青藏高原过去的冻土图主要基于稀少的台站气温观测，采用基于连续性的分类系统。本数据集利用地理加权回归模型（GWR）综合了经过时空重建的MODIS地表温度、叶面积指数、积雪比例和国家气象信息中心多模型土壤水分预报产品、融合了4万多个气象站降水观测和FY2卫星观测的降水产品及152个气象台站2000-2010年的多年平均气温观测数据，模拟得到了青藏高原过去1公里分辨率的多年平均气温数据，利用多年冻土热条件分类系统，将多年冻土分为非常冷（Very cold）、冷（Cold）、凉（Cool）、暖（Warm）、非常暖（Very warm）和可能解冻（Likely thawing）几个类型。该图显示，扣除湖泊和冰川，青藏高原多年冻土总面积约为107.19万平方公里。验证表明该图具有更高的精度。可为今后冻土工程规划设计与环境管理等提供支持。

该数据集主要包括北温带湖泊在1985-2020年间4个时段的结冰观测频率值（ICO），以及湖泊所在位置、面积、高程等信息。其中，4个时间段分别为1985-1998（P1）、1999-2006（P2）、2007-2014（P3）以及2015-2020（P4），目的是提高计算时段内的“有效观测”次数，进而提高准确度。4个时段的ICO由各个时段内所有Landsat影像统计的“结冰”次数与“有效观测”次数的比值计算，其他的湖泊信息通过表格中的“Hylak_id”列与HydroLAKEs数据集相对应。此外，该数据仅保留了P1-P4均观测有效，且面积大于1平方千米的湖泊，约为3万个。该数据集可以反映近几十年来湖泊结冰情况对气候变化的响应。(详见论文)

中国第二次冰川编目以分辨率较高的Landsat TM/ETM+遥感卫星数据为主要冰川边界提取数据源，并以最新全球数字高程模型SRTM V4为冰川属性提取数据源，采用当前国际通用的波段比值阈值分割法提取裸冰区冰川边界，开发了分冰岭提取算法提取冰川分冰岭并用于单条冰川的分割，同时采用国际通用算法计算冰川属性，从而获得了中国西部主要冰川区包含逐条冰川信息的矢量数据和属性数据。通过与部分野外GPS实地测量数据和更高分辨率遥感影像（如QuickBird、WorldView等）的对比显示，第二次中国编目中的冰川矢量数据具有较高的定位精度，能够满足国土、水利、交通、环境等领域对冰川数据的要求。 冰川编目属性：Glc_Name（冰川名称）、Drng_Code（流域编码）、FCGI_ID（第一次编目冰川编码）、GLIMS_ID（GLIMS冰川编码）、Mtn_Name（山系名称）、Pref_Name（所在行政区划）、Glc_Long（冰川经度）、Glc_Lati（冰川纬度）、Glc_Area（冰川面积）、Abs_Accu（绝对面积精度）、Rel_Accu（相对面积精度）、Deb_Area（表碛区面积）、Deb_A_Accu（表碛区面积绝对精度）、Deb_R_Accu（表碛区面积相对精度）、Glc_Vol_A（估算冰川体积1）、Glc_Vol_B（估算冰川体积2)、Max_Elev（冰川最大高程）、Min_Elev（冰川最小高程）、Mean_Elev（冰川平均高程）、MA_Elev（冰川中值面积高度）、Mean_Slp（冰川平均坡度）、Mean_Asp（冰川平均坡向）、Prm_Image（主要遥感数据）、Aux_Image（辅助遥感数据）、Rep_Date（冰川编目代表日期）、Elev_Src（高程数据源）、Elev_Date（高程代表日期）、Compiler（冰川编目编制者）、Verifier（冰川编目审验者）。 数据的详细情况见第二次冰川编目-数据说明。

