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。
车涛, 戴礼云, 胡艳兴, 戴礼云, 肖林
雪水当量（Snow water equivalent，SWE）是地表水文模型和气候模型的重要参数。本数据基于机器学习的岭回归算法融合了多种现有的雪水当量数据产品，形成了一套时间序列连续且精度较高的雪水当量数据产品。数据的空间范围为泛北极地区（北纬45°至北纬90°），数据时间序列为1979-2019年。该数据集有望为水文模型和气候模型提供更为精确的雪水当量数据，为冰冻圈变化及全球变化提供数据支撑。
李弘毅, 马媛, 邵东航, 李弘毅, 李浩杰, 王卫国, 马媛, 雷华锦
Based on AVHRR-CDR SR products, a daily cloud-free snow cover extent dataset with a spatial resolution of 5 km from 1981 to 2019 was prepared by using decision tree classification method. Each HDF4 file contains 18 data elements, including data value, data start date, longitude and latitude, etc. At the same time, to quickly preview the snow distribution, the daily file contains the snow area thumbnail, which is stored in JPG format. This data set will be continuously supplemented and improved according to the real-time satellite remote sensing data and algorithm update (up to may 2019), and will be fully open and shared.
HAO Xiaohua
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, 戴礼云
Snow is a significant component of the ecosystem and water resources in high-mountain Asia (HMA). Therefore, accurate, continuous, and long-term snow monitoring is indispensable for the water resources management and economic development. The present study improves the Moderate Resolution Imaging Spectroradiometer (MODIS) onboard Terra and Aqua satellites 8 d (“d” denotes “day”) composite snow cover Collection 6 (C6) products, named MOD10A2.006 (Terra) and MYD10A2.006 (Aqua), for HMA with a multistep approach. The primary purpose of this study was to reduce uncertainty in the Terra–Aqua MODIS snow cover products and generate a combined snow cover product. For reducing underestimation mainly caused by cloud cover, we used seasonal, temporal, and spatial filters. For reducing overestimation caused by MODIS sensors, we combined Terra and Aqua MODIS snow cover products, considering snow only if a pixel represents snow in both the products; otherwise it is classified as no snow, unlike some previous studies which consider snow if any of the Terra or Aqua product identifies snow. Our methodology generates a new product which removes a significant amount of uncertainty in Terra and Aqua MODIS 8 d composite C6 products comprising 46 % overestimation and 3.66 % underestimation, mainly caused by sensor limitations and cloud cover, respectively. The results were validated using Landsat 8 data, both for winter and summer at 20 well-distributed sites in the study area. Our validated adopted methodology improved accuracy by 10 % on average, compared to Landsat data. The final product covers the period from 2002 to 2018, comprising a combination of snow and glaciers created by merging Randolph Glacier Inventory version 6.0 (RGI 6.0) separated as debris-covered and debris-free with the final snow product MOYDGL06*. We have processed approximately 746 images of both Terra and Aqua MODIS snow containing approximately 100 000 satellite individual images. Furthermore, this product can serve as a valuable input dataset for hydrological and glaciological modelling to assess the melt contribution of snow-covered areas. The data, which can be used in various climatological and water-related studies, are available for end users at https://doi.org/10.1594/PANGAEA.901821 (Muhammad and Thapa, 2019).
