本数据集数据源为:欧洲航天局多光谱卫星Sentinel-2卫星。其中包含2017年青藏高原湖泊CDOM和DOC年均值数据。使用方法:基于实测样点的CDOM数据,提取影像反射率信息,通过皮尔森相关性分析选择最佳预测变量,构建多元逐步回归CDOM 预测模型,获得青藏高原水体CDOM结果。由于CDOM与DOC具有很好的相关性,所以DOC预测结果通过CDOM计算。最终青藏高原CDOM模型的调整R²达到0.81。
宋开山
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
本数据集来源于论文:(1)He, C., Liu, Z., Tian, J., & Ma, Q., (2014). Urban expansion dynamics and natural habitat loss in China: a multiscale landscape perspective. Global change biology, 20(9), 2886-2902.(2)Xu, M., He, C., Liu, Z., Dou, Y. (2016). How Did Urban Land Expand in China between 1992 and 2015? A Multi-Scale Landscape Analysis. PLoS ONE 11(5): e0154839。本数据集的制作流程主要包括:(1)对夜间灯光数据、植被指数数据和地表温度数据进行预处理,得到了1992-2020年覆盖全国范围的多源遥感数据;(2)通过经济分区、选取训练样本、支持向量机分类和年际序列订正,获取城市建成区动态信息。利用Landsat TM/ETM+数据进行精度评价,得到Kappa系数为0.60,总体精度为92.62%。该数据集已用于评估城市扩展过程对自然生境和耕地的影响,能够为理解中国城市扩展过程及其影响提供数据支持。
何春阳, 刘志锋, 许敏, 卢文路
作物物候是指农作物达到关键生育期时对应的日期。华北平原的主要种植模式是冬小麦和夏玉米轮作,冬小麦和夏玉米关键物候期的变化反映了其生长发育对气候条件和生产管理措施的响应情况和适应性,是评估该地区作物生长状态、灌溉耗水情况的关键参数。 本研究以华北平原冬小麦-夏玉米稳定种植区为研究范围,使用1982-2015年GIMMS3g NDVI数据,综合曲线最大值、最小值、斜率、百分量值等多个特征参数,提取了冬小麦和夏玉米的关键物候期:开始日(SOS),峰值日(PEAK)和结束日(EOS)。提取物候与农气站点记录物候期进行对比,R²在0.9以上,准确度高。(详细过程请见参考文献) 该物候数据集可应用于该地区计算冬小麦和夏玉米生产力、对气候变化响应、灌溉耗水量估算等相关研究。
雷慧闽
华北平原是我国重要的粮食产区,耕地面积广大,种植结构复杂,准确识别该地区典型农作物分布,及时追踪种植结构的动态变化,是检测作物生长、评估作物灌溉耗水和优化农业水资源配置的重要基础。 本研究使用遥感MOD13Q1 NDVI数据,经傅里叶变换后选取0-5级谐波的振幅和初相位作物分类底图。基于现场调研的实测样本点和最大似然监督分类,识别了2001-2018年华北平原6类典型作物(冬小麦-夏玉米、冬小麦-水稻、其他双峰类作物、春玉米、棉花、其他单峰类作物)的种植区分布。识别结果经过混淆矩阵、与县级统计年鉴的冬小麦播种区比较以及与Landsat提取冬小麦占比比较进行了精度评价,均表现良好,准确度高。(详细过程请看参考文献) 数据可被应用于华北平原作物生产、灌溉耗水估算、地下水保护等相关研究分析。
雷慧闽
地表实际蒸散发是陆表水循环的关键环节,同时也是能量平衡的重要支出项,且与地表碳收支密切相关,其准确估算不仅对于研究地球系统和全球气候变化具有重要意义,而且对于水资源有效开发利用、农作物需水生产管理、旱情监测和预测、天气预报等方面具有十分重要的应用价值。ETMonitor全球逐日1公里分辨率地表实际蒸散发数据集是基于多参数化、适用于不同土地覆盖类型的地表蒸散发遥感估算模型ETMonitor计算得到,输入数据主要采用的遥感数据包括GLASS产品(叶面积指数、植被覆盖度和反照率)、MODIS产品(地表覆盖、积雪覆盖)、动态地表水体覆盖、ESA CCI土壤水分、GPM降水等,并结合欧洲中期天气预报中心的ERA5全球大气再分析数据等。利用ETMonitor模型在日尺度上估算1公里分辨率像元尺度的植被蒸腾、土壤蒸发、冠层降水截留蒸发、水面蒸发和冰雪升华,并对各分量求和获得逐像元逐日蒸散发量。利用FLUXNET等地面观测数据进行直接验证,估算结果与地面实测数据一致性较好,逐日蒸散发验证RMSE为0.93mm/d,误差为0.08 mm/d,相关系数为0.75。本数据集将ETMonitor估算获得的逐日蒸散发值(https://doi.org//10.12237/casearth.6253cddc819aec49731a4bc2)进行累积求和运算,获得逐月蒸散发,并转为经纬度投影进行公开发布。本数据集覆盖全球,时间步长为每月,空间分辨率为1公里,单位为mm/月,数据类型为整型,缩放系数为0.1,无效值填充-1。
郑超磊, 贾立, 胡光成
水体覆盖是水循环、能量平衡的基本参数之一。本数据集以1982-2020年AVHRR逐日反射率时间序列为基础,生产了青藏高原39年超长期逐日水体制图产品(包含水体结冰信息)。本数据集包含39个文件夹,以年份命名(从1982年到2020年),每个文件夹包含365/366个GeoTiff文件,每个文件包含两个波段:(1)水体制图波段(WaterLayer);(2)质量控制信息波段(QC)。本产品为青藏高原水体遥感监测提供数据支撑。
计璐艳
