归一化植被指数(Normalized Difference Vegetation Index , NDVI)广泛应用于植被监测。本数据集利用2000-2020年青藏高原区域所有可用的Landsat 5/7/8数据(影像10万+),通过MODIS-Landsat数据融合算法(gap filling and Savitzky–Golay filtering;GF-SG),重建了青藏高原植被区域2000-2020年高时空分辨率(30米-8天)NDVI时间序列数据集(QTP-NDVI30)(算法细节请参考论文)。 本数据集具有良好的验证精度。定量评价结果显示重建NDVI影像数据的平均绝对误差MAE为0.02,平均相关系数R为0.96,图像结构相似性SSIM为0.94。选取典型区域与PlanetScope 3米空间分辨率影像比较,空间细节信息得到了较好的保持(产品评价细节请参考论文)。 本数据集地理坐标系为GCS_WGS_84, 空间范围覆盖青藏高原植被区域,植被区域定义为7-9月平均NDVI大于0.15。
曹入尹, 徐子超, 陈洋, 沈妙根, 陈晋
植被的净初级生产力(Net Primary Productivity,NPP)指绿色植物在单位时间、单位面积上由光合作用产生的有机物质总量(即总初级生产力,Gross Primary Productivity,GPP)中扣除自养呼吸后的剩余部分,NPP作为陆地生态系统的水循环、养分循环和生物多样性变化的基础,是估算地球支持能力和评价陆地生态系统可持续发展的重要生态指标。本数据集包括祁连山区域2021年月度合成30m 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。
吴俊君, 李艺, 仲波
叶面积指数(Leaf Area Index,LAI)定义为地面单位投影面积内叶片总面积的一半,是描述植被的核心参数之一。LAI控制着植被的许多生物、物理过程,如光合、呼吸、蒸腾、碳循环和降水截获等,同时为植被冠层表面最初的能量交换提供定量化的信息,是一个十分重要的研究植被生态系统结构和功能的参数。本数据集包括祁连山区域2021年月度合成30m 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。
吴俊君, 李艺, 仲波
归一化植被指数(Normalized Difference Vegetation Index,NDVI)是近红外波段的反射率值与红光波段的反射率值之差比上近红外波段的反射率值与红光波段的反射率值之和。植被指数合成是指在适当合成周期内选出植被指数最佳代表,合成一幅空间分辨率、大气状况、云状况、观测几何、几何精度等影响最小化的植被指数栅格图像。本数据集包括祁连山区域2021年月度合成30m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。
吴俊君, 李艺, 仲波
植被覆盖度(Fractional Vegetation Coverage,FVC)定义为植被冠层或叶面在地面的垂直投影面积占植被区总面积的比例,是衡量地表植被状况的一个重要指标。本数据集植被覆盖度作为反应植被覆盖状况的评价指标,0%表示地表像元内没有植被即裸地,值越高表明区域内植被覆盖越大。本数据集包括祁连山区域2021年月度合成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。
吴俊君, 李艺, 仲波
本数据集为2021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2021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2021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, 周圣明, 袁晶, 王宏伟
数据集是青藏高原木里煤矿区2000-2020年土壤肥力数据,每五年一期,2000年、2005年、2010年、2015年、2020年,共5期;共15张影像数据。数据集为矩形区域(98.82°E-100.84°E,37.5°N-38.25°N),根据木里煤矿的东南西北的四个界限所划定。数据均为栅格格式,空间分辨率为30米,数据集格式为GeoTiff。数据集以时空融合GLDAS-2.1反照率产品和Landsat 5/7的反照率产品得到的30米地表反照率、时空融合GLDAS-2.1地表温度产品和Landsat 5/7的地表温度产品得到的30米地表温度为自变量,结合多元回归模型,回归得到2000-2020年5年一期的木里煤矿区总氮(单位g/kg)、总磷(单位g/kg)、总钾(单位g/kg)数据集。多元回归模型采用2018年5月王凌青湟水河流域站点实测数据,在自变量为Landsat 5/7的反照率、地表温度的前提下,因变量为野外观测的总磷、总氮及总钾下建立多元回归模型。这些数据集填补了木里煤矿高空间分辨率土壤肥力数据集空白,为研究木里矿区土壤肥力时空变化提供了支持。
陈少辉