Sher Muhammad
本数据集是基于MODIS数据进行处理和分析后得到，通过改进不同下垫面下的不同积雪提取算法，提高了积雪范围识别精度，同时利用隐马尔科夫去云算法和SSM/I雪水当量结合，最终生成完全无云的逐日积雪面积产品。取值范围： 1：积雪；0 非积雪。空间分辨率为0.005 度（约500m），时间范围是2000年2月24日至2019年12月31日。 数据格式为geotiff，推荐使用Arcmap或python +GDAL打开和处理数据
郝晓华, 郝晓华
积雪面积比例（fractional snow cover， FSC）是定量描述单位像元内积雪覆盖面积（Snow Cover Area SCA）与像元空间范围的比值。本数据集涵盖区域为北极地区（北纬35°至北纬90°），使用Google Earth Engine平台，采用的初始数据为MOD09GA 分辨率为1000m的全球地表反射率产品，数据制备时间为2000年2月24日至2019年11月18日。方法为：在训练样本区域，使用Landsat 8地表反射率的数据和SNOMAP算法制备FSC的参考数据集，将该数据集作为训练样本区域FSC真值，从而建立训练样本区域FSC与基于MODIS地表反射率产品的雪被指数NDSI之间的线性回归模型。使用该模型，将MODIS全球地表反射率产品作为输入，制备北极地区积雪面积比例时序数据。该数据集可为区域气候模拟、水文模型等提供积雪分布的定量信息。
李弘毅, 马媛, 李弘毅, 马媛
本数据集来源于中国长时间序列雪深数据集，利用三江源边界进行提取形成三江源雪深数据集。取值范围：0-100 cm。时间分辨率：逐日。空间分辨率为0.25 度（约25km），时间范围是1980年1月1日至2020年12月31日。雪深数据基于星载被动微波遥感数据生产，使用了三个不同的被动微波传感器数据，它们分别是SMMR,SSM/I和SSMI/S。由于不同的传感器之间存在一定的系统偏差，因此，首先对不同传感器的数据进行了交叉订正，然后再基于被动微波亮度温度梯度法制作中国长时间序列雪深数据集。头文件信息可参考数据集header.txt。
戴礼云, 戴礼云, 戴礼云, 戴礼云, 戴礼云
本数据是通过建立雅鲁藏布江流域WEB-DHM分布式水文模型，以气温、降水、气压等作为输入数据，模拟输出的5km逐月水文数据集，包括格网径流与蒸发（若蒸发小于0,则表示凝华；若径流小于0，则表示当月降水小于蒸发）。本数据是通过建立雅鲁藏布江流域WEB-DHM分布式水文模型，以气温、降水、气压等作为输入数据，模拟输出的5km逐月水文数据集，包括格网径流与蒸发（若蒸发小于0,则表示凝华；若径流小于0，则表示当月降水小于蒸发）。
王磊, 王磊
该数据集提供1978年10月24日到2012年12月31日逐日的中国范围的积雪厚度分布数据，其空间分辨率为25km。用于反演该雪深数据集的原始数据来自美国国家雪冰数据中心（NSIDC）处理的SMMR（1978-1987年)，SSM/I（1987-2008年)和AMSR-E(2002-2012)逐日被动微波亮温数据。由于三个传感器搭载在不同的平台上，所以得到的数据存在一定的系统不一致性。通过对不同传感器的亮温进行交叉定标提高亮温数据在时间上的一致性。然后利用车涛博士在Chang算法基础上针对中国地区进行修正的算法进行雪深反演。具体反演方法参考“数据说明文档”。 该数据集包含EASE-Grid和经纬度两种投影方式，分别放入两个不同的文件夹中：ease-grid_rar(数据仅到2010年)和lon-lat_rar。两种投影的数据都逐年打包，文件命名方式为：传感器名称简写+年份，如ease-grid_rar目录下的SR1985表示用SMMR亮温数据反演的1985年的雪深；SI1990表示用SSM/I亮温数据反演的1990年的雪深；AE2005表示用AMSR-E亮温数据反演的2005年的雪深，这些数据的投影方式都是EASE-Grid。lon-lat_rar目录下，上面的数据集名称解释相同，只是其投影方式为经纬度投影。详细数据说明请参考数据文档。
车涛, 戴礼云, 车涛, 车涛, 李新, 戴礼云, 戴礼云, 李新, 戴礼云, 戴礼云
