该数据集是从中国科学院青藏高原研究所开发的一套中国区域近地面气象与环境要素再分析数据集中提取得到。该数据集是以国际上现有的 Princeton 再分析资料、GLDAS 资料、GEWEX-SRB 辐射资料，以及 TRMM 降水资料为背景场，融合了中国气象局常规气象观测数据制作而成。其时间分辨率为 3 小时，水平空间分辨率 0.1°，包含近地面气温、近地面气压、近地面空气比湿、近地面全风速、地面向下短波辐射、地面向下长波辐射、地面降水率，共 7 个要素（变量）。
王旭峰
该数据集是MODIS的植被指数数据（MOD13Q1），将三江源区域进行了提取，以便单独开展三江源地区的研究分析。MOD13Q1是16天合成的植被指数，包含归一化植被指数（NDVI）和增强型植被指数（EVI）。三江源的空间范围覆盖两景MODIS文件（h25v05和h26v05）。数据存储格式为hdf，每个文件中包含12个波段：归一化植被指数（NDVI）、增强型植被指数（EVI）、数据质量（VI Quality）、红波段反射率（red reflectance）、近红外波段反射率（NIR reflectance）、蓝波段反射率（blue reflectance）、中红外波段反射率（MIR reflectance）、观测天顶角（view zenith angle）、太阳天顶角（sun zenith angle）、相对方位角（relative azimuth angle）、合成的时间（composite day of the year）和象元可靠性（pixel reliability）. 本数据集数据格式为hdf，空间分辨率250m，时间分辨率是16天，时间范围：2000年2月至2021年10月。
王旭峰
净初级生产量（NPP, Net Primary Production）指在初级生产过程中，植物光合作用固定的能量中扣除植物呼吸作用消耗掉的那部分，剩下的可用于植物的生长和生殖的能量。生产量通常用每年每平方米所生产的有机物质干重[g/(m2·a)]或每年每平方米所固定能量[J/(m2·a)]表示。本数据来自MODIS-NPP数据——MOD17A3HGF V6产品，该数据提供500米像素分辨率的年度净初级生产力（NPP）信息。年度净初级生产力是由给定年份的所有8天净光合作用（PSN）产品（MOD17A2H）之和得出的。PSN值是总初级生产力（GPP）和维持呼吸（MR）之差（GPP-MR）。
王旭峰
基于MODIS 2000年至2020年生长季平均的NDVI与EVI（空间分辨率250m），利用Mann-Kendall趋势检测方法，计算了NDVI的变化趋势。MOD13Q1 V6产品提供逐像元的植被指数。一个是归一化差值植被指数(NDVI)，又称连续性指数，是由现有的国家海洋和大气管理局高级甚高分辨率辐射计(NOAA-AVHRR)导出的NDVI。第二个植被层是增强植被指数(EVI)，该指数将冠层背景变化最小化，并在浓密的植被条件下保持敏感性。EVI还使用蓝色波段去除烟雾和亚像素薄云造成的残留大气污染。MODIS NDVI和EVI产品是由大气校正的双向地表反射率计算而来的。该数据空间分辨率为250m。
王旭峰
青藏高原是世界上最大的高、低纬度多年冻土带，近几十年来，其多年冻土带迅速退化，其最显著的特征之一就是热融湖塘的形成。这样的湖泊由于能够调节碳循环、水和能量通量而引起了极大的关注。然而，这一地区的热融湖塘的分布在很大程度上仍不为人所知，这阻碍了我们对多年冻土的响应及其碳反馈对气候变化的理解。本数据集基于200余景Sentinel-2A影像，结合ArcGIS、NDWI和Google Earth Engine平台，通过GEE自动提取和人工目视解译的方法提提取青藏高原多年冻土区内热融湖塘边界。在2018年热融湖塘数据集中，青藏高原多年冻土区共有121,758个热融湖塘，面积为0.00035-0.5 km²，总面积为1730 km² 。本次热融湖塘编目数据集为青藏高原水资源评价、多年冻土退化评价、热喀斯特研究提供了基础数据。
陈旭, 牟翠翠, 贾麟, 李志龙, 范成彦, 母梅, 彭小清, 吴晓东
全面了解青藏高原多年冻土发生的变化，包括年平均地温(MAGT)和活动层厚度(ALT)的变化，对气候变化引起的多年冻土变化工程的实施具有重要意义。 青藏高原多年冻土活动层厚度和范围模拟数据集，参考2000-2015年CMFD再分析数据及中国气象局气象观测资料、1公里数字高程模型、地理空间环境预测因子、结合冰川和冰湖、钻孔数据等，利用统计和机器学习(ML)方法模拟了青藏高原多年冻土层磁通量和磁通量的当前和未来变化，得到RCP2.6、RCP4.5和RCP8.5三种不同浓度情景下2000-2015、2061-2080年平均地温(MAGT)和活动层厚度（ALT）范围数据，分辨率为0.1*0.1度。 模拟结果表明，利用统计和ML相结合的方法模拟冻土热状态所需的参数和输入变量较少，可以有效地了解青藏高原冻土对气候变化的响应。
倪杰, 吴通华
基于“暴露性-敏感性-适应性”的脆弱性评估框架，构建了青藏高原农牧区脆弱性评估指标体系。指标体系数据包括气象数据、土壤数据、植被数据、地形数据和社会经济数据5大类，共计12个数据指标，主要来原于国家青藏高原科学数据中心和中国科学院资源与环境科学数据中心。基于6位相关领域专家的问卷调查，利用层次分析法确定指标权重，最终形成涉及青藏高原农牧区生态暴露性、敏感性、适应性和生态脆弱性4个1公里网格数据。数据可为青藏高原生态脆弱区识别提供参考。