充分利用多源植被分类/土地覆盖分类产品各自的优势,通过专门设计与青藏高原植被类型相适应的植被分类体系,选用集成分类方法,在数据可靠性的基础上遵循一致性的原则,制作了青藏高原现状植被图,其在现势性、分类体系的针对性和分类精度上均表现更优。从分类结果的现势性来看,青藏高原现状植被图较早期中国植被图能更好地反映青藏高原植被覆盖现状;从分类体系的针对性来看,青藏高原现状植被图采用了针对青藏高原植被专门设计的分类体系,有利于从多源数据产品中充分提取出具备高可靠性和一致性的植被覆盖信息;从分类精度来看,青藏高原现状植被图的总体精度(78.09%,Kappa系数0.75)较已有相关数据产品提高了18.84% ~ 37.17%,特别是对草地、灌丛等植被类型的分类精度有明显提升。
张慧, 赵涔良, 朱文泉
中国2000-2020年去云积雪反照率产品数据集地理空间范围为72 - 142E,16 - 56N,采用等经纬度投影,空间分辨率0.005°。数据集时间范围覆盖2000年1月1日至2020年12月31日,时间分辨率为8天。数据包含6个要素:黑空反照率(Black_Sky_Albedo)、白空反照率(White_Sky_Albedo)、太阳天顶角(Solar_Zenith_Angle)、云标识(Cloud_Mask)、林区校正标识(Forest_Mask)和反演情况标识(Abnormal_Mask)。黑空反照率要素记录了反演得到的黑空反照率,计算因子为0.0001,数据范围为0-10000。白空反照率要素记录了反演得到的白空反照率,计算因子为0.0001,数据范围为0-10000。太阳天顶角要素记录了太阳天顶角度,计算因子为0.01,数据范围为0-9000。云标识要素记录了像元是否为云,值为0表示非云,值为1表示为云。林区校正标识要素记录了像元是否作为森林类型像元被校正过,值为0表示未校正,值为1表示已校正。反演情况标识要素记录了像元所对应的黑空反照率及白空反照率的反演结果是否为小于0或大于10000的异常值,值为0表示非异常值,值为1表示为异常值。数据集基于MODIS地表反射率产品MOD09GA,积雪产品MOD10A1/MYD10A1和全球数字高程模型SRTM数据,在ART模型基础上发展了积雪反照率反演模型,并利用GEE和本地端交互生产而来。
肖鹏峰, 胡瑞, 张正, 秦棽
雅鲁藏布江流域内巨量固体碎屑物质是记录青藏高原隆升剥蚀历史的重要组成部分之一,不同类型松散沉积物是固体碎屑物质差异输运的直接反映,揭示其空间分布规律及沉积总量,对于深入理解青藏高原的隆升与剥露过程具有重要参考价值。该数据集共包括雅鲁藏布江流域松散沉积物类型及其空间分布图集、厚度空间分布图集和沉积总量估算表等三类图表数据集,以遥感解译与地质填图为主要技术方法,全面厘清了雅鲁藏布江全流域范围内(16个复合子流域)松散沉积物的类型及其空间展布特征,并依据全流域松散沉积物厚度实测数据初步估算了沉积总量。巨量松散沉积物也是流域内滑坡、泥石流、洪沙灾害的重要物质来源,查明其空间展布规模与总量不仅对揭示沉积物源汇过程中记录的地表环境变化、区域构造运动、气候变化、生物地球化学循环等关键信息具有理论意义,同时对高原生态环境监测与保护、洪沙灾害预警与防治、重大基础工程建设和水土保持等具有重要应用价值。
林志鹏, 王成善, 韩中鹏, 白雅俪格, 王新航, 张建, 马星铎, 胡太宇, 张晨敬
本数据集包括祁连山地区2021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),MERRA-2气象再分析数据等。
姚云军, 刘绍民, 尚珂
本数据集包括了中蒙俄经济走廊区1982-2015年最大归一化植被指数(NDVI)数据,2000-2020年最大增强型植被指数(EVI)数据,以及2001-2019年土地覆被利用变化数据(LUCC)。其中,NDVI数据提取自GIMMS卫星数据,分辨率为8km;EVI和LUCC数据提取自MODIS卫星数据(MOD13A3和MCD12C1),分辨率分别为1km和5km。数据集过滤了MODIS卫星数据中原本存在的异常值或缺测值,相比源数据质量更高。其中,使用最大值提取法处理NDVI和EVI数据,得到年最大NDVI和EVI,可以更好地反应研究区的植被分布及变化情况。基于卫星遥感数据的植被和土地利用变化,可以为中蒙俄经济走廊生态环境风险防控提供数据支撑。
张雪芹
中国2000-2020年逐日积雪反照率产品数据集地理空间范围为72 - 142E,16 - 56N,采用等经纬度投影,空间分辨率0.005°。数据集时间范围覆盖2000年1月1日至2020年12月31日,时间分辨率为1天。数据包含6个要素:黑空反照率(Black_Sky_Albedo)、白空反照率(White_Sky_Albedo)、太阳天顶角(Solar_Zenith_Angle)、云标识(Cloud_Mask)、林区校正标识(Forest_Mask)和反演情况标识(Abnormal_Mask)。黑空反照率要素记录了反演得到的黑空反照率,计算因子为0.0001,数据范围为0-10000。白空反照率要素记录了反演得到的白空反照率,计算因子为0.0001,数据范围为0-10000。太阳天顶角要素记录了太阳天顶角度,计算因子为0.01,数据范围为0-9000。云标识要素记录了像元是否为云,值为0表示非云,值为1表示为云。