本数据集包括祁连山区域2019年月度合成30m×30m地表植被覆盖度产品。采用最大值合成 (Max value composition, MVC) 方法,利用 Landsat8和sentinel 2红光和近红外两个通道的反射率数据,实现对地表月度NDVI产品的合成,进而计算FVC。数据通过Google Earth Engine云平台对反射率进行月度合成,通过模型计算指数,对于缺失像素进行插补,质量较好,可用于环境变化监测等领域。
吴金华, 仲波, 吴俊君
本数据集包括祁连山区域2019年月度合成30m×30m地表植被指数产品。采用最大值合成 (Max value composition, MVC) 方法,利用Landsat 8和sentinel 2红光和近红外两个通道的反射率数据,实现对地表月度NDVI产品的合成。数据通过Google Earth Engine云平台对反射率进行月度合成,通过模型计算指数,对于缺失像素进行插补,质量较好,可用于环境变化监测等领域。
吴金华, 仲波, 吴俊君
本数据为祁连山地区2019年地表水体(包括液态水、冰川及多年积雪)分布产品。采用经典归一化水体指数法(Normalized Difference Water Index , NDWI)和人工修正的方法提取。原始基础数据为2019年祁连山全境的Landsat影像。参考数据为谷歌影像和哨兵2号影像。产品以shp文件格式存储,包含坐标系、水体面积等属性。产品为1期,时间分辨率为1年,空间分辨率为30米,边界精度在30米(一个像元)左右。该产品直观地反映了祁连山水体在2019年的大致分布,可用于流域水资源定量估计研究。
李佳, 李建江, 李新, 刘绍民
本数据集包括祁连山地区2019年逐日地表蒸散发产品,产品分辨率为0.01°。采用高斯过程回归(Gaussian Process Regression,GPR)算法,实现对RS-PM (Mu et al., 2011)、SW (Shuttleworth and Wallace., 1985)、PT-JPL (Fisher et al., 2008)、MS-PT (Yao et al., 2013)、SEMI-PM (Wang et al., 2010a)、SIM (Wang et al.2008) 等6种蒸散发产品的集成。参与蒸散发产品生产的驱动数据包括MODIS(NDVI、Albedo、LAI、PAR),中国区域高时空分辨率地面气象要素驱动数据集(何杰, 阳坤. 中国区域高时空分辨率地面气象要素驱动数据集. 寒区旱区科学数据中心, 2011. doi:10.3972/westdc.002.2014.db)等。
姚云军, 刘绍民, 尚珂
最优差值海表温度(OISST)分析产品提供了使用最优插值(OI)技术构建的完整海洋温度场。海温产品的空间网格分辨率为0.25度,时间分辨率为1天。该产品使用先进的甚高分辨率辐射计(AVHRR)卫星数据,来自探路者(Pathfinder) AVHRR SST数据集(1981年9月至2005年12月)和海军AVHRR多通道海表温度数据(2006年至今)。选择探索者AVHRR海表温度是因为其与现场观测数据吻合较好。该产品还使用海冰数据集,来自船只和浮标的现场数据,并包括大规模调整卫星偏差的现场数据。在有海冰存在的地区,海表温度是由美国国家航空航天局2005年以前的GSFC和2005年以后的NOAA NCEP提供的海冰浓度数据来估计的。海表温度在风暴潮研究中具有重要意义。基于1981年至2016年的海表温度产品,利用GEE对数据进行研究区的掩模裁剪并重采样。最后得到了1981-2016年“一带一路”沿海海域16天合成海面温度数据集。
葛咏, 李强子, 董文
西亚地区荒漠化专题数据主要包括:西亚地区沙化土地分布图和西亚地区退化草地分布图,空间分辨率为30m。西亚地区沙化土地分布图包含的土地类型有沙地、盐碱地、裸土地和裸岩石砾地,西亚地区退化草地分布图将草地划分为高覆盖草地、中覆盖草地和低覆盖草地三类。数据由中国科学院新疆生态与地理研究所遥感与GIS重点实验室生产,生产费用由“中国科学院战略性先导科技专项XDA20030101资助”,数据空间分辨率为30m。数据主要是基于2015年TM、ETM遥感影像数据,基于去云、镶嵌与裁剪、拼接、阴影处理等预处理,借助eCognition软件进行面向对象的地类分类,实现软件自动分类和人工信息提取相结合,最后对分类结果进行人工检查与修正。数据验证方式为野外实地验证和高精度影像验证两种方式,验证精度达到85%以上。
基于环境敏感区指数(ESAI)方法,计算获得2018年阿姆河流域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。验证结果表明阿姆河流域的荒漠化风险数据精度可靠。
许文强