战金艳, 滕艳敏, 刘世梁
本数据集包含青藏高原地区近50年（1950-2002）的自然灾害统计信息，包括干旱、雪灾、霜灾、冰雹、洪涝、风灾、雷电灾害、寒潮和强降温、低温冻害、大风沙尘暴、虫灾、鼠害等气象灾害产生的时间地点及所造成的损失及影响。 青海和西藏是青藏高原的主体，青藏高原是我国生物物种形成、演化的中心之一，也是国际科技界瞩目的研究气候和生态环境变化的敏感区和脆弱带，其复杂的地形条件，高峻的海拔高度和严酷的气候条件决定了生态环境十分脆弱,，成为我国自然灾害发生最频繁的地区。 数据摘录自《中国气象灾害大典·青海卷》、《中国气象灾害大典·西藏卷》，人工录入总结校对。
统计局
该数据集是通过MODIS各通道反射率和SIF观测数据建立神经网络模型，从而得到较高时空分辨率的SIF数据，常作为初级生产力的参考。数据来源于Zhang et al. (2018)，具体算法参见文章。源数据范围为全球，本数据集选取了青藏高原区域。本数据将原本的4天时间尺度数据集成至月数据，加工方法为取月最大值，尽可能达到去除噪声的效果。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。
张尧
本数据集来源于论文：Ding, J., Wang, T., Piao, S., Smith, P., Zhang, G., Yan, Z., Ren, S., Liu, D., Wang, S., Chen, S., Dai, F., He, J., Li, Y., Liu, Y., Mao, J., Arain, A., Tian, H., Shi, X., Yang, Y., Zeng, N., & Zhao, L. (2019). The paleoclimatic footprint in the soil carbon stock of the Tibetan permafrost region. Nature Communications, 10(1), 4195. doi:10.1038/s41467-019-12214-5. 数据中包含新评估的青藏高原3m深度土壤有机碳库格点数据及相应的R代码，格点数据空间分辨率为0.1°。 以往对青藏高原土壤碳库的评估多以现代气候、植被等特性为根据，未考虑古气候条件、土层厚度等因素的影响。本研究中，研究人员综合考虑了古气候和现代气候条件、土层厚度和土壤理化属性、植被和地形等因素，通过机器学习算法重新评估了青藏高原3m深度土壤碳库。新评估得到的青藏高原土壤碳储量为36.6 Pg C (38.9-34.2 Pg C)，约为陆地生态系统模型模拟均值的3倍(11.5±4.2 Pg C)。同时，研究指出，模型中缺乏对古气候影响的考虑是导致模拟偏差的重要原因。 数据中包含以下字段： Longitude (°E) Latitude (°N) SOCD (0-30cm) (kg C m-2) SOCD (0-300cm) (kg C m-2) GridArea (k㎡) 3mCstcok (10^6 kg C)
丁金枝, 汪涛
本数据集为青藏高原地区2005、2010、2015、2017、2018年逐日0.01°×0.01°地表土壤水分产品。采用多元统计回归模型，通过对“青藏高原地区SMAP时间扩展0.25°×0.25°地表土壤水分数据（SMsmapTE, V1）”进行降尺度，得到0.01°×0.01°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
本数据集为基于SMAP时间扩展方法生产的青藏高原地区0.25°×0.25°地表土壤水分产品。即采用随机森林方法，利用被动微波亮温数据及相关辅助数据，实现对SMAP L3级地表土壤水分产品的时间扩展。其中，1980、1985、1990、1995和2000年为逐月产品，使用SMMR，SSM/I和SSMIS 19 GHz V/H及37 GHz V三个通道的亮温数据。2002年6月20日至2018年12月30日为逐日产品，使用AMSR-E和AMSR2 6.925 GHz V/H，10.65 GHz V/H及36.5 GHz V五个通道的亮温数据。 参与训练随机森林模型的辅助数据包括IGBP地表分类数据，GTOPO30 DEM数据以及经/纬度等信息。
柴琳娜, 朱忠礼, 刘绍民
包含青藏高原地区气溶胶类型和气溶胶光学厚度，两类数据。 气溶胶类型数据产品是综合利用MEERA 2同化资料和主动卫星CALIPSO产品经过一系列数据预处理、质量控制、统计分析和对比分析等过程而融合得出的气溶胶类型结果。该气溶胶类型融合算法的关键是对CALIPSO气溶胶类型的判断。融合时根据CALIPSO气溶胶类型的种类和质控，并参考MERRA 2气溶胶类型得到最终气溶胶类型数据（共12种）和质量控制结果。充分考虑了气溶胶的垂直分布以及空间分布，具有较高的空间分辨率（0.625°×0.5°）和时间分辨率（月）。 气溶胶光学厚度（AOD）采用自主研发的可见光波段遥感反演方法，结合Merra-2模式数据与NASA的官方产品MOD04制作，数据覆盖时间从2000年到2019年，时间分辨率为逐日，空间分辨率为0.1度。反演方法主要采用自主研发的APRS算法，反演了冰雪上空的气溶胶光学厚度，算法考虑了冰雪地表的BRDF特性，适用于冰雪上空气溶胶光学厚度的反演。通过实测站点验证表明，数据相对偏差在35%以内，可有效提高极区气溶胶光学厚度的覆盖率和精度。
光洁, 赵传峰
