2022/3/23 14:20:59 阅读：280 发布者：chichi77
1、2020年全球 30 m地表覆盖精细分类产品
中国科学院空天信息创新研究院刘良云研究员团队发布全球首套2020年全球30 m地表覆盖精细分类产品。该数据集及时地反映了2020年全球陆地区域（除南极洲）在30 m空间分辨率下的地表覆盖分布状况，为地表相关应用提供了最新的数据支撑，对于全球变化、可支持发展分析以及地理国情监测等具有重要意义。
数据集介绍：
针对全球30 m精细地表覆盖高效自动分类的应用需求，提出了一种基于全球地物图像波谱库的定量遥感分类策略，有效解决了大区域地表覆盖分类需要大量人为干预的难题，并于2019年9月研制和发布了2015年精细分类体系的全球30 m精细地表覆盖产品GLC_FCS-2015。
近一年来，研究团队在GLC_FCS30-2015全球产品基础上做了大量优化工作，并于近期研发了2020年全球30 m地表覆盖精细产品（GLC_FCS30-2020）。具体的优化措施包括：
结合定量遥感反演模型对分类体系做了进一步深化（林地二级类从区域尺度拓展为全球尺度）；
利用多源辅助数据集和专家先验知识集改善了GLC_FCS30-2015中存在的少量错分和漏分问题，例如：不透水面在高纬度存在少量高估在新的GLC_FCS30-2020产品中会得到改善和优化；
破碎细小水体在新的GLC_FCS30-2020中也会有更高的提取精度；
最后，针对前一版本中存在的少许空间过渡不连续问题，新的GLC_FCS30-2020产品也进行了针对性处理与优化。
2020年澳大利亚30米地表覆盖精细分类产品
下载网址：
2020年GLC_FCS30-2020产品:
共享链接：
http://data.casearth.cn/sdo/detail/5fbc7904819aec1ea2dd7061
DOI：http://doi.org/10.5281/zenodo.4280923
2015年GLC_FCS30-2015产品:
共享链接：
http://data.casearth.cn/sdo/detail/5d904b7a0887164a5c7fbfa0
DOI：https://doi.org/10.5281/zenodo.3986872
2、全球10日1公里云量分布产品
地表云覆盖是干扰光学遥感的最重要的因素，因此我们在给用户做成像规划的时候需要统计云量的时空分布。
我们使用了近20年的MODIS陆地产品，修正了云分类的产品的部分误差，合成了10天（旬）间隔的36期1公里分辨率的云分布产品。
可以通过动态WebGIS浏览这个数据集: http://satsee.radi.ac.cn/cfdata/doc/cloudmap/
给定行政区划，可以统计出这个区域的云量分布规律。
广东省的云量旬分布，可以确定10~1月是光学卫星最佳拍摄窗口。
这个数据集也可以用于核算每个区域不同季节的太阳能使用效率。
鉴于已有一定成熟度，我们给这个产品命名为“沉香”(lignaloo)，希望它能够拥有独特的生命力。
下载方式：
联系：陈甫 副研究员
中国科学院空天信息创新研究院
chenfu@aircas.ac.cn
3、中国积雪特性及分布遥感调查产品
近日，由国家科技基础资源调查专项“中国积雪特性及分布调查”项目产出的积雪面积、积雪反照率和雪水当量长时间序列遥感产品在国家冰川冻土沙漠科学数据中心正式发布，并提供免费下载。热忱欢迎广大科研工作者关注并获取数据。
“中国积雪特性及分布调查”项目由中国科学院西北生态环境资源研究院牵头，王建研究员担任首席科学家，联合国内十一家积雪研究相关单位，对我国典型积雪区积雪特性及分布开展了系统的地面及遥感调查。项目首次全面系统地定义了积雪地面观测要素及观测规范；首次获取了中国典型积雪区积雪理化特性数据，摸清了中国积雪密度的时空分布及积雪粒径和形态信息，以及中国积雪化学特性分布；首次研制完成40年持续无云高精度积雪面积产品并建立较为完善的验证框架；基于积雪面积产品，考虑积雪连续性和持续性特征，对中国积雪进行了分类。
本次发布的数据为积雪时空分布特性遥感调查产品，包括中国1980-2019年积雪面积产品、中国1980-2020雪水当量产品、中国2000-2020年积雪反照率产品。
1.中国1980-2019年积雪面积产品
基于MODIS反射率产品MOD/MYD09GA，考虑不同土地覆盖类型，发展了多指数结合积雪判别算法，提高了林区和山区积雪面积精度；基于AVHRR-CDR反射率产品，发展了多级决策树积雪判别算法；同时利用隐马尔科夫算法、多源数据融合方法实现了产品的完全去云，分别制备了：
（1）中国1980-2019年积雪面积5公里逐日无云产品
（http://www.ncdc.ac.cn/portal/metadata/b84eefb4-b6eb-45bf-9ff0-4198ffdd49d1）