Snow is a significant component of the ecosystem and water resources in high-mountain Asia (HMA). Therefore, accurate, continuous, and long-term snow monitoring is indispensable for the water resources management and economic development. The present study improves the Moderate Resolution Imaging Spectroradiometer (MODIS) onboard Terra and Aqua satellites 8 d (“d” denotes “day”) composite snow cover Collection 6 (C6) products, named MOD10A2.006 (Terra) and MYD10A2.006 (Aqua), for HMA with a multistep approach. The primary purpose of this study was to reduce uncertainty in the Terra–Aqua MODIS snow cover products and generate a combined snow cover product. For reducing underestimation mainly caused by cloud cover, we used seasonal, temporal, and spatial filters. For reducing overestimation caused by MODIS sensors, we combined Terra and Aqua MODIS snow cover products, considering snow only if a pixel represents snow in both the products; otherwise it is classified as no snow, unlike some previous studies which consider snow if any of the Terra or Aqua product identifies snow. Our methodology generates a new product which removes a significant amount of uncertainty in Terra and Aqua MODIS 8 d composite C6 products comprising 46 % overestimation and 3.66 % underestimation, mainly caused by sensor limitations and cloud cover, respectively. The results were validated using Landsat 8 data, both for winter and summer at 20 well-distributed sites in the study area. Our validated adopted methodology improved accuracy by 10 % on average, compared to Landsat data. The final product covers the period from 2002 to 2018, comprising a combination of snow and glaciers created by merging Randolph Glacier Inventory version 6.0 (RGI 6.0) separated as debris-covered and debris-free with the final snow product MOYDGL06*. We have processed approximately 746 images of both Terra and Aqua MODIS snow containing approximately 100 000 satellite individual images. Furthermore, this product can serve as a valuable input dataset for hydrological and glaciological modelling to assess the melt contribution of snow-covered areas. The data, which can be used in various climatological and water-related studies, are available for end users at https://doi.org/10.1594/PANGAEA.901821 (Muhammad and Thapa, 2019).
Sher Muhammad
