1)数据内容:数据为围栏工程实地采样数据,包含样方编号、草地类型、调查县、调查地点、工程类型、采样时间、工程开始时间、持续时间、"经度(°E)"、"纬度(°N)"、"海拔(m)"、"总盖度(%)" "高度平均(cm)"、地上生物量(g/m2)、地下生物量(g/m2)、总生物量(g/m2), 2)数据来源:实地采样数据 3)数据质量:质量较高。 4)数据应用前景:青藏高原草地围栏工程将在保护草地、恢复区域植被生产力上获得显著成效,工程的实施为区域畜牧业发展提供了更广阔的空间, 保障了当地农牧民收入与地区经济为稳定的增长。此外,工程的实施保证并支持了藏区牧民的正常生产和生活, 实现了牧区草地保护与牧民畜牧业生产的稳定发展, 这对维护西藏社会全面稳定,促进西藏地区又好又快发展具有重要意义。
洪江涛, 王小丹
为了解析蔓菁如何、何时进入青藏高原,探讨蔓菁在青藏高原传播与驯化与早期人类活动的高原定居和古丝绸交流之间的关系,2018年6月,课题组利用三代基因组测序技术,对青海省囊谦县的蔓菁自交F1代品种进行全基因组测序和De Novo组装,得到组装基因组大小为409.69 Mb,Contig N50为1.21 Mb。这一结果可为研究植物扩散与人类活动之间的关系提供遗传基础。同时,这项研究有助于揭示人工驯化和人类选择对蔓菁的遗传分化的影响,以及蔓菁适应高原生态环境的适应性机制。
段元文
本数据集来源于论文:Su, T. et al. (2019). No high tibetan plateau until the Neogene. Science Advances, 5(3), eaav2189. doi:10.1126/sciadv.aav2189 数据为该论文的补充数据,主要包含研究人员搜集的棕榈化石记录,与伦坡拉盆地棕榈化石相近的棕榈属的气候范围数据,以及伦坡拉盆地化石与现代棕榈属化石的形态比较数据。 2016年,研究团队在青藏高原中部伦坡拉盆地(32.033°N, 89.767°E)发现了保存较为完好的棕榈化石,将其与已有的棕榈化石进行了比较,发现它和已有的棕榈化石形态都不相同,因此,研究人员建立了一个新种——西藏似沙巴棕(<em>Sabalites tibensis</em> T. Su et Z.K. Zhou)。研究人员利用棕榈化石结合古气候模型重建了青藏高原中部的古高程,得出结论:新近纪之前青藏高原还没有出现。 数据中包含的表格如下: (1)Table S1. Fossil records of palms around the world(世界范围内的棕榈化石记录) (2)Table S2. Morphological comparisons between fossils from Lunpola Basin and modern palm genera(伦坡拉盆地化石与现代棕榈属化石的形态比较数据) (3)Table S3. Climate ranges of 12 living genera that show the closest morphological similarity to S. tibetensis T. Su et Z.K. Zhou sp. nov.(与新发现的西藏似沙巴棕化石(<em>S. tibetensis</em> T. Su et Z.K. Zhou sp. nov)形态最接近的12个现存棕榈属的气候范围) 数据也包含论文补充数据中的图形数据。
苏涛
本数据集来源于论文:Chen, J.*#, Huang, Y.*#, Brachi, B.*#, Yun, Q.*#, Zhang, W., Lu, W., Li, H., Li, W., Sun, X., Wang, G., He, J., Zhou, Z., Chen, K., Ji, Y., Shi, M., Sun, W., Yang, Y.*, Zhang, R.#, Abbott, R. J.*, & Sun, H.* (2019). Genome-wide analysis of Cushion willow provides insights into alpine plant divergence in a biodiversity hotspot. Nature Communications, 10(1), 5230. doi:10.1038/s41467-019-13128-y. 本数据集包含青藏高原高山植物小垫柳Fasta格式的基因组组装文件,包括核苷酸(DNA)、核糖核酸(RNA)、蛋白质编码序列(Protein)序列数据,以及gff格式的基因组组装注释文件。 组装等级:染色体级别 基因组覆盖程度:全基因组 参考基因组:是 组装方法:SMARTdenovo 1.0; CANU 1.3 测序方法及测序深度: PacBio, 125×; Illumina Hiseq X Ten, 43×; Oxford Nanopore Technologies, 74× 基因组组装统计: 基因组大小(bp):339,587,529 GC含量:34.15% 染色体数量:19 细胞器基因组数量:2 基因组组装序列数量:30 最大组装序列长度(bp):39,688,537 最小组装序列长度(bp):57,080 平均组装序列长度(bp):11,319,584 基因组组装序列N50(bp):17,922,059 基因组组装序列N90(bp):13,388,179 全基因组组装注释: Protein:30,209 tRNA:784 rRNA:118 ncRNA:671 详细的注释信息请参见附件。 本数据集中也包含文章中Supplementary Information中的表格数据,数据列表参见附件。 基因组项目号为:GWHAAAA00000000(https://bigd.big.ac.cn/gwh/Assembly/663/show)。
