中巴经济走廊及天山山脉区域属于亚热带草原、沙漠气候和暖温带大陆性干旱气候，河流降水补给较少，北部山区河流补给为冰川积雪融水补给。地处印度河流域，印度河上游水系发达，有印度河干流、左岸西部杰赫勒姆河和奇纳布河等。本数据集是青藏高原水系图。水系是一种重要的自然要素，它的发育、形态及分布是多种因素综合作用的结果。河流的分类是依据水系最典型特征而进行的，因而水系的编码充分考虑了水系的分类，并兼顾河水的其他特性。国外河流数据来源于Natural Earth，所有的河流都接受了人工平滑和位置调整，以适应SRTM Plus高程数据生成的阴影地形。
邱海军
该数据为青藏高原区域的土地覆盖数据，空间分辨率为300米，时间分辨率为年，数据包括1995、2005和2015年3个时期。该数据为栅格格式（Tiff），采用2000国家大地坐标系，可以使用ArcGIS、ENVI等软件工具打开。原始数据来自欧洲哥白尼气候变化服务数据中心，该数据参照联合国粮食及农业组织开发的“土地覆被分类系统”，将全球土地覆被类型分为22类。由于其高精度、一致性以及年度更新的特征，该数据已经在全球范围内的土地利用和人类活动变化监测等领域得到了广泛应用。本数据在原始数据的基础上，在ArcGIS中经裁剪、投影、精度验证获得，并经过第二人进行质量审核，数据质量可靠。
杨雅萍
青藏高原2018-2019年1km分辨率逐月气象数据集时间为2018年1月-2019年12月。原始数据来自地球陆地表面高分辨率气候学数据（CHELSA, Climatologies at high resolution for the earth’s land surface areas），经过空间校正、精度验证和裁剪等得到1km分辨率降水量、风速、气温、湿度数据。 数据可用ArcGIS、ENVI或其他地理信息系统和遥感软件打开使用。
杨雅萍
该数据为青藏高原1：400万地貌类型数据，地貌图可以表达地貌研究的成果，又是研究地貌的重要方法，对地貌学有着重要的作用，对地貌研究的不断发展有着重要的作用。数据包括两个部分，shp数据来源于中国1:400万形态地貌图，空间范围在中国境内；栅格数据来源于USGS（https://rmgsc.cr.usgs.gov/outgoing/ecosystems/Global/），空间范围扩展到了青藏高原及毗邻山区，包括部分境外区域。矢量数据由1:400万形态地貌图，经扫描配准，并矢量数字化，数字化时精度保证在2个象元以内，栅格数据经过空间校准、精度验证和裁剪得到，详细的数据加工处理过程可见https://onlinelibrary.wiley.com/doi/full/10.1111/tgis.12265。
杨雅萍
中巴经济走廊及天山山脉地形数据由日本宇宙航空研究所（Japan Aerospace Exploration Agency，简称JAXA）生产。中巴经济走廊及天山山脉30m数字高程模型（DEM）（2006-2011）描述的是地面高程信息，其是研究分析地形、流域、地物识别的重要原始资料。它在测绘、水文、水文、气象、地貌、地质、土壤、工程建设等国民经济以及人文和自然科学领域有着广泛的应用。在防洪减灾方面，DEM是进行水文分析如汇水区分析、水系网络分析、降雨分析、蓄洪计算、淹没分析等的基础；同时，DEM数据能够反映一定分辨率的局部地形特征，通过DEM可提取大量的地表形态信息，可用于绘制等高线、高程图、坡度图、坡向图、水系图、立体透视图、立体景观图，并应用于制作正射影像、立体地形模型与地图修测。该数据水平分辨率为30m（1弧秒），高程精度5米，是目前世界上最精确的地形数据之一。该数据下载地址为https://www.eorc.jaxa.jp/ALOS/en/aw3d30/data/。
邱海军
该数据为喜马拉雅山区流域所在喜马拉雅山区1：25万地形数据，由STRM90m高程数据实体在ARCGIS软件中按喜马拉雅山区边界掩膜提取得到，为90M栅格分辨率。由于DEM描述的是地面高程信息，它在测绘、水文、气象、地貌、地质、土壤、工程建设、 通讯、军事等国民经济和国防建设以及人文和自然科学领域有着广泛的应用。在防洪减灾方面，DEM是进行水文分析如汇水区分析、水系网络分析、降雨分析、蓄洪计算、淹没分析等的基础。
王中根
