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
沱沱河源区植被类型图是基于 319 个地面采样点数据结合随机森林(RF)分类方法进行创建的。随机森林分类器的16个输入变量包括了Landsat-8的可见光、短波红外和热红外波段值及其反演的植被指数和地表温度数据等。根据研究区的植被特征及多年冻土模拟的需要,该图对高寒沼泽草甸(alpine swamp meadow)、高寒草甸(alpine meadow)、高寒草原(alpine steppe)和高寒沙漠(alpine desert )等4种植被类型进行了分类。图件的空间分辨率为30 m,可以提供更细节的植被类型的位置信息。
邹德富, 赵林, 刘广岳, 杜二计, 胡国杰, 李智斌, 吴通华, 吴晓东, 陈杰
基于环境敏感区指数(ESAI)方法,计算获得2021年阿拉伯半岛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。验证结果表明阿拉伯半岛的荒漠化风险数据精度可靠。
许文强
本植被含水量数据集来源于滦河流域土壤水分遥感试验中的地面同步观测,包括:(1)70 km×12 km 典型试验区(南北航线)的17个样区;(2)165 km×5 km复杂试验区(东北—西南航线)的8个样区;(3)地基微波辐射计观测的6个样区。地物类型包括草地、玉米、土豆、莜麦和胡萝卜。数据测量时间为2018年9月13日到2018年9月26日。植被含水量的测量方法为收获法,行播作物按照长度进行收获,草地按照面积进行收获。本数据集经过称重、烘干和植被含水量计算等步骤处理得到。
郑兴明, 姜涛
本数据集是2019年9月川藏铁路沿线典型植被无人机高光谱观测数据,使用的是大疆M600 Resonon成像系统的机载光谱仪。包括2019年在拉萨的草原区域观测的高光谱数据,自带经纬度。高光谱调查时基本为晴天。飞行前进行了白板校准;采集数据时设有靶标(即适于草地的标准反光布),用于光谱校准;设有地面标志点(即有字母的泡沫板照片),并记录了每个标志点的经纬度坐标,用于几何精确校准。无人机高光谱相机记录的dn值,可使用Spectronon Pro软件转换为反射率。高光谱数据用于提取不同植被类型光谱特征、植被分类、反演植被覆盖度等。
周广胜, 汲玉河, 吕晓敏, 宋兴阳
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