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
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
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
本数据集为青藏高原区域2002-2020年日分辨率0.00425° x0.00425°地表反照率产品。基于MODIS反射率数据,采用耦合地形因子的多源遥感数据协同反演的BRDF\反照率模型,并引入先验知识进行质量控制,反演时空连续的日分辨率的高精度BRDF/反照率。MODIS地表反射率数据(MOD09GA、MYD09GA)集为官方网站下载,以5天为周期合成日分辨率BRDF,进而估算日分辨率的反照率,其中,黑空反照率的太阳入射为当地正午时太阳入射。经过验证评估,满足反照率应用精度要求,相较于同类产品在山区站点的验证精度更高,且时空连续性更好。可有效支撑青藏高原地区辐射平衡、环境变化研究。
游冬琴, 唐勇, 韩源
地表太阳入射辐射(Surface Solar Irradiance,SSI)是FY-4A L2定量反演产品之一,覆盖范围为全圆盘,无投影,空间分辨率为4km,时间分辨率可达15min(20180921开始全天共40个观测时次,除每个整点时次的观测外,每3hr整点前后15min各有一次观测),光谱范围为0.2µm~5.0µm。产品输出要素包括总辐照度、水平面直接辐照度、散射辐照度,有效测量范围为0~1500 W/m2。FY-4A SSI产品在覆盖范围、空间分辨率、时间连续性、输出要素等方面质的提升为进一步开展其在太阳能、农业、生态、交通等专业气象服务中的精细化应用提供了可能。目前研究结果表明,与地基观测相比,FY-4A SSI 产品在中国地区的整体相关性在0.75以上,可用于中国地区太阳能资源评估。
申彦波, 胡玥明, 胡秀琴
本数据集为青藏高原区域2016年日分辨率0.02° x0.02° BRDF 核驱动模型核系数数据集。采用耦合地形因子的多源遥感数据协同反演的BRDF\反照率模型,并引入先验知识进行质量控制,联合极轨卫星数据MODIS反射率和静止卫星葵花8-AHI地表反射率数据反演时空连续的日分辨率的高精度BRDF。MODIS地表反射率数据及AHI天顶反射率数据集为官方网站下载,经过配准、大气校正等处理,以5天为周期合成日分辨率BRDF。相较于同类产品,,该BRDF合成周期最短,且考虑了地形效应,对快速变化地表特征的捕捉更具有优势,且时空连续性更好。可有效支撑j反射率角度效应订正、或用于与BRDF相关地表参数的高精度估算。
闻建光, 唐勇, 游冬琴
该数据集依据中分辨率长时间序列遥感影像Landsat,通过影像融合、遥感解译、数据反演等多种方式获得青藏高原1990/1995/2002/2005/2010/2015六期生态系统类型情况分布图,作出25年(1990-2015)青藏高原生态本底图,空间参考系统为Krasovsky_1940_Albers,空间分辨率为1000m。青藏高原各类生态系统面积统计表明,1990-2015年间,林地、草地面积略有减少,城镇用地、农村居民点及其他建设用地面积增加,河流、湖泊等水体面积增加,永久性冰川积雪面积减少。该图集可用于青藏高原生态工程的规划、设计及管理,并可作为生态系统现状的基准,用于阐明青藏高原重大生态工程建设的时空格局,揭示青藏高原生态系统格局和功能的变化规律和区域差异。
赵慧, 王小丹
青藏高原蒸散发是利用遥感、气象、以及野外通量观测站等数据,采用多尺度-多源数据协同的陆表蒸散遥感模型-ETWatch进行计算的。ETWatch采用了余项法与P-M公式相结合的方法计算蒸散。首先根据数据影像的特点选择适用的模型反演晴好日蒸散;遥感模型常常因为天气状况无法获取清晰的图像而造成数据缺失,为获得逐日连续的蒸散量的,引入Penman-Monteith公式,将晴好日的蒸散结果作为“关键帧”,将关键帧的地表阻抗信息为基础,构建地表阻抗时间拓展模型,填补因无影像造成的数据缺失,利用逐日的气象数据,重建蒸散量的时间序列数据,并通过数据融合模型,将中低分辨率的蒸散时间变化信息与高分辨率的蒸散空间差异信息的相结合,构建高时空分辨率蒸散数据集,从而生成青藏高原8km分辨率蒸散数据集(1990-2015)。