深反射地震剖面测线沿线构造地质剖面（多格错仁-鲸鱼湖段，全长约200 km）（比例尺1:10万）。该段剖面的主要绘制依据是反射剖面测线沿线的野外地质调查和测线所在区域的1:25万区域地质图，结合野外产状数据以及1：25万区域地质图数据用CorelDraw等软件绘制了该构造地质剖面。以1：10万的比例尺绘制的地质构造剖面可以大致反应出反射剖面沿线的地质结构、构造特征。地质构造剖面获得的几何结构信息可为后期深反射地震剖面的构造解译和平衡剖面制作提供浅层的结构约束。
郭晓玉
该数据为川藏线及周边地区1：25万社会经济数据，包含GDP、人口等数据。人口和GDP是社会经济发展、区域规划和资源环境保护的重要指标之一，通常以行政区为基本统计单元。人口和GDP空间化以空间统计单元代替传统的行政统计单元，为多领域之间数据共享、进行空间统计分析带来极大便利。数据来源于资源环境科学与数据中心中国人口和GDP空间分布公里网格数据集。由资源环境科学与数据中心中国人口和GDP空间分布公里网格数据集按川藏铁路沿线及周边地区范围裁剪得到。数据为栅格格式，精确至每平方公里，适用于川藏线及周边地区，人口和GDP是社会经济发展、区域规划和资源环境保护的重要指标之一。
王中根
本数据集整理和收集了川藏铁路沿线及周边地区实测和调查最大24H降雨量点数据。含有流域KID、station、省份、X坐标、Y坐标、rain、date等字段数据。共计43条记录。数据来源：《中国暴雨统计参数图集》(2006版)。加工方法：将中国暴雨统计参数图集（2006版）实测和调查最大24H降雨量点数据在川藏铁路沿线及周边地区范围内的点人工数字化。数据集内还包含了川藏铁路沿线评估区域内所有子流域单元的十年、二十年、百年一遇最大24h降水值（1950s-2010s），根据评估区域内逐年最大24h降水序列进行频率计算得到。加工过程中，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。经多人复查审核，其数据完整性、逻辑一致性、位置精度、属性精度、接边精度、现势性均符合国家测绘局制定的有关技术规定和标准的要求，质量优良可靠。
王中根
川藏铁路沿线洪水风险评估数据，包括自然指标、危险性、脆弱性和风险评估数据。数据来源：从地球大数据科学工程网站获取；根据USGS下载的DEM计算获取。加工方法：五年一遇最大24h降水通过根据评估区域内逐年最大24h降水序列进行频率计算获得；河网指数根据评估区域内海河版六级水网裁剪并处理获得；危险性将五年一遇最大24h降水和河网指数赋值计算获取；脆弱性将人口密度、交通造价、GDP总量数据赋权计算获得；风险数据根据危险性和脆弱性赋权计算获得。制定数字加工操作规范。加工过程中，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。经多人复查审核，其数据完整性、逻辑一致性、位置精度、属性精度、接边精度、现势性均符合国家测绘局制定的有关技术规定和标准的要求，质量优良可靠。
王中根
本数据根据1840-2019重大山洪灾害案例汇编，是川藏铁路沿线的山洪灾害调查数据，包括了时间、地点、灾害类型、成因、经度、纬度、降雨量、铁路段和灾害损失信息。根据2006版的《中国历史大洪水资料调查汇编》、《全国山洪灾害防治项目（2013-2015年）》四川省和西藏自治区山洪灾害调查成果及实地调查等不同数据源的特点对原始资料进行真实性、一致性的检查及规范化处理；然后根据数据源及资料进行分析，整理归纳；最后，运用SuperMap软件进行处理等。
王中根
本数据集根据青藏高原1：25万三级流域分区河流水系数据（2012年）按川藏线及周边地区范围掩膜提取得到，为矢量数据。地理坐标系：GCS_China_Geodetic_Coordinate_System_2000；空间精度：比例尺1:25万。数据可用ArcGIS、ENVI或其他地理信息系统和遥感软件打开使用。水系可用来划分小流域，确定流域面积，计算水系的特征参数如河网密度、河系发育系数、河系不均匀系数等，在水文学领域具有重要作用。
王中根
