土壤水分是全球观测系统提出的关键气候变量之一，在陆气相互作用中起着重要作用。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关键参数，在植被水力学、植被物候学和生物量研究领域中有着广泛应用。 本数据集基于AMSR-E和AMSR2交叉定标亮度温度数据，使用多通道协同反演算法(MCCA)获得了全球第一套具有极化差异的多波段（C/X/Ku）植被光学厚度产品及土壤水分产品。该算法(MCCA)能综合考虑多个通道之间的物理关系，能同时反演出土壤水分和具有频率差异，极化差异的植被光学厚度。 本数据集使用了来自国际土壤水分观测网络和美国农业部发布的共25个土壤水分密集观测站网进行验证，结果表明，在目前公开的与AMSR-E/2相关的土壤水分数据集中，MCCA土壤水分的无偏均方根误差(ubRMSE)最小。此外，MCCA反演得到的具有频率和极化差异的植被光学厚度数据可为植被生理过程中的水通量研究提供新的见解。
胡路, 赵天杰, 居为民, 彭志晴, 姚盼盼, 施建成
该物候数据基于青藏高原2000-2015年MOD13A2数据（时间分辨率为16天，空间分辨率为1km），利用TIMESAT软件中分段高斯函数拟合NDVI曲线，采用动态阈值方法提取春季物候、秋季物候以及生长季长度，其中春季物候和秋季物候的阈值分别设置为0.2和0.7。此物候数据进行了掩膜处理。其中，掩膜规则为：1）必须满足NDVI的最大值出现在6-9月份之间；2）6-9月份NDVI均值不能小于0.2；3）冬季的NDVI均值不能超过0.3。
俎佳星, 张扬建
该数据集为全球植被生产力数据，包含总初级生产力（GPP）、净初级生产力（NPP）和净生态系统生产力（NEP）3部分，由耦合模式比较计划第6阶段（CMIP6）中BCC-ESM1模式在Historical情景下模拟得到。数据时间范围为1850-2014年，时间分辨率为月，空间分辨率约为2.8125°。模拟数据详细说明可见链接https://www.wdc-climate.de/ui/cmip6?input=CMIP6.CMIP.BCC.BCC-ESM1。
郑周涛
生物圈对大气的反馈是全球变化研究的核心内容之一，在大气CO2浓度上升的情况下，陆地生态系统的行为是预测这种反馈效应的主要不确定性因素。CO2浓度升高（eCO2）可以通过增加羧化作用和抑制光呼吸速率直接刺激植物生长和生态系统C的吸收。通过CO2施肥效应（CFE）对光合作用和碳固存的影响，陆地生态系统可以缓冲大气CO2浓度的激增，进而减缓气候变化。为研究CO2加富对植被生产力的影响，在青藏高原北部那曲草原站（31°38′31″N, 92°00′54″E，海拔4600m）开展了CO2加富试验。试验采用分区设计，CO2为主处理因子，N为次处理因子；总共四个实验处理，跨越两个CO2浓度水平[环境CO2 (aCO2)，升高CO2（eCO2）： +100ppm]。考虑到研究区域的植被高度低和多风的天气，采用八角形开顶室（OTCs）来控制二氧化碳浓度，而不是自由FACE系统。OTC设计高2.5米，每边长1.5米，每个OTC占地7.7平方米。
张扬建
植被调查数据是研究生态系统结构与功能必不可少的数据。青藏高原地区蕴含广袤的草地生态系统，主要包括高寒草甸、高寒草地、以及高寒荒漠化的草地。由于独特的地理位置以及高海拔缺氧的环境条件，在藏北高原的群落调查数据较为稀少。本数据集包括2019年藏北样带上47个采样点的的地上生物量和盖度数据，采样时间为7-8月。样方大小为50cm×50cm，烘干后称取植物干重。本数据集可用于生产力的空间分析与模型的校准工作。
张扬建, 朱军涛
该数据集为全球呼吸数据，包含自养呼吸（ra）和异养呼吸（rh）两部分，由耦合模式比较计划第6阶段（CMIP6）中TaiESM1模式在Historical情景下模拟得到。数据时间范围为1850-2014年，时间分辨率为月，空间分辨率约为0.9°x1.25°。模拟数据详细说明可见链接https://www.wdc-climate.de/ui/cmip6?input=CMIP6.CMIP.AS-RCEC.TaiESM1.historical。
美国气候模式诊断和对比计划委员会
本数据集为过去20年间（2001-2020）青藏高原生长季NDVI与植被物候数据集，数据来源为MODIS（MOD13A2）产品，空间分辨率为1km。数据集内容包括：2001-2020年每年生长季（5-9月）平均NDVI、生长季开始日期（SOS）、生长季结束日期（EOS）与生长季长度（DOS）。提取物候采用了两种方法：动态阈值方法和双对数函数法。数据格式为TIFF格式，投影为Sphere_ARC_INFO_Lambert_Azimuthal_Equal_Area。