王晓峰
该数据集是基于一系列微波遥感数据获取,包含Special Sensor Microwave Imager (SSM/I), Advanced Microwave Scanning Radiometer for Earth Observation System (AMSR-E)等,表征植被的含水量,可作为初级生产力的参考。数据来源于Liu et al. (2015),具体计算方法参见文章。源数据范围为全球,本数据集选取了青藏高原区域。该数据集常被用作评定植被绿度和初级生产力的时间和空间格局,具有实际意义和理论价值。
刘毅
本数据集包含2001-2018年青藏高原月平均地表实际蒸散发量,空间分辨率为0.1度。数据集主要以卫星遥感数据(MODIS)和再分析气象数据(CMFD)作为输入,利用地表能量平衡系统模型(SEBS)计算得到。在计算湍流通量的过程中引入了次网格地形拖曳参数化方案,提高了对地表感热通量和潜热通量的模拟。另外,利用青藏高原6个湍流通量站的观测数据对模型输出的蒸散发量进行了验证,显示出了较高的精度。该数据集可用于研究青藏高原陆气相互作用和水循环特征。
韩存博, 马耀明, 王宾宾, 仲雷, 马伟强, 陈学龙, 苏中波
青藏高原由于高云覆盖,通常用来监测湖泊面积的光学遥感影像数据,如Landsat只能用来监测湖泊年尺度面积变化,而对湖泊季节变化研究了解较少。使用Sentinel-1 SAR数据,对青藏高原大于50平方公里湖泊月尺度面积进行了提取。研究显示,湖泊的季节变化显示出截然不同的模式,面积较大的湖泊(> 100 km2)在8-9月达到峰值,而较小的湖泊(50-100 km2)面积在6-7月达到峰值。封闭湖泊面积的季节峰值更突出,而外流湖的季节峰值更平缓。冰川补给湖相对于非冰川补给湖显示了延迟的面积峰值。同时,大尺度的大气环流,如西风、印度季风、和东亚季风也影响着湖泊面积的季节变化。此研究为监测湖泊面积年内变化弥补了空白。
张宇, 张国庆
湖泊的形成与消失、扩张与收缩对生态环境演化和社会经济发展都有重要影响。由于受气候、生态环境和人类活动等因素的综合影响,湖泊水域范围的变化速度快、幅度大,对观测的频率和分布都有很高的要求。近几十年以来,卫星遥感技术以其快速、覆盖面广、成本低廉等优点,为较大区域的湖泊动态监测提供了重要数据基础。针对大范围、高精度、长时间序列的湖泊变化分析对遥感数据时空分辨率的需求,本数据集基于 Landsat 卫星数据的自动湖泊提取方法(Feng et al., 2015),利用 2000 年以来的 Landsat 多颗卫星的观测数据,收集了2000 年以来的云量小于 80%的所有Landsat 数据,获得共 96278 景影像(约 25T 数据量),结合高性能数据存储和处理能力,提取了青藏高原和中亚地区 2000-2015 年湖泊分布记录,形成了时空一致的逐月水域范围数据集。利用分层随机采样采集样点,通过人工解译,获取能够代表不同时空分布的验证样点。评价结果表明:研究区时间序列水体数据总体精度为 99.45%(±0.59),水体用户精度(错分)为 85.37% (±3.74),制图精度(漏分)为 98.17%(±1.05)。
冯敏, 车向红
本数据集为青藏高原黄河源区2015年逐像素年内最大植被覆盖度空间分布图,该区域的面积约为4.4万平方公里。此数据是基于2015年MODIS(空间分辨率250米) 和Landsat-8 OLI(空间分辨率30米)植被生长季(5月初-9月末)的时间序列影像,并利用最大值合成方法、像元二分模型和时间插值等方式获得。植被覆盖度空间分布图的空间分辨率为30米,采用WGS 1984 UTM 投影,数据格式为grid格式。
王广军