阿姆河流域人工绿洲格局图包括1990年、2000年、2010年和2015年四期数据,由中国科学院新疆生态与地理研究所遥感与GIS重点实验室生产,数据空间分辨率为30m。数据生产费用由“中国科学院战略性先导科技专项XDA20030101资助”。阿姆河流域人工绿洲格局图是基于1990年、2000年、2010年和2015年TM、ETM遥感影像数据,基于去云、镶嵌与裁剪、拼接、阴影处理等预处理,借助eCognition软件进行面向对象的地类分类,实现软件自动分类和人工信息提取相结合,最后对分类结果进行人工检查与修正。绿洲内土地利用类型分为水域、耕地、建设用地、草地、林地、湿地、灌丛、滩地和未利用地。数据验证方式为野外实地验证和高精度影像验证两种方式,解译精度达到85%。
许文强
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
泛第三极是全球变化的敏感地区,其增温速率为全球的2倍以上,并且受到了西风和季风协同作用的影响。该地区植被如何响应气候变化,将深刻的影响区域生态安全。然而现有产品对泛第三极地区生态系统净初级生产力(NPP)的估算仍旧存在较大的不确定性。为此,本产品结合多源遥感数据,包括AVHRR NDVI,MODIS 反射率数据,多种气候变量(温度、降水、辐射、VPD)以及大量野外实测数据,利用机器学习算法,反演获得了泛第三极生态系统净初级生产力。
汪涛
1)数据内容:种植结构指的是一个地区或国家在农作物种类种植比例上的问题,一般以粮食作物为主,其他经济类作物为辅,本数据描述10M分辨率的灌区种植结构的空间分布。2)数据来源及加工方法:哨兵数据,随机森林法。3)数据质量描述:Kappa系数80%。4)数据应用成果及前景:各种水文生态模拟分析的基础数据,精细计算农业蒸散、农业需水、下渗、灌溉需求,农业结构达到田块级别,为了能够推动农业种植健康发展,调整和优化各因素,并明确各要素在农业种植结构中的作用显得尤为重要。5)种植结构是在GEE平台上利用随机森林算法并结合采集的样本点数据计算得出的,为了区分方便,在计算过程中我们将每一种相似作物类型用一个阿拉伯数字表示,计算完的.tif结果再用分区统计的方式链接到提取的耕地上,在这个过程中,我们把表示作物类型的字段保留下来,即max字段,每个阿拉伯数字对应的作物类见说明文档。
刘铁
1)数据内容:种植结构指的是一个地区或国家在农作物种类种植比例上的问题,一般以粮食作物为主,其他经济类作物为辅,本数据描述10M分辨率的灌区种植结构的空间分布。2)数据来源及加工方法:哨兵数据,随机森林法。3)数据质量描述:Kappa系数80%。4)数据应用成果及前景:各种水文生态模拟分析的基础数据,精细计算农业蒸散、农业需水、下渗、灌溉需求,农业结构达到田块级别,为了能够推动农业种植健康发展,调整和优化各因素,并明确各要素在农业种植结构中的作用显得尤为重要。5)种植结构是在GEE平台上利用随机森林算法并结合采集的样本点数据计算得出的,为了区分方便,在计算过程中我们将每一种相似作物类型用一个阿拉伯数字表示,计算完的.tif结果再用分区统计的方式链接到提取的耕地上,在这个过程中,我们把表示作物类型的字段保留下来,即max字段,每个阿拉伯数字对应的作物类见说明文档。
刘铁
中亚土地利用类型数据来源于欧洲太空局气候变化项目全球土地覆盖产品,在中亚地区具有较高的数据质量,准确刻画了湖泊面积的年度动态变化过程。本数据包括22种土地利用类型,采用IPCC土地利用分类系统,经重分类处理得到了包括耕地、林地、草地、城镇、未利用地和水域等6种土地利用类型,空间分辨率为300米。包括2000,2005,2010,2015年中亚五国(包括哈萨克斯坦、吉尔吉斯斯坦、塔吉克斯坦、土库曼斯坦和乌兹别克斯坦)土地利用数据。
Pierre
本数据集为欧亚大陆温性草地类型时空变异图-中国区域三级分类图(1980S)。数据为tif栅格格式,空间分辨率为1公里,温性草地三级分类取值1-8分别为:1-温性草甸草原;2-温性典型草原;3-温性荒漠化草原;4-温性草原化荒漠;5-温性荒漠及三个非温性草地类型(6-高寒草地、7-其他植被区、8-非植被区)。 该数据以中国科学院植物研究所为主持单位的《中华人民共和国植被图(1 ∶1 000 000)》数据集为基础,结合历史气象等辅助资料分析处理而成,中华人民共和国植被图包含我国1980年代我国植被类型11 个植被型组、55 个植被型、960 个植被群系和亚群等植被信息,我们选择1980-1989历史气象数据,结合卫星数据进一步分析修正,并进行空间插值计算,得出我国温性草地三级分类。该数据可用于欧亚大陆温性草地分布信息以及时空变异分析提供依据。
唐家奎
TRMM 3B43数据是TRMM卫星与其他卫星以及地面观测联合反演的降水产品,该产品首先订正TRMM/TM1资料,并联合SSM/1,AMSR-E和AMSU-B资料估值降水,其次利用全球降水气候计划(GPCP)的红外降水估值订正微波降水,再进行微波和红外资料联合估值。此外,合同该数据的3B43算法是利用TRMM卫星和其他数据源来生产最佳降水率(mm*h-1)估计和降水误差估计的均方根(RMS)数据产品。该数据还融合了地面的雨量计资料,最大限度利用已有的探测资料,提供了每个标准观测时次每个网格降水的最优估值。以主要覆盖东南亚和中东的关键节点为研究区域,基于1998至2016年的TRMM 3B43数据,利用Google Earth Engine对数据进行研究区的裁剪,最终得到了34个泛第三极关键节点区域1998-2016每月的降雨数据。(明斯克、新西伯利亚、华沙三个地方由于纬度高于50°N,TRMM 3B43没有这三个地方的数据,故采用升尺度后的GPM数据。)
