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。

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。

中国区域地面气象要素驱动数据集，包括近地面气温、近地面气压、近地面空气比湿、近地面全风速、地面向下短波辐射、地面向下长波辐射、地面降水率共7个要素。数据为NETCDF格式，时间分辨率为3小时，水平空间分辨率为0.1°。可为中国区陆面过程模拟提供驱动数据。 该数据集是以国际上现有的Princeton再分析资料、GLDAS资料、GEWEX-SRB辐射资料，以及TRMM降水资料为背景场，融合了中国气象局常规气象观测数据制作而成。详细过程请参阅参考文献。原始资料来自于气象局观测数据、再分析资料和卫星遥感数据。已去除非物理范围的值，采用ANU-Spline统计插值。精度介于气象局观测数据和卫星遥感数据之间，好于国际上已有再分析数据的精度。

数字高程模型（Digital Elevation Model)，简称DEM，是通过有限的地形高程数据实现对地面地形的数字化模拟（即地形表面形态的数字化表达），它是用一组有序数值阵列形式表示地面高程的一种实体地面模型。 第三极地区为40°1′52″N~23°11′59″N、105°43′45″E~61°28′45″E的世界屋脊生态地理区，其中包括青藏高原、横断山脉、喜马拉雅山脉、兴都库什山脉、帕米尔高原。划分依据：以海拔高度4000 m为基准，融合地形坡度，参考山体完整性和生态系统整体性，空间分辨率为0.008°×0.008°。

第三极1:100万水系数据集包括：第三极地区不同等级的线型水系（Tibet_water_line）、多边形水系（Tibet_water_poly）矢量空间数据及相关属性数据：名称（Name）、类型（Type）、水系长度（leng）、水系面积(Area)。 数据来自1:100万ADC_WorldMap全球数据集，数据经过拓扑，入库是全面、最新和无缝的地理数字数据。 世界地图坐标系统是经纬度，D_WGS_1984基准面。

地表蒸散发（Evapotranspiration，ET）是地球系统中水循环和能量传输的重要环节，地表蒸散发的准确获取有助于全球气候变化、作物估产、干旱监测等研究，并且对区域乃至全球水资源规划管理具有重要的指导意义。随着遥感技术的发展，遥感估算地表蒸散发已成为获取区域与全球蒸散发的一个有效途径，目前多种中低分辨率地表蒸散发产品已业务化生产和发布，但遥感估算地表蒸散发模型在模型机理、输入数据、参数化方案等方面仍存在许多不确定性，因此，需要通过真实性检验来定量评价遥感估算地表蒸散发产品的精度。但在真实性检验过程中，存在地表蒸散发遥感估算值与站点观测值的空间尺度不匹配问题，因此卫星像元尺度地表蒸散发的相对真值获取是关键。 以黑河流域综合观测网2012年6-9月中游“非均匀下垫面地表蒸散发的多尺度观测试验”中通量观测矩阵的4（村庄）、5（玉米）、6（玉米）、7（玉米）、8（玉米）、11（玉米）、12（玉米）、13（玉米）、14（玉米）、15（玉米）、17（果园）号站和2014-2015年1-12月下游绿洲胡杨林站（胡杨林）、混合林站（柽柳/胡杨）、裸地站（裸地）、农田站（甜瓜）、四道桥站（柽柳）观测数据（自动气象站、涡动相关仪、大孔径闪烁仪等）为基础，以高分辨率遥感数据(地表温度、植被指数、净辐射等)作为辅助数据，分布图见图1，考虑地表异质性对ET尺度扩展的影响，通过直接检验和交叉检验对6种尺度扩展方法（面积权重法、基于Priestley-Taylor公式的尺度扩展方法、不等权重面到面回归克里格方法、人工神经网络、随机森林、深度信念网络）进行比较和分析，最终优选一种综合的方法(在下垫面均匀时，采用面积权重法；在下垫面中度非均匀时，采用不等权重面到面回归克里格方法；下垫面高度非均匀时采用随机森林方法)分别获取中游和下游通量观测矩阵区域MODIS卫星过境瞬时/日的地表蒸散发像元尺度相对真值(空间分辨率为1km)，并通过与大孔径闪烁仪观测值（参考值）进行验证分析，结果表明：该数据集整体精度良好，中游卫星像元尺度相对真值瞬时和逐日的平均绝对百分误差(MAPE)分别为2.6%和4.5%，下游卫星像元尺度相对真值瞬时和逐日的MAPE分别为9.7%和12.7%，可以用来验证其它遥感产品。该像元地表蒸散发数据既能解决遥感估算值与站点观测值的空间不匹配问题，又能表征验证过程的不确定性。所有站点信息和尺度扩展方法请参考Li et al. (2018)和 Liu et al. (2016)，观测数据处理请参考Liu et al. (2016)。