青藏高原生态资产评估遥感反演基础数据集包括了青藏高原自2000年起年度的植被覆盖度(FVC),净初级生产力(NPP)和叶面积指数(LAI)等基于遥感反演的生态参数,以供区域尺度生态资产评估研究使用。其中植被覆盖度数据以MODIS NDVI数据为主体,基于像元二分模型,利用多尺度遥感影像,结合植被群落类型、分布特征等高精度遥感参数,发展植被覆盖度模型,用混合像元分解法构建。精度验证估测值与实测值的RMSE为0.21,在样本值0-0.5之间均存在一定的高估情况。
刘文俊
本数据包含两个数据文件,GLOBELAND30 TILES(原始数据)和TIBET_ GLOBELAND30_MOSAIC(镶嵌数据)。 原始数据下载自全球地表覆盖数据网站(GlobalLand3)(http://www.globallandcover.com),范围涵盖青藏高原及周边地区。原始数据分幅存储,为了便于用户使用数据,在分幅数据的基础上,我们使用Erdas软件对原始数据进行了拼接镶嵌。 全球地表覆盖数据(GlobalLand30)是国家863计划重点项目“全球地表覆盖遥感制图与关键技术研究”的科研成果,该数据利用美国陆地卫星影像(TM5、ETM+)和中国环境减灾卫星(HJ-1)影像数据,采用基于像素分类-对象提取-知识检核的综合方法提取而成。数据包括耕地、森林、草地、灌木、湿地、水体、苔原、人造覆盖、裸地、冰川和永久积雪10个一级地表覆盖类型,没有进行二级类型提取。在准确度评估方面,评估九种类型和超过150,000个测试样品。GlobeLand30-2010的整体精度达到80.33%。Kappa指标为0.75。 GlobeLand30数据采用WGS84坐标系,UTM投影,6度分带,参考椭球为WGS 84椭球。根据不同的纬度情况,采用2种分幅方式进行数据组织。在南北纬60°区域内,按照5°(纬度)×6°(经度)大小进行分幅;在南北纬60°至80°区域内,按照5°(纬度)×12°(经度)大小进行分幅,按照奇数6°带的中央经线进行投影。 GLOBELAND30 TILES:原始数据保留数据原貌,未进行处理。 TIBET_ GLOBELAND30_MOSAIC:使用erdas软件对原始数据进行镶嵌,参数设置使用默认值原始数据保留数据原貌,精度同下载网站。
陈军
将冰湖划分为冰面湖、与冰川末端相连和非相连湖泊等三种类型。在分类的基础上,研究第三极地区各流域冰湖的数量与面积、不同大小面积变化幅度、与冰川距离远近、有冰川融水径流补给与无冰川融水径流补给冰湖面积的变化差异以及冰湖面积随海拔梯度变化特征等内容。 数据源:Landsat TM/ETM+ 1990,2000,2010。 数据通过目视解译,包括面积大于0.003平方公里的冰湖数据,结合原始影像与Google Earth检查编辑。 数据应用于第三极地区冰湖变化与冰湖溃决洪水( GLOF) 评估。 数据类型:矢量。 投影坐标系:Albers Conical Equal Area。
张国庆
随着SAR干涉测量技术的不断进步,使得高精度获取冰川区的多时相DEM成为了可能。特别是,2000年美国国家航空航天局(NASA)主导的航天飞机雷达制图计划(SRTM)提供了覆盖全球56ºS - 60ºN范围的DEM资料;德国宇航局(DLR)的TanDEM-X双站SAR干涉测量系统能够提供全球范围高分辨率、高精度DEM。这些高质量、大覆盖范围的SAR干涉测量数据,以及发布的DEM数据产品,为利用多时相DEM探测冰川厚度变化提供了宝贵的基础资料。 青藏高原典型冰川厚度变化数据的时间段为2000-2013年,覆盖范围为普若岗日和祁连山西部地区,空间分辨率30米。利用TanDEM-X双站InSAR数据和C波段 SRTM DEM,首先采用差分干涉测量方法高精度的生成TanDEM-X DEM,然后在进行DEM精确配准的基础上,通过对比不同时期获取的DEM数据,估算冰川厚度变化。该数据集采用Geotiff格式,每个典型冰川冰厚变化存储为一个文件夹。 数据的详细情况见青藏高原典型冰川厚度变化数据集-数据说明。
江利明