及时准确地监测绿洲的时空格局和动态变化对干旱区社会经济的可持续发展至关重要。本研究基于1986年、1990年、1995年、2000年、2005年、2010年、2015年、2018年、2020年共计9期Landsat TM/OLI影像数据,采用OSTU阈值法和人工目视解译相结合的方法获取1986~2020年河西走廊绿洲分布数据,并结合高分辨率Google Earth影像和实地验证数据基于混淆矩阵的方法建立随机样点验证绿洲提取结果的准确性。河西走廊绿洲数据的总体精度超过94%,Kappa系数超过0.88。本数据集可以为河西绿洲生态环境保护提供数据支持。
颉耀文, 张学渊, 刘怡阳, 黄晓君, 李汝嫣, 宗乐丽, 肖敏, 秦梦瑶
青藏高原六大外流河(黄河、金沙江、雅砻江、怒江、澜沧江、雅鲁藏布江)平滩流量条件下河流表面SHP矢量数据,以1km为步长的平滩流量下河宽和面积的SHP矢量和XLS表格数据。 基于现场实测水文和大断面数据(1967-2020年),结合洪水频率分析,确定六大水系沿程的平滩流量、日期和河宽;采用MNDWI指数分别从Sentinel-2(2017-2020年)和Landsat5/7/8(1984-2020年)影像中提取平滩流量下河流表面矢量。 该数据库可作为全球水文数据集的补充,为研究青藏高原河床演变、河流生态、水文模拟、河流水-气界面物质交换等提供基础数据。
李丹, 薛源, 覃超, 吴保生, 陈博伟, 汪舸
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
植被的净初级生产力(Net Primary Productivity,NPP)指绿色植物在单位时间、单位面积上由光合作用产生的有机物质总量(即总初级生产力,Gross Primary Productivity,GPP)中扣除自养呼吸后的剩余部分,NPP作为陆地生态系统的水循环、养分循环和生物多样性变化的基础,是估算地球支持能力和评价陆地生态系统可持续发展的重要生态指标。本数据集包括祁连山区域2021年月度合成30m NPP产品。采用最大值合成(Max value composition, MVC)方法,利用Landsat8和sentinel 2红光和近红外两个通道的反射率数据,实现对地表月度NDVI产品的合成,进而计算NPP。
吴俊君, 李艺, 仲波
叶面积指数(Leaf Area Index,LAI)定义为地面单位投影面积内叶片总面积的一半,是描述植被的核心参数之一。LAI控制着植被的许多生物、物理过程,如光合、呼吸、蒸腾、碳循环和降水截获等,同时为植被冠层表面最初的能量交换提供定量化的信息,是一个十分重要的研究植被生态系统结构和功能的参数。本数据集包括祁连山区域2021年月度合成30m LAI产品。采用最大值合成 (Max value composition, MVC) 方法,利用Landsat8和sentinel 2红光和近红外两个通道的反射率数据,实现对地表月度NDVI产品的合成,进而计算LAI。
吴俊君, 李艺, 仲波
归一化植被指数(Normalized Difference Vegetation Index,NDVI)是近红外波段的反射率值与红光波段的反射率值之差比上近红外波段的反射率值与红光波段的反射率值之和。植被指数合成是指在适当合成周期内选出植被指数最佳代表,合成一幅空间分辨率、大气状况、云状况、观测几何、几何精度等影响最小化的植被指数栅格图像。本数据集包括祁连山区域2021年月度合成30m植被指数产品。采用最大值合成(Max value composition, MVC)方法,利用Landsat 8和sentinel 2红光和近红外两个通道的反射率数据,实现对地表月度NDVI产品的合成。
吴俊君, 李艺, 仲波
植被覆盖度(Fractional Vegetation Coverage,FVC)定义为植被冠层或叶面在地面的垂直投影面积占植被区总面积的比例,是衡量地表植被状况的一个重要指标。本数据集植被覆盖度作为反应植被覆盖状况的评价指标,0%表示地表像元内没有植被即裸地,值越高表明区域内植被覆盖越大。本数据集包括祁连山区域2021年月度合成30m地表植被覆盖度产品。采用最大值合成(Max value composition, MVC)方法,利用 Landsat8和sentinel 2红光和近红外两个通道的反射率数据,实现对地表月度NDVI产品的合成,进而计算FVC。
吴俊君, 李艺, 仲波
充分利用多源植被分类/土地覆盖分类产品各自的优势,通过专门设计与青藏高原植被类型相适应的植被分类体系,选用集成分类方法,在数据可靠性的基础上遵循一致性的原则,制作了青藏高原现状植被图,其在现势性、分类体系的针对性和分类精度上均表现更优。从分类结果的现势性来看,青藏高原现状植被图较早期中国植被图能更好地反映青藏高原植被覆盖现状;从分类体系的针对性来看,青藏高原现状植被图采用了针对青藏高原植被专门设计的分类体系,有利于从多源数据产品中充分提取出具备高可靠性和一致性的植被覆盖信息;从分类精度来看,青藏高原现状植被图的总体精度(78.09%,Kappa系数0.75)较已有相关数据产品提高了18.84% ~ 37.17%,特别是对草地、灌丛等植被类型的分类精度有明显提升。
张慧, 赵涔良, 朱文泉
