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发布的22个土壤水分密集观测站网进行验证，其中包含9个SMAP核心验证站点以及SMAP尚未使用的13个密集观测站点，结果发现MCCA土壤水分反演结果的ubRMSE（无偏均方根误差）明显优于MTDCA和SMAP官方产品（DCA、SCA-H和SCA-V），MCCA算法在其中21个站点表现优于MTDCA，19个站点优于DCA，16个站点优于SCA-H，15个站点优于SCA-V。
2022-03-04
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 ）。
2021-12-31
数据集包括4个数据文件，分别是（1）土地利用数据集_祁连山-阿尔金综合区（2021），包括祁连山-阿尔金综合区31个点的土地利用调查数据，包括调查时间、地点、经纬度、海拔、坡度坡向、主要植被类型和优势物种；（2）优势物种叶绿素含量数据集_祁连山-阿尔金综合区（2021），包括祁连山-阿尔金综合区31个调查点优势物种的叶绿素含量，每株植物选择5片叶，分别测定叶片上部、中部和下部的叶绿素含量；（3）叶面积调查数据_祁连山-阿尔金综合区（2021），包括祁连山-阿尔金综合区31个调查点主要植被类型的叶面积指数调查数据和计算求得的平均值，使用Sunscan冠层分析仪进行测量；（4）土壤温湿度数据集_祁连山-阿尔金综合区（2021），包括祁连山-阿尔金综合区31个调查点的经纬度、海拔、土壤表面温度、土壤30cm处湿度，数据记录为每个调查点3次重复测量。该数据集可用于青藏高原植被环境变化规律分析研究。
2021-12-17
全球变暖、下垫面变化和城市化过程已诱发显著的、非均一性陆面水热要素变化，需要发展高分辨率陆面再分析数据为局地粮食、能源和水资源安全提供精细化信息。然而，目前全球陆面再分析资料的分辨率依旧较粗（~0.25°），亟需高分辨率、长时段的区域高分辨率陆面再分析数据。这里，我们利用多源高分辨率气象外强迫、高分辨率陆面参数数据驱动一个经过水文率定的联合地表-地下过程陆面模式（CSSPv2），发展了一套高分辨率、长时段中国区域陆面再分析数据（HCLRDv1.0）。HCLRDv1.0考虑了植被叶面积指数和城市下垫面的年变化过程，数据分辨率为6km，时间跨度为1979~2017年，时间分辨率为1天。基于上千个观测站点以及高分辨率卫星反演数据的对比验证表明，HCLRDv1.0可以很好地再现积雪深度、蒸散发、地表和根系层土壤湿度的气候态、变率和长期变化趋势，相比9套先进再分析资料，HCLRDv1.0对上述变量的模拟误差减小了12~67%，对83个流域产流模拟与观测间的KGE指数增加了197%，与遥感反演的三大城市群地表温度之间的相关系数增加12%。进一步分析发现，除了采用了高分辨率陆面驱动数据外，高分辨率的陆面参数和CSSPv2陆面模式对HCLRDv1.0的高精度表现也有重要贡献。由于HCLRDv1.0的长时段、高分辨率和高模拟精度，它可以用于中国地区陆面水热过程、陆面水热变化的相关研究，也能为天气和气候模式的初始化提供更精确的初始场。
2021-12-06
基于遥感的全球表层土壤水旬度数据集（RSSSM，2003~2020）是在世界11种常用的全球微波遥感土壤水数据产品基础上，采用神经网络方法，融入了9个微波遥感反演土壤水分的质量影响因子完成。数据空间分辨率是0.1度，时间分辨率为旬。原数据覆盖2003~2018年，现更新至2020年。RSSSM数据集的时间连续性突出，除冰雪和水体外实现空间全覆盖。通过全球实测数据进行检验，可证明RSSSM数据集较已有的常用全球或区域长时间序列表层土壤水产品具有更高的时空格局精度。此外，虽然RSSSM数据是基于遥感的，未融合任何降水资料，但其年际变异与降水量（如GPM IMERG降水数据）和标准化降水蒸散发指数（SPEI）的时间变异均可较好地吻合。RSSSM数据还可一定程度反映城市化、农田灌溉、植被恢复等人类活动对土壤水分的影响。数据为tiff格式，压缩后的数据量为2.48 GB。 数据论文于2021年发表在Earth System Science Data。
2021-10-27
本地表粗糙度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，分别覆盖（1）70 km×12 km 典型试验区（南北航线）的30个样区以及（2）165 km×5 km复杂试验区（东北—西南航线）的8个样区。数据分别于2018年9月17日、2018年9月18日和2018年9月20日获取，试验测量了每个样区中典型地物的东西（或平行垄）方向和南北（或垂直垄）方向的粗糙度。地表粗糙度以均方根高度和相关长度进行表示，其中均方根高度是垂直方向上粗糙程度的度量，自相关长度作为粗糙程度在水平方向上的度量。本数据集经过土壤表面高度数字化、斜度校正、周期校正、粗糙度计算等步骤处理得到。
2021-08-12
本数据集是一个包含21年（1988-2008）的青藏高原地区地表土壤水分数据集，时间分辨率为yearly，空间分辨率为25km，数据单位为m3/m3。数据集是在van der Velde et al.（2014）反演的高原土壤湿度的基础上，利用三维离散变换方法弥补了缺值生成的。该数据经过了站点验证，并且和再分析数据进行了比较，发现数据质量较好。该数据可以应用于高原春季土壤湿度的时空变化等方面的研究。
2021-07-13
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。
2021-07-09
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 © 2018-2026
陇ICP备19003365号-4 | All Rights Reserved
｜ 
京公网安备11010502040845号