青藏高原0.01°空间分辨率近地表气温数据集（1979-2018）通过对中国区域地面气象要素驱动数据集中空间分辨率为0.1°的气温数据进行降尺度得到。它包含日均气温和三小时分辨率的瞬时气温。其空间分辨率为0.01°（约1km）。时间范围为1979年到2018年。空间范围为73°E-106°E, 23°N-40°N。该数据集可以为地表辐射与能量平衡、气候变化、水文气象等领域的研究与应用提供较高空间分辨率的近地表气温数据。
丁利荣, 周纪, 王伟, 马晋
青藏高原的水土资源匹配数据，由站点气象数据（2008-2016年，国家气象数据共享网）经过彭曼公式计算得出的潜在蒸散发数据，利用土地利用的不同土地类型，根据下垫面影响系数计算现有土地利用下的蒸散发量；以及气象数据中的站点降雨数据插值得到的降雨数据，根据两者差值得到水土资源匹配系数。实际降雨与现有土地利用条件下的需水量之间的差值来反映水土资源的匹配性，数值越大匹配性越好。水土资源的匹配情况的空间分布能为进一步了解青藏高原的农牧业资源情况做铺垫。
董凌霄
本数据集采用SMMR（1979-1987）、SSM/I（1987-2009）和SSMIS（2009-2015）逐日亮温数据，由双指标（TB_37v，SG）冻融判别算法生成，分类结果包含冻结地表、融化地表、沙漠及水体四种类型。数据覆盖范围为三江源区域，空间分辨率为25.067525 km，EASE Grid投影方式，以Geotif格式存储。像元数值表征地表冻融的状态：1代表冻结，2代表融化，3代表沙漠，4代表水体。因为该数据集中所有tif文件描述的是三江源国家公园范围，所以这些文件的行列号信息是不变的，摘录如下（其中cellsize单位为m）： ncols 52 nrows 28 cellsize 25067.525 nodata_value 0
晋锐
该数据集是基于MODIS 16天合成的NDVI产品（MOD13Q1 collection6）估算的三江源国家公园区域的植被生长季开始（Start of Season: SOS）和生长季结束的日期（End of Season: EOS）。共用了两种常见的物候期估算方法，分别是基于多项式拟合的阈值提取法（文件名中有poly字符）和基于双逻辑曲线（double logistic function）拟合后的拐点提取法（文件名中有sig字符）。该数据可以用来分析植被物候期与气候变化的关系。时间范围为2001年至2020年。空间分辨率为250m。数据中包含4个子文件夹，CJYYQ_phen是三江源国家公园长江源园区的物候结果，HHYYQ_phen是三江源国家公园黄河源园区的物候结果，LCJYYQ_phen是三江源国家公园澜沧江源园区的物候结果，SJY_phen是整个三江源区域的物候。 数据格式为geotif，建议使用arcmap或者Python+GDAL浏览和处理数据。
王旭峰
该数据集内包含2012-2015年月值净初级生产力数据，数据基于中国地面气候资料日值数据集的温度、降水、太阳辐射等气候要素以及蒸散ET、潜在PET、光合有效吸收比例FPAR、NDVI、最大光能利用率等数据通过CASA模型计算得到，计算结果用三江源采样点数据进行验证，相关系数达到0.718。该数据集可直接用于青藏高原草地植被变化的分析，为草地变化动态动态监测提供基础，为青藏高原草地变化治理提供依据。
樊江文, 辛良杰, 张海燕, 袁秀
本数据集是2017年青藏高原冰川数据，使用了210景Landsat8 OLI卫星多光谱遥感数据，时间从2013年至2018年，90%来源于2017年,85%的Landsat8 OLI数据成像于冬季。冰川数据是青藏高原净冰川覆盖范围，不包括表碛物覆盖部分。数据格式是TIFF，可以为青藏高原冰川变化、冰川水文研究提供基础数据支持。 数据内容： Value是冰川斑块在系统中自动生成的编码。 格网单元：30m 数据的投影方式：Albers等积圆锥投影。 数据加工方法：基于210景Landsat8 OLI卫星多光谱遥感数据，校正、镶嵌为假彩色合成影像（RGB:654），采用人工目视解译方法，参考波段比值法结果，结合SRTM DEM V4.1数据与Google Earth和HJ1A/1B卫星同一年不同季节的影像，剔除了山体阴影、季节性积雪的影响，参考我国第一期和第二期冰川编目数据，剔除了非冰川区的陡崖、裸露基岩等，综合提取净冰川专题矢量数据，不包括冰川末端位置不清的表碛物覆盖区域，冰川边界数字化精度为半个像元（15m）。通过对比分析，可知基于多数据源、参考多方法结果、综合专家经验知识人-机互动方法提取获得的山地冰川数据更准确。具体数据提取方法详见参考文献： Ye, Q., J.Zong,L.Tian et al. (2017). Glacier changes on the Tibetan Plateau derived from Landsat imagery: mid-1970s – 2000 – 2013. Journal of Glaciology,63(238), 273-87. DOI:10.1017/jog.2016.137。 原始遥感资料数据精度：30m 数据质量控制措施：冰川边界数字化精度控制在半个像元之内（15m）。 项目来源：中国科学院战略性先导科技专项（A类）（XDA19070302）, 第二次青藏高原综合科学考察研究资助（2019QZKK0202），国家自然科学基金项目（41530748, 91747201）、中国科学院“十三五”信息化建设专项资助(XXH13505-06)。
