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
本数据集为2020年祁连山重点区域人类活动数据。以祁连山重点区域的矿山开采、违规房屋整改、新增道路、土地平整及生态修复等资料为基础，利用高分一号、高分二号、资源三号高分辨率遥感影像，对比统计前后变化地块。对祁连山重点区域地类发生变化的地块，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2020年祁连山重点区域矿山开采、违规房屋整改、新增道路、土地平整及生态修复等属性信息，统一进行图斑及其属性的录入和编辑，形成2020年祁连山重点区域2m空间分辨率人类活动数据集，总体分类精度优于95%。本数据集实现了祁连山重点区域生态治理的现势性和时效性，为2020年祁连山重点区域人类活动监测提供数据支撑。
祁元, 张金龙, 袁晶, 周圣明, 王宏伟
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
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
本数据采用Chen et al. 2017 JHM研究的方法，利用MYD11C3.00６和MＯD11C3.006两种产品计算得到全天空的地表温度结果，具体计算程序见本数据集的Global_monthly_LST.m。数据格式为*.mat, Global_monthly_LST.m程序给出了实例如何读取该数据。该数据空间分辨率为0.05度，网格中心的经纬度信息分别保存在latitude.mat和Lonitud.mat，由于内陆湖泊、水体的发射率反演的问题，本数据将所有内陆湖泊和水体的地表温度给了NaN值，具体采用的mask见mask.mat文件。经过与全球156个站点观测的LST的验证，总体RMSE为2.69k,mean bias为0.4K，在干旱和半干旱地区的RMSE为2.62K, mean bias为0.94.K.
陈学龙, Bob Su, 马耀明
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
基于环境敏感区指数（ESAI）方法，计算获得2019年伊朗高原栅格荒漠化风险数据。ESAI方法考虑土壤，植被，气候和管理质量，是监测荒漠化风险最广泛的方法之一。根据ESAI指标框架，选择了14个指标计算四个质量领域，每个质量指数均由几个指标参数计算获得。参考前人研究，确定每个参数分类及其阀值。然后，根据每个类别在荒漠化的敏感性中的重要性以及与荒漠化过程的开始或不可逆转的退化关系，把每个类别分配了1（最低敏感度）和2（最高敏感度）之间的敏感性得分。关于如何选取指标以及与荒漠化风险和得分相关性，在Kosmas的研究中提供了更全面的描述。主要指标数据集来源于联合国粮农组织的世界土壤数据，欧空局的土地覆盖数据和AVHRR数据。所有栅格数据集重采样到500m并合成年度值。尽管验证综合评估指数存在困难，但根据ESAI值的时空比较，对荒漠化风险进行了间接验证，包括对ESAI与稀疏植被和草地转变关系的定量分析和分析ESAI与植被净初级生产力之间的关系。验证结果表明伊朗高原的荒漠化风险数据精度可靠。
许文强
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
该数据集是通过MODIS各通道反射率和SIF观测数据建立神经网络模型，从而得到较高时空分辨率的SIF数据，常作为初级生产力的参考。数据来源于Zhang et al. (2018)，具体算法参见文章。源数据范围为全球，本数据集选取了青藏高原区域。本数据将原本的4天时间尺度数据集成至月数据，加工方法为取月最大值，尽可能达到去除噪声的效果。该数据集常被用作评定植被绿度和初级生产力的时间和空间格局，具有实际意义和理论价值。
张尧
基于MODIS卫星遥感数据，计算中蒙俄经济走廊区整体的植被盖度（VC）。传统的VC计算公式选取归一化植被指数（NDVI）做为变量。为订正土壤背景以及大气作用带来的偏差，本数据集在VC计算过程中，用增强型植被指数（EVI）代替NDVI。其原始数据为1千米分辨率Terra MODIS植被指数第6版数据（MOD13A3）中的增强型植被指数数据。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。中蒙俄经济走廊是沙漠化高风险区，目前，走廊区沙漠化发展大致沿中蒙交通干道延展，且在城市人口密集区沙漠化程度最为严重。植被盖度数据中可以有效提取区域沙漠化信息，这将为交通管线灾害风险防治与安全运营提供生态环境方面的数据支撑。
张雪芹