林区校正标识要素记录了像元是否作为森林类型像元被校正过,值为0表示未校正,值为1表示已校正。反演情况标识要素记录了像元所对应的黑空反照率及白空反照率的反演结果是否为小于0或大于10000的异常值,值为0表示非异常值,值为1表示为异常值。数据集基于MODIS地表反射率产品MOD09GA,积雪产品MOD10A1/MYD10A1和全球数字高程模型SRTM数据,在ART模型基础上发展了积雪反照率反演模型,并利用GEE和本地端交互生产而来。为了评估ChinaSA的反演质量,利用地面台站的观测数据提出了样方观测验证方法,验证了积雪反照率产品的精度,并与常用的四种反照率产品(GLASS、GlobAlbedo、MCD43A3和SAD)进行了精度对比。验证结果表明,ChinaSA在所有验证中精度都优于其他产品,均方根误差小于0.12,在森林区域的均方根误差能达到0.021。
肖鹏峰, 胡瑞, 张正, 秦棽
华北平原(NCP)是中国最重要的农业生产基地之一,其面积约14万平方公里。除了从黄河取地表水进行渠灌,华北平原还开采大量地下水用于灌溉。高时空分辨率且连续完整的逐日蒸散(ET)估算,将极大提高我们对整个NCP农业用水消耗的认识,服务于农业水资源高效利用。基于双源能量平衡模型(TSEB)和数据融合,本研究在华北平原生成1 km空间分辨率和日尺度,且时间跨度为2008年1月至2019年12月的蒸散数据集。该数据集时空连续完整,且具有较高的空间分辨率。相较于其他产品,该数据集具有可靠的精度,甚至好于已发表的结果。此外,该数据集和相关方法对NCP以及其他农作物种植区的多尺度变化和趋势分析具有重要价值。
张才金, 龙笛
“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
本数据是研究团队综合利用Sentinel-1 SAR数据,AMSR-2微波辐射计数据以及MODIS LST产品所生产的青藏工程走廊区域高分辨土壤冻融数据集。基于新提出的算法,本产品提供月尺度100m空间分辨土壤冻融状态检测结果,并通过气象站点和土壤温度站点进行精度验证。基于青藏工程走廊地区的4个气象站点进行精度验证,结果表明基于升轨和降轨Sentinel-1的土壤冻融检测结果的整体准确率分别为84.63%和77.09%。基于那曲土壤湿度/温度监测站点进行精度验证,升轨和降轨结果的平均整体精度为78.58%和76.66。该产品弥补了传统土壤冻融产品空间分辨率不足(>1km)的问题,为青藏工程走廊区域高分辨率土壤冻融监测提供了可能。
周欣, 刘修国, 周俊雄, 张正加, 陈启浩, 解清华
本数据为关于四川省北川地区、云南省鲁甸地区、贵州省毕节地区的影像信息数据,可用于构建山体震裂崩塌遥感影像的解译识别标志,揭示山体震裂崩塌形成的一般形式,评估具体山体震裂崩塌的危险等级;数据可结合DEM数据用于挖掘山体震裂崩塌的发育机制等。可在此基础上进一步研究,完善研究山体震裂崩塌的智能识别理论及形成机制,为寻找其他相似类型震裂崩塌物源提供指示意义。本项目部分原始数据可用于全面了解鲁甸区域山体震裂崩塌危险性等。
韩征
土壤水分是地气交互作用的重要边界条件,是全球观测系统提出的关键气候变量之一;植被光学厚度是微波辐射传输过程中衡量植被衰减特性的物理量,在表征植被水分与生物量动态变化中具有重要作用。 本数据集使用多通道协同反演算法获取SMAP观测的土壤水分与植被光学厚度。该算法利用参数间的自约束关系与通道间的理论转换关系进行地表参数反演,反演过程不依赖于其他辅助数据,并适用于多种不同载荷配置。本数据集的土壤水分反演结果包含了融化期的土壤水分含量与冻结期的液态水含量;同时反演了水平和垂直两个极化的植被光学厚度,是全球第一套具有极化差异的L波段植被光学厚度产品。 本数据集基于国际土壤水分观测网络、美国农业部及研究室自建发布的共19个土壤水分密集观测站网(其中包含9个SMAP核心验证站点以及SMAP尚未使用的10个密集观测站点)以及被广泛使用的土壤气候分析网络SCAN进行验证,结果发现MCCA土壤水分反演结果精度优于其它SMAP产品。
赵天杰, 彭志晴, 姚盼盼, 施建成
基于长时间序列MODIS积雪产品,采用隐马尔可夫随机场(Hidden Markov Random Field, HMRF)建模框架,制备了青藏高原2002-2021年空间分辨率为500 m的逐日无云积雪数据集。该建模框架将MODIS积雪产品的光谱信息、时空背景信息,以及环境相关信息以最优形式进行整合,不仅填补了云层遮挡引起的数据空缺,而且提高了原始MODIS积雪产品的精度。特别地,本数据集在环境背景信息中引入了太阳辐射能量对积雪分布的影响,有效改进了地形复杂山区的积雪识别精度。通过与实测雪深、Landsat-8 OLI识别的积雪分布对比分析,本数据集精度依次为98.31%和92.44%,并且在积雪转化期、海拔较高、太阳辐射较多的阳坡提升效果显著。本数据集改善了原始MODIS积雪产品时空不连续和在地形复杂山区精度较低的问题,能为青藏高原气候变化研究和水资源管理提供重要的数据基础。
黄艳, 许嘉慧
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