（2）中国2000-2019年积雪面积500米逐日无云产品
（http://www.ncdc.ac.cn/portal/metadata/be3a4134-2e5c-467f-8a5e-b1c0ed6cc341）
5km逐日无云积雪面积（AVHRR）
500m逐日无云积雪面积（MODIS）
2.中国1980-2020雪水当量产品
基于星载被动微波遥感亮温数据（SMMR/SSMI），利用混合像元雪水当量反演算法制备了空间分辨率为25km的逐日雪水当量/雪深数据集。生产过程中考虑了混合像元的影响(森林、草地、农田)；引入大气模型降低了大气带来的反演不确定性；拟合森林参数降低了森林带来的反演不确定性；并针对产品的一致性进行了偏差校正。
25km逐日雪水当量/雪深
3.中国2000-2020年积雪反照率产品
在渐近辐射传输理论（ART）基础上发展了积雪反照率反演模型，基于MODIS反射率产品MOD09GA、积雪产品MOD10A1/ MYD10A1、土地覆盖产品 MCD12Q1等，利用GEE云平台和本地端交互生产模式，研制了中国积雪反照率产品ChinaSA（包含逐日和八天合成两种产品，空间分辨率1KM）。大量地面观测站点与样方验证表明，ChinaSA的精度优于全球地表反照率产品。
逐日积雪反照率
1
八天合成积雪反照率
2
下载地址：
http://www.ncdc.ac.cn/portal/metadata?current_page=1&gf=acac2441-e97b-4731-a66d-babb94f0772c
4、全球地表覆盖数据集2000、2010、2020版
全国地理信息资源目录服务系统上下载的数据现势性是2010版的地表覆盖，那如果你现在需要下载2000、2010、2020版就需要到GLOBLELAND30网站。
点击数据——下载，在左侧的数据年份里面选择相应的年份。
有三种选择感兴趣区域的方式（图幅号、坐标、范围），一般我们选择范围画多边形来选择图幅，选择之后点击确定，就可以选择相应的图幅，之后提交下载申请；
在跳出的界面上填写相应信息，就可以了，网站审核之后就会给你的邮箱发送下载信息 ，你下载就可以了。
下载地址：
http://www.globallandcover.com/home.html?type=data
5、2003年至2017年中国地区Terra和Aqua MODIS地表温度和气象站数据
地表温度（LST）是高温和干旱监测以及气候和生态环境研究的关键变量。由于地面观测站分布稀疏，热红外遥感技术已成为在大范围内快速获取地面温度的重要手段。但是，基于卫星的LST数据中存在许多缺失和低质量的值，因为云每天都覆盖全球60％以上的表面。本文提出了一个独特的LST数据集，该数据集具有中国从2003年到2017年的每月时间分辨率，该数据集充分利用了MODIS数据和气象站数据的优势，通过重建模型克服了云影响的缺陷。我们专门描述了重建模型，该模型结合了MODIS每日数据，每月数据和气象站数据，以重建云覆盖区域和LST误差较高的网格单元的LST，然后通过建立回归分析模型进一步改善数据性能。验证表明，新的LST数据集与原位观测值高度一致。对于中国六个气候条件不同的自然分区，使用地面观测数据进行的验证显示，均方根误差（RMSE）的范围为1.24至1.58 ℃，平均绝对误差（MAE）变化从1.23到1.37 ℃和Pearson相关系数的范围为0.93〜0.99。新的数据集可以在年度，季节和月度尺度上充分捕获LST的时空变化。从2003年到2017年，中国的整体LST年度平均值呈现微弱的增长。而且，积极趋势在中国各地分布不均。最显着的变暖发生在西北地区内蒙古高原的中西部地区，年平均温度变化大于0.1 K（R>0.71， P<0.05），并且在东北地区和华南地区的某些地区发现了强烈的负面趋势。从季节性来看，冬季中国西部地区有明显的变暖，其中12月最为明显。重建的数据集显示出显着的改进，可用于高温和干旱监测研究中LST的时空评估。
数据可通过Zenodo在https://doi.org/10.5281/zenodo.3528024获得（Zhao等，2019）。
引用：
Zhao, B., Mao, K., Cai, Y., Shi, J., Li, Z., Qin, Z., Meng, X., Shen, X., and Guo, Z.: A combined Terra and Aqua MODIS land surface temperature and meteorological station data product for China from 2003 to 2017, Earth Syst. Sci. Data, 12, 2555–2577, https://doi.org/10.5194/essd-12-2555-2020, 2020.