利用长时间序列Landsat遥感数据(1976年的KH-9数据为辅助数据)，人工目视解译获取了念青唐古拉山西段近40年(1970s-2018)共5期冰湖数据，对大于0.0036平方千米的冰湖从类型、规模、海拔、流域4个方面的变化特征进行了详细分析。研究发现，念青唐古拉山西段冰湖持续扩张，数量从1976年的192个增加到2018年的299个，增加了107个(+56%)，相应地总面积由原来的6.75±0.13平方千米扩张到9.12±0.13平方千米，增加了2.37平方千米 (+35%)；冰湖的类型正发生明显的变化；较小规模的冰湖变化较快；冰湖的扩张正向更高海拔发展。
罗玮, 张国庆
植被光合作用是陆地生态系统碳循环的关键组成部分，模拟不同时空尺度上的光合作用活动有助于解决陆地碳收支的难题，也是准确预测未来气候变化方向的重要途径和科学认识陆地生态系统对人类社会可持续发展支持能力的重要前提。目前，虽然多种估算生态系统总初级生产力（GPP）的算法和产品已经相对较为成熟，但是长时间序列的全球GPP产品仍存在较大的差异和不确定性，尤其是其时间变化趋势。日光诱导叶绿素荧光（SIF）遥感是近年快速发展起来的新型遥感技术，SIF与光合过程的紧密联系使得其成为指示植被光合变化的有效探针，也是监测GPP强有力的手段。基于遥感数据获取的一种新型植被指数（NIRv），即归一化植被指数NDVI与近红外波段反射率的乘积，与遥感SIF产品高度相关；基于机理推导、模型模拟和遥感数据的分析结果均显示，NIRv可以作为SIF的替代产品，用于估算全球GPP。 因此，在分析了NIRv作为SIF和GPP探针的可行性基础上，本数据集基于长达40年左右的遥感AVHRR数据和全球数百个通量站点观测，生成了1982-2018年的全球高分辨率长时间序列GP数据，并分析了全球GPP的时空变化趋势，其分辨率为月，0.05度，数据单位为gC m-2 d-1，多年平均的全球GPP大约为128.3 ± 4.0 Pg C yr−1，基于地面通量站点的检验结果表明该数据的均方根误差（RMSE）为1.95 gC m-2 d-1。该数据集可用于全球气候变化和碳循环的相关研究。
王松寒, 张永光
本数据集包括祁连山区域1985-2019年的30m土地覆盖分类产品。该产品首先利用Landsat-8/OLI构造2015年时间序列数据，针对各类地物随时间变化呈现的NDVI时间序列曲线不同，对不同地物特征进行知识归纳，设定规则提取不同地物，得到2015年的土地覆盖分类图。分类系统参考了IGBP分类系统和FROM_LC分类系统，共分为耕地、林地、草地、灌丛、湿地、水体、不透水面、裸地、冰川和积雪共10大类。由Google Earth高清影像和实地调研数据进行精度评价，得出2015年土地覆盖分类产品的总体精度高达92.19%。以2015年的土地覆盖分类产品为基础，基于Google Earth Engine平台的Landsat系列数据和强大地数据处理能力，利用变化检测的思想和方法，生产出1985-2019年的土地覆盖分类产品。对分类产品进行比较，得出基于Google Earth Engine平台生产的土地覆盖分类产品与基于时间序列方法得到的分类产品具有很好的一致性。总之，祁连山核心区的土地覆盖数据集具有较高的总体精度，且基于Google Earth Engine平台样本训练的方法能够在时间和空间上对现有的分类产品进行扩展，能够在长时间序列上反映更多的土地覆盖类型变化信息。其中，1985-2015年的土地利用产品为5年1期，2015-2019年的土地利用产品为1年1期。
杨爱霞, 仲波, 角坤升, 吴俊君
本数据集包括祁连山区域1985-2019年的30m耕地和建设用地分布产品。该产品来源于祁连山区域1985-2019年30m的土地覆盖分类产品。产品生产时使用了NDVI 产品、灯光数据产品、DEM产品和哨兵1号的SAR数据。使用变化监测的方法，在2015年产品的基础上生产出其他年份的产品。产品的总精度优于85%。其中，1985-2015年的土地利用产品为5年1期，2015-2019年的土地利用产品为1年1期。
杨爱霞, 仲波, 角坤升, 吴俊君
本数据集是2009年欧亚大陆草地遥感三级分类图，数据为tif栅格格式，空间分辨率为1公里，三级草地分类为：温性草甸草原、温性典型草原、温性荒漠化草原、温性草原化荒漠、温性荒漠几个类型。 该数据是根据欧空局全球陆地覆盖数据（ESA GlobCover）2009产品GlobCover 2009 land cover map，结合ECMWF网站历史气象数据（降水量，年积温，湿润系数，蒸发量）及DEM数据等加工而成。该数据可为欧亚大陆温性草地分布信息以及时空变异分析提供依据。
唐家奎