叶庆华
本数据集是基于MODIS数据进行处理和分析后得到，通过改进不同下垫面下的不同积雪提取算法，提高了积雪范围识别精度，同时利用隐马尔科夫去云算法和SSM/I雪水当量结合，最终生成完全无云的逐日积雪面积产品。取值范围： 1：积雪；0 非积雪。空间分辨率为0.005 度（约500m），时间范围是2000年2月24日至2019年12月31日。 数据格式为geotiff，推荐使用Arcmap或python +GDAL打开和处理数据
郝晓华
本数据集来源于中国长时间序列雪深数据集，利用三江源边界进行提取形成三江源雪深数据集。取值范围：0-100 cm。时间分辨率：逐日。空间分辨率为0.25 度（约25km），时间范围是1980年1月1日至2020年12月31日。雪深数据基于星载被动微波遥感数据生产，使用了三个不同的被动微波传感器数据，它们分别是SMMR,SSM/I和SSMI/S。由于不同的传感器之间存在一定的系统偏差，因此，首先对不同传感器的数据进行了交叉订正，然后再基于被动微波亮度温度梯度法制作中国长时间序列雪深数据集。头文件信息可参考数据集header.txt。
戴礼云
青藏高原地温分布图是基于程国栋（1984）提出的多年冻土稳定型划分指标(表1)，利用统计模拟的年变化深度地温数据划分的。利用地理加权回归方法，融合2010年左右233个钻孔年变化深度处的年平均地温数据和遥感积雪日数、GLASS叶面积指数、SoilGrids250m的土壤沙粒含量、土壤粘粒含量、土壤粉粒含量、土壤有机质和土壤体密度数据产品、中国气象局陆面数据同化系统（CLDAS）输出的二版土壤湿度产品和融合了近4万区域自动气象站和FY2/EMSIP降水产品的融合产品。估计得到了代表2010年代的青藏高原1km分辨率年冻土稳定性分布图。数据格式为Arcgis Raster。
冉有华
本数据集是1990年至2010年青藏高原地区的水资源量数据，为可更新地表与地下水资源之和。数据为矢量格式，空间分辨率为地级行政单元尺度。该数据通过校核VIC（Variable Infiltration Capacity）水文模型结果得到。模拟水资源量为水文模拟输出结果中网格地表径流量与地下径流量之和，模拟结果通过与实测站点径流数据比较进行验证。根据中国水资源公报省级尺度统计水资源量，在省级尺度引入校正系数α，令水文模型模拟省区水资源量与α的乘积等于统计水资源量。则地级行政单元水资源量为地级单元的模型模拟水资源总量与α的乘积。
杜云艳, 易嘉伟
冰川对区域和全球气候变化异常敏感，因此常被作为气候变化的指示器之一，其相关参数也是气候变化研究的关键指标，特别是在地球三极环境变化对比研究中，冰川速度的时间和空间差异性对比是气候变化研究的重点之一。但由于冰川基本位于高海拔、高纬度和高寒地区，自然环境恶劣、人迹罕至，缺乏且难以开展大规模冰川运动的常规现场测量工作，为了能够及时高效、全面和准确地了解三极地区冰川运动状况，利用雷达干涉测量、雷达和光学影像像素跟踪等方法获取了三极地区部分典型冰川2000-2017年部分年份的表面运动分布情况，为三极冰川运动的对比分析提供了基础资料。数据集包含12个栅格文件，栅格文件名为“某地区某时段冰川运动”，每一幅栅格图主要包含以某一典型冰川所在的区域流速分布。
闫世勇
本产品基于多源遥感DEM数据生成，步骤如下：以Landsat ETM+、SRTM 和ICESat遥感数据为参考在相对稳定和平坦的地形区域内选控制点。控制点水平坐标是以Landsat ETM+ L1T全色影像作为水平参考进行获取。控制点的高度坐标则主要通过ICESat GLA14高程数据进行获取，在无ICEsat分布的区域内以SRTM高程数据补充。利用选取的控制点和自动生成的连接点，通过Brown’s物理模型对透镜畸变和残余形变进行补偿，使得所有立体像对的空中三角测量结果中影像总RMSE<1个像素。为了对提取的DEM数据进行编辑以消除明显的高程异常值，采用了DEM内插、DEM滤波和DEM平滑等方法对冰川上的DEM进行了编辑，并对西昆仑-西和西昆仑-东区域的KH-9 DEM数据进行了拼接，从而形成产品。
周建民
湖冰是冰冻圈的重要参数，其变化与气温、降水等气候参数密切相关，而且可以直接反映气候的变化，因此是区域气候参数变化的一个重要的指标，但由于其研究区往往位于自然环境恶劣，人口稀少的区域，大规模的实地观测难以进行，因此利用哨兵1号卫星数据，以10m的空间分辨率和优于30天的时间分辨率对不同类型的湖冰变化进行了监测，填补了观测空白。利用HMRF算法对不同类型的湖冰进行分类，通过时间序列分析三个极区中部分面积大于25km2的湖泊的不同类型湖冰的分布，形成湖冰类型数据集，可以获得这些湖泊不同类型湖冰的分布，数据包括了被处理湖泊的序号，所处年份及其在时间序列中的序号等信息，矢量数据集包括采用的算法，所使用的哨兵1号卫星数据，成像时间，所处极区，湖冰类型等信息，用户可以根据矢量文件确定时间序列上不同类型湖冰的变化。
邱玉宝, 田帮森
河湖冰物候对气候变化敏感，是指示气候变化的重要指示因子。308个Excel文件名称对应于湖泊编号。每个excel文件包含6个列，包含2002年7月至2018年6月对应湖泊的日冰覆盖率信息。每一列的属性分别为:日期、湖水覆盖率、湖水冰覆盖率、云覆盖率、湖水覆盖率和经过云处理后的湖面冰覆盖率。通常以0.1、0.9的冰覆盖面积比作为判别湖泊冰物候的依据。数据集包含的excel文件可以进一步获取四个湖冰物候参数:开始冻结(FUS),完全冻结(FUE)，开始融化(BUS),完全融化(BUE),和92个湖泊,可获取两个参数,FUS和BUE。