陈家辉, 杨永平, Richard John Abbott, 孙航
(1)本数据集是申扎高寒湿地2016-2019年的碳通量数据集,包含空气温度、土壤温度、降水、生态系统生产力等参数。(2)该数据集以野外涡度相关实测数据为基础,采用国际上公认的涡度相关数据标准处理方法,基本流程包括:野点剔除-坐标旋转-WPL校正-储存项计算-降水同期数据剔除-阈值剔除-异常值剔除-u*校正-缺失数据插值-通量分解与统计。本数据集还包含了基于涡度相关数据集标定后的模型模拟数据。(3)该数据集已经过数据质量控制,数据缺失率为37.3%,缺失数据已采用插值方式补充。(4)该数据集对认识高寒湿地碳汇功能具有科学价值,也可以用于机理模型的矫正和验证等。
魏达
该数据集包含了2019年05月01日至2019年12月31日青海湖流域地表过程综合观测网高寒草甸草原混合超级站的物候相机观测数据。站点位于青海省天峻县苏里路旁侧,下垫面是高寒草甸和高寒草原的混合。观测点经纬度为:东经 98°35′41.62″E,北纬 37°42′11.47″N,海拔3718m。该物候相机采用垂直向下的方式采集数据,拍摄数据分辨率为2592*1944,本数据集中的物候照片是在每天12:10拍摄的,拍摄时间误差在±10 min。图片命名方式为BSDCJZ BEIJING_IR_Year_Month_Day_Time.
李小雁
本数据集包括祁连山地区重点区域2019年5月至2019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10m。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
地表温度是地表能量平衡的重要参量之一。本数据集为2019年7-9月逐月的黑河流域典型站点无人机遥感地表温度数据;飞行使用大疆M600 pro无人机搭载FLIR VUE pro热像仪,分别以湿地内的SD站、绿洲内的DM站和荒漠内的HZ站为中心,观测了地表温度获取了地表亮温图像,无人机的飞行高度约300m,热像仪的像素为336x256,图像的空间分辨率为0.4m。地表温度反演算法为改进的单通道算法,将该算法应用于无人机热红外遥感传感器获取的地表亮温数据,最终得到0.4m空间分辨率的地表温度数据。
周纪, 刘绍民, 王子卫
地表反照率是地表能量平衡的重要参量之一。本数据集为2019年植被生长季逐月的黑河流域典型站点无人机遥感地表反照率数据。地表反照率算法为统计回归方法,即基于6S模型和大量的典型地物光谱反射率数据,建立的从窄波段反射率到宽波段反照率的经验回归模型。将该回归模型应用于无人机多光谱遥感传感器获得的地表反射率,最终得到0.2 m空间分辨率的地表反照率数据。本数据集经过了辐射定标、几何校正,与地面站点实测数据的验证结果显示,均方根误差为0.049。本数据集提供了超高分辨率的地表反照率数据,可以作为卫星遥感尺度和地面观测尺度之间的“桥梁”,并为从事高分辨率和超高分辨率遥感数据工作的科研工作者提供数据支持。
周纪, 刘绍民, 董惟琛
本数据集包括黑河流域2019年5月至2019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10m。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
归一化植被指数在研究植被长势、地物分类方面有重要作用。本数据集为2019年植被生长季逐月的黑河流域典型站点无人机遥感NDVI(Normalized Differential Vegetation Index)数据,空间分辨率为0.2 m。NDVI数据获取流程为将无人机拍摄后的单幅影像通过pix4D mapper进行拼接,并由pix4D mapper自动进行拼接后影像的植被指数计算。最后将pix4D mapper拼接的单航次影像利用ArcGIS镶嵌得到整个飞行区域影像。
周纪, 刘绍民, 金子纯
该数据集包含了2019年6月1日至2019年9月20日的黑河水文气象观测网下游混合林站叶面积指数观测数据。站点位于内蒙古额济纳旗四道桥,海拔870 m,下垫面是胡杨与柽柳混合。观测在混合林站(101.1335E, 41.9903N)旁开展,样方大小约30m×30m,每个样方内布设5个冠层下节点和1个冠层上节点。 本数据集由叶面积指数无线传感网(LAINet)获取,该仪器原始观测数据为仪器自动获取的每个节点逐日逐小时的光照数据(Level0),利用LAINet软件对原始观测数据进行处理,逐节点计算每天LAI(Level1),进一步对无效值识别与填充,并7天滑动平均消除天气变化对LAI计算的影响(Level2),对有多个LAINet节点的观测子区,节点的均值为该子区的最终观测值(Level3)。 本次发布的数据集为处理后的Level3产品,数据以*.xls格式存储。 黑河流域地表过程综合观测网或站点信息请参考Liu et al. (2018),观测数据处理请参考Qu et al. (2014)。