西亚地区荒漠化专题数据主要包括：西亚地区沙化土地分布图和西亚地区退化草地分布图，空间分辨率为30m。西亚地区沙化土地分布图包含的土地类型有沙地、盐碱地、裸土地和裸岩石砾地，西亚地区退化草地分布图将草地划分为高覆盖草地、中覆盖草地和低覆盖草地三类。数据由中国科学院新疆生态与地理研究所遥感与GIS重点实验室生产，生产费用由“中国科学院战略性先导科技专项XDA20030101资助”，数据空间分辨率为30m。数据主要是基于2015年TM、ETM遥感影像数据，基于去云、镶嵌与裁剪、拼接、阴影处理等预处理，借助eCognition软件进行面向对象的地类分类，实现软件自动分类和人工信息提取相结合，最后对分类结果进行人工检查与修正。数据验证方式为野外实地验证和高精度影像验证两种方式，验证精度达到85%以上。
本数据集是欧亚大陆温性草地类型时空变异图—中国内蒙古区域三级分类（2009年），数据为tif栅格格式，空间分辨率为1公里，三级草地分类为：温性草甸草原、温性典型草原、温性荒漠化草原、温性草原化荒漠、温性荒漠几个类型。该数据是在已有内蒙古草原的草类型图基础上加工而成。内蒙古草原的草类型图是依据野外调查资料，以内蒙旗县为单位，根据草原类型分类系统，在预判基础上，叠加野外样地资料、遥感影像等信息数据，参考当地历史草原调查数据及相关资料，野外调绘修正而成。 我们选择2000-2009历史气象数据，结合卫星数据进一步分析修正，并进行空间插值计算。得出内蒙区域温性草地三级分类。该数据可用于欧亚大陆温性草地分布信息以及时空变异分析提供依据。
唐家奎
国内生产总值(GDP)是衡指一个国家(或地区)所有常驻单位，在一定时期内，生产的全部最终产品和服务价值的总和，是衡量一个国家的总体经济状况重要指标。根据已有的2015年全球GDP公里格网数据集，通过利用夜间灯光遥感数据、土地覆被类型、植被覆盖情况和地形指数等辅助信息，构建支撑向量机回归克里格降尺度模型来实现34个关键节点区域的百米空间分辨率的GDP预测。针对辅助变量的数据缺失问题，采用克里格插值填补缺值；并通过聚合和重采样方法，获取1-km和500-m夜间灯光、植被指数、土地覆被数据和地形指数，以及100-m地形指数(包括高程、坡度和坡向)。所采用的降尺度模型由趋势和残差预测两部分组成，利用支撑向量机回归建立公里尺度GDP与辅助变量之间的非线性关系，基于变量关系尺度不变的假设，结合精细尺度辅助变量，获取精细尺度GDP趋势预测；再使用克里格插值方法，得到精细尺度GDP残差预测。在降尺度预测中，首先利用1-km和500-m数据，通过降尺度模型得到500-mGDP预测结果；然后根据500-m和100-m数据，再次利用降尺度模型获取34个关键节点区域的2015年百米分辨率GDP预测数据(单位：美元(2011年) )，为区域风险评估提供高分辨率GDP预测数据。
葛咏, 凌峰
利用长时间序列Landsat遥感数据，获取了整个青藏高原近50年（1970s~2021）共15期湖泊观测数据，对大于1平方公里湖泊的数量及面积变化进行了详细分析。研究发现青藏高原湖泊数量从1970年代的1080个增加到2021年的~1400个。相应地，湖泊面积从1970年代的4万平方公里增加到了2021年的5万平方公里，净增加了1万平方公里。青藏高原湖泊并非持续单调地增加。在1970s至1995年间，大部分湖泊呈现萎缩状态；但在1995年之后，除2015年外，青藏高原湖泊的数量和面积总体呈现出持续增加趋势。流域尺度上，除雅鲁藏布流域外，均在扩张。
张国庆
积雪面积比例（fractional snow cover， FSC）是定量描述单位像元内积雪覆盖面积（Snow Cover Area SCA）与像元空间范围的比值。本数据集涵盖区域为北极地区（北纬35°至北纬90°），使用Google Earth Engine平台，采用的初始数据为MOD09GA 分辨率为1000m的全球地表反射率产品，数据制备时间为2000年2月24日至2019年11月18日。方法为：在训练样本区域，使用Landsat 8地表反射率的数据和SNOMAP算法制备FSC的参考数据集，将该数据集作为训练样本区域FSC真值，从而建立训练样本区域FSC与基于MODIS地表反射率产品的雪被指数NDSI之间的线性回归模型。使用该模型，将MODIS全球地表反射率产品作为输入，制备北极地区积雪面积比例时序数据。该数据集可为区域气候模拟、水文模型等提供积雪分布的定量信息。
马媛, 李弘毅
本数据集是2000-2018年青藏高原地区归一化植被指数的年内最大值数据（NDVI-AM）。数据为栅格TIFF格式，空间分辨率为250米，栅格数据值域为[-1,1]。可用于青藏高原植被覆盖度变化、草地退化等生态环境变化的研究，也可以为城镇化与生态环境交互胁迫研究提供数据支持。该数据是基于MODIS中分辨传感器MOD13系列的陆地2级标准数据产品计算的（https://modis.gsfc.nasa.gov/data/dataprod/mod13.php）。该2级产品数据是对原始的MODIS原始数据集进行加工后生成的特定应用数据产品。NDVI-AM数据根据其中的归一化植被指数珊格数据，计算每个像元NDVI的年内最大值而加工生成的。
