青藏高原及其周边高山地区孕育了高度的植物多样性,其成分来源复杂,既是现代高山植物的分布中心,也与其它地区的植物有着千丝万缕的联系。生长在这一地区的植物具有适应高原环境的独特基因资源,但受限于技术的发展,对这一地区植物的基因资源挖掘和利用仍然处于起步阶段。通过对龙胆科植物卵萼花锚和大花花锚开展比较基因组学研究,可解析植物交配系统进化的基因组效应,发掘与自交相关的关键基因,探讨植物混合交配系统的维持机制。本次数据汇交的内容主要为:卵萼花锚和大花花锚的基因组原始数据,包含卵萼花锚和大花花锚的三代Pacbio测序数据以及卵萼花锚和大花花锚的二代illumina测序数据。
段元文
森林变化(包含森林损失和恢复)是受自然和人类活动影响的复杂生态过程,对全球物质循环和能量流动具有重要的影响。基于长时间序列树冠覆盖度(tree-canopy cover, TCC)数据,采用双时相类概率模型对森林变化进行检测,得到1986-2018年中国东北天然林保护工程区森林变化数据集(空间分辨率为30米,时间分辨率为1年)。使用分层随机采样方法在保护区范围内选取1000样点并进行目视解译,对森林变化提取结果进行精度评价,结果显示森林损失(Producer’s accuracy = 85.21%;User’s accuracy = 84.26%)和森林恢复(Producer’s accuracy = 87.74%;User’s accuracy = 88.31%)精度均较高,可以有效反映保护区森林变化状态。
王建邦, 何卓昱, 王春玲, 冯敏, 庞勇, 余涛, 李新
植被初级生产力(Net Primary Production, NPP)数据集,源数据来自MODIS产品(MOD17A3H),经过数据格式转换、投影、重采样等预处理。现有格式为TIFF格式,投影为Krasovsky_1940_Albers投影,单位为kg C/m2/year,空间范围为整个青藏高原。数据空间分辨率为500米,时间分辨率为每5年,时间范围是2001到2020年。青藏高原NPP整体呈现从西北向东南逐渐增加的趋势。
朱军涛
本数据集包含的气象、土壤水分、土壤温度、腾发和渗漏数据均在西藏自治区拉萨市澎波灌区监测获得。数据集包含了西藏澎波灌区2019~2022年以小时为序列的气象数据,由全自动气象站NHQXZ601监测获取,其中包括降雨、气温和相对湿度数据等。利用东方智感墒情仪监测青稞地、燕麦地和草地土壤水分及土壤温度变化,数据采集间隔以小时记,实测时间为2019~2022年。土壤温度和土壤水分数据较为详实,利用统计学方法可以反映出土壤水分和温度在时、天、月、季、年不同时间尺度的变化规律,也可较好的满足农田水热运移模型的率定和验证需求。数据集还包括了作物腾发数据和渗漏数据,利用LYS80蒸渗仪实测获得,此数据优助于解析西藏高寒地区农作物在整个生育期耗水量及不同生长阶段的耗水量及渗漏量,对明晰不同农田系统的水量平衡发挥重要作用。该数据集提供的西藏澎波灌区气象,土壤水分、土壤温度、蒸腾和渗漏数据,有助于揭示农田尺度、灌区尺度的水转化过程和充分认识西藏高寒区SPAC系统的水热传输过程,作物生长状态。
汤鹏程
碳氮磷硫钾等是生态系统重要的基本生命元素,揭示其区域变异与空间格局对人类活动的影响及其未来生态系统可持续发展具有重要作用。青藏高原具有独特的高寒植被类型以及丰富的垂直带地貌和地表覆盖类型,其地表元素(碳氮磷硫钾)的生物地理格局是驱动高寒生态系统碳氮水循环过程耦合和相关机制的重要表现形式。本数据集聚焦青藏高原东南缘和横断山区复杂生态系统中地表物质(植物叶-枝-干-根和凋落物)的分配模式和空间变异,以期为区域模型模拟和生态管理提供数据支撑。
李明旭
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
制图范围:张镱锂等2002版青藏高原范围。 数据源:1980年代青藏高原植被图,气候、地形、地貌、土壤数据等。 制图方法:复原植被图是反映未受人类经济活动破坏以前的原始植被分布状况的植被图。由于缺乏青藏高原早期植被分布图,在本项目组编制的1980年代青藏高原植被图的基础上,通过以下方法编制近似复原植被图。采用1980年代青藏高原植被图,使用1980年的WorldClim19个生物气候数据,分析生物气候数据与自然植被的关系,确定各类自然植被分布所对应的气候数据变化范围。对于1980年代植被图中的人工植被,使用最早的1960年的WorldClim19个生物气候数据,根据人工植被分布区的气候数据,以及上面得到的植被分布与气候关系,判断对应的自然植被,将该区人工植被替换为自然植被。在此基础上,进一步考虑植被分布地带性规律及其与地形、地貌、土壤的关系,依据人工植被周边残存的自然植被、周边地带性植被,对前面的判断结果进行分析,交叉验证人工植被替换结果的准确性,并进行适当修正。对于1980年代植被图中的自然植被,如针叶林、阔叶林、灌丛、荒漠、草原、草甸等则保持不变。综合以上分析结果,获得近似复原植被图。植被分类单位与1980年代青藏高原植被图相同。基于制图使用数据精度,本图出图比例尺最大为1:50万。