中国2000-2020年去云积雪反照率产品数据集地理空间范围为72 - 142E,16 - 56N,采用等经纬度投影,空间分辨率0.005°。数据集时间范围覆盖2000年1月1日至2020年12月31日,时间分辨率为8天。数据包含6个要素:黑空反照率(Black_Sky_Albedo)、白空反照率(White_Sky_Albedo)、太阳天顶角(Solar_Zenith_Angle)、云标识(Cloud_Mask)、林区校正标识(Forest_Mask)和反演情况标识(Abnormal_Mask)。黑空反照率要素记录了反演得到的黑空反照率,计算因子为0.0001,数据范围为0-10000。白空反照率要素记录了反演得到的白空反照率,计算因子为0.0001,数据范围为0-10000。太阳天顶角要素记录了太阳天顶角度,计算因子为0.01,数据范围为0-9000。云标识要素记录了像元是否为云,值为0表示非云,值为1表示为云。林区校正标识要素记录了像元是否作为森林类型像元被校正过,值为0表示未校正,值为1表示已校正。反演情况标识要素记录了像元所对应的黑空反照率及白空反照率的反演结果是否为小于0或大于10000的异常值,值为0表示非异常值,值为1表示为异常值。数据集基于MODIS地表反射率产品MOD09GA,积雪产品MOD10A1/MYD10A1和全球数字高程模型SRTM数据,在ART模型基础上发展了积雪反照率反演模型,并利用GEE和本地端交互生产而来。
肖鹏峰, 胡瑞, 张正, 秦棽
雅鲁藏布江流域内巨量固体碎屑物质是记录青藏高原隆升剥蚀历史的重要组成部分之一,不同类型松散沉积物是固体碎屑物质差异输运的直接反映,揭示其空间分布规律及沉积总量,对于深入理解青藏高原的隆升与剥露过程具有重要参考价值。该数据集共包括雅鲁藏布江流域松散沉积物类型及其空间分布图集、厚度空间分布图集和沉积总量估算表等三类图表数据集,以遥感解译与地质填图为主要技术方法,全面厘清了雅鲁藏布江全流域范围内(16个复合子流域)松散沉积物的类型及其空间展布特征,并依据全流域松散沉积物厚度实测数据初步估算了沉积总量。巨量松散沉积物也是流域内滑坡、泥石流、洪沙灾害的重要物质来源,查明其空间展布规模与总量不仅对揭示沉积物源汇过程中记录的地表环境变化、区域构造运动、气候变化、生物地球化学循环等关键信息具有理论意义,同时对高原生态环境监测与保护、洪沙灾害预警与防治、重大基础工程建设和水土保持等具有重要应用价值。
林志鹏, 王成善, 韩中鹏, 白雅俪格, 王新航, 张建, 马星铎, 胡太宇, 张晨敬
本数据集包括祁连山地区2021年逐日地表蒸散发产品,产品分辨率为0.01°。采用高斯过程回归(Gaussian Process Regression,GPR)算法,实现对RS-PM (Mu et al., 2011)、SW (Shuttleworth and Wallace., 1985)、PT-JPL (Fisher et al., 2008)、MS-PT (Yao et al., 2013)、SEMI-PM (Wang et al., 2010a)、SIM (Wang et al.2008) 等6种蒸散发产品的集成。参与蒸散发产品生产的驱动数据包括MODIS(NDVI、Albedo、LAI、PAR),MERRA-2气象再分析数据等。
姚云军, 刘绍民, 尚珂
中国2000-2020年逐日积雪反照率产品数据集地理空间范围为72 - 142E,16 - 56N,采用等经纬度投影,空间分辨率0.005°。数据集时间范围覆盖2000年1月1日至2020年12月31日,时间分辨率为1天。数据包含6个要素:黑空反照率(Black_Sky_Albedo)、白空反照率(White_Sky_Albedo)、太阳天顶角(Solar_Zenith_Angle)、云标识(Cloud_Mask)、林区校正标识(Forest_Mask)和反演情况标识(Abnormal_Mask)。黑空反照率要素记录了反演得到的黑空反照率,计算因子为0.0001,数据范围为0-10000。白空反照率要素记录了反演得到的白空反照率,计算因子为0.0001,数据范围为0-10000。太阳天顶角要素记录了太阳天顶角度,计算因子为0.01,数据范围为0-9000。云标识要素记录了像元是否为云,值为0表示非云,值为1表示为云。林区校正标识要素记录了像元是否作为森林类型像元被校正过,值为0表示未校正,值为1表示已校正。反演情况标识要素记录了像元所对应的黑空反照率及白空反照率的反演结果是否为小于0或大于10000的异常值,值为0表示非异常值,值为1表示为异常值。数据集基于MODIS地表反射率产品MOD09GA,积雪产品MOD10A1/MYD10A1和全球数字高程模型SRTM数据,在ART模型基础上发展了积雪反照率反演模型,并利用GEE和本地端交互生产而来。为了评估ChinaSA的反演质量,利用地面台站的观测数据提出了样方观测验证方法,验证了积雪反照率产品的精度,并与常用的四种反照率产品(GLASS、GlobAlbedo、MCD43A3和SAD)进行了精度对比。验证结果表明,ChinaSA在所有验证中精度都优于其他产品,均方根误差小于0.12,在森林区域的均方根误差能达到0.021。
肖鹏峰, 胡瑞, 张正, 秦棽
华北平原(NCP)是中国最重要的农业生产基地之一,其面积约14万平方公里。除了从黄河取地表水进行渠灌,华北平原还开采大量地下水用于灌溉。高时空分辨率且连续完整的逐日蒸散(ET)估算,将极大提高我们对整个NCP农业用水消耗的认识,服务于农业水资源高效利用。基于双源能量平衡模型(TSEB)和数据融合,本研究在华北平原生成1 km空间分辨率和日尺度,且时间跨度为2008年1月至2019年12月的蒸散数据集。该数据集时空连续完整,且具有较高的空间分辨率。相较于其他产品,该数据集具有可靠的精度,甚至好于已发表的结果。此外,该数据集和相关方法对NCP以及其他农作物种植区的多尺度变化和趋势分析具有重要价值。
张才金, 龙笛