中国区域PML-V2水碳耦合的陆地蒸散发与总初级生产力数据集，即PML-V2(China)，包括总初级生产力（gross primary product, GPP），植被蒸腾（vegetation transpiration, Ec），土壤蒸发（soil evaporation, Es），冠层截流蒸发（vaporization of intercepted rainfall, Ei）和水体、冰雪蒸发（ET_water），共5个要素。数据格式为TIFF，时空分辨率为1天、500米，时间跨度为2000.02.26-2020.12.31。 与全球版本相比，PML-V2(China)产品在中国区域的模拟精度有很大的提升，且具有以下改进和创新： i. 相较于全球版本的八天分辨率，新产品的时间分辨率升至每日； ii. 观测数据来自中国26个涡动通量站，其下垫面包括植被稀疏的荒漠在内的9种植被功能型，并用于模型的参数校准（用于率定全球版产品的中国站点仅有8个，只覆盖5种植被类型）； iii. 2000-2018年使用0.1°的中国区域气象要素驱动数据，2019-2020年使用偏差校正的全球陆面数据同化系统GLDAS-2.1气象数据，这些气象输入数据用来替换原先0.25°的GLDAS输入； iv. 使用ERA5陆地的地表温度取代空气温度作为输入，用于计算输出长波辐射； v. 将改进的Whittaker滤波的MODIS叶面积指数作为模型输入，新产品在监测作物耗水量和揭示种植制度特征方面提供了新的见解。 注：本数据集不包含中国南海部分。
张永强, 何韶阳
青藏高原是亚洲众多主要河流的源头，为亿万人口提供生活必需的水源，被称为“亚洲水塔”。亚洲水塔的主要补给水源为青藏高原地区的降水，其中高原低涡是青藏高原上重要的降水系统之一。由于青藏高原地形复杂、观测资料匮乏，对高原低涡的气候和结构特征及其形成和变化机制的认识仍然存在很多不足之处。本数据集利用多套再分析资料和高原低涡的客观识别方法，得到了一套长时间序列高原低涡数据集，包括高原低涡的位置、半径、强度、生命史和移动路径等特征，本数据集可用于高原低涡的气候特征分析、高原低涡对降水影响、高原低涡生成发展和移出机制研究等。数据集使用的再分析数据有：NCEP1（NCEP/NCAR），NCEP2（NCEP/DOE），ERA-Interim，ERA-40，ERA-5，CFSR，MERRA2，JRA55，NCEP FNL，CRA40等共10套再分析数据，其中NCEP1和NCEP2的分辨率较低，得到的高原低涡不适用作为气候特征分析。
林志强, 郭维栋
该数据集包含2021年1月9日至2021年12月31日疏勒河流域兰州大学寒旱区科学观测网络瓜州站的物候相机观测数据，观测点的经纬度是95.673E，41.405N，海拔2014m。该数据使用北京师范大学自主研发的软件包进行处理。该物候相机采用向下的方式采集数据，拍摄数据分辨率为2592*1944，可指定拍摄时间频率。对于绿度指数物候期计算，需要根据感兴趣区域计算相对绿度指数（GCC, Green Chromatic Coordinate公式为GCC=G/(R+G+B), R、G、B为图像红、绿、蓝三通道像元值），然后进行无效值填充和滤波平滑，最后根据生长曲线拟合确定关键物候期参数，如生长季起始日、顶峰、生长季结束日等；对于覆盖度，首先进行数据预处理，选择光照不太强的图像，然后将图像分割为植被和土壤，计算每张图像的植被像素占计算区域内的比例作为该图像对应的覆盖度，在时间序列数据提取完成以后，再按用户指定的时间窗口对原始覆盖度数据进行平滑滤波，滤波后的得结果为最终的时间序列覆盖度。本数据集包括相对绿度指数（GCC）。该站点物候相机于2021年8月10日调整过拍摄角度。
赵长明, 张仁懿
该数据集包含2021年1月1日至2021年12月31日柴达木盆地哈尔腾河流域兰州大学寒旱区科学观测网络苏干湖站的物候相机观测数据，观测点的经纬度是94.125°E，38.992N，海拔2798m。该数据使用北京师范大学自主研发的软件包进行处理。该物候相机采用向下的方式采集数据，拍摄数据分辨率为2592*1944，可指定拍摄时间频率。对于绿度指数物候期计算，需要根据感兴趣区域计算相对绿度指数（GCC, Green Chromatic Coordinate公式为GCC=G/(R+G+B), R、G、B为图像红、绿、蓝三通道像元值），然后进行无效值填充和滤波平滑，最后根据生长曲线拟合确定关键物候期参数，如生长季起始日、顶峰、生长季结束日等；对于覆盖度，首先进行数据预处理，选择光照不太强的图像，然后将图像分割为植被和土壤，计算每张图像的植被像素占计算区域内的比例作为该图像对应的覆盖度，在时间序列数据提取完成以后，再按用户指定的时间窗口对原始覆盖度数据进行平滑滤波，滤波后的得结果为最终的时间序列覆盖度。本数据集包括相对绿度指数（GCC）。该站点物候相机于2021年8月12日调整过拍摄角度。
赵长明, 张仁懿