周继华, 郑元润, 宋长青, 程昌秀, 高培超, 沈石, 叶思菁
1980年代青藏高原植被图制图说明: 制图范围:张镱锂等2021版青藏高原范围。 数据源:1980-1988年Landsat 4-5 TM 影像(空间分辨率约30米)、野外调查数据、1:100万植被图、Google Earth影像、气候、地形、地貌、土壤、土地覆盖数据等。 制图方法:(1)初步图斑分割,采用面向对象的方法初步分割遥感影像,形成初步制图斑块;(2)目视解译,综合野外调查数据、1:100万植被图、Google Earth影像、气候、地形、地貌、土壤、土地覆盖数据等,对初步制图斑块进行目视解译制图;(3)交叉验证,使用地形图、1:100万植被图、土地利用图进行逻辑验证;(4)图例系统,采用《中华人民共和国植被图 (1:1, 000, 000),2007》的分类标准、图例单位和系统,包括植被型组、植被型2个单位,制图区域共有植被型组11个,植被型46个,无植被地段10个;(5)植被图整饰,采用图斑和数字相结合的方法,表示不同植被类型和制图单位;(6)基于制图使用数据精度,本图出图比例尺最大为1:50万。
周继华, 郑元润, 宋长青, 程昌秀, 高培超, 沈石, 叶思菁
碳氮磷硫钾等是生态系统重要的基本生命元素,揭示其区域变异与空间格局对人类活动的影响及其未来生态系统可持续发展具有重要作用。青藏高原具有独特的高寒植被类型以及丰富的垂直带地貌和地表覆盖类型,其地表元素(碳氮磷硫钾)的生物地理格局是驱动高寒生态系统碳氮水循环过程耦合和相关机制的重要表现形式。本数据集聚焦青藏高原水塔区和喜马拉雅山区复杂生态系统中地表物质(植物叶-枝-干-根和凋落物)的分配模式和空间变异,以期为区域模型模拟和生态管理提供数据支撑。
李明旭
青藏高原及周边地区孕灾、致灾、承灾数据集包含了地貌数据、归一化植被指数数据、年均气温与降雨数据、承灾价值等级数据,覆盖656万平方公里的范围。该数据集主要是为了进行灾害、风险评价而准备。由于覆盖范围巨大,地貌数据采用了150m空间分辨率,其他数据采用了1000m空间分辨率。地貌、植被指数、气温降雨数据主要通过加工开源数据生产,承灾价值等级数据为叠加计算生产,综合考虑了人口数据、夜间灯光指数、建筑物、地表覆被类型。
唐晨晓
本数据集是基于青藏高原多年冻土分布区1114个样点的土壤调查数据,重点考虑了古气候在估算青藏高原土壤碳储量中的重要作用,在综合了气候(古气候和现代气候条件)、植被、土壤(土层厚度和土壤理化属性等)和地形等因素后,通过机器学习算法重新评估得到的青藏高原3m深度土壤碳储量。结果集表明当前陆地生态系统模型普遍低估了青藏高原冻土碳库大小,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。因此,未来模型模拟土壤碳循环应该将古气候的作用考虑在内。
丁金枝
本数据集整理和收集了青藏高原及周边地区500米空间分辨率的地表植被类型数据,数据源来自于美国地质调查局(USGS)官网(https://lpdaac.usgs.gov/products/mod12q1v006/),此数据是是MODIS三级数据的土地利用与覆被产品,空间分辨率为500m。通过使用Terra和Aqua反射率数据的监督分类得到的。通过将平滑样条应用于天底双向反射率分布函数(BRDF)-调整后的反射(NBAR)时间序列,第6版MCD1201产品开发出新的缺口填充光谱时间特征。而且,第6版产品还使用了隐马尔可夫模型(HMM),可减少类别标签中的虚假变化。该数据集中包含了17个主要土地覆盖类型,根据国际地圈生物圈计划(IGBP),其中包括11个自然植被类型,3个土地开发和镶嵌的地类和3个非草木土地类型定义类。其分别为:1-常绿针叶林;2-常绿阔叶林;3-落叶针叶林;4-落叶阔叶林;5-混交林;6-稠密灌丛;7-稀疏灌丛;8-木本稀树草原;9-稀树草原;10-草地;11-永久湿地;12-农用地;13-城市和建筑区;14-农用地/自然植被拼接;15-雪和冰;16-裸地;17-水。
邱海军
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
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
通过不同层次的旅游点、旅游线和旅游区的考察,形成景点、景区、廊道和重要的旅游交通节点、旅游村、旅游城镇等的旅游资源、旅游服务和旅游设施等的照片、视频数据,记录旅游发展状况,发现旅游发展中的问题,并形成相应的世界旅游目的地建设的思路;数据来源为无人机、行车记录仪和摄像机、手机、GPS,并按照景区、数据类别分成不同文件夹;数据资料经过多次核对,确保真实无误;本数据可为青藏高原世界旅游目的地建设提供可追溯的依据。
时珊珊
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