全球雪深数据集采用被动微波遥感反演方法制作，数据覆盖时间从1980年到2018年，时间分辨率为逐日，覆盖范围为全球，空间分辨率为25,067.53 m。遥感反演方法采用动态亮温梯度算法，算法考虑积雪特性在时空和空间上的变化，建立了不同频率亮度温度差与实测雪深在空间和季节上的动态关系。长时间序列星载被动微波亮度温度数据来自SMMR、SSM/I和SSMI/S三个传感器。为保证不同传感器亮度温度在时间上的一致性，在雪深提取之前对不同传感器亮度温度进行了交叉订正。通过实测站点的验证表明全球雪深数据相对偏差在30%以内。数据据每一天存放一个txt文件，每个文件由文件头（投影方式）和1383*586的雪深矩阵组成，每个雪深代表一个25,067.53m*25,067.53m的格网。该数据的投影方式为EASE-Grid，下面是每个文件的文件头，将其加到每个文件的前面可以将数据在arcgis中显示。 ncols 1383 // 数据矩阵共1383列 nrows 586 // 数据矩阵共586 xllcorner -17334193.54 //矩阵x方向左下角网格的角落点坐标 yllcorner -7344787.75 //矩阵y方向轴左下角网格的角落点坐标 cellsize 25,067.53 //每个网格的大小 NODATA_value -1 //缺省值
车涛, 戴礼云, 车涛, 车涛, 李新, 戴礼云, 戴礼云, 李新, 戴礼云, 戴礼云
本数据是通过建立长江黄河源WEB-DHM分布式水文模型，以气温、降水、气压等作为输入数据，以GAME-TIBET数据作为验证数据，模拟输出的5km逐月水文数据集，包括格网径流与蒸发（若蒸发小于0,则表示凝华；若径流小于0，则表示当月降水小于蒸发）。数据是基于WEB-DHM分布式水文模型，以气温、降水、气温等（源自itp-forcing和CMA）为输入数据，以GLASS、MODIA、AVHRR为植被数据，SOILGRID及FAO为土壤参数建立起的模型，并通过对径流、土壤温湿度的率定与验证获得的1998-2017年长江黄河源5公里逐月格网径流与蒸发。若asc无法在arcmap中正常打开，请将asc文件前5行顶格。
王磊, 王磊
雪冰中可溶有机碳（DOC）能够有效的吸收紫外和近紫外波段的太阳辐射，也是导致雪冰消融增强的重要因素之一。通过连续阿勒泰地区2016年11月至2017年4月的积雪样品，利用仪器进行实验分析测试获得阿勒泰地区库威站积雪DOC、总氮TN以及黑碳BC的数据，时间分辨率为周，消融期为每日。 1. 单位: DOC和TN的单位μg g-1 （ppm）， BC的单位ng g-1（ppb），MAC的单位是 m2 g-1
张玉兰
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。
郑照军, 郑照军, 曹广真
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。
郑照军, 郑照军, 除多
青藏高原积雪面积长时间序列数据集来源于MODIS 005版本和IMS数据集的融合,采用插值去云算法进行去云处理后得到逐日积雪面积无云产品。投影为经纬度，空间分辨率0.005 度（约500m），时间从2003.1.1-2014.12.31长时间序列，每个文件为当日的积雪面积比例结果，数值为0-100（%），为ENVI标准文件，命名规则为：ims_mts_YYYYDDD.tif，其中YYYY代表年，ddd代表儒略日（001-365/366）。文件可直接用ENVI或者ARCMAP等软件打开察看。 文件说明：200 积雪、100 湖冰、25 陆地、37 海洋
郝晓华, 郝晓华
青藏高原逐日无云MODIS积雪面积比例数据集（2000-2015）是在MODIS逐日积雪产品—MOD10A1的基础上，采用一种基于三次样条函数插值的去云算法进行去云处理后得到。 该数据集采用UTM（横轴等角割圆柱）投影方式，空间分辨率500m，提供逐日的青藏高原地区积雪面积比例（Fractional Snow Cover-FSC）结果。数据集为逐日文件，从2000年2月24日到2015年12月31日。每个文件为当日的积雪面积比例结果，数值为0-100（%），为ENVI标准文件，命名规则为：YYYYddd_FSC_0.5km.img，其中YYYY代表年，ddd代表儒略日（001-365/366）。文件可直接用ENVI或者ARCMAP等软件打开察看。 进行去云处理的原始MODIS积雪数据产品来源于由美国国家雪冰数据中心（NSIDC）处理的MOD10A1产品，这一数据集为hdf格式，采用sinusoidal投影。 青藏高原逐日无云MODIS积雪面积比例数据集（2000-2015）属性由该数据集的时空分辨率、投影信息、数据格式组成。 时空分辨率：时间分辨率为逐日，空间分辨率为500m，经度范围为72.8°～106.3°E，纬度为25.0°～40.9°N。 投影信息：UTM（横轴等角割圆柱）投影。 数据格式：ENVI标准格式。