区域。基于多年地面气象台站雪深观测资料验证表明，本数据集对晴空条件下地面有无积雪的总体判识准确率在91%以上。数据采用标准的HDF4格式存储，内部有积雪覆盖和质量码两个SDS，维度均为4100列×2400行，且文件内部有完备的属性描述。
郑照军, 曹广真
青藏高原光学仪器遥感1km积雪覆盖数据集（1989-2018）基于星载光学仪器观测数据云雪判识方法制作，覆盖时间从1989年到2018年（每年1-4月和10-12月两个时段），时间分辨率为逐日，覆盖范围为青藏高原（17°N -41°N，65°E -106°E），采用等经纬度投影，空间分辨率为0.01°×0.01°。数据集以日产品表征了卫星观测时刻晴空无云或透明薄云下的地面是否为积雪所覆盖。输入数据源为NOAA与MetOp卫星的AVHRR L1数据，以及从TERRA/MODIS对应于AVHRR通道的L1数据。产品处理方法为独立于云掩模产品的动态阈值决策树算法（DT），即算法同时判别云雪，且其云检测强调保留雪信息，特别是透明卷云下的雪。DT算法针对不同情况，考虑了多种判识手段，如水云上的冰云，森林和沙地的积雪，薄雪或融雪等；根据地表类型、DEM和季节设定动态阈值；采用多种质量控制手段，如在重度气溶胶或烟尘覆盖的低纬度森林中剔除伪雪，参考最大月雪线和最小雪面亮度温度剔除伪雪；优化不同种类型云雪和晴空无雪陆地的判识流程。DT算法在正常情况下能区分大部分云雪，但会低估10月份青藏高原的积雪。基于多年地面气象台站雪深观测资料验证表明，本数据集对晴空条件下地面有无积雪的总体判识准确率在95%以上。数据采用标准的HDF4格式存储，内部有积雪覆盖和质量码两个SDS，维度均为4100列×2400行，且文件内部有完备的属性描述。
郑照军, 除多
该数据集是NOAA的 Advanced Very High Resolution Radiometer (AVHRR)传感器获取的长时间序列的NDVI数据。该数据集时间范围是1982年至2015年。为了去除NDVI数据中的噪声，进行了最大化合成、多传感器对比纠正。每半个月合成一幅NDVI影像。该数据集在植被长期变化趋势分析中被广泛应用。该数据集是从全球数据集中将三江源部分裁切出来，以便单独开展三江源地区的研究分析。 本数据集数据格式为geotiff，空间分辨率为8km，时间分辨率为2周，时间范围为1982年至2015年。数据转系系数为10000， NDVI = ND/10000。
NOAA
该数据集是MODIS的植被指数数据（MOD13Q1），将三江源区域进行了提取，以便单独开展三江源地区的研究分析。MOD13Q1是16天合成的植被指数，包含归一化植被指数（NDVI）和增强型植被指数（EVI）。三江源的空间范围覆盖两景MODIS文件（h25v05和h26v05）。数据存储格式为hdf，每个文件中包含12个波段：归一化植被指数（NDVI）、增强型植被指数（EVI）、数据质量（VI Quality）、红波段反射率（red reflectance）、近红外波段反射率（NIR reflectance）、蓝波段反射率（blue reflectance）、中红外波段反射率（MIR reflectance）、观测天顶角（view zenith angle）、太阳天顶角（sun zenith angle）、相对方位角（relative azimuth angle）、合成的时间（composite day of the year）和象元可靠性（pixel reliability）. 本数据集数据格式为hdf，空间分辨率250m，时间分辨率是16天，时间范围：2000年2月至2018年10月。
Kamel Didan*, Armando Barreto Munoz, Ramon Solano, Alfredo Huete
该数据集是SPOT卫星上的VEGETATION传感器获取的长时间序列的NDVI数据。该数据集时间范围是1998年5月至2013年。为了去除NDVI数据中的噪声，进行了最大化合成。每10天合成一幅NDVI影像。该数据集是从全球数据集中将三江源部分裁切出来，以便单独开展三江源地区的研究分析。 本数据集数据格式为geotiff，空间分辨率1km，时间分辨率是10天，时间范围：1998年5月至2013年12月。
Image Processing Centre for SPOT-VGT
2012年8月1日在黑河上游，利用运12飞机，搭载WIDAS传感器，开展了可见光/近红外、热红外的多角度航空遥感试验。WIDAS系统集成了：高分辨率相机一台、可见光/近红外5波段多光谱相机两台（最大视场角48度）和热像仪一台（最大视场角46度）。获取的数据信息为：CCD分辨率0.1m.