邱玉宝
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
基于最新发布的青藏高原多年冻土存在性证据数据集，利用统计模型计算得到了1公里分辨率青藏高原多年冻土概率分布图。该图考虑了气温、积雪和植被这三个多年冻土分布控制性因素，因此能够准确地反应青藏高原冻土的空间异质性。根据1000多个实测资料验证和与已有多年冻土图的对比结果显示，该图的整体分布精度为82.5%，卡帕系数可达到0.62，在多年冻土下界表现出了更好的分类效果。结果显示，青藏高原多年冻土区面积约为1.54 (1.35–1.66) 百万平方公里, 约占陆地面积的 60.7 (54.5– 65.2)% 。多年冻土面积 约为 1.17 (0.95–1.35）百万平方公里，约占46 (37.3–53.0)%。
曹斌
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
1）数据内容包含青藏高原地区1992年、2005年、2015年三期土壤侵蚀强度栅格数据，空间分辨率300米。2）土壤侵蚀强度数据采用中国土壤侵蚀预报模型（CSLE）计算获取。土壤侵蚀预报模型公式中包含降雨侵蚀力因子、土壤可蚀性因子、坡长因子、坡度因子、植被覆盖与生物措施因子、工程措施因子、耕作措施因子。降雨侵蚀力因子由青藏高原各站点降雨数据插值获得；土壤可蚀性因子、工程措施因子、耕作措施因子采用第一次水利普查数据；坡长因子、坡度因子通过30m高程数据计算后重采样得到；植被覆盖与生物措施因子由植被覆盖度结合土地利用数据和降雨侵蚀力比例计算得出，其中植被覆盖度是由MODIS的植被指数产品通过像元二分法计算得到。3）通过三期土壤侵蚀强度数据的差异变化比较，符合实际变化规律，数据质量良好。4）土壤侵蚀强度数据对青藏高原土壤侵蚀研究和当地生态系统的可持续发展具有重要意义。
章文波
1）数据内容包含青藏高原地区1992年、2005年、2015年三期土壤侵蚀强度栅格数据，空间分辨率为300米。2）采用中国土壤侵蚀预报模型（CSLE）计算青藏高原4000余个调查单元的土壤侵蚀量。按土地利用对青藏高原范围进行土壤侵蚀量插值。根据《土壤侵蚀分级标准》对土壤侵蚀量进行分级，得到青藏高原土壤侵蚀强度图。3）通过三期土壤侵蚀强度数据的差异变化比较，符合实际变化规律，数据质量良好。4）土壤侵蚀强度数据对青藏高原土壤侵蚀研究和当地生态系统的可持续发展具有重要意义。属性表中代码含义：Value值1，2，3，4，5，6分别代表侵蚀强度微度、轻度、中度、强烈、极强烈、剧烈；BL代表各侵蚀强度面积占总面积的百分比。
章文波
降水强烈的时空变化常使得常规地基台站的降水观测不能准确把握降水的空间分布和强度变化。而卫星微波遥感可以克服此局限，实现全球尺度降水和云的观测，而且相对于红外/可见光只能反映云厚、云高等信息而言，微波能够穿透云体，利用云内降水粒子和云粒子与微波的相互作用对云、雨进行更为直接的探测。 本数据以GPM搭载的DPR双波段降水雷达获取的地表降水量为真值，以NDVI、DEM、ERA5中的土壤温/湿度为参考数据，利用GMI的多波段被动亮温数据反演青藏高原地区暖季（5月-9月）瞬时降水强度，将结果重采样至0.1°空间分辨率后累加到日。
许时光
该数据集为收集到的资源三号02星的遥感影像。资源三号02星（ZY3-02）于2016年5月30日11时17分，在我国在太原卫星发射中心用长征四号乙运载火箭成功将资源三号02星发射升空。将进一步加强国产卫星影像在国土测绘、资源调查与监测、防灾减灾、农林水利、生态环境、城市规划与建设、交通等领域的服务保障能力。文件列表： ZY302_PMS_E98.8_N37.4_20170707_L1A0000156704 ZY302_PMS_E100.4_N37.0_20171127_L1A0000217243 ZY302_TMS_E99.5_N37.0_20170717_L1A0000160059 ZY302_TMS_E100.3_N36.6_20171127_L1A0000217279 ZY302_TMS_E100.4_N37.0_20170529_L1A0000139947 文件夹命名规则：卫星名称_传感器名称_中心经度_中心纬度_获取时间_L1****
中国资源卫星应用中心
该数据集是中国科学院西北高原生物研究所调查的三江源国家公园植物采集布位点信息。该数据集时间范围是2008年至2017年，调查范围是三江源国家公园，调查内容包括采集日期、编号、科、属、种、调查日期、采集地点、采集人、经度、纬度、海拔、生境、鉴定人等信息。对国家公园的三个园区分别进行了调查，在长江源园区调查了24个科56个属的88个种的植被，总共116条记录；在黄河源园区调查了26个科64个属110个种的植被，总共159条记录；在澜沧江源园区调查了12个科22个属30个种的植被，总共33条记录。
高庆波
该数据集为高分一号卫星遥感数据，包括2017-8-13、2017-10-5 两景PMS1相机的数据，2017-5-27日一景PMS2相机的数据，2018-9-23日WFV2和WFV3相机影像各一景。文件列表： GF1_PMS1_E99.1_N37.2_20170813_L1A0002539236 GF1_PMS1_E101.2_N36.4_20171005_L1A0002653985 GF1_PMS2_E100.3_N37.7_20170527_L1A0002384098 GF1_WFV2_E98.4_N37.6_20180927_L1A0003481737 GF1_WFV3_E100.4_N37.3_20180927_L1A0003481706