文件命名规则：“YYYYddd”+“_FSC_0.5km”+“.img”，其中YYYY代表年，ddd代表儒略日（001-365/366），其中“.img”是为了方便在ARCMAP等软件打开察看而添加的文件后缀。例如2000055_FSC_0.5km.img代表2000年第55天的结果。其中该数据集的ENVI文件是由头文件和主体内容构成。头文件包括行数、列数、波段数、文件类型、数据类型、数据记录格式、和投影信息等；以2000055_FSC_0.5km.img 文件为例，其头文件信息如下： ENVI description = { ENVI File, Created [Sat Apr 27 18:40:03 2013]} samples = 5760 lines = 3300 bands = 1 header offset = 0 file type = ENVI Standard data type = 1 ：代表byte型 interleave = bsq ：数据记录格式为BSQ sensor type = Unknown byte order = 0 map info = {UTM, 1.500, 1.500, -711320.359, 4526650.881, 5.0000000000e+002, 5.0000000000e+002, 45, North, WGS-84, units=Meters} coordinate system string = {PROJCS["UTM_Zone_45N",GEOGCS["GCS_WGS_1984",DATUM["D_WGS_1984",SPHEROID["WGS_1984",6378137.0,298.257223563]],PRIMEM["Greenwich",0.0],UNIT["Degree",0.0174532925199433]],PROJECTION["Transverse_Mercator"],PARAMETER["False_Easting",500000.0],PARAMETER["False_Northing",0.0],PARAMETER["Central_Meridian",87.0],PARAMETER["Scale_Factor",0.9996],PARAMETER["Latitude_Of_Origin",0.0],UNIT["Meter",1.0]]} wavelength units = Unknown，band names = {2000055}
唐志光, 王建
欧亚大陆雪深数据集采用被动微波遥感反演方法制作，数据覆盖时间从1980年到2016年，时间分辨率为逐日，覆盖范围为欧亚大陆，空间分辨率为0.25°。遥感反演方法采用动态亮温梯度算法，算法考虑积雪特性在时空和空间上的变化，建立了不同频率亮度温度差与实测雪深在空间和季节上的动态关系。长时间序列星载被动微波亮度温度数据来自SMMR、SSM/I和SSMI/S三个传感器。为保证不同传感器亮度温度在时间上的一致性，在雪深提取之前对不同传感器亮度温度进行了交叉订正。通过实测站点的验证表明欧亚大陆雪深数据相对偏差在30%以内。数据据每一天存放一个txt文件，每个文件由文件头（投影方式）和720*332的雪深矩阵组成，每个雪深代表一个0.25°* 0.25°的格网。 数据的详细情况见欧亚大陆雪深数据集-数据说明。
车涛, 戴礼云, 车涛, 车涛, 戴礼云, 戴礼云, 戴礼云, 戴礼云
青藏高原地区积雪的赋存变化较快，高原周边高山区具有冰雪资源丰富。在充分考虑青藏高原的地形和山地积雪特征的情况下，本套数据集采用了AVHRR数据，逐步实现保持积雪分类精度的情况下逐日、十天、每月积雪面积数据产品。本数据包含青藏高原2007-2015年每天/10天/每月积雪面积数据，数据平均精度可达0.92。可为青藏高原地区历史时期积雪变化提供可靠数据。
邱玉宝
利用MOD10A1和MYD10A1逐日积雪产品和AMSR-E雪水当量产品（2000.02.25-2002.08.31、2011.08.31-2016.12.31均采用IMS雪冰产品代替AMSR-E雪水当量产品）作为输入，采用MODIS上下午星积雪产品合成、临近日合成、MODIS和AMSR-E/IMS积雪产品合成方法，逐步消除云的干扰，最终得到北半球每日无云积雪图像。 数据集采用Albers（阿尔伯斯等积）投影方式，空间分辨率500m。
黄晓东, 戴礼云, 戴礼云, 戴礼云, 戴礼云, 戴礼云
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19003365号-4 | All Rights Reserved
｜ 
京公网安备11010502040845号