6、长时间序列的全球生态系统总初级生产力（GPP）数据集
植被光合作用是陆地生态系统碳循环的关键组成部分，模拟不同时空尺度上的光合作用活动有助于解决陆地碳收支的难题，也是准确预测未来气候变化方向的重要途径和科学认识陆地生态系统对人类社会可持续发展支持能力的重要前提。目前，虽然多种估算生态系统总初级生产力（GPP）的算法和产品已经相对较为成熟，但是长时间序列的全球GPP产品仍存在较大的差异和不确定性，尤其是其时间变化趋势。日光诱导叶绿素荧光（SIF）遥感是近年快速发展起来的新型遥感技术，SIF与光合过程的紧密联系使得其成为指示植被光合变化的有效探针，也是监测GPP强有力的手段。基于遥感数据获取的一种新型植被指数（NIRv），即归一化植被指数NDVI与近红外波段反射率的乘积，与遥感SIF产品高度相关；基于机理推导、模型模拟和遥感数据的分析结果均显示，NIRv可以作为SIF的替代产品，用于估算全球GPP。
因此，在分析了NIRv作为SIF和GPP探针的可行性基础上，本数据集基于长达40年左右的遥感AVHRR数据和全球数百个通量站点观测，生成了1982-2018年的全球高分辨率长时间序列GP数据，并分析了全球GPP的时空变化趋势，其分辨率为月，0.05度，数据单位为gC m-2 d-1，多年平均的全球GPP大约为128.3 ± 4.0 Pg C yr−1，基于地面通量站点的检验结果表明该数据的均方根误差（RMSE）为1.95 gC m-2 d-1。该数据集可用于全球气候变化和碳循环的相关研究。
下载地址：
https://data.tpdc.ac.cn/zh-hans/data/d6dff40f-5dbd-4f2d-ac96-55827ab93cc5
引用：
王松寒, 张永光. 基于遥感NIRv的全球生态系统总初级生产力（GPP）长时间序列数据（1982-2018）. 国家青藏高原科学数据中心, 2020. DOI: 10.6084/m9.figshare.12981977.v2.
7、全球水文数据集（流域、河网、湖泊等）
HydroSHEDS数据集提供全球水文数据，由WWF（世界自然基金会(WWF)上的GIS数据集）和USGS美国地质调查局合作开发，HydroSHEDS数据可免费用于非商业和商业用途。HydroSHEDS数据可免费用于非商业和商业用途。
数据主要包括以下四个栏目：
HydroBASINS（分水岭、流域数据）
HydroRIVERS（河流数据）
HydroLAKES（湖泊数据）
HydroATLAS（水文环境数据）
GloRiC（河流分级数据）
下载地址：
https://hydrosheds.org/page/overview
引用：
Lehner, B., Verdin, K., Jarvis, A. (2008): New global hydrography derived from spaceborne elevation data. Eos, Transactions, AGU, 89(10): 93-94.