杜云艳, 易嘉伟
基于2015年夏季Landsat8 OLI遥感影像，提取覆盖“一带一路”范围内的典型样点该影像的光谱特征值。波段包括band (0.45 - 0.51μm)、band (0.53 - 0.59μm)、band (0.64 - 0.67μm)、band (0.85 - 0.88μm)、band (1.57 - 1.65μm)、band (2.11 - 2.29 μm)、band (10.60 - 11.19 μm)和band (11.50 - 12.51 μm)等八个，同时基于“一带一路”区域土地利用数据（V1.0）（2015）提取了每个样地的土地覆被/利用类型（10个）。数据包括excel格式和shp格式，shp数据文件为光谱特征数据集每个样地的空间分布及光谱信息。
许尔琪
结合Landsat影像(4215景)、地形图，利用半自动水体提取及人工目视检查编辑，完成了过去60多年来（1960s, 1970s, 1990, 1995, 2000, 2005, 2010, 2015, 2020）详细的中国湖泊(大于1平方公里)数量与面积变化研究。从1960s到2020年，中国湖泊总数量（≥ 1 km^2）从2127个增加到2621个，面积从68537 km^2扩张到82302 km^2 。
张国庆
生态承载力是指在不损害生态系统生产能力与功能完整性的前提下，生态系统可持续承载具有一定社会经济发展水平的最大人口规模，单位为人/平方公里。生态承载力空间分布数据基于VPM模型模拟的NPP数据和FAO农业、林业和畜牧业生产与贸易数据计算得到；以NPP数据为基础结合CCI-CI土地利用数据与各类生态系统地上地下生物量配比参数得到ANPP数据，作为生态供给量；以农林牧生产与贸易数据为基础结合人口数据得到“一带一路”沿线国家人均生态消耗标准，然后将国家尺度数据空间栅格化；将空间栅格化的生态供给量数据与人均生态消耗标准相除得到空间栅格化的生态承载数据。
闫慧敏
中亚地区风速数据集，为tif格式。其空间范围涵盖里海在内的中亚五国地区，包括乌兹别克斯坦、哈萨克斯坦、土库曼斯坦、塔吉克斯坦和吉尔吉斯坦。该数据由GLDAS全球三小时同化数据提取获得。时间分辨率为3小时，空间分辨率为0.25°，时间范围为：2017年平均值。可以利用该数据进行中亚五国的大尺度输沙通量计算，进而估算沙丘的潜在移动速度等参数。该数据集可为中亚地区沙漠油气田与绿洲城镇风沙灾害评估提供数据支撑。
高鑫
本数据集根据最新发布的NOAA全球模拟和绘图项目（GIMMS，Global Inventory Monitoring and Modeling System）长序列（1981-2013）均一化植被指数产品，版本号3g，先将NDVI数据产品从1/12度空间分辨率重采样到0.5度，然后对每年的时间序列采用double-logistic方法进行平滑，并计算平滑后的曲率，选取春季曲率最大值作为植被的春季返青期，该数据可分析泛北极植被春季物候的时空特征。
徐希燕
本数据集为2018年祁连山重点区域土地覆盖/利用数据，空间分辨率2m。本数据集以祁连山地区的气候、海拔、地形地貌、地表覆盖类型等资料为基础，通过高分辨率遥感影像，对地表覆被类型进行解译判读。对影像无法反映的地类，实地核实地类，采集相关数据，核对并修正土地利用类型。同时进一步核对2018年祁连山重点区域土地覆盖/利用类型及植被覆盖情况等属性信息，统一进行图斑及其属性的录入和编辑，形成2018年祁连山地区土地覆盖/利用数据，实现祁连山地区生态治理的现势性和时效性。
祁元, 张金龙, 颜长珍, 段翰晨, 贾永娟
青藏高原多源遥感合成1km积雪覆盖数据集（1995-2018）基于国家卫星气象中心的青藏高原光学仪器遥感1km积雪覆盖数据集（1989-2018）和美国雪冰中心的25km近实时逐日全球冰密集度与积雪范围NISE产品数据集（1995-2019）合成得到，覆盖时间从1995年到2018年（每年1-4月和10-12月两个时段），时间分辨率为逐日，覆盖范围为青藏高原（17°N -41°N，65°E -106°E），采用等经纬度投影，空间分辨率为0.01°×0.01°。数据集以日产品表征了卫星观测时刻的地面是否为积雪所覆盖。输入数据源为NOAA或MetOp卫星AVHRR逐日积雪覆盖产品，TERRA卫星MODIS替代AVHRR对应观测通道生成的逐日积雪覆盖产品，以及DMSP卫星SSM/I或SSMIS逐日全球冰密集度和积雪范围NISE产品。数据集合成方法：以青藏高原光学仪器遥感1km积雪覆盖产品为基础，完全信任其积雪和晴空无雪信息，对有云覆盖、无法判识、缺少卫星观测等区域，在相对高空间分辨率海陆模板的辅助下，利用NISE的陆地有效判识结果进行替换。对于部分水陆边界，因NISE产品空间分辨率较低，合成结果有可能仍存在极少量的云覆盖或者无观测数据区域。基于多年地面气象台站雪深观测资料验证表明，本数据集对晴空条件下地面有无积雪的总体判识准确率在91%以上。数据采用标准的HDF4格式存储，内部有积雪覆盖和质量码两个SDS，维度均为4100列×2400行，且文件内部有完备的属性描述。