地表蒸散发（Evapotranspiration，ET）是连接着陆地能量平衡、水循环以及碳循环等的重要变量，地表蒸散发的准确获取有助于全球气候变化、作物估产、干旱监测等研究，并且对区域与全球的水资源规划管理具有重要的意义。地表蒸散发的获取方法主要包括地面观测、遥感估算、模式模拟与同化等。地面观测可以获得高精度的地表蒸散发数据，但观测站点的空间代表性十分有限；遥感估算、模式模拟与同化方法可以获得空间连续的地表蒸散发，但存在精度与时空分布格局合理性的验证问题。因此，本研究充分利用众多的高精度站点观测数据，结合多源遥感信息，将地面站点观测尺度扩展至区域上，获得高精度、时空分布连续的地表蒸散发量。 基于近年来开展的“黑河综合遥感联合试验”（WATER）、“黑河流域生态-水文过程综合遥感观测联合试验”（HiWATER）、所积累的站点观测数据（自动气象站、涡动相关仪、大孔径闪烁仪等），共选用36个站点（65个站年，分布图见图1），结合多源遥感数据（土地覆盖与植被类型图，叶面积指数、地表温度等）和大气驱动数据等，运用五种机器学习方法（回归树、随机森林、人工神经网络、支持向量机、深度信念网络）分别构建了不同的地表蒸散发尺度扩展模型，对各尺度扩展模型进行了全面的对比分析，结果表明：相比于其他四种方法，随机森林方法更适合于黑河流域由站点到区域的地表蒸散发尺度扩展研究。基于优选出的随机森林尺度扩展模型，以遥感及大气驱动数据作为输入，生产了2012~2016年生长季（5~9月）黑河流域地表蒸散发时空分布图（ETMap，时间分辨率为逐日，空间分辨率为1km）。以LAS观测值为真值进行验证，结果表明：ETMap整体精度良好，上游 (LAS1)、中游 (LAS2-LAS5)和下游 (LAS6 - LAS8)的RMSE (MAPE)分别为0.65 mm/day(18.86%)、0.99 mm/day (19.13%)和0.91 mm/day (22.82%)。总之，ETMap是基于站点观测数据运用随机森林算法进行尺度扩展得到的精度较高的黑河流域地表蒸散发产品。所有站点信息和尺度扩展方法请参考Xu et al. (2018)，观测数据处理请参考Liu et al. (2018)。

第三极1:100万山脉数据集包括：第三极地区山脉（Tibet_Mountains）矢量空间分布数据及相关属性数据：名称（Name）、山脉所在国家名称（CNTRY_NAME）、山脉所在国家简称（CNTRY_CODE）、纬度（LATITUDE）、经度（LONGITUDE） 数据来自1:100万ADC_WorldMap全球数据集，数据经过拓扑，入库是全面、最新和无缝的地理数字数据。 世界地图坐标系统是经纬度，D_WGS_1984基准面。

第三极1:100万机场及跑道分布数据集包括：机场（Tibet_Airport）及机场跑道（Tibet_Airport_runways）矢量空间数据及相关属性数据：机场名称（Name）、机场国家名称（CNTRY_NAME）、机场国家缩写（CNTRY_CODE）、纬度（LATITUDE）、经度（LONGITUDE）。 数据来自1:100万ADC_WorldMap全球数据集，数据经过拓扑，入库是全面、最新和无缝的地理数字数据。 世界地图坐标系统是经纬度，D_WGS_1984基准面。

第三极1:100万居民点数据集包括第三极地区居民点（Tibet_Cities）、首都居民点（Tibet_Capitals）、城市人口大于75k的居民点（Tibet_Cities_up_to_75K）等矢量空间数据及相关属性数据：城市名称（ENG_NAME）、城市人口（CITY_POP）等属性。 数据来自1:100万ADC_WorldMap全球数据集，数据经过拓扑，入库是全面、最新和无缝的地理数字数据。 世界地图坐标系统是经纬度，D_WGS_1984基准面。

第三极1:100万道路数据集包括：青藏高原地区主要高速公路（Tibet_main_highways）、道路（Tibet_Road）和铁路（Tibet_railway）矢量空间数据及相关属性数据：道路名称（Name）、类型（Type）。 数据来自1:100万ADC_WorldMap全球数据集，数据经过拓扑，入库是全面、最新和无缝的地理数字数据。 世界地图坐标系统是经纬度，D_WGS_1984基准面。

该数据集提供了南极洲1公里分辨率数字高程模型(DEM)。DEM结合了欧洲遥感卫星-1 (ERS-1)卫星雷达高度计(SRA)和冰、云和陆地高度计(ICESat)地球科学激光高度计系统(GLAS)的测量数据。ERS-1数据来自1994年3月开始的168天的两个长重复周期，GLAS数据来自2003年2月20日至2008年3月21日。数据集大约为240mb，由两个网格化二进制文件和两个用于可视化图像(ENVI)头文件的环境组成，可以使用ENVI或其他类似软件包查看。这些数据可以通过FTP获得。