土壤水分是地气交互作用的重要边界条件,是全球观测系统提出的关键气候变量之一;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物理量,在表征植被水分与生物量动态变化中具有重要作用。 本数据集使用多通道协同反演算法获取SMAP观测的土壤水分与植被光学厚度。该算法利用参数间的自约束关系与通道间的理论转换关系进行地表参数反演,反演过程不依赖于其他辅助数据,并适用于多种不同载荷配置。本数据集的土壤水分反演结果包含了融化期的土壤水分含量与冻结期的液态水含量;同时反演了水平和垂直两个极化的植被光学厚度,是全球第一套具有极化差异的L波段植被光学厚度产品。 本数据集基于国际土壤水分观测网络、美国农业部及研究室自建发布的共19个土壤水分密集观测站网(其中包含9个SMAP核心验证站点以及SMAP尚未使用的10个密集观测站点)以及被广泛使用的土壤气候分析网络SCAN进行验证,结果发现MCCA土壤水分反演结果精度优于其它SMAP产品。
赵天杰, 彭志晴, 姚盼盼, 施建成
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
本数据集是一个包含10年(2010-2019)的全球日尺度地表土壤水分数据集,分辨率为36 km,采用EASE-Grid2投影坐标系,数据单位为m3/m3. 数据集采用Yao et al.(2017,2021)发展的土壤水分神经网络反演算法,将SMAP的优势传递到FY-3B/MWRI,利用人工神经网络方法,以SMAP标准土壤水分产品为训练目标,以FY-3B/MWRI的亮温为输入,最终输出长时序土壤水分数据。土壤水分精度和SMAP接近,达到5%左右。( 全球14个密集观测站网的验证精度 )。
姚盼盼, 卢麾, 赵天杰, 武胜利, 施建成
本土壤水分数据集是一个包含8年(2011-2018)的全球时空连续一致的日尺度地表土壤水分数据集,空间格网分辨率为25km,时间分辨率为每天,数据单位为cm3/cm3。数据集采用基于三重配置分析 (TCA: Triple Collocation Analysis)的土壤水分线性融合算法,对SMOS,ASCAT,FY3B,CCI,SMAP五种土壤水分产品分两步进行了融合:第一步,融合2011~2018年SMOS,FY3B和ASCAT土壤水分数据产品;第二步,对第一步融合的2015~2018年间的结果与相应年份的CCI以及SMAP数据产品进行再融合,最终获得2011~2018年间融合的土壤水分产品。最终融合的土壤水分数据在全球空间覆盖比达80%以上。此外,利用全球7个地面观测网络的站点实测土壤水分数据对上述融合的土壤水分产品进行了评价分析,最小RMSE (Root Mean Square Error) 为0.036 cm3/cm3。
贾立, 谢秋霞, 胡光成
本数据集是一个包含接近35年(1984-2018)的全球高分辨率光合有效辐射数据集,其分辨率为3小时/逐日/逐月,10公里,数据单位为W/㎡,瞬时值。该数据集可用于生态过程模拟和全球碳循环的理解。该数据集是基于改进的物理参数化方案并以ISCCP-HXG云产品、ERA5再分析数据、MERRA-2气溶胶数据以及MODIS反照率产品为输入而生成的。验证并和其他全球卫星辐射产品比较表明,该数据集的精度通常比CERES全球卫星辐射产品的精度要高。该全球辐射数据集将有助于未来生态过程模拟的研究和全球二氧化碳通量的估算。
唐文君
本数据集是2017年8月-9月于阿里地区采集的典型地物光谱测量数据。高光谱数据使用ASD便携式地物光谱仪FieldSpec 4测量。进行光谱测量时基本为光线稳定的晴天,测量时记录了云量情况。测量前使用白板进行校准;并使用GPS记录经纬度坐标;记录了测量的植被类型;同时测量了周围土壤的光谱数据。地物光谱仪记录的DN值为.asd格式文件,可使用ViewSpecPro软件读取,并利用EXCEL结合白板数据转换为反射率。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。
刘林山, 张炳华
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
该数据集于2021年5月底至6月在青藏高原野外考察期间使用无人机航拍所得,航片数据量为 3.4 GB,共包含330余张无人机航片。拍摄地点主要位于西藏的拉萨、林芝,云南省的大理、怒江,四川甘孜、阿坝、凉山等州市地区的道路沿线、居民点及其周边地区。所拍航片主要反映拍摄时点当地的土地利用/覆被类型、设施农业用地分布、植被覆盖度等信息,航片具有经纬度和海拔等空间位置信息,不仅可以为土地利用分类提供基础验证信息,而且还能通过计算植被覆盖度,为大尺度区域植被覆盖度的遥感影像反演等工作提供参考。
吕昌河, 张泽民
激光雷达、多光谱和热红外数据是水文、生态、环境监测等研究领域的重要观测数据。本数据集为2020年黑河中游天地一体化综合观测试验无人机观测数据。数据集包括2020年8月16日至21日的无人机遥感数据,无人机平台为大疆精灵4-多光谱版。包括大满超级站(8月16日至21日)、花寨子站(8月19日)、湿地站(8月21日)的激光雷达数据,激光扫描系统为Tovos DroneScan,扫描频率30万点/秒,点密度100点/平方米,扫描精度5厘米;大满超级站(8月18日)、花寨子站(8月19日)、湿地站(8月21日)的多光谱数据,数据集包括5个波段影像,分别为蓝(450nm±16nm)、绿(560nm±16nm)、红(650nm±16nm)、红边(730nm±16nm)、近红外(840nm±26nm)波段;以及湿地站和花寨子站对应生成的NDVI和反射率数据产品,以上数据的空间分辨率约为0.2m;此外,还包括花寨子站(8月18日和19日)、湿地站(8月21日)的热红外数据,热红外通道的波长范围:7.5-13.5μm,成像系统灵敏度(NEDT)< 50MK,最高帧率:30HZ,场景范围(高增益):640×512: -25°至135℃,336×256: -25°至100℃,场景范围(低增益):-40°至550℃。