八宝河流域逐日无云MODIS积雪面积比例数据集(2008.1.1-2014.6.1)是在MODIS逐日积雪产品—MOD10A1的基础上,采用一种基于三次样条函数插值的去云算法进行去云处理后得到(唐志广,2013)。 该数据集采用UTM(横轴等角割圆柱)投影方式,空间分辨率500m,提供逐日的八宝河流域积雪反照率(Snow Albedo Daily-SAD)结果。数据集为逐日文件,从2008年1月1日到2014年6月1日。每个文件为当日的积雪反照率结果,数值为0-100(%),为ENVI标准文件,命名规则为:MOD10A1.AYYYYddd_h25v05_Snow_SAD_Grid_2D_reproj_babaohe_nocloud.img,其中YYYY代表年, ddd代表儒略日(001-365/366)。文件可直接用ENVI或者ARCMAP等软件打开察看。 进行去云处理的原始MODIS积雪数据产品来源于由美国国家雪冰数据中心(NSIDC)处理的MOD10A1产品,这一数据集为hdf格式,采用sinusoidal投影。 八宝河流域逐日无云MODIS反照率数据集(2008.1.1-2014.1.1)属性由该数据集的时空分辨率、投影信息、数据格式组成。 时空分辨率:时间分辨率为逐日,空间分辨率为500m,经度范围为100.2°~101.2°E,纬度为37.6°~38.3°N。 投影信息:UTM(横轴等角割圆柱)投影。 数据格式:ENVI标准格式。文件命名规则:"MOD10A1.A"+"YYYYddd"+"_h25v05_Snow_SAD_Grid_2D_reproj_babaohe_nocloud"+".img",其中YYYY代表年,ddd代表儒略日(001-365/366),其中该数据集的ENVI文件是由头文件和主体内容构成。头文件包括行数、列数、波段数、文件类型、数据类型、数据记录格式、和投影信息等;以2000055_FSC_0.5km.img 文件为例,其头文件信息如下: ENVI description = { ENVI File, Created [Wed Nov 26 11:50:00 2014]} samples = 187 lines = 132 bands = 1 header offset = 0 file type = ENVI Standard data type = 4 :代表byte型 interleave = bsq :数据记录格式为BSQ sensor type = Unknown byte order = 0 map info = {UTM, 1.000, 1.000, 596240.026, 4244174.613, 5.0000000000e+002, 5.0000000000e+002, 47, North, WGS-84, units=Meters} coordinate system string = {PROJCS["UTM_Zone_47N",GEOGCS["GCS_WGS_1984",DATUM["D_WGS_1984",SPHEROID["WGS_1984",6378137.0,298.257223563]],PRIMEM["Greenwich",0.0],UNIT ["Degree",0.0174532925199433]],PROJECTION["Transverse_Mercator"],PARAMETER["False_Easting",500000.0],PARAMETER["False_Northing",0.0],PARAMETER ["Central_Meridian",99.0],PARAMETER["Scale_Factor",0.9996],PARAMETER["Latitude_Of_Origin",0.0],UNIT["Meter",1.0]]} wavelength units = Unknown
王建, 潘海珠
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