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
基于环境敏感区指数(ESAI)方法,计算获得2021年阿拉伯半岛栅格荒漠化风险数据。ESAI方法考虑土壤,植被,气候和管理质量,是监测荒漠化风险最广泛的方法之一。根据ESAI指标框架,选择了14个指标计算四个质量领域,每个质量指数均由几个指标参数计算获得。参考前人研究,确定每个参数分类及其阀值。然后,根据每个类别在荒漠化的敏感性中的重要性以及与荒漠化过程的开始或不可逆转的退化关系,把每个类别分配了1(最低敏感度)和2(最高敏感度)之间的敏感性得分。关于如何选取指标以及与荒漠化风险和得分相关性,在Kosmas的研究中提供了更全面的描述。主要指标数据集来源于联合国粮农组织的世界土壤数据,欧空局的土地覆盖数据和AVHRR数据。所有栅格数据集重采样到500m并合成年度值。尽管验证综合评估指数存在困难,但根据ESAI值的时空比较,对荒漠化风险进行了间接验证,包括对ESAI与稀疏植被和草地转变关系的定量分析和分析ESAI与植被净初级生产力之间的关系。验证结果表明阿拉伯半岛的荒漠化风险数据精度可靠。
许文强
此数据集是基于中科院中国土地利用现状遥感监测数据集,经过裁剪、拼接等操作得到的1985年祁连山国家公园土地利用类型的数据。数据生产制作是利用Landsat TM/ETM遥感影像为主要数据源,通过人工目视解译生成,得到的矢量数据。土地利用类型包括耕地、森林、灌木林、草地、湿地、水体、苔原、人造表面、裸地、冰川和永久积雪这10个一级类型。可以分析祁连山区域历史的土地利用类型,并结合当前的土地利用类型数据,分析祁连山区域土地利用类型的变化。
年雁云
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
本数据包括西藏纳木错湖水不同深度处的日平均水温数据,是实地监测获取的湖水温度变化情况;该数据利用水质多参数仪及温度探头放置于水中而连续获取,温度记录的分辨率是10分钟和2小时,并基于原始测量数据计算了日平均水温;所用仪器和方法均非常成熟,数据处理过程进行了严格的质量控制,确保数据真实可靠;该数据已用于纳木错湖水热力学分层研究、湖气热量平衡研究等物理湖泊学方面的基础研究,并用来校正基于遥感数据的湖水温度数据及不同的湖泊模型研究。可用于物理湖泊学、水文学、湖气相互作用、遥感数据同化验证及湖泊模型研究。
王君波
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
该数据集由2018年青藏高原野外考察期间无人机航拍所得,数据大小为5.72 GB,包括800余张照片。照片拍摄的具体时间为2018.07.19-2018.07.26,拍摄地点主要包括羊八井、克日村、阿沛新村、仲果村、米林村、日村、冲康村、克松村、色木村、羊卓雍错及其周边地区。航拍照片较为清晰的反映了当地土地覆被状况(土地利用类型、植被密度、河流湖泊分布等等),为土地利用遥感解译工作提供了较好的验证信息,还可用于植被覆盖度的估算工作,为研究区土地利用研究提供了较好的参照信息。
吕昌河, 刘亚群
联系方式
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