植被功能型（PFT）是根据植物种的生态系统功能及其资源利用方式而对宠大的植物种进行的组合，每一种植被功能型共享相似的植物属性，是将植物种的多样性简化为植物功能和结构的多样性。植被功能型的概念受到生态学家特别是生态系统建模者的推崇。其基本假设是全球重要的生态系统动态可以通过有限的植被功能型表达和模拟。目前，植被功能型已被广泛用于生物地理模型、生物地球化学模型、陆面过程模型和全球动态植被模型，如美国国家大气研究中心（NCAR）的陆面过程模型已经将原来用土地覆盖信息变为应用植被功能型图（Bonan et al., 2002）。植被功能型已经被用于动态全球植被模型（DGVM）中，用以预测全球变化情景下生态系统结构与功能的变化。 参考全球植被功能型分类体系，根据模型需求，将土地覆盖类型与植被功能型合并考虑，确定该数据的分类体系下表。 1、植被功能型分类体系 1 Needleleaf evergreen tree, temperate 2 Needleleaf evergreen tree, boreal 3 Needleleaf deciduous tree 4 Broadleaf evergreen tree, tropical 5 Broadleaf evergreen tree, temperate 6 Broadleaf deciduous tree, tropical 7 Broadleaf deciduous tree, temperate 8 Broadleaf deciduous tree, boreal 9 Broadleaf evergreen shrub, temperate 10 Broadleaf deciduous shrub, temperate 11 Broadleaf deciduous shrub, boreal 12 C3 grass, arctic 13 C3 grass 14 C4 grass 15 Crop 16 Permanent wetlands 17 Urban and built-up lands 18 Snow and ice 19 Barren or sparsely vegetated lands 20 Bodies of water 2、制图方法 中国1公里植被功能型图是根据Bonan等（Bonan et al., 2002）提出的土地覆盖与植被功能型转换的气候规则，对MICLCover土地覆盖图(冉有华 等，2009；Ran et al., 2012)进行转换。MICLCover土地覆盖图是融合了2000年中国1：10万土地利用数据、中国植被图集（1：100万）的植被型、中国1：10万冰川分布图、中国1：100万沼泽湿地图和MODIS 2001年土地覆盖产品（MOD12Q1）的最新发布的土地覆盖数据，采用IGBP土地覆盖分类系统。评价显示，其可能是目前存在的全国1km尺度上精度最高的土地覆盖图。气候数据利用何杰等(2010)发展的1981-2008年的空间分辨率为0.1度、时间分辨率为3小时的中国大气驱动数据，是我国现存的在全国尺度上具有最高时空分辨率的气候数据，该数据融合了Princeton 陆面模式驱动数据(Sheffield et al., 2006)、GEWEX-SRB 辐射数据(Pinker et al., 2003)、TRMM 3B42 和APHRODITE 降水数据以及中国气象局740个气象台站的观测数据。根据RanYouhua等(2010)的评价结果，GLC2000在目前的全球土地覆盖数据集中，具有相对较高的精度，且其分类系统中没有混交林这一类，因此MICLCover土地覆盖图中的混交林利用GLC2000 (Bartholome and Belward, 2005; 徐文婷 等，2005)中的信息进行了替换。该数据可用于陆面过程模型等相关研究中。

青藏高原是世界上中低纬度地区冻土面积最大的地区。目前已编制了一些多年冻土分布图，但由于资料来源有限、标准不明确、验证不充分、高质量空间数据集的缺乏，使得在TP上绘制多年冻土分布图存在较大的不确定性。 本数据集基于改进的中分辨率成像光谱仪(MODIS)地表温度(LSTs)2003-2012年1km晴空MOD11A2 (Terra MODIS)和MYD11A2(Aqua MODIS)产品(reprocessing version 5)的冻融指数及冻土顶部温度（TTOP）模型模拟了多年冻土的分布，生成了青藏高原冻土图。并通过野外地面观测、土壤含水率和容重等各种调查数据对该图进行了验证。 冻土属性主要包括：季节性冻土（Seasonally frozen ground）、多年冻土（Permafrost）、非冻土区域（Unfrozen ground）。 数据集为青藏高原冻土研究提供了更详细的冻土分布资料和基础资料。

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。

地表温度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，广泛应用于气候学、水文学和生态学等的研究中。 在冻土研究中，气候是冻土存在和发展的决定性因素之一，其中地表温度是影响冻土分布的主要气候因子，其影响冻土发生发育以及分布，是冻土建模的上边界条件，对寒区水文过程的研究具有重要的意义。 数据集基于青藏高原工程走廊DEM及观测站资料分析了青藏高原2000-2014地表温度变化趋势。利用MODIS上下午星Terra和Aqua的地表温度数据产品MOD11A1/A2、MYD11A1/A2，基于影像时空信息对云覆盖像元下地表温度信息进行了重建，采用昆仑山（湿地、草原）、北麓河（草原、草甸）、开心岭（草甸、草原）、唐古拉山（草甸、湿地）8个站点对重建信息及地表温度代表性问题进行了分析，通过相关性系数（R2）、均方根误差（RMSE）、平均绝对误差（MAE）和平均偏差（MBE）验证指标得出：（1）基于时空信息的MODIS云覆盖像元下地表温度重建精度较高；（2）上下午星Terra和Aqua四次观测加权平均代表性最好。 基于MODIS地表温度信息重建及代表性问题的分析，获取了青藏高原及其工程走廊带2000-2010年年均MODIS地表温度数据。 可以看出2000-2010年地表温度也在经历着波动的增温趋势，这与青藏高原以及青藏工程走廊多年冻土段气候变化保持基本相同的变化趋势。