王泰华, 杨大文
（1）数据内容：全球气候-生态格局演变产品。时间范围包括历史时期1981-2020，空间分辨率0.5°，未来时期2021-2100（未来时期包含四个不同共享社会经济路径：SSP126，SSP245，SSP370，SSP585），空间分辨率1°，每20年1期。 （2）数据来源及加工方法：历史时期选用GLOBMAP 的叶面积指数数据为基础，未来时期融合三个CMIP6模式（ACCESS-ESM1-5，CanESM5，UKESM1-0-LL）的叶面积指数数据。通过多元线性回归构建温度、降水和辐射与叶面积指数之间的关系，提取相应的系数来表征各气候变量对叶面积指数的影响程度，最后通过RGB映射图来表征叶面积指数的气候因素的影响系数。 （3）数据质量描述：全球20年1期，历史时期2期（1981-2000；2001-2020），未来时期共包含四个共享社会经济路径（SSP126，SSP245，SSP370，SSP585），每个路径下4期（2021-2040；2041-2060；2061-2080；2081-2100）。 （4）数据应用成果及前景：该数据可用于气候变化背景下的植被和生态系统演变相关研究。
何斌
光合作用是连接碳和水循环的关键过程，卫星检索的日光诱导叶绿素荧光 (SIF) 可以作为光合作用的有价值的代理。Copernicus Sentinel-5P 任务上的TROPOspheric Monitoring Instrument (TROPOMI) 能够显着改进提供高空间和时间分辨率的 SIF 观测，但数据记录的短时间覆盖限制了其在长期研究中的应用。我们使用机器学习在具有高时空分辨率（0.05°，8 天）的晴朗天空条件下重建 2001-2020 年期间的 TROPOMI SIF (RTSIF)。我们的机器学习模型在训练和测试数据集上表现良好（R^2 = 0.907, regression slope = 1.001）。RTSIF 数据集针对 TROPOMI SIF 和基于塔的 SIF 进行了验证，并与其他卫星衍生的 SIF（GOME-2 SIF 和 OCO-2 SIF）进行了比较。 RTSIF 与总初级生产 (GPP) 的比较说明了 RTSIF 在估算碳通量方面的潜力。这个数据集将在评估长期陆地生态系统光合作用和全球碳水通量方面有重要价值。
陈星安, 黄跃飞, 聂冲, 张硕, 王光谦, 陈世鎏, 陈志超
植被指数（NDVI, Normalized Difference Vegetation Index）可以准确反映地表植被覆盖状况。目前，基于SPOT/VEGETATION以及MODIS等卫星遥感影像得到的NDVI时序数据已经在各尺度区域的植被动态变化监测、土地利用/覆被变化检测、宏观植被覆盖分类和净初级生产力估算等研究中得到了广泛的应用。EVI类似于归一化差异植被指数（NDVI），可用于量化植被绿度。然而，EVI对一些大气条件和树冠背景噪声进行了校正，并且在植被茂密的地区更为敏感。它包含一个“L”值来调整树冠背景，“C”值作为大气阻力系数，以及来自蓝色波段（B）的值。这些增强功能允许将指数计算R和NIR值之间的比率，同时在大多数情况下降低背景噪声、大气噪声和饱和度。本研究工作主要是对NDVI和EVI数据进行后处理，通过转换投影坐标系、数据融合、最大值合成法、剔除异常值和剪裁后给出较为可靠的2013年和2018年的青藏高原的植被情况。
叶爱中
南极半岛植被数据来源于时空三级环境大数据平台的南极先锋植被覆盖分类数据，通过实测光谱匹配遥感影像，应用纯像元PPI提取出苔藓、地衣、岩石、海、积雪的端元波谱和应用线性混合模型LMM（Linear Mixture Model）计算得到。菲尔德斯半岛特色植被覆盖度根据其与丰度的相关线性关系获得。数据格式为geotiff格式。数据内容是南极半岛典型年典型区植被覆盖度。本研究工作通过对南极半岛典型区典型年植被覆盖度后处理后生成tif栅格格式产品，栅格主体数值为植被盖度。本研究得到的南极半岛典型区植被覆盖度是将南极先锋植物丰度数据产品进行镶嵌，包括南极半岛及周边植物丰度数据产品。通过ArcGIS将南极半岛典型区域包括Adley，北部和南部镶嵌在一起，得到包括2008年、2017年和2018年的光谱角匹配法（SAM）和光谱信息散度法（SID）识别出的6幅植被覆盖度图。
叶爱中