周圣明
净初级生产力（NPP）数据基于CASA模型生产，数据内容为三江源地区2010-2015年250米分辨率逐月NPP数据集。净初级生产力定义：绿色植物单位面积、单位时间内所累积的有机物数量。 单位：0.01gC/m²/月。Monthly和Yearly NPP分别表示逐月和逐年NPP。 投影信息： Albers 等积圆锥投影 中央经线：105度 第一割线：25度 第一割线：47度 坐标西偏：4000000 meter
朱伟伟
无论从全球尺度亦或是局地尺度而言，土壤数据极其重要，而由于缺乏可靠的土壤数据，土地退化评估、环境影响研究和可持续的土地管理干预措施受到了极大的瓶颈阻碍。鉴于土壤信息数据在全世界的迫切需要，特别是在气候变化公约的背景下，国际应用系统分析研究所（IIASA）及联合国粮农组织（FAO）和京都协议对土壤碳测量和联合国粮农组织/国际全球农业生态评价研究(GAEZ v3.0)共同倡导下建立了新一代世界土壤数据库(Harmonized World Soil Database version 1.2 )(HWSD V1.2)。 青藏高原2010年土壤质地数据集裁切自世界土壤库。数据格式:grid栅格格式，投影为WGS84。采用的土壤分类系统主要为FAO-90。核心土壤制度单元唯一验证标识符： MU_GLOBAL-HWSD数据库土壤制图单元标示符，连接了GIS图层。 MU_SOURCE1 和 MU_SOURCE2- 源数据库制图单元标识符 SEQ-土壤制图单元组成中的土壤单元序列； 土壤分类系统利用FAO-7分类系统或 FAO-90分类系统(SU_SYM74 resp. SU_SYM90)或FAO-85(SU_SYM85). 土壤属性表主要字段包括: ID(数据库ID) MU_GLOBAL(土壤单元标识符)（全球） SU_SYMBOL 土壤制图单元 SU_SYM74(FAO74分类); SU_SYM85(FAO85分类); SU_SYM90（FAO90土壤分类系统中土壤名称)； SU_CODE 土壤制图单元代码 SU_CODE74 土壤单元名称 SU_CODE85 土壤单元名称 SU_CODE90 土壤单元名称 DRAINAGE(19.5); REF_DEPTH(土壤参考深度); AWC_CLASS(19.5); AWC_CLASS(土壤有效水含量); PHASE1: Real (土壤相位); PHASE2: String (土壤相位)； ROOTS: String (到土壤底部存在障碍的深度分类)； SWR: String (土壤含水量特征)； ADD_PROP: Real (土壤单元中与农业用途有关的特定土壤类型)； T_TEXTURE(顶层土壤质地); T_GRAVEL: Real (顶层碎石体积百分比)；(单位：%vol.) T_SAND: Real (顶层沙含量)； (单位：% wt.) T_SILT: Real (表层粉沙粒含量)； (单位：% wt.) T_CLAY: Real (顶层粘土含量)； (单位：% wt.) T_USDA_TEX: Real (顶层USDA土壤质地分类)； (单位：name) T_REF_BULK: Real (顶层土壤容重)； (单位：kg/dm3.) T_OC: Real (顶层有机碳含量)； (单位：% weight) T_PH_H2O: Real (顶层酸碱度) (单位：-log(H+)) T_CEC_CLAY: Real (顶层粘性层土壤的阳离子交换能力)； (单位：cmol/kg) T_CEC_SOIL: Real (顶层土壤的阳离子交换能力) (单位：cmol/kg) T_BS: Real (顶层基本饱和度)； (单位：%) T_TEB: Real (顶层交换性盐基)；(单位：cmol/kg) T_CACO3: Real (顶层碳酸盐或石灰含量) (单位：% weight) T_CASO4: Real (顶层硫酸盐含量)；(单位：% weight) T_ESP: Real (顶层可交换钠盐)；(单位：%) T_ECE: Real (顶层电导率)。 (单位：dS/m) S_GRAVEL: Real (底层碎石体积百分比)；(单位：%vol.) S_SAND: Real (底层沙含量)； (单位：% wt.) S_SILT: Real (底层淤泥含量)； (单位：% wt.) S_CLAY: Real (底层粘土含量)； (单位：% wt.) S_USDA_TEX: Real (底层USDA土壤质地分类)； (单位：name) S_REF_BULK: Real (底层土壤容重)； (单位：kg/dm3.) S_OC: Real (底层有机碳含量)； (单位：% weight) S_PH_H2O: Real (底层酸碱度) (单位：-log(H+)) S_CEC_CLAY: Real (底层粘性层土壤的阳离子交换能力)； (单位：cmol/kg) S_CEC_SOIL: Real (底层土壤的阳离子交换能力) (单位：cmol/kg) S_BS: Real (底层基本饱和度)； (单位：%) S_TEB: Real (底层交换性盐基)；(单位：cmol/kg) S_CACO3: Real (底层碳酸盐或石灰含量) (单位：% weight) S_CASO4: Real (底层硫酸盐含量)；(单位：% weight) S_ESP: Real (底层可交换钠盐)；(单位：%) S_ECE: Real (底层电导率)。 (单位：dS/m) 本数据库分两层，其中以顶层（T）土壤厚度为（0-30cm），底层（S）土壤厚度为（30-100cm）。 其他属性值请参考说明HWSD1.2_documentation文档.pdf，The Harmonized World Soil Database (HWSD V1.2) Viewer-中文说明及HWSD.mdb。
