陆表水域是陆地水循环中的重要载体。卫星遥感是陆表水体动态监测的有效手段，陆地水域时空演变可揭示自然因素及人类活动对水域的影响规律，对合理开发、利用和保护陆表水域有重要的意义。SSWMF全国逐月无缝陆表水域数据集是基于联合多源光学和雷达卫星观测、适用于大范围陆表水域动态监测方法SSWMF提取得到，输入数据包括MODIS、Landsat8、Sentinel 2的地表反射率数据和Sentinel 1的后向散射系数数据，基于Google Earth Engine遥感大数据平台计算得到。验证表明数据集的总体精度为92.39%。本数据集覆盖全国及周边区域，时间步长为每月，空间分辨率为30米。联合多星光学和雷达遥感的大范围陆表水域数据集可为湖泊水体动态、区域水旱灾害监测、水资源调查等提供帮助。
杨永民
数据集包含2002年至2018年中国陆地土壤水分数据，单位为m³/m³，时间分辨率为月，空间分辨率为0.05°。它由3个被动微波遥感产品制成：日本宇宙航空研究开发机构（JAXA）的 AMSR-E 的 Level 3 土壤水分数据和 AMSR2 的 Level 3 土壤水分数据，以及由法国农业科学研究院（INRA）和法国空间生物圈研究中心（CESBIO）研发的 SMOS 产品的土壤水分数据。为了应对被动微波土壤水分产品空间分辨率低的不足，研究人员基于温度植被干旱指数（TVDI）建立了空间权重分解（SWD）模型，其中，TVDI由中分辨率成像光谱仪（MODIS）的地表温度（LST）MYD11C3数据和归一化植被指数（NDVI）MYD13C2数据计算而来。整体而言，降尺度的土壤水分产品与实地测量结果一致（R >0.78），且均方根误差较低（ubRMSE < 0.05 m³/m³），这表明数据在整个时间序列中具有良好的准确性。数据集可以广泛应用于水文及干旱监测，并且可以作为生态和其他地球物理模型的重要输入参数。
毛克彪
本数据集包括祁连山区域2020年1月-12月月度最大值合成的30m空间分辨率地表植被净初生产力产品。利用 Landsat8 OLI 和sentinel 2多光谱遥感影像的红光和近红外两个通道的反射率数据，计算NDVI实现对地表月度NDVI产品的合成，进而利用经验模型计算NPP。最后，采用最大值合成 (Max value composition, MVC) 方法对月度植被净初生产力求取最大值输出月度NPP产品。
吴俊君, 仲波
本数据集包括祁连山区域2020年1月-12月月度最大值合成的30m空间分辨率地表植被指数产品。利用 Landsat8 OLI 和sentinel 2多光谱遥感影像的红光和近红外两个通道的反射率数据，计算NDVI实现对地表月度NDVI产品的合成。最后，采用最大值合成 (Max value composition, MVC) 方法对月度植被指数求取最大值输出月度NDVI分幅产品，数据集共计25.7GB。
吴俊君, 仲波
本数据集包括祁连山区域2020年1月-12月月度最大值合成的30m空间分辨率地表叶面积指数产品。利用 Landsat8 OLI 和sentinel 2多光谱遥感影像的红光和近红外两个通道的反射率数据，计算NDVI实现对地表月度NDVI产品的合成，进而利用经验模型计算LAI。最后，采用最大值合成 (Max value composition, MVC) 方法对月度叶面积指数求取最大值输出月度LAI产品，
吴俊君, 仲波
本数据集包括祁连山区域2020年1月-12月月度最大值合成的30m空间分辨率地表植被覆盖度产品。利用 Landsat8 OLI 和sentinel 2多光谱遥感影像的红光和近红外两个通道的反射率数据，计算NDVI实现对地表月度NDVI产品的合成，进而利用像元二分法计算FVC。最后，采用最大值合成 (Max value composition, MVC) 方法对月度植被覆盖度求取最大值输出月度FVC产品，
吴俊君, 仲波
青海省湖泊储水总量实测和模拟数据集中包含四个子表：第一个子表是根据遥感影像数据监测得到2000年至2019年的时序湖泊面积数据；第二个子表是结合时序湖泊面积数据和面积-库容方程进行估算的结果；第三个子表存储基于湖泊水下三维模拟模型模拟得到湖泊的面积-容积方程；第四个子表为青海省24个典型湖泊储水量实测和模拟关键参数与结果数据，其中包含每个湖泊的模拟水深、最大水深、模拟时的参考水位与对应的湖泊面积。