晋锐
本数据集来源于滦河流域土壤水分遥感试验中的多频多角度地基微波辐射计与雷达主被动协同观测试验。试验地点位于内蒙古自治区正蓝旗昕元牧场(115.93°E, 42.04°N),数据获取于2018年夏季。数据集包含四个部分,即:亮温数据、后向散射数据、土壤数据和植被数据。微波亮温数据由RPG-6CH-DP车载微波辐射计观测得到,包含三个微波波段(L, C和X)的水平和垂直极化亮温,观测入射角变化范围为30-65° (2.5°间隔),数据测量时间间隔为0.5小时。主动微波数据由地基雷达(GBSAR)观测得到,包含了L和C波段四种极化(VV, VH, HH, HV)下的后向散射系数,观测入射角变化范围为30-65°(2.5°间隔)。土壤数据包含地表粗糙度和6层土壤水分和土壤温度(1 cm, 3 cm, 5 cm, 10 cm, 20 cm, 50 cm),采样间隔为10分钟;植被数据为草地的植被含水量。 试验观测时间从2018年8月18日持续到9月25日,数据涵盖的草地多频多角度微波亮温、后向散射系数以及土壤和植被等相关配套数据为陆表微波辐射散射建模与验证、主被动微波亮温降尺度、土壤水分反演算法发展和验证提供了重要资料。
赵天杰, 胡路, 耿德源, 施建成
透明度,作为一种最直观地反映水质特性的指标之一,能够综合地反映水体生态系统的营养状态。光学遥感技术为监测大范围湖泊(包括水库)透明度变化提供了可能。中国湖泊(>1公顷)透明度的年均值数据集覆盖时间从1990到2018年,时间分辨率为5年一期,空间分辨率为30米,使用的数据源为GEE平台的Landsat 长时间序列天顶角反射率产品数据。中国的青藏高原、蒙新高原和东北湖区的影像选择时间主要集中在每年5-10月的非冰期。研究团队利用3种实测透明度数据集进行中国湖泊透明度反演模型的构建与验证。第一种数据集是本研究团队在2004-2018年获取的野外实测数据,该数据集的3/4(976)用来建立模型(红/蓝波段比算法),精度为R2=0.79, rRMSE=61.9%;剩余的1/4(325)用来验证模型,精度为R2=0.80, rRMSE = 57.6%。另外两种数据集是用来验证透明度反演模型的时间迁移性,其中一种数据集是2007-2009年期间由中科院南京地理与湖泊研究所进行湖泊调查获取的实测数据(340),精度为R2=0.78,rRMSE = 59.1%;另一种数据集是1980s-1990s期间第一次湖泊调查结果(229),精度为R2=0.81,rRMSE = 50.6%。模型验证结果表明,透明度反演结果在时空上具有较好的精度和稳定性。最后,基于透明度反演模型,在GEE云平台上编写去云算法、水体指数算法等来实现中国湖泊透明度的反演。该数据集信息有助于决策者或者环境管理者更好改善和保护水质,维持区域的可持续发展。
陶慧, 宋开山, 刘阁, 王强, 温志丹
本数据集来源于滦河流域土壤水分遥感试验中的多频多角度地基微波辐射观测试验,试验地点位于内蒙古自治区多伦县 (42.18°N, 116.47°E),数据获取于2017年。数据集共包含三个部分,即亮温数据、土壤数据和植被数据。微波亮温数据由RPG-6CH-DP车载微波辐射计观测得到,涵盖三种农作物 (玉米、莜麦和荞麦),包括三个微波波段 (L, C和X)的水平和垂直极化亮温,观测入射角变化范围为30-65° (2.5°间隔),时间分辨率为0.5小时。土壤数据包含了三种农作物土壤的5层土壤水分和土壤温度 (2.5 cm, 10 cm, 20 cm, 30 cm, 50 cm),采样间隔为10分钟;土壤数据还包括地表粗糙度、降雨量、灌溉标记和土壤质地。植被数据包括叶面积指数、植株高度、植被含水量等。 试验观测时间从2017年7月19日持续到8月30日,其所涵盖的不同农作物的多频多角度微波亮温及土壤和植被等相关配套数据为陆表微波辐射建模与验证、土壤水分反演算法发展和验证提供了重要资料。
赵天杰, 胡路, 李尚楠, 樊东, 王平凯, 耿德源, 施建成
地表反照率是地表能量平衡的重要参量之一。本数据集为2020年植被生长季(6-10月)逐月的黑河流域典型站点无人机遥感地表反照率数据(花寨子站8月份的数据由于实验开展的技术问题缺失)。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0.029。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。
刘绍民, 周纪, 董惟琛
归一化植被指数结合了不同波段的光谱信息,在研究植被长势、地物分类方面有重要作用。本数据集为2020年6-10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自动进行拼接和影像的植被指数计算。
刘绍民, 周纪, 金子纯, 王子卫
地表温度是地表能量平衡的重要参量之一。本数据集为2020年6-10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WIRIS Pro Sc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。
刘绍民, 周纪, 王子卫