Food and Agriculture Organization of the United Nations（FAO）
基于MODIS 2000年至2018年生长季平均的NDVI（空间分辨率250m），利用Mann-Kendall趋势检测方法，计算了NDVI的变化趋势。对三江源国家公园的三个园区都进行了计算(CJYYQ：长江源园区；HHYYQ：黄河源园区；LCJYYQ：澜沧江源园区)。CJYYQ_NDVI_trend_2000_2018_ok.tif：长江源园区NDVI变化趋势。CJYYQ_NDVI_trend_2000_2018_ok_significant.tif：长江源园区NDVI变化趋势，剔除了不显著（p>0.05）的区域。CJYYQ_gs_avg_NDVI_2000.tif：长江源园区2000年生长季平均NDVI。单位为NDVI变化每年。
王旭峰
该数据集为收集到的资源三号卫星的遥感影像。资源三号卫星（ZY-3）于2012年1月9日成功发射。该卫星的主要任务是长期、连续、稳定、快速地获取覆盖全国的高分辨率立体影像和多光谱影像，为国土资源调查与监测、防灾减灾、农林水利、生态环境、城市规划与建设、交通、国家重大工程等领域的应用提供服务。文件列表： ZY3_MUX_E99.8_N36.6_20171011_L1A0003817398 ZY3_MUX_E99.9_N37.0_20171011_L1A0003817397 ZY3_MUX_E100.0_N37.4_20171011_L1A0003817396 ZY3_MUX_E100.1_N36.6_20170625_L1A0003738882 ZY3_MUX_E100.8_N36.6_20170710_L1A0003748776 ZY3_MUX_E100.9_N37.0_20170710_L1A0003748775 ZY3_NAD_E99.8_N36.6_20171011_L1A0003817439 ZY3_NAD_E99.9_N37.0_20171011_L1A0003817438 ZY3_NAD_E100.0_N37.4_20171011_L1A0003817437 ZY3_NAD_E100.1_N36.6_20170625_L1A0003746917 ZY3_NAD_E100.8_N36.6_20170710_L1A0003748580 ZY3_NAD_E100.9_N37.0_20170710_L1A0003748579
中国资源卫星应用中心
该数据集是中国科学院西北高原生物研究所在三江源国家公园野生动物多样性本底调查过程获得的野生动物分布位点信息。该数据集时间范围是2017年，调查范围是三江源国家公园，调查物种包括藏野驴（Equus kiang）、狼(Canis lupus)、赤狐(Vulpes vulpes)、马鹿(Cervus elaphus)、雀鹰(Accipiter nisus)、红腹红尾鸲(Phoenicurus erythrogastrus)、豹猫(Prionailurus bengalensis)、大鵟(Buteo hemilasius)、藏原羚(Procapra picticaudata)、藏雪鸡(Tetraogallus tibetanus)、高原山鹑(Perdix hodgsoniae)、猎隼(Falco cherrug)等多种珍稀野生动物。
张同作
草地地上生物量采用的方法为分区分类型模型，数据年份为2000、2010、2015年，为8月上旬的地上植被鲜重。地上生物量定义为单位面积内地面以上实存生活的植被有机物质总量。单位：克/平方米（g/m²）。该数据产品是中国科学院遥感与数字地球研究所基于MODIS的植被指数采用统计模型计算得到。空间分辨率为250m×250m。该数据集是三江源国家公园植被监测的重要数据源。 投影信息： Albers 等积圆锥投影 中央经线：105度 第一割线：25度 第一割线：47度 坐标西偏：4000000 meter
朱伟伟
该数据集包含青藏高原地区各县区1980-2015年农业经济相关数据，具体涵盖农村总户数、总人口、农业人口、农村劳动力、耕地面积、水田面积、旱地面积、农机动力、农用汽车、机耕面积、灌溉面积、化肥施用量、用电量、农业收入、农林牧渔业总产值、牛、猪、羊、肉、禽、鱼等的产量、粮食播种面积、粮棉油的及各类作物的产量、特色农产品和畜产品产量等相关数据。数据来源于青藏高原所含各省统计年鉴。数据质量优良，可用于青藏高原社会经济和农业发展分析。
吕昌河