郑照军, 曹广真
青藏高原光学仪器遥感1km积雪覆盖数据集（1989-2018）基于星载光学仪器观测数据云雪判识方法制作，覆盖时间从1989年到2018年（每年1-4月和10-12月两个时段），时间分辨率为逐日，覆盖范围为青藏高原（17°N -41°N，65°E -106°E），采用等经纬度投影，空间分辨率为0.01°×0.01°。数据集以日产品表征了卫星观测时刻晴空无云或透明薄云下的地面是否为积雪所覆盖。输入数据源为NOAA与MetOp卫星的AVHRR L1数据，以及从TERRA/MODIS对应于AVHRR通道的L1数据。产品处理方法为独立于云掩模产品的动态阈值决策树算法（DT），即算法同时判别云雪，且其云检测强调保留雪信息，特别是透明卷云下的雪。DT算法针对不同情况，考虑了多种判识手段，如水云上的冰云，森林和沙地的积雪，薄雪或融雪等；根据地表类型、DEM和季节设定动态阈值；采用多种质量控制手段，如在重度气溶胶或烟尘覆盖的低纬度森林中剔除伪雪，参考最大月雪线和最小雪面亮度温度剔除伪雪；优化不同种类型云雪和晴空无雪陆地的判识流程。DT算法在正常情况下能区分大部分云雪，但会低估10月份青藏高原的积雪。基于多年地面气象台站雪深观测资料验证表明，本数据集对晴空条件下地面有无积雪的总体判识准确率在95%以上。数据采用标准的HDF4格式存储，内部有积雪覆盖和质量码两个SDS，维度均为4100列×2400行，且文件内部有完备的属性描述。
郑照军, 除多
湖泊的形成与消失、扩张与收缩对生态环境演化和社会经济发展都有重要影响。由于受气候、生态环境和人类活动等因素的综合影响，湖泊水域范围的变化速度快、幅度大，对观测的频率和分布都有很高的要求。近几十年以来，卫星遥感技术以其快速、覆盖面广、成本低廉等优点，为较大区域的湖泊动态监测提供了重要数据基础。针对大范围、高精度、长时间序列的湖泊变化分析对遥感数据时空分辨率的需求，本数据集基于 Landsat 卫星数据的自动湖泊提取方法（Feng et al., 2015），利用 2000 年以来的 Landsat 多颗卫星的观测数据，收集了2000 年以来的云量小于 80%的所有Landsat 数据，获得共 96278 景影像（约 25T 数据量），结合高性能数据存储和处理能力，提取了青藏高原和中亚地区 2000-2015 年湖泊分布记录，形成了时空一致的逐月水域范围数据集。利用分层随机采样采集样点，通过人工解译，获取能够代表不同时空分布的验证样点。评价结果表明：研究区时间序列水体数据总体精度为 99.45%(±0.59)，水体用户精度（错分）为 85.37% （±3.74），制图精度(漏分)为 98.17%（±1.05）。
冯敏, 车向红
本数据集是2014年青藏高原地区的土地覆被数据，数据为栅格TIFF格式，空间分辨率为300米，包含耕地、林地、草地、水体、城市用地等22个大类，可用于青藏高原城镇化与生态环境交互胁迫的地理本底研究。该数据来自欧空局CCI-LC项目生产的土地覆被数据产品。该数据集采用了WGS84的地理坐标系统，有22个大类。数据的生产融合多种卫星数据资料，包括MERIS FR/RR，AVHRR，SPOT-VGT，PROBA-V等。经验证，该数据集的总体精度在70%以上，当然精度会在不同的地区和覆被类型上存在差异。
杜云艳
本数据集是2010年青藏高原地区的土地覆被数据，数据为栅格TIFF格式，空间分辨率为300米，包含耕地、林地、草地、水体、城市用地等22个大类，可用于青藏高原城镇化与生态环境交互胁迫的地理本底研究。该数据来自欧空局CCI-LC项目生产的土地覆被数据产品。该数据集采用了WGS84的地理坐标系统，有22个大类。数据的生产融合多种卫星数据资料，包括MERIS FR/RR，AVHRR，SPOT-VGT，PROBA-V等。经验证，该数据集的总体精度在70%以上，当然精度会在不同的地区和覆被类型上存在差异。
杜云艳
该数据集主要是第四版本由 CIAT（国际热带农业中心）利用新的插值算法得到的SRTM地形数据，此方法更好的填补了SRTM 90的数据空洞。插值算法来自于Reuter et al.（2007）. SRTM的数据组织方式为：每5度经纬度方格划分一个文件，共分为24行（-60至60度）和72列（-180至180度），数据分辨率90米。 数据使用: SRTM的数据是用16位的数值表示高程数值的（-/+/32767米），最大的正高程9000米，负高程（海平面以下12000米），空值用-32767来表示。