数据包含青藏高原2020年七月份大通河流域十个典型水电站,包括:多龙水电站、沟寺口水电站、金星水电站、卡索峡水电站、连城水电站、纳子峡水电站、石头峡水电站、天王沟水电站、铁迈水电站、学科滩水电站。该航拍图片资料有助于分析大通河流域水电开发的现状。数据由本次科考小组人员通过使用大疆无人机RTK系列和御系列进行航拍,并通过大疆制图软件拼接。航拍图像数据清晰度高,可明显观察到水电站大坝类型、上下游水体面积、引水工程等以及水电站周边地形和土地利用状况。数据可应用于青藏高原水电开发相关研究领域,提供实地图片以作参考。
傅斌
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
中国地表温度数据集包含2003-2017年期间中国(约960万平方公里土地)的地表温度数据,时间分辨率为月尺度,空间分辨率为5600 m。 数据集主要是通过集成MODIS每日数据(MOD11C1和MYD11C1),月数据(MOD11C3和MYD11C3)和气象站数据,以重建月尺度LST图像云覆盖下的真实LST来生成的,然后构建回归分析模型以进一步提高精度。 六个具有不同气候条件的自然分区。 精度分析表明,重建结果与现场测量结果密切相关,平均RMSE为1.39°C,MAE为1.30°C,R2为0.97。 详情请参考引用文献Zhao et al (2020)。
毛克彪
基于青藏高原土壤温湿度观测网玛曲站点建立的地基L波段微波辐射计观测系统(ELBARA-III,由欧洲航空局提供),本数据集囊括了水平和垂直极化的L波段亮温数据,地表及以下不同层土壤湿度和温度数据,地表通量(如感热、潜热、碳通量),气象要素数据(如降水、上下行长波/短波辐射、空气温度和湿度、气压)以及植被叶面积指数LAI和土壤性质等辅助数据。此多年尺度的数据集可用于提高对陆面过程、微波辐射过程的理解,验证SMOS和SMAP卫星亮温观测和土壤湿度反演结果,校验微波辐射传输模型中的假设条件,验证陆面模式输出以及再分析资料,反演土壤物理性质,量化陆-气间的水、碳、能量交换,并将帮助定量化地球系统模型中参数化方案的偏差和不确定性,从而提出相应改进方案。 ELBARA-III双极化亮温数据可通过测量的辐射计电压和校准的内部噪声温度计算得到。该数据质量可靠,其质量控制主要通过:1)对辐射计输出的原始电压数据(以800Hz采样频率)进行直方图检验,利用统计指标过滤射频干扰对ELBARA-III微波信号数据的影响;2)检查辐射计进行天空辐射测量时两天线端口的电压值是否相似,天线电缆有无损耗;3)分析仪器内部温度、主动冷源温度和环境温度;4)分析不同入射角度的双极化亮温的特点。 - 时间分辨率:30分钟 - 空间分辨率:入射角为40°~ 70°,间隔为5°,观测覆盖范围为3.31 m^2~ 43.64 m^2 - 测量精度:亮温,1 K;土壤水分,0.001 m^3 m^-3;土壤温度,0.1 °C - 单位:亮温,K;土壤水分,m^3 m^-3;土壤温度,°C /K
Bob Su, 文军
数据集包括2015年11月27日- 2016年3月26日阿勒泰基站(lon:88.07, lon: 44.73)地面被动微波亮温、多角度亮温、10分钟四分量辐射和雪温、雪坑日观测数据和逐时气象数据。 日雪坑参数包括:积雪分层、分层厚度、密度、粒度、温度。 这些数据存储在5个NetCDF文件中,TBdata.nc, TBdata-multiangle.nc, Ten-minute 4 component radiation and snow temperature.nc, Hourly meteorological and soil data.nc and Daily snow pit data.nc,以及readme.doc。 TBdata.nc 为六通道双偏振微波辐射计RPG-6CH-DP自动采集的两偏振三个通道的亮度温度。内容包括年、月、日、时、分、秒、Tb1h、Tb1v、Tb18h、Tb18v、Tb36h、Tb36v、入射角、方位角。 TBdata-multiangle.nc为两种极化的3个通道的7组多角度亮度温度。 包括年、月、日、时、分、秒、Tb1h、Tb1v、Tb18h、Tb18v、Tb36h、Tb36v、入射角、方位角。 The ten-minute 4 component radiation and snow temperature. nc 为4组分辐射和层状雪温度。 内容包括:年、月、日、时、分、SR_DOWN、SR_UP、LR_DOWN、LR_UP、T_Sensor、ST_0cm、ST_5cm、ST_15cm、ST_25cm、ST_35cm、ST_45cm、ST_55cm。 The hourly meteorological and soil data.nc为每小时天气数据和分层土壤数据。内容包括年、月、日、时、Tair、Wair、Pair、Win、SM_10cm、SM_20cm、Tsoil_5cm、Tsoil_10cm、tsoil_15cm、Tsoil_20cm。 The daily snow pit data.nc为人工雪坑数据。观测时间为当地时间上午8:00-10:100。内容包括年、月、日、雪深、thickness_layer1、thickness_layer2、thickness_layer4、thickness_layer5、thickness_layer6、Long_layer1、Short_layer1、Long_layer2、Short_layer2、Long_layer3、Short_layer4、Long_layer5、Short_layer5、Long_layer6、short_layer6、Stube、snow shovel_0-10、 雪铲_10-20、雪铲_20-30、雪铲_30-40、雪铲_40-50、雪叉_10、雪叉_15、雪叉_20、雪叉_25、雪叉_30、雪叉_35、雪叉_40、雪叉_45、雪叉_50、形状1、形状2、形状3、形状4、形状5。