8、中国高分辨率高质量近地表二氧化氮数据集
中国高分辨率高质量近地表二氧化氮数据集（ChinaHighNO2）是一套基于多源卫星遥感（如OMI、TROPOMI）技术，利用人工智能方法，综合考虑多种气象条件、地表和地形变化等自然因素和人类分布、污染排放等人为因素，以及大气污染时空变化特征，生产得到的中国近地表二氧化氮数据集，由韦晶博士和李占清教授团队开发与维护。该数据集空间覆盖整个中国，目前时间覆盖2005年1月至2020年3月，不断更新；当前空间分辨率为0.25°× 0.25°，未来可达5千米，时间分辨率为日/月/年。该数据集免费开放，欢迎使用从事相关科学研究。
下载地址：
https://weijing-rs.github.io/product.html
引用：
Wei, J, & Li, Z. (2020). ChinaHighNO₂ data set: the high-quality near-surface NO₂ data set in China (Version 1) [Data set]. Zenodo. http://doi.org/10.5281/zenodo.3988349
9、中国高分辨率高质量近地表颗粒物数据集
ChinaHighPMx数据集是一套基于多源卫星遥感（包括MODIS、VIIRS和Himawari-8等）技术，利用人工智能方法，综合考虑多种气象条件、地表变化等自然因素和人类分布、污染排放清单等人为因素，以及大气污染时空变化特性，生产得到的中国不同粒径的大气近地表颗粒物遥感数据集。
该数据集主要包括PM1、PM2.5和PM10三种粒径颗粒物数据，空间覆盖整个中国，目前时间覆盖2000年3月至2020年3月，不断更新；空间分辨率最高可达1千米，时间分辨率为小时/日/月/年；由韦晶博士和李占清教授团队开发与维护。
下载地址：
https://weijing-rs.github.io/product.html
引用：
Wei, J., & Li, Z. (2019). ChinaHighPM1 data set: the high-resolution and high-quality PM1 data set in China (Version 2) [Data set]. Zenodo. http://doi.org/10.5281/zenodo.3758510
Wei, J., & Li, Z. (2019). ChinaHighPM2.5 data set: the high-resolution and high-quality PM2.5 data set in China (Version 2) [Data set]. Zenodo. http://doi.org/10.5281/zenodo.3753614
Wei, J., & Li, Z. (2020). ChinaHighPM10 data set: the high-resolution and high-quality PM10 data set in China (Version 1) [Data set]. Zenodo. http://doi.org/10.5281/zenodo.3752466.
10、中国高分辨率高质量近地表臭氧数据集
ChinaHighO3数据集是一套基于多源卫星遥感技术，使用人工智能方法，基于空气温度、太阳辐射和臭氧柱浓度及廓线数据，综合考虑多种气象条件、地表和地形变化等自然因素和人类分布、污染排放等人为因素，以及大气污染时空变化特征，生产得到的中国高分辨率和高精度近地表臭氧遥感数据集。
该数据集空间覆盖整个中国，目前时间周期覆盖2005年1月至2020年3月，不断更新；空间分辨率为0.25°×0.25°，未来可达5千米，时间分辨率为日/月/年；由韦晶博士和李占清教授团队开发与维护。
下载地址：
https://weijing-rs.github.io/index.html
引用：
Wei, J., & Li, Z. (2020). ChinaHighO3 data set: the high-quality near-surface O3 data set in China (Version 1) [Data set]. Zenodo. http://doi.org/10.5281/zenodo.3988420.
11、黄河流域地形因子与部分水文分析数据产品
为了有效支撑黄河流域生态保护与高质量发展相关研究，国家冰川冻土沙漠科学数据中心将逐步发布“黄河流域生态保护与高质量发展专题数据集”，目前已经针对黄河流域水-土-气-生-人开展了相关数据的系统收集与专题数据制备。
计划产出的数据有十七大类174个子类，涉及基础地理、气候气象、水文、水资源、水利水电工程、水土流失、生态环境、土地及矿产资源、自然灾害、社会经济、城市规划、文化旅游等多个方面。
下载地址：
http://www.ncdc.ac.cn/portal/topic/detail?id=d8ca07a6-6b46-416e-99c3-5eb87f3491b9
12、Flickr地理标记照片数据等
（1）YFCC 100M
YFCC 100M数据库是2014年来基于雅虎Flickr的影像数据库。该库由1亿条产生于2004年至2014年间的多条媒体数据组成，其中包含了9920万的照片数据以及80万条视频数据。YFCC 100M数据集并不包含照片或视频数据，而是一个文本数据文档，文档中每一行都是一条照片或视频的元数据。
下载地址：
https://zhuanlan.zhihu.com/p/24802842
（2）哈佛大学COVID19数据资源（包含百度迁徙数据）
哈佛大学的COVID19，包含了百度地图迁徙数据，我们不用自己去写代码获取。更新至2020年5月3日。数据摘自百度迁移网站。
点击download，可以直接下载，不用注册。下载后查看效果，是一个很大的城市迁徙矩阵，有300多个城市，整理的效果很好。
除此之外，还有气象数据集。更新至2020年4月25日。气候数据集包括从2020年1月1日开始的中国时间序列的空气质量数据，天气数据和其他监测数据。每条记录都有每日的最大值，最小值和标准差值。但是，天气数据仅涵盖某些城市。全面的天气数据集即将发布。以及政策法规数据、新冠新闻数据、病例统计数据、卫生设施数据、美国社会经济数据。
河流，大运河，湖泊，地形，省界，人口统计年鉴，主要城市等多个数据集。
下载地址：
https://dataverse.harvard.edu/dataverse/2019ncov
文章转载自微信公众号：集思人生。
如有侵权，请联系本站删除！