葛咏, 凌峰, 张一行
叶面积指数(leaf area index)又叫叶面积系数,是指单位土地面积上植物叶片总面积占土地面积的倍数,是反映作物群体大小的较好的动态指标。叶面积指数是森林生态系统的一个重要结构参数,表征叶片的疏密程度和冠层结构特征,影响着植被冠层内的光合、呼吸和蒸腾作用等生理生化过程,是描述土壤-植被-大气之间物质和能量交换的关键参数,也是估算多种生态过程与功能的重要变量。 本数据基于2000至2016年MODIS叶面积指数数据,对泛第三极关键节点区域的MCD15A3H产品数据进行了裁剪,最终得到了关键节点区域2002-2016年4天叶面积指数数据。数据投影:正弦投影 sinusoidal 数据的区域为泛第三极34个关键节点(阿巴斯、阿斯塔纳、科伦坡、瓜达尔、孟巴、德黑兰、万象等地区)。
阴海明
气温数据集来源于全球陆地数据同化系统(GLDAS),该系统利用卫星和地面观测数,并基于先进的地表建模和数据同化技术,模型模拟初始化使用土壤湿度和来自LSM气候学的其他状态场,最终生成最优地表状态(例如土壤湿度和地表温度)和通量场,已广泛应用于全球变化与水循环研究中。原始气温数据为0.25˚×0.25˚的格网数据。以主要覆盖东南亚和中东的关键节点为研究区域,基于2001至2016年的森林冠层覆盖度数据,利用GEE对数据进行研究区的掩模裁剪并重采样,最终得到了34个关键节点区域2001-2016 16天合成的气温格网数据。
葛咏, 凌峰, 张一行
该数据集结合了美国航空航天局中分辨率成像光谱辐射计(MODIS)、多角度成像光谱辐射计(MISR)和海洋观测宽视场传感器(SeaWiFS)等多种卫星设备的AOD检索。地球化学的化学传输模型被用来将气溶胶的总柱测量与近地表的PM2.5浓度联系起来。全球地面测量使用地理加权回归(GWR)来预测和调整初始卫星数据中每个网格单元的PM2.5偏差。提供0.01度的网格数据集,以便用户能够最好地满足他们的特殊需求。以34个泛第三极关键节点区域为研究区域,对全球2000-2016年的浓度数据进行裁剪和估算,得到了关键节点区域2000-2016年的PM2.5浓度数据。
葛咏, 凌峰, 张一行
Landsat植被连续场(VCF)的森林冠层覆盖度数据包含了高度大于5米的木质植被覆盖百分比,分辨率为30米。这些数据是由ASA/USGS全球土地调查(GLS)收集的Landsat数据汇编而成。该产品来源于Landsat-5主题成像仪(TM)和/或Landsat-7增强型主题成像仪 (ETM+)的七个波段,具体取决于GLS图像。以主要覆盖东南亚和中东的关键节点为研究区域,基于2000至2016年的森林冠层覆盖度数据,利用GEE对数据进行研究区的掩模裁剪,最终得到了34个关键节点区域2000-2016每5年的森林冠层覆盖度数据。
葛咏, 凌峰, 张一行
土地覆盖数据是了解人类活动与全球变化之间复杂相互作用的关键信息来源。基于清华大学制作的30 m分辨率的FROM-GLC全球土地覆盖产品,利用34个泛第三极关键节点区域矢量对其进行裁剪等处理,获得本数据集。本数据集的一级分类体系为:10.农田;20.森林;30.草地;40.灌木丛;50.湿地;60.水体;70.苔原;80.不透水面;90.裸地;100.冰雪;120.云。其数据质量取决于FROM-GLC产品质量,本数据集作为所有遥感数据的研究基础,为项目提供了基底数据。
葛咏, 凌峰, 张一行
地表实际蒸散发是陆表水循环的关键环节,同时也是能量平衡的重要支出项,且与地表碳收支密切相关,其准确估算不仅对于研究地球系统和全球气候变化具有重要意义,而且对于水资源有效开发利用、农作物需水生产管理、旱情监测和预测、天气预报等方面具有十分重要的应用价值。全球陆表实际蒸散发数据集(2013-2014) (ETMonitor-GlobalET-2013-2014) 是基于多参数化、适用于不同土地覆盖类型的地表蒸散发遥感估算模型ETMonitor计算得到。输入数据主要采用的遥感数据包括国家重大科学研究计划(973)项目“全球陆表能量与水分交换过程及其对全球变化作用的卫星观测与模拟研究”(2015CB953700)提供的较高空间分辨率的陆表净辐射和较高时间分辨率的水体等数据集,并结合欧洲中期天气预报中心的ERA5全球大气再分析数据等。利用ETMonitor模型在日尺度上估算植被蒸腾、土壤蒸发、冠层降水截留蒸发、水面蒸发和冰雪升华,并对各分量求和获得逐日蒸散发量。计算在1km分辨率上开展,最终聚合到5km分辨率。利用FLUXNET地面观测数据进行直接验证,估算结果与地面实测数据一致性较好。该数据集覆盖全球,空间分辨率为5公里,时间步长为每天,单位为mm/d,数据类型为整型,缩放系数为0.1。
郑超磊, 贾立, 胡光成