戴礼云
该数据集包含2014年07月23日至2014年08月18日在黑河下游混合林站和超级站观测的热像仪组分温度数据。观测地点坐标分别为101.1335E、41.9903N和101.1374E、42.0012N,海拔约874m。在混合林站和超级站分别使用Testo890-2(热红外图像:640 × 480,可见光2048 × 1536)和Testo875-2i(热红外图像:160 × 120,可见光640 × 480)热像仪,以通量塔为中心,在10m高度处,拍摄塔周围的地表亮温和可见光图像。在混合林站的观测方向为东北、东、东南、西南和西北,在超级站的观测方向为东北、东南、西南和西北。观测时间范围主要为晴空日期的10:00至16:00;各次的观测时间为整点和MODIS、Landsat 8过境时;8月4日的拍摄为配合航空飞行,观测间隔约为10min。
李明松, 马晋
该数据集包含2014年07月22日至2016年07月19日在黑河下游混合林站和超级站观测的组分温度数据。测量地点坐标分别为101.1335E、41.9903N和101.1374E、42.0012N,海拔约874m。所使用的红外辐射计型号为SI-111,数采为CR800。混合林站使用两支传感器分别观测光照胡杨(南侧)和阴影胡杨(北侧)的组分温度。两支传感器架设高约5m,距目标约1m,水平观测。超级站使用两支传感器分别观测裸土和柽柳的组分温度。观测裸土的传感器架设高度约2m,观测天顶角约45°;观测柽柳的传感器架设高度约1m,距被测目标约0.5m,水平观测。
周纪, 李明松, 马晋
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
ASTER Global Digital Elevation Model (ASTER GDEM)是美国航空航天局 (NASA)和日本经济产业省(METI)联合发布的全球数字高程数据产品,该DEM数据是根据NASA新一代对地观测卫星TERRA的观测结果完成,是由ASTER(Advanced Space borne Thermal Emission and Reflection Radio meter)传感器搜集的130万个立体像对数据制作,其覆盖范围超过了地球99%陆地表面。本数据下载自ASTER GDEM数据分发网站,为了便于用户使用数据,在分幅ASTER GDEM数据的基础上,我们使用erdas软件进行拼接制备青藏高原ASTER GDEM镶嵌图。 ASTER GDEM发布了两个版本,第一个版本于2009年6月发布,第二个版本于2011年10月发布,本数据集为青藏高原地区第二版本的ASTER GDEM数据集。 本数据集共包括三个数据文件: ASTER_GDEM_TILES ASTERGDEM_MOSAIC_DEM ASTERGDEM_MOSAIC_NUM 青藏高原地区ASTER GDEM数据,精度30米,原始数据为tif格式,镶嵌数据使用img格式存储。 本数据集原始数据下载于ASTERGDEM网站,完全保留了数据的原貌,ASTER GDEM在分发时被分割为若干1×1度的数据块,分发格式为zip压缩格式,每个压缩包包括两个文件,文件命名格式如下: ASTGTM_NxxEyyy_dem.tif ASTGTM_NxxEyyy_num.tif 其中xx为起始纬度,yyy为起始经度。_dem.tif为dem数据文件,_num.tif为数据质量文件。 ASTER GDEM TILES:原始数据保留数据原貌,未进行处理 ASTERGDEM_MOSAIC_DEM:使用erdas软件对dem.tif数据进行镶嵌,参数设置使用默认值 ASRERGDEM_MOSAIC_NUM:使用erdas软件对num.tif数据进行镶嵌,参数设置使用默认值 原始数据保留数据原貌,精度同ASTERGDEM数据分发网站的数据精度,该数据的水平精度30米,高程精度为20米。镶嵌数据使用erdas制作,参数使用默认值。
METI, NASA
该数据集是玛多地区2016年7月、8月、9月的植被指数(NDVI),基于高分一号的多光谱数据计算得到,空间分辨率为16m。对高分一号数据进行镶嵌、转投影、裁切等处理,然后在7月、8月、9月中每个月进行最大化合成。
李飞, 张志军
本数据集为基于Landsat卫星影像获取的喜马拉雅中段波曲流域1976、1991、2000、2010年四期冰川、冰湖的矢量数据。 数据源来自Landsat遥感影像 1976:LM21510411975306AAA05、LM21510401976355AAA04 1991:LT41410401991334XXX02、LT41410411991334XXX02 2000:LE71410402000279SGS00、LE71400412000304SGS00、LE71410402000327EDC00、LE71410412000327EDC00 2010:LT51400412009288KHC00、LT51410402009295KHC00、LT51410412009311KHC00、LT51410402011237KHC00。 从各期遥感影像上人工提取冰川、冰湖边界。 冰川、冰湖边界提取误差估计为0.5个像元。 数据文件: Glacial_1976:1976年冰川矢量数据 Glacial_1991:1991年冰川矢量数据 Glacial_2000:2000年冰川矢量数据 Glacial_2010:2010年冰川矢量数据 Glacial_Lake_1976:1976年冰湖矢量数据 Glacial_Lake_1991:1991年冰湖矢量数据 Glacial_Lake_2000:2000年冰湖矢量数据 Glacial_Lake_2010:2010年冰湖矢量数据 冰湖矢量数据字段包括: 编号、名字、经纬度、海拔、面积、朝向、冰湖类型、长度、宽度、与冰川的距离