方纯, 卢善龙, 鞠建廷, 唐海龙
格陵兰数字高程模型 (DEM) 对于实地工作、冰速计算和质量变化估计是必不可少的。以前的 DEM 已经为整个格陵兰岛提供了合理的估计，但应用源数据的时间跨度可能会导致质量变化估计偏差。为了给 DEM 提供一个特定的时间戳，我们从 2018 年 11 月到 2019 年 11 月应用了大约 5.8×108 ICESat-2 观测来生成一个新的 DEM，包括格陵兰周边的冰盖和冰川。时空模型拟合过程分别在 500 m、1,2 和 5 km 网格单元上执行，最终 DEM 以 500 m 分辨率发布。通过模型拟合获得总共98%网格的高程，剩余的DEM空洞通过普通克里金插值法估计。与机载地形测绘仪 (ATM) 激光雷达系统获取的 IceBridge 任务数据相比，ICESat-2 DEM 的最大中值差异估计为 -0.48 m。通过模型拟合和插值获得的网格的性能相似，都与 IceBridge 数据非常吻合。 DEM 的不确定性在低纬度和高坡度或粗糙度区域增加。此外，与其他高度计衍生的 DEM 相比，ICESat-2 DEM 显示出显着的精度提高，并且精度与立体摄影测量和干涉测量的精度相当。总体而言，ICESat-2 DEM 在各种地形条件下均表现出精度稳定性，可以提供具有高精度的特定时间戳 DEM，这将有助于研究格陵兰岛海拔和质量平衡变化。
范宇宾, 柯长青, 沈校熠
SSTG数据集是2002-2019年的全球海面温度数据，以摄氏度为单位，时间分辨率为月，空间分辨率为0.041°。 数据集是由2种红外辐射计（MODIS，AVHRR）及3种被动微波辐射计（AMSR-E，AMSR2，Windsat）得到的逐日海面温度卫星反演数据和逐日海面温度观测数据相结合，通过一个温度深度和观测时间校正模型校正后产生的。精度评价表明，重建后的数据集有明显改进，可以用于海洋中尺度现象分析。
毛克彪
横断山多尺度致灾、孕灾、承灾数据时空统一数据集包含了由高程数据衍生的一系列地貌数据、年均归一化植被指数数据、年均气温与降雨数据、VIIRS夜间灯光数据。其中地貌数据覆盖横断山地区，植被与气候相关数据覆盖青藏高原，夜间灯管指数数据覆盖全国范围。数据收集时间根据来源不同而异，最早为2000年，最晚为2018年。该数据集主要是为了进行灾害、风险评价而准备。本数据集将这些数据整理进行了重采样、空间校正、光学校正、地貌因子计算、空间统计等流程加工，数据精度与其数据源的原始精度数据一致，未经过降采样等模糊处理。处理过程中采用了科学标准流程，区分了连续与不连续型数据，将处理过程中的数据损失降到最低。
唐晨晓
结合MODIS积雪产品Terra/Aqua（500 m）与IMS（4 km），发展了青藏高原每日无云高分辨率积雪产品 (TAI, 500 m)。其相对于原始的MODIS Terra（云覆盖46.6%）和Aqua（55.1%）、及MODIS Terra-Aqua结合（37.3%），将云遮蔽全部去除。同时，提高了积雪成图，新生成的TAI产品的积雪面积为19.1%，相对于原始的MODIS Terra/Aqua及MODIS Terra-Aqua结合（积雪面积4.7%～8.1%），显示了大大的提高。与青藏高原105个站点雪深数据验证表明，TAI产品的总精度为94%，相对于MODIS Terra（55%）、MODIS Aqua（50%）、及MODIS Terra-Aqua结合（64%），都显示了较大的提高，特别是雪深大于4 cm时效果较好。
张国庆
数据内容：咸海流域2015年-2018年土壤湿度数据。 数据来源及加工方法：来源于美国国家航空航天局，对每天的土壤湿度数据相加得到八天土壤之和，再除以天数得到八天降雨量平均值。 数据质量：空间分辨率为0.25°×0.25°，时间分辨率为8天，每个像元的值为八天土壤湿度的平均值。 数据应用成果及前景：在气候变化背景下，可用于气象要素和植被特征相关关系分析，也可以与其它气象数据相结合分析某种植被类型的区域分布。
刘铁
数据内容：咸海流域2015-2018年蒸散发数据集。 数据来源及加工方法：借助IDL平台，利用SEBS算法和美国国家航空航天局中分辨率成像光谱仪（MODIS）相关数据，求出2015-2018年咸海流域蒸散发结果。 数据质量：空间分辨率为1000m×1000m，时间分辨率为8天。 数据应用成果及前景：在气候变化背景下，可用于气象要素和植被特征相关关系分析，也可以与其它植被数据和生态数据相结合分析土地退化情况。