基于2015年欧空局ESA GlobCover全球陆地覆盖数据,结合中科院地理资源所土地利用数据NLCD-China、清华大学全球土地覆被FROM-GLC数据、美国NASA的MODIS全球土地覆被MCD12Q1数据、马里兰大学全球土地覆被UMD、美国USGS土地覆被数据IGBP DISCover,构建了青藏高原LUC分类系统以及其余数据分类系统的转换规则,构建土地覆被分类置信度函数和地类融合规则,进行土地覆被产品融合与修正,完成了青藏高原土地利用数据V1.0(1992,2005,2015,,300m×300m栅格,一级分类)
许尔琪
依据多土地覆被类型数据包括有欧空局全球陆地覆盖数据(ESA CCI-LC,300m栅格)、清华大学全球土地覆被数据(FROM-GLC,30m栅格)和美国NASA的LP DAAC 中心的MODIS全球土地覆被数据(MCD12Q1,300m栅格)等3个土地覆被产品数据。个别类别土地覆被数据包括有美国地质调查局USGS的全球耕地数据(GFSAD30,30m)、日本宇宙航空研究开发机构JAXA的全球林地数据(PALSAR/PALSAR-2,25m)、欧盟联合研究中心(JRC, EC)的全球水体数据(GSWD,Global Surface Water Data)和中山大学基于Google earth engine提取的全球城市用地数据(GULM,Global Urban Land Map)。构建了“一带一路”区域LUC分类系统以及其余数据分类系统的转换规则,构建土地覆被分类置信度函数和地类融合规则,进行土地覆被产品融合与修正,完成了“一带一路”核心国家2015年土地利用数据(V1.0)。
许尔琪
该数据集分析了2018-2019年全球典型洪水灾害事件的时空分布规律、影响及损失情况。2018年,全球洪水灾害发生次数共109起,死亡人口1995人,受灾人口总数达1262万人次,直接经济损失约为45亿美元,在全球近30年中处于较低水平。2018年全球洪灾事件发生次数上半年较下半年多,5月至7月发生频次较高。因此,以2018年美国弗罗伦斯飓风洪水、2018年尼日利亚尼日尔河洪水及2018年中国山东寿光洪水等三个典型灾害事件为案例,从灾害背景、致灾因子、受灾情况等方面进行了分析。
蒋梓杰, 蒋卫国, 武建军, 周红敏
本数据集是2015年青藏高原地区的土地覆被数据,数据为栅格TIFF格式,空间分辨率为300米,包含耕地、林地、草地、水体、城市用地等22个大类,可用于青藏高原城镇化与生态环境交互胁迫的地理本底研究。该数据来自欧空局CCI-LC项目生产的土地覆被数据产品。该数据集采用了WGS84的地理坐标系统,有22个大类。数据的生产融合多种卫星数据资料,包括MERIS FR/RR,AVHRR,SPOT-VGT,PROBA-V等。经验证,该数据集的总体精度在70%以上,当然精度会在不同的地区和覆被类型上存在差异。
杜云艳
此数据集包含2018全年及2019上半年全球重大林火案例数据,包括2018年11月美国加州林火、2018年7月希腊阿提卡区林火及2019年3月中国山西省林火3个案例数据。具体数据包括:监测范围的火烧强度数据及灾前灾后植被指数变化数据。该数据集主要用于描述2018-2019上半年全球重大林火事件的发生、发展、影响及恢复,数据主要来源于NASA官网和EM-DAT数据库,在EXCEL和ArcGIS中运用统计与空间分析方法,对数据进行处理。数据来源可靠,处理方法科学严谨,可有效运用于全球(林火)灾害案例分析研究。
杨雨晴, 宫阿都, 武建军, 周红敏
本数据集是2011年青藏高原地区的土地覆被数据,数据为栅格TIFF格式,空间分辨率为300米,包含耕地、林地、草地、水体、城市用地等22个大类,可用于青藏高原城镇化与生态环境交互胁迫的地理本底研究。该数据来自欧空局CCI-LC项目生产的土地覆被数据产品。该数据集采用了WGS84的地理坐标系统,有22个大类。数据的生产融合多种卫星数据资料,包括MERIS FR/RR,AVHRR,SPOT-VGT,PROBA-V等。经验证,该数据集的总体精度在70%以上,当然精度会在不同的地区和覆被类型上存在差异。
杜云艳
高分二号(GF-2)卫星是我国自主研制的首颗空间分辨率优于1米的民用光学遥感卫星,搭载有两台高分辨率1米全色、4米多光谱相机,星下点空间分辨率可达0.8米。 该数据集为2017年的6景高分二号卫星遥感影像数据。文件夹列表为: GF2_PMS1_E100.5_N37.2_20171013_L1A0002678101 GF2_PMS1_E100.5_N37.4_20171013_L1A0002678097 GF2_PMS1_E100.6_N37.6_20171013_L1A0002678096 GF2_PMS2_E100.3_N37.4_20170810_L1A0002534662 GF2_PMS2_E100.5_N36.7_20170805_L1A0002526723 GF2_PMS2_E100.7_N37.2_20171013_L1A0002672923 GF2_PMS2_E100.7_N37.4_20171013_L1A0002672921 文件命名规则:卫星名称_传感器名称_中心经度_中心纬度_成像时间_L****