该数据集包含了2021年01月01日至2021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。其中2021年1月31日至4月14日，由于相机内存问题导致该时段数据缺失。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
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
青藏高原丰富的生境多态性使其成为自然资源的宝库，高原植物中存在抗寒、耐旱、抗盐、抗紫外辐射、高光效等特殊的基因资源，如何挖掘利用并建立具有独立自主产权的功能基因资源，对我国现代农作物育种具有重要的潜在应用价值。高质量的染色体级基因组为解析植物适应性机制、抗逆性基因挖掘等相关研究提供了坚实的分子基础。本次数据汇交的内容主要为：大戟科青藏大戟的基因组数据集，包含染色体级基因组序列，注释文件；大戟科续随子的基因组数据集，包含染色体级基因组序列，注释文件；大戟科光棍树的基因组数据集，包含染色体级基因组序列，注释文件；豆科砂生槐的基因组数据集，包含染色体及基因组序列，注释文件。
杨永平
1）数据内容：祁连山典型小流域植被-土壤-岩石三维空间结构CT扫描数据集，数据包括祁连山典型小流域不同深度苔藓层体积密度、土壤大孔隙度和土壤石砾体积密度数据；2）数据来源及加工方法：在祁连山典型小流域采集苔藓层和苔藓覆盖下深度为30 cm的原状土柱，利用工业X射线三维显微镜对苔藓层和原状土柱进行扫描；3）数据质量描述：苔藓层分辨率40 μm，原状土柱分辨率68 μm；4）数据应用成果及前景：祁连山典型小流域植被-土壤-岩石三维空间结构CT扫描数据集对于祁连山区的生态恢复、水资源管理和利用均有着重要意义，可为阐述祁连山的水源涵养功能及机理提供基础数据和理论支撑。
胡霞
该数据集包含了2021年7月22日至2021年9月5日的黑河水文气象观测网中游大满超级站叶面积指数观测数据。站点（100.376° E, 38.853° N）位于甘肃省张掖市大满灌区内，海拔1556m，下垫面是玉米。观测样方共计3个，每个样方大小约30m×30m，经纬度分别为（100.374°E, 38.855°N）、（100.371° E, 38.854°N）、（100.369°E, 38.854°N）。每个样方内布设4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5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, 车涛, 屈永华, 徐自为, 谭俊磊, 李新
该数据集包含2021年5月2日至12月26日黑河流域地表过程综合观测网下游四道桥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）。 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, 车涛, 徐自为, 任志国, 李新
该数据集包含2021年1月1日至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。本数据集为相对绿度指数（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, 车涛, 徐自为, 谭俊磊, 任志国, 李新
该数据集包含2021年1月1日至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）。 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, 车涛, 徐自为, 张阳, 李新
森林是陆地上重要的生态系统，约占陆地总面的三分之一，在调节气候，为物种提供栖息地和维持全球生态系统平衡等方面发挥着重要作用。而树冠覆盖度的动态变化会影响森林生态系统的结构、组成和功能。利用长时间序列的Landsat数据，基于机器学习方法获得了1990-2020年尺度的30m空间分辨率的树冠覆盖度数据。利用年尺度的树冠覆盖度数据，生成了1990-2020年东喜马拉雅树冠覆盖度变化速率数据集。结果显示，该地区平均树冠覆盖度从40.67%（1990年）增加到43.43%（2020年），增加了2.76%，表明该地区森林在过去几十年里有所改善。
王春玲, 王建邦, 何卓昱, 冯敏
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