Food and Agriculture Organization of the United Nations（FAO）
本数据集包括了青藏高原祁连山地区自从1980年到2013年以来的逐月的2m高的气温数据。本数据集来源于欧洲中期天气预报中心的第三代ERA-Interim再分析资料，该数据集采用四维变分分析，结合卫星数据误差校正等技术，实现了再分析资料的质量提升。数据集的空间分辨率为0.125°。本数据集是祁连山地区过去30多年以来的气温的网格数据集，可以为祁连山地区的气温变化、生态系统发展演替及相关地球系统模型的研究提供基础依据。
吴晓东
中亚地区荒漠化（土地沙化、盐渍化和植被退化）专题数据主要包括：中亚地区沙化土地分布图、中亚地区盐渍化土地分布图和中亚地区土地植被退化分布图，空间分辨率为1km，时间分辨率为年。中亚地区盐渍化土地分布图将盐渍化土地分为了轻度、中度、重度和极重度盐渍化土地四类。中亚地区土地植被退化分布图将植被退化状况分为了显著改善、轻微改善、稳定或无植被、轻微退化和显著退化五类。数据由中国科学院新疆生态与地理研究所遥感与GIS重点实验室生产，生产费用由“中国科学院战略性先导科技专项XDA20030101资助”。
许文强
数据包含青藏高原地区的土壤有机质数据，空间分辨率为1km*1km，时间覆盖范围为1979-1985年。数据来源是基于第二次土壤普查数据生成的土壤碳含量。土壤有机质主要来源于植物、动物及微生物残体，其中高等植物为主要来源。原始土壤中最早出现在母质中的有机体是微生物。随着生物的进化和成土过程的发展，动物、植物残体及其分泌物就成为土壤有机质的基本来源。数据对于分析青藏高原的生态环境以及衡量区域土壤特征具有重要意义。
方华军
包括塔里木河的降水、蒸发、水储量变化以及土壤水变化逐月数据，降水数据来源于ECMWF，蒸发数据通过基于彭曼公式的能量模型计算，水储量数据通过GRACE重力卫星数据反演得到，GLDAS数据通过美国NOAH的陆面过程模式模拟得到，NDVI数据来自MODIS数据产品。降水和蒸发分辨率为0.5°*0.5°，水储量和土壤水变化数据分辨率为1°*1°。数据为水资源管理和决策提供参考依据。植被数据可为生态变化评估提供基础数据。
许民
中亚地区2017年输沙势数据集，为tif格式。其空间范围涵盖里海在内的中亚五国地区，包括乌兹别克斯坦、哈萨克斯坦、土库曼斯坦、塔吉克斯坦和吉尔吉斯坦。此输沙势为绝对输势，即各个方向的输沙通量的综合，不考虑输沙势的方向。该数据由GLDAS全球三小时同化数据提取计算获得。时间分辨率为月，空间分辨率为0.25°，时间范围为2017年。该数据可以作为沙尘传输模型的重要参数输入，也可用于评估中亚五国沙通量的总体分布情况。该数据集可作为风沙灾害评估的重要参考数据。
高鑫
青藏高原地区属于高原山地气候，气温及其季节变化一直是全球气候变化研究的热点之一。 数据包含青藏高原地区的气温数据，空间分辨率为1km*1km，时间分辨率为月、年，时间覆盖范围为2000年、2005年、2010年、2015年。数据通过对青藏高原地区国家气象站数据进行Kring插值得到。 数据可用于分析青藏高原的气温的时间空间分布情况，此外数据还可用于分析青藏高原的气温随时间变化的规律，对青藏高原的生态环境研究有重要意义。
方华军
基于夜间灯光数据，运用Elvidge在2009年和2012年提出的方法，反演出“一带一路”沿线国家的贫困发生率。该数据与世界银行等发布的基尼系数具有较强的可比性，具有以下四大突出优点：（1）计算单元可根据行政区边界调整，可反映统计上很难实现的大国次区域尺度上的贫困差距等；（2）基于夜间灯光数据估算的空间基尼系数受调查过程等主观因素影响较小，较为客观，且国家之间可比性强，克服了统计口径之间难以统一的难题；（3）调查及汇总周期限制了国家及大国次区域尺度上的更新速度，而基于夜间灯光数据估算的方法更新便捷。（4）因夜间灯光数据有1992-2017年多年连续的年际数据，克服了贫富差距等表征贫困的较长时间序列指标数据难以获取的困难。也正鉴于以上四大突出优点，该套数据集可以更好地支撑课题研究工作，并为摸清“一带一路”沿线国家贫困的基本状况提供科学数据。
张倩
“黑河流域生态-水文综合地图集”获黑河流域生态-水文过程集成研究-重点项目的支持，旨在面向黑河流域生态-水文过程集成研究的数据整理与服务，图集将为研究人员提供一个全面而详实的黑河流域背景介绍及基础数据集。 黑河流域生态水文综合地图集：黑河流域遥感镶嵌图，比例尺1:2500000，正轴等积圆锥投影，标准纬线：北纬 25 47 数据源：黑河流域2010年TM影像数字镶嵌图，黑河流域行政边界数据、黑河流域河流数据集、黑河流域居民点数据等基础数据