中国资源卫星应用中心
该数据集包含2014年07月23日至2014年08月18日在黑河下游混合林站和超级站观测的热像仪组分温度数据。观测地点坐标分别为101.1335E、41.9903N和101.1374E、42.0012N,海拔约874m。在混合林站和超级站分别使用Testo890-2(热红外图像:640 × 480,可见光2048 × 1536)和Testo875-2i(热红外图像:160 × 120,可见光640 × 480)热像仪,以通量塔为中心,在10m高度处,拍摄塔周围的地表亮温和可见光图像。在混合林站的观测方向为东北、东、东南、西南和西北,在超级站的观测方向为东北、东南、西南和西北。观测时间范围主要为晴空日期的10:00至16:00;各次的观测时间为整点和MODIS、Landsat 8过境时;8月4日的拍摄为配合航空飞行,观测间隔约为10min。
李明松, 马晋
该数据集包含2014年07月22日至2016年07月19日在黑河下游混合林站和超级站观测的组分温度数据。测量地点坐标分别为101.1335E、41.9903N和101.1374E、42.0012N,海拔约874m。所使用的红外辐射计型号为SI-111,数采为CR800。混合林站使用两支传感器分别观测光照胡杨(南侧)和阴影胡杨(北侧)的组分温度。两支传感器架设高约5m,距目标约1m,水平观测。超级站使用两支传感器分别观测裸土和柽柳的组分温度。观测裸土的传感器架设高度约2m,观测天顶角约45°;观测柽柳的传感器架设高度约1m,距被测目标约0.5m,水平观测。
周纪, 李明松, 马晋
使用Sentine-1 SAR 数据对青藏高原黑河流域野牛沟冻土进行监测。采用2014~2018年野牛沟区域Sentine-1 SAR影像,利用了基于分布式雷达目标的小基线集时序InSAR(DSs-SBAS)冻土形变监测方法,结合SAR后向散射系数,MODIS地表温度和Stefan模型,估算了研究区活动层厚度。结果表明活动层厚度在0.8米至6.6米之间,平均值约为3.3米。对开展大范围、高分辨监测具有十分重要的意义。
江利明
全球气候变暖及人类活动导致青藏高原大面积冻土退化、热融滑塌等问题,严重影响了多年冻土区工程建设和生态环境。以青藏高原黑河流域俄博岭的冻土为研究区,基于高分辨率卫星影像,利用机器学习面向对象分类技术提取研究区内热融滑塌信息,结果表明2009年至2019年研究区热融滑塌数量从12条增至16条,总面积由14718.9平方米增至28579.5平方米,增加了近两倍。高空间分辨率遥感与面向对象分类方法相结合在冻土热融滑塌监测中具有广阔的应用前景。
江利明
本数据集包括祁连山区域2018年的30m土地覆盖分类产品。该产品首先利用Landsat-8/OLI构造2015年时间序列数据,针对各类地物随时间变化呈现的NDVI时间序列曲线不同,对不同地物特征进行知识归纳,设定提取规则不同地物信息,得到2015年的土地覆盖分类图。分类系统参考了IGBP分类系统和FROM_LC分类系统,共分为耕地、林地、草地、灌丛、湿地、水体、不透水面、裸地、冰川和积雪共10大类。由Google Earth高清影像和实地调研数据进行精度评价,得出2015年土地覆盖分类产品的总体精度高达92.19%。以2015年的土地覆盖分类产品为底图,按各类别的比例选取大量样本,基于Google Earth Engine平台的Landsat系列数据和强大地数据处理能力,利用深度学习的思想,选取随机森林分类器,对波段信息和NDVI、MNDWI、NDBI等指数进行样本训练,生产出2018年的土地覆盖分类产品。对分类产品进行比较,得出基于Google Earth Engine平台生产的土地覆盖分类产品与基于时间序列方法得到的分类产品具有很好的一致性。总之,祁连山核心区的土地覆盖数据集具有较高的总体精度,且基于Google Earth Engine平台样本训练的方法能够在时间和空间上对现有的分类产品进行扩展,能够在长时间序列上反映更多的土地覆盖类型变化信息。
仲波
本数据集包括祁连山区域1990年至2017年每5年一期的30m土地覆盖分类产品。该产品首先利用Landsat-8/OLI构造2015年时间序列数据,针对各类地物随时间变化呈现的NDVI时间序列曲线不同,对不同地物特征进行知识归纳,设定提取规则不同地物信息,得到2015年的土地覆盖分类图。分类系统参考了IGBP分类系统和FROM_LC分类系统,共分为耕地、林地、草地、灌丛、湿地、水体、不透水面、裸地、冰川和积雪共10大类。由Google Earth高清影像和实地调研数据进行精度评价,得出2015年土地覆盖分类产品的总体精度高达92.19%。以2015年的土地覆盖分类产品为底图,按各类别的比例选取大量样本,基于Google Earth Engine平台的Landsat系列数据和强大地数据处理能力,利用深度学习的思想,选取随机森林分类器,对波段信息和NDVI、MNDWI、NDBI等指数进行样本训练,生产出1985-2017年每5年一期的土地覆盖分类产品。对2套2015年的分类产品进行比较,得出基于Google Earth Engine平台生产的土地覆盖分类产品与基于时间序列方法得到的分类产品具有很好的一致性。总之,祁连山核心区的土地覆盖数据集具有较高的总体精度,且基于Google Earth Engine平台样本训练的方法能够在时间和空间上对现有的分类产品进行扩展,每5年一期的频次能够在长时间序列上反映更多的土地覆盖类型变化信息。
