时空三极环境大数据平台

中国陆域及周边逐日1km全天候地表温度数据集（TRIMS LST；2000-2021）

地表温度（Land surface temperature, LST）是地球表面与大气之间界面的重要参量之一。它既是地表与大气能量交互作用的直接体现，又对于地气过程具有复杂的反馈作用。因此，地表温度不仅是气候变化的敏感指示因子和掌握气候变化规律的重要前提，还是众多模型的直接输入参数，在许多领域有广泛的应用，如气象气候、环境生态、水文等。伴随地学及相关领域研究的深入和精细化，学术界对卫星遥感的全天候地表温度（All-weather LST）具有迫切的需求。本数据集的制备方法是一种基于新型地表温度时间分解模型的卫星热红外遥感-再分析数据集成方法。方法的主要输入数据为Aqua MODIS LST产品和GLDAS等数据，辅助数据包括卫星遥感提供的植被指数、地表反照率等。方法充分利用了卫星热红外遥感和再分析数据提供的地表温度高频分量、低频分量以及地表温度的空间相关性，最终重建得到较高质量的全天候地表温度数据集。评价结果表明，本数据集具有良好的图像质量和精度，不仅在空间上无缝，还与当前学术界广泛采用的逐日1 km Aqua MODIS LST产品在幅值和空间分布上具有较高的一致性。当以MODIS LST为参考时，该数据集在白天和夜间的平均偏差（MBE）为0.08K至0.16K，偏差标准差（STD）为1.12K至1.46K。基于分布于黑河流域、东北、华北和华南地区的15个站点实测数据的检验结果表明，其MBE为-0.06K至-1.17K，RMSE为1.52K至3.71K，且在晴空与非晴空条件下无显著区别。本数据集的时间分辨率为逐日2次，空间分辨率为1km，时间跨度为2000年-2021年（注：通过外推方式将缺少Aqua MODIS LST产品时段内的全天候地表温度补齐）；空间范围包括我国陆域的主要区域（包含港澳台地区，暂不包含我国南海诸岛）及周边区域（72°E-135°E，19°N-55°N）。本数据集的缩写名为TRIMS LST（Thermal and Reanalysis Integrating Moderate-resolution Spatial-seamless LST），以便用户使用。需要说明的是，TRIMS LST的空间子集TRIMS LST-TP（中国西部逐日1 km全天候地表温度数据集（TRIMS LST-TP；2000-2021）V2）同步在国家青藏高原科学数据中心发布，以减少相关用户数据下载和处理的工作量。

6965 2021-04-09

中国西部逐日1 km全天候地表温度数据集（TRIMS LST-TP；2000-2021）V2

青藏高原是全球气候变化的敏感区域。地表温度（Land Surface Temperature, LST）作为地表能量平衡中的主要参数，表征了地气间能量和水分交换的程度，广泛应用于气象气候、水文、生态等领域的研究中。青藏高原的陆地-大气相互作用等研究，迫切需要较长时间序列和较高时空分辨率的全天候地表温度数据集。然而，该区域较为频繁的云覆盖特征，使现有卫星热红外遥感地表温度数据集的使用受到较大的局限。相较于2019年发布的前一个版本——中国西部逐日1km空间分辨率全天候地表温度数据集（2003-2018）V1，本数据集（V2）采用了一种新的制备方法，即基于新型地表温度时间分解模型的卫星热红外遥感-再分析数据集成方法。方法的主要输入数据为Aqua MODIS LST产品和GLDAS等数据，辅助数据包括卫星遥感提供的植被指数、地表反照率等。该方法充分利用了卫星热红外遥感和再分析数据提供的地表温度高频分量、低频分量以及地表温度的空间相关性。评价结果表明，本数据集具有良好的图像质量和精度，不仅在空间上无缝，还与当前学术界广泛采用的逐日1 km Aqua MODIS LST产品在幅值和空间分布上具有较高的一致性。以MODIS LST为参考值时，该数据集在白天和夜间平均偏差（MBE）分别为-0.28 K和-0.29 K，偏差标准差（STD）分别为1.25 K和1.36 K。基于青藏高原和黑河流域的6个站点实测数据的检验结果表明，晴空条件下，本数据集在白天/夜间与实测LST均具有高度的一致性，其MBE为-0.42~0.25 K/-0.35~0.19 K；均方根误差（RMSE）为1.03~2.28 K/1.05~2.05 K；非晴空条件下，本数据集在白天/夜间的MBE为-0.55~1.42 K/-0.46~1.27 K；RMSE为2.24~3.87 K/2.03~3.62 K。与V1版本的数据相比，两种全天候地表温度均在空间维度上表现除了空间无缝（即无缺失值）的特性，且在大部分区域内，两种全天候地表温度的空间分布和幅值均与MODIS地表温度高度一致。然而，在AMSR-E/AMSR2轨道间隙亮温缺失的区域内，V1版本的地表温度产生了低估。TRIMS地表温度与V1版本地表温度在AMSR-E/AMSR2轨道间隙外的质量接近，而在轨道间隙内前者的质量更加可靠。因此，建议用户使用V2版本。本数据集的时间分辨率为逐日2次，空间分辨率为1km，时间跨度为2000年-2021年（注：通过外推方式将缺少Aqua MODIS LST产品时段内的全天候地表温度补齐）。本数据集的空间范围包括青藏高原为核心的我国西部及周边地区（72°E-104°E，20°N-45°N）。因此，本数据集的缩写名为TRIMS LST-TP（Thermal and Reanalysis Integrating Moderate-resolution Spatial-seamless LST – Tibetan Plateau），以便用户使用。