该数据集包含2021年2月1日至2021年9月15日黑河流域兰州大学寒旱区科学观测网络寺大隆站的物候相机观测数据，观测点的经纬度是99.926E，38.428N，海拔3146m。该数据使用北京师范大学自主研发的软件包进行处理。该物候相机采用向下的方式采集数据，拍摄数据分辨率为2592*1944，可指定拍摄时间频率。对于绿度指数物候期计算，需要根据感兴趣区域计算相对绿度指数（GCC, Green Chromatic Coordinate公式为GCC=G/(R+G+B), R、G、B为图像红、绿、蓝三通道像元值），然后进行无效值填充和滤波平滑，最后根据生长曲线拟合确定关键物候期参数，如生长季起始日、顶峰、生长季结束日等；对于覆盖度，首先进行数据预处理，选择光照不太强的图像，然后将图像分割为植被和土壤，计算每张图像的植被像素占计算区域内的比例作为该图像对应的覆盖度，在时间序列数据提取完成以后，再按用户指定的时间窗口对原始覆盖度数据进行平滑滤波，滤波后的得结果为最终的时间序列覆盖度。本数据集包括相对绿度指数（GCC）。
赵长明, 张仁懿
该数据集包含2021年3月1日至2021年12月31日石羊河流域兰州大学寒旱区科学观测网络民勤站的物候相机观测数据，观测点的经纬度是103.668E，39.208N，海拔1020m。该数据使用北京师范大学自主研发的软件包进行处理。该物候相机采用向下的方式采集数据，拍摄数据分辨率为2592*1944，可指定拍摄时间频率。对于绿度指数物候期计算，需要根据感兴趣区域计算相对绿度指数（GCC, Green Chromatic Coordinate公式为GCC=G/(R+G+B), R、G、B为图像红、绿、蓝三通道像元值），然后进行无效值填充和滤波平滑，最后根据生长曲线拟合确定关键物候期参数，如生长季起始日、顶峰、生长季结束日等；对于覆盖度，首先进行数据预处理，选择光照不太强的图像，然后将图像分割为植被和土壤，计算每张图像的植被像素占计算区域内的比例作为该图像对应的覆盖度，在时间序列数据提取完成以后，再按用户指定的时间窗口对原始覆盖度数据进行平滑滤波，滤波后的得结果为最终的时间序列覆盖度。本数据集包括相对绿度指数（GCC）。
赵长明, 张仁懿
该数据集包含2021年1月1日至2021年12月31日大通河流域兰州大学寒旱区科学观测网络连城站的物候相机观测数据，观测点的经纬度是102.737E，36.692N，海拔2903m。该数据使用北京师范大学自主研发的软件包进行处理。该物候相机采用向下的方式采集数据，拍摄数据分辨率为2592*1944，可指定拍摄时间频率。对于绿度指数物候期计算，需要根据感兴趣区域计算相对绿度指数（GCC, Green Chromatic Coordinate公式为GCC=G/(R+G+B), R、G、B为图像红、绿、蓝三通道像元值），然后进行无效值填充和滤波平滑，最后根据生长曲线拟合确定关键物候期参数，如生长季起始日、顶峰、生长季结束日等；对于覆盖度，首先进行数据预处理，选择光照不太强的图像，然后将图像分割为植被和土壤，计算每张图像的植被像素占计算区域内的比例作为该图像对应的覆盖度，在时间序列数据提取完成以后，再按用户指定的时间窗口对原始覆盖度数据进行平滑滤波，滤波后的得结果为最终的时间序列覆盖度。本数据集包括相对绿度指数（GCC）。
赵长明, 张仁懿
该数据集包含2021年1月1日至2021年12月31日石羊河流域兰州大学寒旱区科学观测网络西营河站的物候相机观测数据，观测点的经纬度是101.855E，37.561N，海拔3616m。该数据使用北京师范大学自主研发的软件包进行处理。该物候相机采用向下的方式采集数据，拍摄数据分辨率为2592*1944，可指定拍摄时间频率。对于绿度指数物候期计算，需要根据感兴趣区域计算相对绿度指数（GCC, Green Chromatic Coordinate公式为GCC=G/(R+G+B), R、G、B为图像红、绿、蓝三通道像元值），然后进行无效值填充和滤波平滑，最后根据生长曲线拟合确定关键物候期参数，如生长季起始日、顶峰、生长季结束日等；对于覆盖度，首先进行数据预处理，选择光照不太强的图像，然后将图像分割为植被和土壤，计算每张图像的植被像素占计算区域内的比例作为该图像对应的覆盖度，在时间序列数据提取完成以后，再按用户指定的时间窗口对原始覆盖度数据进行平滑滤波，滤波后的得结果为最终的时间序列覆盖度。本数据集包括相对绿度指数（GCC）。
赵长明, 张仁懿
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