仲波, 角坤升
本数据集包括祁连山区域1986、1990、1995、2000、2005、2010、2015和2017年月度合成30m×30m地表植被指数产品。采用最大值合成 (Max value composition, MVC) 方法,利用 Landsat5, Landsat8和sentinel 2红光和近红外两个通道的反射率数据,实现对地表月度NDVI产品的合成。数据通过Google Earth Engine云平台对反射率进行月度合成,通过模型计算指数,对于缺失像素进行插补,质量较好,可用于环境变化监测等领域。
仲波, 吴俊君
本数据集包括祁连山区域1986、1990、1995、2000、2005、2010、2015和2017年月度合成30m×30m地表植被覆盖度产品。采用最大值合成 (Max value composition, MVC) 方法,利用 Landsat5, Landsat8和sentinel 2红光和近红外两个通道的反射率数据,实现对地表月度NDVI产品的合成,进而计算FVC。数据通过Google Earth Engine云平台对反射率进行月度合成,通过模型计算指数,对于缺失像素进行插补,质量较好,可用于环境变化监测等领域。
仲波, 吴俊君
本数据集包括祁连山区域2018年月度合成30m×30m地表植被指数产品。采用最大值合成 (Max value composition, MVC) 方法,利用Landsat 8和sentinel 2红光和近红外两个通道的反射率数据,实现对地表月度NDVI产品的合成。数据通过Google Earth Engine云平台对反射率进行月度合成,通过模型计算指数,对于缺失像素进行插补,质量较好,可用于环境变化监测等领域。
吴金华, 仲波, 吴俊君
本数据集包括祁连山区域1986、1990、1995、2000、2005、2010、2015和2017年月度合成30m×30m地表NPP产品。采用最大值合成 (Max value composition, MVC) 方法,利用 Landsat5, Landsat8和sentinel 2红光和近红外两个通道的反射率数据,实现对地表月度NDVI产品的合成,进而计算NPP。 数据通过Google Earth Engine云平台对反射率进行月度合成,通过模型计算指数,对于缺失像素进行插补,质量较好。
吴金华, 仲波
本数据集包括祁连山区域2018年月度合成30m×30m地表植被覆盖度产品。采用最大值合成 (Max value composition, MVC) 方法,利用 Landsat8和sentinel 2红光和近红外两个通道的反射率数据,实现对地表月度NDVI产品的合成,进而计算FVC。数据通过Google Earth Engine云平台对反射率进行月度合成,通过模型计算指数,对于缺失像素进行插补,质量较好,可用于环境变化监测等领域。
仲波, 吴俊君
本数据集包括祁连山区域1986、1990、1995、2000、2005、2010、2015和2017年月度合成30m×30m地表LAI产品。采用最大值合成 (Max value composition, MVC) 方法,利用 Landsat5, Landsat8和sentinel 2红光和近红外两个通道的反射率数据,实现对地表月度NDVI产品的合成,进而计算LAI。数据通过Google Earth Engine云平台对反射率进行月度合成,通过模型计算指数,对于缺失像素进行插补,质量较好,可用于环境变化监测等领域。
仲波, 吴俊君
本数据集包括祁连山区域2018年月度合成30m×30m地表叶面积指数(Leaf Area Index, LAI)产品。采用最大值合成 (Max value composition, MVC) 方法,利用Landsat8和sentinel 2红光和近红外两个通道的反射率数据,实现对地表月度NDVI产品的合成,进而计算LAI。数据通过Google Earth Engine云平台对反射率进行月度合成,通过模型计算指数,对于缺失像素进行插补,质量较好,可用于环境变化监测等领域。
吴金华, 仲波, 吴俊君
本数据集包括祁连山区域2018年月度合成30m×30m地表NPP产品。采用最大值合成 (Max value composition, MVC) 方法,利用Landsat8和sentinel 2红光和近红外两个通道的反射率数据,实现对地表月度NDVI产品的合成,进而计算NPP。数据通过Google Earth Engine云平台对反射率进行月度合成,通过模型计算指数,对于缺失像素进行插补,质量较好,可用于环境变化监测等领域。
吴金华, 仲波, 吴俊君