刘绍民, 屈永华, 徐自为, 李新
该数据集包含2019年1月1日至12月31日石羊河流域地表过程综合观测网西营河站的物候相机观测数据,该仪器由北京师范大学自主研发并进行处理。物候相机集成数据获取与数据传输功能。该物候相机采用垂直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)、物候期及覆盖度(Fc)。
赵长明, 张仁懿
该数据集包含2019年4月26日至10月31日大通河流域地表过程综合观测网连城站的物候相机观测数据,该仪器由北京师范大学自主研发并进行处理。物候相机集成数据获取与数据传输功能。该物候相机采用垂直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)、物候期及覆盖度(Fc)。
赵长明, 张仁懿
该数据集包含2019年3月26日至10月31日疏勒河流域地表过程综合观测网瓜州站的物候相机观测数据,该仪器由北京师范大学自主研发并进行处理。物候相机集成数据获取与数据传输功能。该物候相机采用垂直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)、物候期及覆盖度(Fc)。
赵长明, 张仁懿
该数据集包含了2019年6月1日至2019年9月20日的黑河水文气象观测网下游四道桥超级站叶面积指数观测数据。站点位于内蒙古额济纳旗四道桥,海拔870 m,下垫面是柽柳。观测在四道桥超级站(101.1374E, 42.0012N)旁开展,样方1个,大小约30m×30m,每个样方内布设5个冠层下节点和1个冠层上节点。 本数据集由叶面积指数无线传感网(LAINet)获取,该仪器原始观测数据为仪器自动获取的每个节点逐日逐小时的光照数据(Level0),利用LAINet软件对原始观测数据进行处理,逐节点计算每天LAI(Level1),进一步对无效值识别与填充,并7天滑动平均消除天气变化对LAI计算的影响(Level2),对有多个LAINet节点的观测子区,节点的均值为该子区的最终观测值(Level3)。 本次发布的数据集为处理后的Level3产品,数据以*.xls格式存储。 黑河流域地表过程综合观测网或站点信息请参考Liu et al. (2018),观测数据处理请参考Qu et al. (2014)。
刘绍民, 屈永华, 徐自为, 李新
本数据为2018年哈萨克斯坦首都努尔苏丹生态屏障空间分布图,图中的地物类型主要包括防护林、道路、建筑、湖泊以及河流等。数据源为2018年8月的四景哨兵影像,分辨率为10米。同时,叠加OpenStreetMap(OSM)全球地物矢量图。该数据集经过校正处理,较为准确。防护林斑的提取通过目视解译与实地野外调查相结合,精度较高。数据反映了哈萨克斯坦首都努尔苏丹城市生态屏障空间分布现状,同时,对于长时间的防护林时空格局的变化监测,也具有重要的参考价值。
王永东
该数据集包含2019年8月28日至2019年12月31日黑河流域地表过程综合观测网中游大满超级站的物候相机观测数据,该仪器由北京师范大学自主研发并进行处理。物候相机集成数据获取与数据传输功能。该物候相机采用垂直向下的方式采集数据,拍摄数据分辨率为1280*720,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)、物候期及覆盖度(Fc)。 黑河流域地表过程综合观测网或站点信息请参考Liu et al. (2018)。
刘绍民, 屈永华, 徐自为, 李新
该数据集包含2019年8月28日至2019年12月31日黑河流域地表过程综合观测网下游混合林站的物候相机观测数据,该仪器由北京师范大学自主研发并进行处理。物候相机集成数据获取与数据传输功能。该物候相机采用垂直向下的方式采集数据,拍摄数据分辨率为1280*720,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)。 黑河流域地表过程综合观测网或站点信息请参考Liu et al. (2018)。
刘绍民, 屈永华, 徐自为, 李新
该数据集包含2019年8月28日至2019年12月31日黑河流域地表过程综合观测网中游阿柔超级站的物候相机观测数据,该仪器由北京师范大学自主研发并进行处理。物候相机集成数据获取与数据传输功能。该物候相机采用垂直向下的方式采集数据,拍摄数据分辨率为1280*720,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)和归一化绿度指数。 黑河流域地表过程综合观测网或站点信息请参考Liu et al. (2018)。
刘绍民, 屈永华, 徐自为, 李新
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