GAME/ Tibet 项目于1997 年夏季在安多(Amdo) 站作过短期预试验观测( PIOP) 。1998 年5～9 月, 安排了连续5 个加强观测期( IOP) , 每个IOP 约一个月。中、日、韩三国80 余名科学工作者分批赴青藏高原，进行了艰苦而卓有成效的工作。 各项观测试验计划顺利完成。并且从1998 年9 月加强观测结束后，5 个自动气象站(AWS) 、1 个自动气象综合观测站( PAM) 、1 个边界层塔及辐射综合观测站(Amdo) 及9 个土壤温度和湿度观测站一直连续观测至今, 取得了连续8 年零6 个月(从1997 年6 月开始) 极其珍贵的资料。 试验区设在藏北那曲地区的一个150 km ×200 km 的区域内(图1)，同时在青藏公路沿线的D66,沱沱河和唐古拉山口(D105) 也建立了观测点。包括高原草甸、高原湖泊、荒漠化草原等不同下垫面上, 设置了以下观测站(点)：(1) 两个包括大气和土壤的多学科综合观测站:安多(Amdo) 和那曲(NaquFx) 。这两个站含有多分量辐射观测系统、梯度观测塔、湍流通量直测系统、土壤温湿度梯度观测、无线电探空以及作为卫星资料地面真值利用的地面土壤湿度观测网和多角度光谱仪观测等；(2) 6 个自动气象站(D66 、沱沱河、D105 、D110 、Naqu 和MS3608) 。每个测站都有风、温、湿、压、辐射、地表温度、土壤温湿度和降水等观测；(3) 设在那曲北和南各约80 km 处的PAM( Portable Automated Meso - net) 站(MS3478和MS3637) 有类似于上述两个综合观测站(Amdo和NaquFx) 的主要项目, 同时有风、温、湿的湍流观测；(4) 9 个土壤温度和湿度观测点(D66 、沱沱河、D110 、WADD、NODA、Amdo 、MS3478、MS3478和MS3637) , 每个测站都包含有6 层土壤温度和9 层土壤湿度测量；(5) 一个设在那曲以南的三维多普勒雷达站和邻近(约100 km) 区域内的7 个加密雨量站( Precipitation gauge) , 辐射观测系统主要研究高原云与降水系统, 并作为TRMM 卫星一个地面真值站。 GAME-Tibet项目力求通过不同空间尺度的加强观测试验和长期监测，深入了解青藏高原的地气相互作用以及对亚洲季风系统的影响。 GAME/ Tibet 项目2000 年结束后, 已加入GEWEX(全球能量和水循环试验) 与CL IVAR (气候变化和预测) 两个大型国际计划联合组织的“全球协调加强观测计划(CEOP) ”, 开始执行“全球协调加强观测计划(CEOP) 亚澳季风之青藏高原试验研究”(CAMP/ Tibet ) 数据内容分为Prephase Observation Preriod (POP)1997年和IOP1998年 一、POP1997年数据内容： 1、Precipitation Guage Network (PGN) 2、Radiosonde Observation at Naqu 3、Analysis of Stable Isotope for Water Cycle Studies 4、Doppler radar observation 5、Large-Scale Hydrological Cycle in Tibet (Link to Numaguchi's home page) 6、Portable Automated Mesonet (PAM) [Japanese] 7、Ground Truth Data Collection(GTDC) for Satellite Remote Sensing 8、Tanggula AWS ( D105 station in Tibet ) 9、Syamboche AWS (GEN/GAME AWS in Nepal) 二、IOP1998年数据内容： 1、Anduo （1）PBL Tower 、（2）Radiation 、（3）Turbulence SMTMS 2、D66 （1）AWS （2）SMTMS （3）GTDC（4)Precipitation 3、Toutouhe （1）AWS（2）SMTMS（3）GTDC 4、D110 （1）AWS （2）SMTMS (3)GTDC(4)SMTMS 5、MS3608 （1）AWS （2）SMTMS （3）Precipitation 6、D105 （1）Precipitation (2)GTDC 7、MS3478(NPAM) （1）PAM （2）Precipitation 8、 MS3637 （1）PAM （2）SMTMS （3）Precipitation 9、NODAA （1）SMTMS (2)Precipitation 10、WADD （1）SMTMS （2）Precipitation （3）Barometricmd 11、AQB （1）Precipitation 12、Dienpa( RS2 ) （1）Precipitation 13、Zuri （1）Precipitation（2）Barometricmd 14、Juze （1）Precipitation 15、Naqu hydrological station （1）Precipitation 16、MSofNaqu（1）Barometricmd 16、Naquradarsite （1）Radarsystem（2）Precipitation 17、Syangboche[Nepal]（1）AWS 18、Shiqu-anhe（1）AWS（2）GTDC 19、Seqin-Xiang（1）Barometricmd 20、NODA（1）Barometricmd（2）Precipitation（3)SMTMS 21、NaquHY（1）Barometricmd（2）Precipitation 22、NaquFx(BJ)（1）GTDC（2)PBLmd(3)Precipitation 23、MS3543（1）Precipitation 24、MNofAmdo（1）Barometricmd 25、Mardi（1）Runoff 26、Gaize（1）AWS（2）GTDC（3）Sonde