肖青, 闻建光
2018年8月19日在位于长江源区的曲麻莱县的湿地样方采用DJI 精灵4 无人机搭载的照相机，对样方区域进行航拍，共设置了31条航线，飞行高度100m，相邻照片重叠度不低于70%，总共获取了1551张航拍照片，分别存储在“Drone Photoes Part1”和“Drone Photoes Part2”两个文件夹下。
王旭峰, 魏彦强, 王旭峰
2012年8月3日在黑河中游的5*5公里加密区，利用运12飞机，搭载WIDAS传感器，开展了可见光/近红外、热红外的多角度航空遥感试验。WIDAS系统集成了：高分辨率相机一台、可见光/近红外5波段多光谱相机两台（最大视场角48度）和热像仪一台（最大视场角46度）。获取的数据信息为：CCD分辨率0.1m.
肖青, 闻建光
2012年7月26日在黑河中游的5*5公里加密区，利用运12飞机，搭载WIDAS传感器，开展了可见光/近红外、热红外的多角度航空遥感试验。WIDAS系统集成了：高分辨率相机一台、可见光/近红外5波段多光谱相机两台（最大视场角48度）和热像仪一台（最大视场角46度）。获取的数据信息为：CCD分辨率0.2m.
肖青, 闻建光
2018年8月22日在位于澜沧江源园区的样方采用DJI 精灵4 无人机搭载的照相机，对样方区域进行航拍，共设置了20条航线(5条航线数据缺失)，飞行高度100m，相邻照片重叠度不低于70%，总共获取了1160张航拍照片，存储在“100MEDIA”，“101MEDIA”两个个文件夹下。
王旭峰, 魏彦强
2012年8月25日和8月28日，在黑河中上游的核心观测区域，利用运12飞机，搭载Leica公司RCD30相机,开展了光学航空遥感飞行试验。RCD30相机焦距80mm,有RGB和近红外四个波段。上游葫芦沟飞行区域，绝对航高为4800和5500米，GSD为6—19厘米。经过处理，得到tif影像及影像外方位元素。
肖青, 闻建光
2012年8月19日，在黑河中上游的核心观测区域，利用运12飞机，搭载Leica公司RCD30相机,开展了光学航空遥感飞行试验。RCD30相机焦距80mm,有RGB和近红外四个波段。小沙漠地区飞行绝对航高2900米，GSD为10厘米。经过处理，得到tif影像及影像外方位元素。
肖青, 闻建光
该数据集是SeaWiFS获取的长时间序列的NDVI数据。该数据集时间范围是1997年9月至2007年。为了去除NDVI数据中的噪声，进行了最大化合成。每15天合成一幅NDVI影像。该数据集是从全球数据集中将三江源部分裁切出来，以便单独开展三江源地区的研究分析。 本数据集数据格式为geotiff，空间分辨率4km，时间分辨率是15天，时间范围：1997年第256天至2007年第365天。
Charles R. Mcclain
2018年8月20日在位于长江源区的曲麻莱县的高寒草甸样方采用DJI 精灵4 无人机搭载的照相机，对样方区域进行航拍，共设置了31条航线，飞行高度100m，相邻照片重叠度不低于70%，总共获取了664张航拍照片，存储在Drone photoes of Qumalai（2018）文件夹下。
王旭峰, 魏彦强
2012年8月2日在黑河中游的30*30公里核心观测区域，利用运12飞机，搭载WIDAS传感器，开展了可见光/近红外、热红外的多角度航空遥感试验。WIDAS系统集成了：高分辨率相机一台、可见光/近红外5波段多光谱相机两台（最大视场角48度）和热像仪一台（最大视场角46度）。获取的数据信息为：CCD分辨率0.26m.
肖青, 闻建光
2012年8月25日，在黑河中上游的核心观测区域，利用运12飞机，搭载Leica公司RCD30相机,开展了光学航空遥感飞行试验。RCD30相机焦距80mm,有RGB和近红外四个波段。样带地区飞行绝对航高5200米，GSD为6—19厘米。经过处理，得到tif影像及影像外方位元素。
肖青, 闻建光
2012年8月25日，在黑河中上游的核心观测区域，利用运12飞机，搭载Leica公司RCD30相机,开展了光学航空遥感飞行试验。RCD30相机焦距80mm,有RGB和近红外四个波段。上游天姥池飞行区域，绝对航高为4800和5500米，GSD为8—19厘米。经过处理，得到tif影像及影像外方位元素。
肖青, 闻建光
Greenland遥感影像拼接图是在收集了2014-2015年间108景Landsat8 OLI遥感影像，经过DN值校正、去云计算、行星反射率计算、反射率与RGB值转换、影像合成与拼接等操作后制成。全图空间分辨率为30m，投影方式采用极射赤面投影。
陈卓奇
该数据集包含了黄河源、长江源、澜沧江三个源区的最大值合成法生产的NPP产品数据。MOD13Q1、MOD17A2以及MOD17A2H遥感产品数据来自于NASA网站（http://modis.gsfc.nasa.gov/）。MOD13Q1产品的分辨率为250 m, 16 d合成产品。MOD17A2和MOD17A2H产品数据都是8 d合成产品, MOD17A2的分辨率为 1000 m, MOD17A2H的分辨率为500 m。最终合成的MODIS NPP产品的分辨率为1km。 下载的MOD13Q1、MOD17A2、MOD17A2H遥感数据产品, 格式为HDF, 该数据已经过大气校正、辐射校正、几何校正和去云等处理。1）MRT投影转换。将下载的数据产品进行格式和投影转换, 将HDF格式转换为TIFF格式, 将投影转换为UTM投影, 输出250 m分辨率的NDVI、250 m分辨率的EVI、1000 m和500 m两种分辨率的净光合PSNnet。2）MVC最大值合成。将与地面实测数据同期的NDVI、EVI、PSNnet采用最大值合成, 得到与实测数据对应的值。采用最大值合成法可以有效减少云、大气、太阳高度角等的影响。3)基于NASA-CASA模型生成NPP年值。