本数据集为2018年祁连山重点区域人类活动数据集,空间分辨率为2m。本数据集以祁连山重点区域矿山开采、城市扩展、耕地开发、水电建设、旅游开发为重点监测内容,通过高分辨率遥感影像,对比统计前后变化图斑。对祁连山地区地类发生变化的图斑,逐块调查核实;对判图可疑的地块,重新判读验证;对影像无法反映的地类,实地核实地类,采集相关数据,核对并修正位置。同时进一步核对2018年祁连山重点区域监测内容属性信息,统一进行图斑及其属性的录入和编辑,形成2018年祁连山地区人类活动数据集,实现祁连山地区生态治理的现势性和时效性,为祁连山重点区域人类活动监测提供数据支撑。
祁元, 张金龙, 贾永娟, 周圣明, 王宏伟
本数据为祁连山地区2018年地表水体(包括液态水、冰川及多年积雪)分布产品。采用经典归一化水体指数法(Normalized Difference Water Index , NDWI)和人工修正的方法提取。原始基础数据为2018年祁连山全境的Landsat影像。参考数据为谷歌影像和哨兵2号影像。产品以shp文件格式存储,包含坐标系、水体面积等属性。产品为1期,时间分辨率为1年,空间分辨率为30米,边界精度在30米(一个像元)左右。该产品直观地反映了祁连山水体在2018年的大致分布,可用于流域水资源定量估计研究。
李佳
本数据集包括祁连山地区重点区域2018年5月至2018年10月的归一化植被指数、植被覆盖度、植被净初级生产力、草地生物量、森林蓄积量植被参数遥感产品,空间分辨率为8m。本数据集采用高分一号、高分六号、哨兵、资源三号等遥感数据源,结合气象、地面监测等基础数据,采用波段比值法、混合像元分解模型、CASA模型等植被参数反演算法和模型,生成祁连山重点区域生长季逐月植被指数遥感产品。本数据集通过构建以高分卫星为主的高时空分辨率生态环境监测数据集,为区域生态环境问题诊断与生态环境动态评估提供数据支持。
祁元, 张金龙, 曹永攀, 周圣明, 王宏伟
本数据集包括祁连山地区2018年逐日地表蒸散发产品,产品分辨率为0.01°。采用高斯过程回归(Gaussian Process Regression,GPR)算法,实现对RS-PM (Mu et al., 2011)、SW (Shuttleworth and Wallace., 1985)、PT-JPL (Fisher et al., 2008)、MS-PT (Yao et al., 2013)、SEMI-PM (Wang et al., 2010a)、SIM (Wang et al.2008) 等6种蒸散发产品的集成。参与蒸散发产品生产的驱动数据包括MODIS(NDVI、Albedo、LAI、PAR),中国区域高时空分辨率地面气象要素驱动数据集(何杰, 阳坤. 中国区域高时空分辨率地面气象要素驱动数据集. 寒区旱区科学数据中心, 2011. doi:10.3972/westdc.002.2014.db)等。
姚云军, 刘绍民, 尚珂
本数据集包括祁连山地区2017年日值0.05°×0.05°地表土壤水分产品。采用多元统计回归模型,通过对“祁连山地区基于AMSR-E和AMSR2亮温数据的SMAP时间扩展日0.25°×0.25°地表土壤水分数据(SMsmapTE, V1)”进行降尺度,得到0.05°×0.05°地表土壤水分产品。参与多元统计回归的数据包括GLASS Albedo/LAI/FVC,周济-中国西部1km全天候地表温度数据(V1),以及经/纬度等信息。
柴琳娜, 朱忠礼, 刘绍民
本数据集包括祁连山地区1985-2015年每5年一期的逐月地表蒸散发产品,1985-1995年产品分辨率为0.05°,2000-2015年产品分辨率为0.01°。采用高斯过程回归(Gaussian Process Regression,GPR)算法,实现对RS-PM (Mu et al., 2011)、SW (Shuttleworth and Wallace., 1985)、PT-JPL (Fisher et al., 2008)、MS-PT (Yao et al., 2013)、SEMI-PM (Wang et al., 2010a)、SIM (Wang et al.2008) 等6种蒸散发产品的集成。参与蒸散发产品生产的驱动数据包括MODIS(NDVI、Albedo、LAI、PAR)、GIMMS AVHRR NDVI等遥感产品,中国区域高时空分辨率地面气象要素驱动数据集(何杰, 阳坤. 中国区域高时空分辨率地面气象要素驱动数据集. 寒区旱区科学数据中心, 2011. doi:10.3972/westdc.002.2014.db)等。
姚云军, 刘绍民, 尚珂
本数据集包括祁连山地区2005年、2010年、2015年月0.05°×0.05°地表土壤水分产品。采用多元统计回归模型,通过对“祁连山地区基于AMSR-E和AMSR2亮温数据的SMAP时间扩展日0.25°×0.25°地表土壤水分数据(SMsmapTE, V1)”进行降尺度,得到0.05°×0.05°地表土壤水分产品。参与多元统计回归的数据包括GLASS Albedo/LAI/FVC,周纪-中国西部1km全天候地表温度数据(V1),以及经/纬度等信息。
柴琳娜, 朱忠礼, 刘绍民
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