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
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
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
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
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
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
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