王建华, 赵军
SRTM的传感器有两个波段，分别是C波段和X波段，我们现在使用的SRTM都自于C波段。公开发布的SRTM数字高程产品包括三种不同分辨率的DEM 数据: * SRTM1 覆盖范围仅仅包括美国大陆,其空间分辨率为1s ; * SRTM3 数据覆盖全球, 空间分辨率为3s,这是目前使用最为广泛的数据集，SRTM3的高程基准是EGM96的大地水准面，平面基准是WGS84；标称绝对高程精度是±16m，绝对平面精度是±20m。 * SRTM30 数据同样覆盖全球 ,分辨率是30s. SRTM数据存在多个版本，早期的SRTM数据由NASA“喷气推进实验室”(JPL ,Jet Propulsion Laboratory)地面数据处理系统( GDPS)来完成的，数据被称为SRTM3-1。美国国家地理空间情报局对数据做了更进一步的处理，缺少情况得到明显改进，数据称为SRTM3-2。 该数据集主要是第四版本由 CIAT（国际热带农业中心）利用新的插值算法得到的SRTM地形数据，此方法更好的填补了SRTM 90的数据空洞。插值算法来自于Reuter et al.（2007） SRTM的数据组织方式为：每5度经纬度方格划分一个文件，共分为24行（-60至60度）和72列（-180至180度）。文件命名规则为srtm_XX_YY.zip，XX表示列数（01-72），YY表示行数（01-24）。 数据分辨率90米 数据使用:SRTM的数据是用16位的数值表示高程数值的（-/+/32767米），最大的正高程9000米，负高程（海平面以下12000米）。空数据用-32767标准
CGIAR-CSI
“黑河流域生态-水文综合地图集”获黑河流域生态-水文过程集成研究-重点项目的支持，旨在面向黑河流域生态-水文过程集成研究的数据整理与服务，图集将为研究人员提供一个全面而详实的黑河流域背景介绍及基础数据集。 黑河流域1:10万地形分幅索引是图集基础地理篇中一幅，比例尺1:2500000，正轴等积圆锥投影，标准纬线：北纬25 47 数据源：1:10万地形图索引数据、黑河流域边界
赵军, 王建华
中国长序列地表冻融数据集——决策树算法（1987-2009）是利用被动微波遥感 SSM/I亮度温度资料通过决策树分类提取得到。 该数据集采用EASE-Grid投影方式（等积割圆柱投影，标准纬线为±30°），空间分辨率25.067525km，提供逐日的中国大陆主体部分的地表冻融状态分类结果。数据集按年份存放，共由23个文件夹组成，从1987到2009。每个文件夹里包含当年的逐日地表冻融分类结果，为ASCII码文件，命名规则为：SSMI-frozenYYYY***.txt，其中YYYY代表年，***代表儒略日（001~365/366）。冻融分类结果txt文件可直接用文本程序打开察看，还可用ArcView + Spatial Analyst扩展模块或者Arcinfo的Asciigrid命令打开。 提取地表冻融的原始数据来源于由美国国家雪冰数据中心（NSIDC）处理的1987 年以来的逐日被动微波数据，这一数据集采用EASE-Grid（等面积可扩充地球网格）作为标准格式。 中国地表冻融长时间序列数据集——决策树算法（1987-2009）属性由该数据集的时空分辨率、投影信息、数据格式组成。 时空分辨率：时间分辨率为逐日，空间分辨率为25.067525km，经度范围为60°～140°E，纬度为15°～55°N。 投影信息：全球等积圆柱EASE-Grid投影，关于EASE-Grid投影的详细信息见数据准备中关于这种投影的说明。 数据格式：数据集由1987到2009共23个文件夹组成，每个文件夹里包括当年的逐日地表冻融分类结果，按日存储为txt文件。文件命名规则：例如SMI-frozen1994001.txt代表1994年第1天的地表冻融分类结果。该数据集的ASCII码文件是由头文件和主体内容构成。头文件包括行数、列数、x-轴左下点坐标、y-轴左下点坐标、栅格大小、无数据区标值等6行描述信息组成；主体内容为根据行数列数组成的二维数组，以列为优先进行排列，数值为整数型，从1到4，1代表冻结，2代表融化，3代表沙漠，4代表降水。因为该数据集中的所有ASCII码文件所描述的空间为我国全国范围，所以这些文件的头文件是不变的，现将头文件摘录如下（其中xllcenter， yllcenter和cellsize单位为m）： ncols 308 nrows 166 xllcorner 5778060 yllcorner 1880060 cellsize 25067.525 nodata_value 0 该数据集中的所有ASCII码文件可以直接用文本程序（如记事本）打开。除了头文件，主体内容为数值表征地表冻融的状态：1代表冻结，2代表融化，3代表沙漠，4代表降水。