8965 2019-12-21

南极冰盖近地面气温数据（2001-2018）

1）数据内容：2001-2018年南极冰盖近地面月气温时空数据集。 2）数据来源及加工方法：利用中分辨率成像光谱仪(MODIS)地表温度测量数据，结合119个气象站的现场气温记录，利用神经网络模型重建了南极冰盖(AIS)近地面气温数据，分辨率为0.05°×0.05°，时间尺度为2001-2018。 3）数据质量描述：精度优于ERA5再分析资料。 4）数据应用成果及前景：该数据库可用于研究南极冰盖近地面气温的时空分布特征，研究SAM和ENSO等对南极气温年际变化的影响。此外，由于数值天气预报模式输入的独立性，该数据集有可能用于气候模式验证和数据同化。

19 2022-04-05

中国阿勒泰地区积雪微波辐射测量实验:积雪和环境电磁物理特征的原位时间序列数据

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。

4338 2020-07-14

中国近地表日气温数据集（1979-2018）

近地表气温是反映气候变化的重要物理参数。为了获得中国地区高时空分辨率的日数据(Tmax、Tmin和Tavg)，我们充分分析了各种现有数据(再分析数据、遥感数据和原位数据)的优缺点。针对不同的天气条件建立了不同的Ta重建模型，并通过建立不同区域的修正方程进一步提高数据精度。最后，获得了1979 - 2018年中国逐日气温数据集(Tmax、Tmin和Tavg)，空间分辨率为0.1°。对于Tmax，使用原位数据的验证表明，均方根误差(RMSE)范围为0.86°C至1.78°C，平均绝对误差(MAE)范围为0.63°C至1.40°C，皮尔逊系数(R2)范围为0.96至0.99。Tmin的RMSE为0.78°C ~ 2.09°C, MAE为0.58°C ~ 1.61°C, R2为0.95 ~ 0.99。对于Tavg, RMSE范围为0.35°C ~ 1.00°C, MAE范围为0.27°C ~ 0.68°C, R2范围为0.99 ~ 1.00。此外，利用多种评价指标分析Ta的时空变化趋势，Tavg增加幅度大于0.0°C/a，与全球变暖的总体趋势一致。综上所述，该数据集具有较高的空间分辨率和可靠的精度，弥补了之前在高空间分辨率下缺失的温度值(Tmax、Tmin和Tavg)。该数据集也为研究气候变化，特别是高温干旱和低温冷害提供了关键参数。

934 2022-03-21

黄河上游ASTER_DEM高程数据集（2009）

一、概述本数据集源于全球30m分辨率数字高程产品数据集，利用ASTER GDEM第一版本（v1）的数据进行加工得到。其空间分辨率为30m，由于云覆盖，边界堆叠产生的直线，坑，隆起，大坝或其他异常的影响，ASTER GDEM第一版本原始数据局部地区存在异常，所以由ASTER GDEM v1加工的数字高程数据产品存在个别区域的数据异常现象，用户使用过程中需要注意。此外该数据集可以与SRTM全球90m分辨率高程数据集进行相互补充使用。二、数据处理说明 ASTER GDEM是采用全自动化的方法对150万景的ASTER存档数据进行处理生成的，其中包括通过立体相关生成的1264118个基于独立场景的ASTER DEM数据，经过去云处理，除去残余的异常值，取平均值，并以此为ASTER GDEM对象区域的最后像素值。纠正剩余的异常数据，再按1°× 1°分片，生成全球ASTER GDEM数据。三、数据内容说明该数据集覆盖整个黄河上游，每个数据文件名称根据分片几何中心左下（西南）角的经纬度产生。例如，ASTGTM_N40E116文件的左下角坐标是北纬40度，东经116度。ASTGTM_N40E116_dem和ASTGTM_N40E116_num对应的分别是数字高程模型（DEM）与质量控制（QA）的数据。四、数据使用说明 ASTER GDEM数据具有可计算及可视化功能，在各个领域的应用前景十分广阔，尤其是在测绘、地表形变及军事等领域具有十分重要的应用。具体而言，主要包括如下几方面：在科学研究上，ASTER GDEM数据在地质学、地球物理学、地震研究、水平建模、火山监控以及遥感图像的配准等方面都有十分重要的作用。利用高精度数字地形高程数据建立地面的三维立体模型，与地面的影像镶嵌叠加，可以观测到地球表面细微变化。在民用及工业应用上，ASTER GDEM数据可用于土木工程的计算、水库坝址的选定、土地利用规划等，在通讯方面，数字地形数据可以帮助商家建造更好的转播塔，研判移动电话亭的最佳地理位置；在航空安全方面，利用ASTER GDEM数字高程数据可以建立增强型飞机着陆报警系统，大大提高了飞机着陆安全系数。在军事上，ASTER GDEM数据是C4ISR（军队自动指挥系统）的基础信息平台，在研究战场地域结构、作战方向、战场预设、作战部署、兵力集结于投送、防护条件、后勤保障等方面是必不可少的。