本数据集包含三江源国家公园内各个县的社区情况统计表，具体内容包括： 表一包括：行政村个数、自然村个数、户数、人口数、农村劳动力人数、一二三产业总值、人均纯收入、家畜数量； 表二包括：人口民族组成（各名族人口数）、教育的相关统计（中小学个数及学生人数）、卫生相关的统计（医院、卫生室以及医护人员个数）、人口受教育水平的统计（不同教育程度的人数）； 表三包括：草地（草地总面积、可利用草场面积、中度以上退化面积、草原植被覆盖度）、林地（总面积、乔木林面积、灌木林面积和疏林地面积）、水域（总面积、河流面积、湖泊面积、冰川面积、雪山面积和湿地面积）。 总共设计四个县：玛多、曲麻莱、杂多和治多县。该数据来自政府部门的统计数据。
国家统计局
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
本数据集为扎陵湖-鄂陵湖附近黄河源区沼泽空间分布图，面积约2.1万平方公里。数据集由Landsat 8 影像通过专家决策树分类，并经人工目视解译修正获得。影像的空间分辨率为30 m，采用WGS 1984 UTM 投影坐标系，数据格式为grid格式。影像区分为5种地类，地类1为“水体”，地类2为“高盖度植被”，地类3为“裸地”，地类4为“低盖度植被”，地类5为“沼泽”，其中低盖度植被及高盖度植被通过植被覆盖度进行区分，阈值选取0.1至0.4为低盖度植被，0.4至1为高盖度植被。
王广军
青藏高原在中国境内的部分涉及西藏、青海、新疆、云南、甘肃、四川六个省份，包括了西藏、青海全境，以及新疆、云南、甘肃、四川的部分地区。水土资源匹配研究旨在揭示一定区域尺度水资源和土地资源时空分配的均衡状况与丰缺程度。区域水资源与耕地资源分配的一致性水平越高，其匹配程度就越高，农业生产的基础条件就越优越。采用单位耕地面积的广义农业水资源量测度方法来反映研究区农业生产的水资源供给量和耕地资源空间适宜性的量比关系。 数据集的Excel文件中包含青藏高原在中国境内的市级行政区2008-2015年的广义农业水土资源匹配系数数据，矢量数据为2004年青藏高原在中国境内的市级行政区矢量边界数据，栅格数据像元值即所在地区当年广义农业水土资源匹配系数。
董前进, 董凌霄
本数据包含黄河源园区、澜沧江源园区、长江源园区内的乡界矢量数据。本数据根据青海省测绘地理信息局发布的青海省电子地图册中三江源国家公园所在县的电子地图数字化得到。数据为ARCGIS的shp格式，属性数据中主要包含三个属性，乡镇名称：各个乡镇的名字（如：花石峡镇）；PAC：是行政区划代码（如：513230）；NAME：是属县的名称（如玛多县）。数据采用2000国家大地坐标系和1985国家高程基准。该数据是三江源国家公园重要的基础地理数据，为该区域的制图、调查提供基本信息。
青海省基础地理信息中心
ASTER Global Digital Elevation Model （ASTER GDEM）是美国航空航天局 （NASA）和日本经济产业省（METI）联合发布的全球数字高程数据产品，该DEM数据是根据NASA新一代对地观测卫星TERRA的观测结果完成，是由ASTER（Advanced Space borne Thermal Emission and Reflection Radio meter）传感器搜集的130万个立体像对数据制作，其覆盖范围超过了地球99%陆地表面。本数据下载自ASTER GDEM数据分发网站，为了便于用户使用数据，在分幅ASTER GDEM数据的基础上，我们使用erdas软件进行拼接制备青藏高原ASTER GDEM镶嵌图。 ASTER GDEM发布了两个版本，第一个版本于2009年6月发布，第二个版本于2011年10月发布，本数据集为青藏高原地区第二版本的ASTER GDEM数据集。 本数据集共包括三个数据文件： ASTER_GDEM_TILES ASTERGDEM_MOSAIC_DEM ASTERGDEM_MOSAIC_NUM 青藏高原地区ASTER GDEM数据，精度30米，原始数据为tif格式，镶嵌数据使用img格式存储。 本数据集原始数据下载于ASTERGDEM网站，完全保留了数据的原貌，ASTER GDEM在分发时被分割为若干1×1度的数据块，分发格式为zip压缩格式，每个压缩包包括两个文件，文件命名格式如下： ASTGTM_NxxEyyy_dem.tif ASTGTM_NxxEyyy_num.tif 其中xx为起始纬度，yyy为起始经度。_dem.tif为dem数据文件，_num.tif为数据质量文件。 ASTER GDEM TILES：原始数据保留数据原貌，未进行处理 ASTERGDEM_MOSAIC_DEM：使用erdas软件对dem.tif数据进行镶嵌，参数设置使用默认值 ASRERGDEM_MOSAIC_NUM：使用erdas软件对num.tif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ASTERGDEM数据分发网站的数据精度，该数据的水平精度30米，高程精度为20米。镶嵌数据使用erdas制作，参数使用默认值。
METI, NASA
青藏高原地区属于高原山地气候，降水量及其季节分配与降水形式变化一直是全球气候变化研究的热点之一。数据包含青藏高原地区的降水数据，空间分辨率为1km*1km，时间分辨率为月、年，时间覆盖范围为2000年、2005年、2010年、2015年。数据通过对国家气象科学信息中心气象数据进行Kring插值得到。数据可用于分析青藏高原的降水的时空分布情况，此外数据还可用于分析青藏高原的降水随时间变化的规律，对青藏高原的生态环境研究有重要意义。
方华军
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