基于青藏工程走廊现有的15个活动层厚度监测场天然孔数据资料，运用GIPL2.0冻土模型模拟了青藏工程走廊的活动层厚度现状分布图。该模型需要合成时间序列的温度数据集，按照时间跨度分为两个阶段，分别是1980-2009和2010-2015，第一阶段的温度数据来自于中国气象驱动数据集（http://dam.itpcas.ac.cn/rs/?q=data#CMFD_0.1），第二阶段的数据应用空间分变率为1km的MODIS地表温度产品（MOD11A1/A2, MYD11A1/A2）。此外，模型需要的土质类型数据来自于分辨率为1公里的中国土壤数据库（V1.1），同时还考虑了地貌，基于实测的土壤热物理参数以及土地覆盖类型等将研究区域归为88类进行了模拟。 对模拟结果和现场实测数据进行了对比，结果显示具有较好的一致性，相关系数达到0.75。在高山地区，活动层平均厚度小于2.0 m，然而在河谷地带，活动层平均厚度大于4.0 m，在高地平原区，活动层厚度通常在3.0 m -4.0 m之间。

本研究基于中国及周边国家共1153个气温站点和1202个降水站点数据，利用ANUSPLIN软件的局部薄盘光滑样条法进行插值，重建了1951−2011年中国月值气温和降水量的高空间分辨率0.025°（~2.5 km）格点数据集（简称LZU0025）。数据集的质量评估主要基于以下三个方面：（1）分析ANUSPLIN在日志文件中提供的一系列用于判别误差来源和插值质量的统计参数。结果表明在1951-2011年，表征最佳插值模型的广义交叉验证GCV（generalized cross validation）值较小，在气温插值时为1.06℃，在降水进行开方运算插值时为1.97mm1/2。（2）对比LZU0025格点值与预留的265个站点实测数据。结果表明在1951-2011年，LZU0025月插值数据与实测数据接近，两者的平均绝对差为0.59℃和70.5mm，标准差为1.27℃和122.6mm，并且标准差的变化与GCV变化一致。（3）将LZU0025与现有数据集进行对比。首先以插值所用站点较多的中国气象局发布的0.5°数据集（简称CMA）为基准，利用泰勒图对比了基于不同数据集刻画的气候平均状态均值（Mean）、距离平均状态的标准差（Standard deviation）以及随时间变化的气候趋势（Time trend）。结果表明与基于其他数据集衍生的三类指标相比，LZU与基准CMA相关系数较高，标准差较接近，并且归一化的均方根误差较小。其次，将LZU0025格点数据与能量和水循环观测项目-亚洲季风项目西藏地区（CAMP-Tibet）气象站数据进行对比，结果表明仅有少数台站降水数据与LZU0025相关性不显著，但多数台站气温和降水数据与LZU0025显著相关且相关性高于0.87。基于以上评估分析，LZU0025数据集可靠。高分辨率的LZU0025能刻画更多的气候类型如喜马拉雅山脉地区未被粗分辨率数据集识别的苔原和极地气候。LZU0025可作为研究全球气候变化下区域气候变化和精准农业气候的基础数据。