5671 2015-05-15

2002-2019年全球AMSR-E/2近地表冻融状态产品数据集（0.25°）

近地表土壤的冻结/融化状态表征着陆地表层过程的休眠和活跃，这种冻融相态交替能引起一系列复杂的地表过程轨迹模式突变，影响着土壤的水热特性、地表径流和地下水补给等水循环过程，同时也通过水和能量循环机制影响气候变化。本数据集是基于AMSR-E和AMSR2被动微波亮温数据，利用冻融判别式算法制备的全球近地表冻融状态（空间分辨率：0.25°；时间跨度：2002-2019年），可用于分析全球近地表冻融循环的开始/结束日期、冻结/融化时长、冻结范围等指标的空间分布和趋势变化，可为理解全球变化背景下陆表冻融循环与水分、能量交换过程的相互作用机制提供数据支持。

4445 2018-03-02

黑河流域30弧秒DEM数据（2009）

该数据根据国家基础地理信息中心发布的中国1：25万数字等高线和高程点生成的DEM数据，通过ARCGIS空间分析模块的最邻近法重采样方法生成黑河流域DEM数据集，空间分辨率30 sec 。

9186 2015-06-03

2002-2017年全球AMSR-E/2近地表冻融状态产品数据集(0.05°)

近地表土壤的冻结/融化状态表征着陆地表层过程的休眠和活跃，这种冻融相态交替能引起一系列复杂的地表过程轨迹模式突变，影响着土壤的水热特性、地表径流和地下水补给等水循环过程，同时也通过水和能量循环机制影响气候变化。本数据集是基于AMSR-E、AMSR2被动微波亮温数据，以及MODIS光学遥感数据，利用冻融判别式算法和冻融降尺度算法制备的全球近地表冻融状态（空间分辨率：0.05°；时间跨度：2002-2017年），可用于分析全球近地表冻融循环的开始/结束日期、冻结/融化时长、冻结范围等指标的空间分布和趋势变化，可为理解全球变化背景下陆表冻融循环与水分、能量交换过程的相互作用机制提供数据支持。

5335 2019-11-04

机器学习方法融合北半球长时间序列逐日雪深数据集（1980-2019）

在地球大数据科学工程专项时空三极环境项目第一课题“三极大数据共享与集成” (XDA19070100)资助下，中国科学院西北生态环境资源研究院车涛课题组利用机器学习方法结合多源雪深产品数据、环境因子变量及地面观测雪深数据等制备了北半球长时间序列逐日雪深数据集。首先将人工神经网络、支持向量机和随机森林方法在积雪深度融合的适用性进行对比研究，发现随机森林方法在雪深数据融合上表现出较强优势。其次，利用随机森林方法，结合AMSR-E，AMSR2，NHSD和GlobSnow等遥感雪深产品及ERA-Interim和MERRA2等再分析资料格网雪深产品和环境因子变量等作为模型的输入自变量，用中国气象台站数据（945）、俄罗斯气象台站（620）、俄罗斯积雪调查数据（514）和全球历史气象网络逐日数据（41261）等43340个地面观测站点的雪深数据作为参考真值对模型训练与验证，在专项“地球大数据科学工程”提供的云平台上制备1980~2019年积雪水文年（上一年9月1日至本年度5月31日）的逐日格网雪深数据集。由于1980~1987年微波亮温数据为隔日数据，所以这段时间的数据会出现少量条带缺失现象。利用全球积雪模型对比计划及独立的地面观测数据进行验证，融合数据集的质量在整体上有所提升。利用地面观测数据及融合前的雪深产品对比来看，融合数据的决定系数（R2）从6种融合前产品中最高的0.23（GlobSnow雪深产品）提升至0.81，而相应的均方根误差（RMSE）和平均绝对误差（MAE）也减小至7.7 cm 和2.7 cm。

4998 2021-09-13