Kamel Didan*, Armando Barreto Munoz, Ramon Solano, Alfredo Huete
本数据集为基于Landsat卫星影像获取的喜马拉雅中段波曲流域1976、1991、2000、2010年四期冰川、冰湖的矢量数据。 数据源来自Landsat遥感影像 1976：LM21510411975306AAA05、LM21510401976355AAA04 1991：LT41410401991334XXX02、LT41410411991334XXX02 2000：LE71410402000279SGS00、LE71400412000304SGS00、LE71410402000327EDC00、LE71410412000327EDC00 2010：LT51400412009288KHC00、LT51410402009295KHC00、LT51410412009311KHC00、LT51410402011237KHC00。 从各期遥感影像上人工提取冰川、冰湖边界。 冰川、冰湖边界提取误差估计为0.5个像元。 数据文件： Glacial_1976：1976年冰川矢量数据 Glacial_1991：1991年冰川矢量数据 Glacial_2000：2000年冰川矢量数据 Glacial_2010：2010年冰川矢量数据 Glacial_Lake_1976：1976年冰湖矢量数据 Glacial_Lake_1991：1991年冰湖矢量数据 Glacial_Lake_2000：2000年冰湖矢量数据 Glacial_Lake_2010：2010年冰湖矢量数据 冰湖矢量数据字段包括： 编号、名字、经纬度、海拔、面积、朝向、冰湖类型、长度、宽度、与冰川的距离
王伟财
本数据集是2013年青藏高原冰川数据，使用了148景Landsat8 OLI卫星多光谱遥感数据，结合65景HJ1A/1B遥感数据，时间主要从2012年至2014年，86%来源于2013年,78%Landsat8 OLI数据成像于冬季，而HJ1A/1B数据100%成像于冬季。冰川数据是青藏高原净冰川覆盖范围，不包括表碛物覆盖部分。数据格式是TIFF，可以为青藏高原冰川变化、冰川水文研究提供基础数据支持。 数据内容：冰川编号FID_smglac，基于Albers等积圆锥投影计算的冰川面积area_km2，所在流域在我国冰川编目中冰川流域的二级编码code, 所在流域在我国冰川编目中冰川流域一级编码First_code,所在流域中文名称name，所在流域英文名称Ename,冰川斑块周长Peremeter(km)，斑块中心点X坐标（decimal degree）, 斑块中心点Y坐标（decimal degree）。 数据的投影方式：Albers等积圆锥投影。 格网单元：30m 数据加工方法：基于148景Landsat8 OLI卫星多光谱遥感数据，校正、镶嵌为假彩色合成影像（RGB:654），采用人工目视解译方法，参考波段比值法结果，结合SRTM DEM V4.1数据与Google Earth和HJ1A/1B卫星同一年不同季节的影像，剔除了山体阴影、季节性积雪的影响，参考我国第一期和第二期冰川编目数据，剔除了非冰川区的陡崖、裸露基岩等，综合提取净冰川专题矢量数据，不包括冰川末端位置不清的表碛物覆盖区域，冰川边界数字化精度为半个像元（15m）。通过对比分析，可知基于多数据源、参考多方法结果、综合专家经验知识人-机互动方法提取获得的山地冰川数据更准确。具体数据提取方法详见参考文献： Ye, Q., J.Zong,L.Tian et al. (2017). Glacier changes on the Tibetan Plateau derived from Landsat imagery: mid-1970s – 2000 – 2013. Journal of Glaciology,63(238), 273-87. DOI:10.1017/jog.2016.137 原始遥感资料数据精度：30m。 数据质量控制措施：冰川边界数字化精度控制在半个像元之内（15m）。 加工后数据精度：TPG2013总体数据误差在3.9%。 项目来源：中国科学院战略性先导科技专项（A类）（XDA19070302）， 第二次青藏高原综合科学考察研究资助（2019QZKK0202），中国科学院“十三五”信息化建设专项资助(XXH13505-06)，国家自然科学基金项目（41530748, 91747201），科技基础性工作专项项目(2013FY111400)。
叶庆华
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