刘铁
数据内容：咸海流域2019年种植结构数据集。 数据来源及加工方法：将2019年分为三个时间段，将每个时间段内云量最少，质量最高的哨兵2号数据拼接为一张完整地图，得到咸海流域三期哨兵2号遥感影像，并求出三期影像的NDVI值，再结合得到的耕地数据和实地采样数据，用随机森林算法对其分类，最终得到每个地块上的种植结构类型。 数据质量：空间分辨率为10m×10m，时间分辨率为年，Kappa系数0.8。 数据应用成果：可用于农作物产量估算和水资源利用效率计算。
刘铁
数据内容：咸海流域2015年-2018年归一化植被指数数据。 数据来源及加工方法：来源于美国国家航空航天局中分辨率成像光谱仪，提取MOD13A2产品第一波段作为叶面积指数数据，乘以比例因子0.0001。 数据质量：空间分辨率为1000m×1000m，时间分辨率为8天，每个像元的值为八天归一化植被指数的平均值。 数据应用成果：在气候变化背景下，可用于气象要素和植被特征相关关系分析，也可以与其它植被数据相结合分析某种植被类型的区域分布。
刘铁
本数据集提供了中国八种土地覆被类型（森林、草灌、耕地、湿地、水体、建设用地、裸地、永久冰雪）占比数据，空间分辨率为1km，时间序列为2001-2018年。通过加权一致性分析的方法融合了CCI-LC和MCD12Q1数据，生产了China-LCFMCD-CCI(中国土地覆被占比数据），经数据验证和不确定性计算，本数据集具有较好的可信度和较低的不确定性。数据可使用ArcGIS, QGIS, ENVI, and ERDAS等软件打开，可为中国土地覆被变化的研究提供数据基础，对于土地覆被数据产品的应用具有重要意义
刘焱序, 王慧, 王奕佳, 蔡利平
1970年土地利用由MSS影像目视解译而成，整体解译精度达90%以上，土地分类按照中国科学院土地利用分类系统进行，具体分类细则请阅读数据说明文档。 2005年和2015年两期数据集从欧洲太空局 (ESA) 全球土地覆被类型数据获取，包括中亚五国（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）和中国新疆，该数据集有22种土地利用类型，采用IPCC土地利用分类系统，具体分类细则请参阅说明文档。
张弛, 罗格平
该数据集记录了青海省2011-2018年自然与人为因素造成的灾害损失对比。数据统计自青海省自然资源厅，数据集包含12个数据表，分别为：2011年自然与人为因素造成的灾害损失对比，2012年自然与人为造成的灾害情况，2013年青海省自然与人为因素造成的灾害对比，，2014年青海省自然与人为因素造成的灾害对比……，2018年青海省自然与人为因素造成的灾害对比等，数据表结构相同，包含两个字段： 字段1：灾害成因 字段2：占比 按照人为因素和自然因素分类
青海省自然资源厅
拉萨市设施农地数据是基于2018年Google Earth影像解译，空间分辨率为0.52米。拉萨市温室大棚多为规则矩形，且反射率高，便于识别。直接采用目视解译判别各年年底温室图斑，解译过程中剔除了设施农业温室区内面积大于0.10公顷的露天地和宽度大于7米的道路，以及黑色纺织物覆盖的设施养殖大棚；未剔除设施农地间小块空地和田埂。样线验证解译准确率为98%。该数据较好反映了拉萨市设施农地空间格局特征。
王兆锋, 宫殿清
高时空分辨率的遥感影像在土地利用变化检测、灾害监测、生物地球化学参数估计等方面有着非常重要的作用。目前，Landsat多光谱系列卫星数据（包括Landsat TM，ETM+和OLI多光谱波段）是最为广泛应用的多光谱数据之一。以“一带一路”关键节点区域为研究区域，基于2000至2016年Landsat TM/ETM+/OLI系列质量较好的数据，利用Python对数据进行研究区的掩膜裁剪。对于部分数据缺失问题，利用缺失日期的MODIS数据，并结合相邻时相的Landsat-MODIS数据对进行时空融合，得到缺失日期Landsat尺度的数据。最终获得了34个关键节点区域2001-2016逐年8-16天的多光谱遥感影像数据。
殷志祥, 凌峰
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