如果要用图示来显示的话，我们推荐用ArcView + 3D 或 Spatial Analyst 扩展模块来读取，在读取过程中会生成grid格式的文件，所显示的grid文件就是该ASCII码文件的图形表达。读取方法： [1] 在ArcView软件中添加3D或Spatial Analyst扩展模块，然后新建一个View； [2] 将View激活，点击File菜单，选择Import Data Source选项，弹出Import Data Source选择框，在此框中的Select import file type:中选择ASCII Raster，自动弹出选择源ASCII文件的对话框，点击寻找该数据集中的任一个ASCII文件，，然后按OK键； [3] 在Output Grid对话框中键入的Grid文件名字（建议使用有意义的文件名，以便以后自己查看）和点击存放此Grid文件的路径，再次按Ok键，然后按Yes（要选择整型数据），Yes（把生成grid文件调入到当前的view中）。生成的文件可以按照Grid文件标准进行属性编辑。这样就完成了显示将ASCII文件显示成Grid文件的过程。 [4] 批处理时，可以使用ARCINFO的ASCIIGRID命令，编写成AML文件，再用Run命令在Grid模块中完成： Usage: ASCIIGRID <in_ascii_file> <out_grid> {INT | FLOAT}
晋锐, 李新
该数据集为2000年2月24日至2004年12月31日，分辨率为 0.05度，MODIS数据，数据格式为.hdf，可以用HDFView打开，数据质量良好，缺失的日期如下： 2000年 1-54 132 219-230 303 2001年 111 167-182 2002年 079－086 099 105 2003年 123 324 351-358 2004年 219 349 其中年后面的数字为该年的第n天 Pixel values are as follows: 0: Snow-free land 1-100: Percent snow in cell 111: Night 252: Antarctica 253: Data not mapped 254: Open water (ocean) 255: Fill 文件命名举例如下： Example: "MOD10C1.A2003121.004.2003142152431.hdf" Where: MOD = MODIS/Terra 2003 = Year of data acquisition 121 = Julian date of data acquisition (day 121) 004 = Version of data type (Version 4) 2003 = Year of production (2003) 142 = Julian date of production (day 142) 152431 = Hour/minute/second of production in GMT (15:24:31) 角点坐标为： Corner Coordinates: Upper Left ( 70.0000000, 54.0000000) Lower Left ( 70.0000000, 3.0000000) Upper Right ( 138.0000000, 54.0000000) Lower Right ( 138.0000000, 3.0000000) 其中Upper Left 为左上角，Lower Left 为左下角，Upper Right 为右上角，Lower Right 为右下角。 数据行列数分别为 1360, 1020 地理经纬度坐标，具体信息如下： Coordinate System is: GEOGCS["Unknown datum based upon the Clarke 1866 ellipsoid", DATUM["Not specified (based on Clarke 1866 spheroid)", SPHEROID["Clarke 1866",6378206.4,294.9786982139006, AUTHORITY["EPSG","7008"]]], PRIMEM["Greenwich",0], UNIT["degree",0.0174532925199433]] Origin = (70.000000000000000,54.000000000000000)
National Snow and Ice Data Center（NSIDC）
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