王伟财
青藏高原湖泊动态数据集采用美国陆地资源卫星(Landsat)遥感数据为主,采用波段比值与阈值分割方法制作,数据覆盖时间从1984年到2016年,时间分辨率为5年一期,覆盖范围为青藏高原,空间分辨率为30m。水体面积提取方法采用波段比值(B4/B2)或者水体指数(MNDWI)为主,构建分类树,算法构建考虑水体的光谱特征在时间和空间上的变化,并且考虑水体所处的空间为主的坡度、坡向信息调整决策树的阈值。长时间序列星载卫星数据来自Landsat MSS、TM、ETM+和OLI等系列传感器。水体信息提取的最小单元为2*2个像元,小于0.36*10^-2Km²的水体全部剔除。通过高分辨率遥感数据提取的水体信息以及目视解译确定的水体检验点的验证表明青藏高原水体面积信息的总体精度优于95%。数据以shape文件保存,投影方式为Albers投影,中央经线为105 °,双标准纬线纬度为25 °和47 °。
宋开山, 杜嘉
该NDVI数据集是由NASA EOSDIS LP DAAC 和美国地质调查 USGS EROS共同发布的第六版MODIS均一化植被指数产品(2001-2016)。该产品的时间分辨率是16天,空间分辨率0.05度。该版本是在原有1公里分辨率的NDVI产品(MYD13A2)基础上生成的气候模拟格点(CMG)数据产品。 请在致谢中以下方式说明该数据的来源: The MOD13C NDVI product was retrieved from the online in courtesy of the NASA EOSDIS Land Processes Distributed Active Archive Center (LP DAAC), USGS/Earth Resources Observation and Science (EROS) Center, Sioux Falls, South Dakota, The [PRODUCT] was (were) retrieved from the online [TOOL], courtesy of the NASA EOSDIS Land Processes Distributed Active Archive Center (LP DAAC), USGS/Earth Resources Observation and Science (EROS) Center, Sioux Falls, South Dakota.
NASA
本数据为盈科绿洲农田、湿地、戈壁、沙漠与荒漠观测的一个生长周期内的植被覆盖度数据集。数据观测从2012年5月25日开始到9月14日结束,7月下旬之前每5天观测1次,之后10天观测1次。 测量仪器与原理: 采用数码相机拍照的方法测量了盈科绿洲的农田、湿地、戈壁、沙漠与荒漠的典型地物的植被覆盖度。样方的设计、照片拍摄方法和数据处理方法都经过一定的分析和考虑。 具体分几条进行描述: 0. 测量仪器:简易观测架搭配数码相机,将数码相机置于支撑杆前端的仪器平台,保持拍摄的竖直向下,远程控制相机测量数据。观测架可以用来改变相机的拍摄高度,面向不同类型植被实现有针对性的测量。 1. 样方设置和“真值”获取:玉米等低矮植被样方大小10×10米,果树样方30米×30米。每次测量时沿两条对角线依次拍照,共取9张照片(当地表覆盖非常均一时也有少于9张的情况),均匀分布在样方内。9张相片处理得到各自覆盖度之后取平均,最终得到一个样方的覆盖度“真值”。 2. 拍摄方法:针对低矮植被如玉米,直接采用观测架观测,保证观测架上的相机距离植被冠层的高度远大于植被冠幅,在方形样方内沿着对角线采样,然后做算术平均。在视场角度不大(<30°)的情况下,视场内包括大于2个整周期的垄行,相片的边长与垄行平行;针对较高植被如果树,在树冠下面从下向上拍摄照片,叠加配合对树冠下地表低矮植被从上向下的拍摄,得到植株附近的覆盖度,再拍摄植株之间非树冠投影区域的低矮植被,计算植株间隙的覆盖度。最后通过树冠投影法,获得树冠的平均面积。根据垄行距离计算植株树冠下与植株间隙的面积比例,加权获得整个样方的覆盖度。 3. 数据处理方法:采用一种自动分类方法,具体见“参考文献”第3条文献(Liu et al., 2012)。通过RGB颜色空间转换到更容易区分绿色植被的Lab空间,对绿度分量a的直方图进行聚类,分离出绿色植被和非绿色背景2组分,获得单张相片的植被覆盖度。该方法的优点在于其算法简单、易于实现而且自动化程度和精度较高。今后还需要更多的快速、自动、准确的分类方法,最大限度发挥数码相机方法的优势。 配套数据: 在记录表中文字记录了植被的种类、株高、垄宽、行宽、拍摄高度信息,同时附有数码相机拍摄的场景照片和田埂照片(农田)。 数据处理: 基于数字图像里面的分类方法,对植被和非植被像元分类后得到相片代表样方的植被覆盖度。
穆西晗, 黄帅, 马明国
该NDVI数据集是最新发布的NOAA全球模拟和绘图项目(GIMMS,Global Inventory Monitoring and Modeling System)长序列(1981-2015)均一化植被指数产品,版本号3g.v1。 该产品的时间分辨率是每月两次,空间分辨率1/12度。时间跨度1981年7月至2015年12月。该产品为共享数据产品,可直接从ecocast.arc.nasa.gov下载。 详情请参考https://nex.nasa.gov/nex/projects/1349/
NCAR
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