光合作用是连接碳和水循环的关键过程，卫星检索的日光诱导叶绿素荧光 (SIF) 可以作为光合作用的有价值的代理。Copernicus Sentinel-5P 任务上的TROPOspheric Monitoring Instrument (TROPOMI) 能够显着改进提供高空间和时间分辨率的 SIF 观测，但数据记录的短时间覆盖限制了其在长期研究中的应用。我们使用机器学习在具有高时空分辨率（0.05°，8 天）的晴朗天空条件下重建 2001-2020 年期间的 TROPOMI SIF (RTSIF)。我们的机器学习模型在训练和测试数据集上表现良好（R^2 = 0.907, regression slope = 1.001）。RTSIF 数据集针对 TROPOMI SIF 和基于塔的 SIF 进行了验证，并与其他卫星衍生的 SIF（GOME-2 SIF 和 OCO-2 SIF）进行了比较。 RTSIF 与总初级生产 (GPP) 的比较说明了 RTSIF 在估算碳通量方面的潜力。这个数据集将在评估长期陆地生态系统光合作用和全球碳水通量方面有重要价值。
陈星安, 黄跃飞, 聂冲, 张硕, 王光谦, 陈世鎏, 陈志超
南极半岛植被数据来源于时空三级环境大数据平台的南极先锋植被覆盖分类数据，通过实测光谱匹配遥感影像，应用纯像元PPI提取出苔藓、地衣、岩石、海、积雪的端元波谱和应用线性混合模型LMM（Linear Mixture Model）计算得到。菲尔德斯半岛特色植被覆盖度根据其与丰度的相关线性关系获得。数据格式为geotiff格式。数据内容是南极半岛典型年典型区植被覆盖度。本研究工作通过对南极半岛典型区典型年植被覆盖度后处理后生成tif栅格格式产品，栅格主体数值为植被盖度。本研究得到的南极半岛典型区植被覆盖度是将南极先锋植物丰度数据产品进行镶嵌，包括南极半岛及周边植物丰度数据产品。通过ArcGIS将南极半岛典型区域包括Adley，北部和南部镶嵌在一起，得到包括2008年、2017年和2018年的光谱角匹配法（SAM）和光谱信息散度法（SID）识别出的6幅植被覆盖度图。
叶爱中
该数据集包含了2021年01月01日至2021年12月31日青海湖流域地表过程综合观测网高寒草甸草原混合超级站的物候相机观测数据。其中2021年1月31日至4月14日，由于相机内存问题导致该时段数据缺失。站点位于青海省天峻县苏里路旁侧，下垫面是高寒草甸和高寒草原的混合。观测点经纬度为：东经 98°35′41.62″E，北纬 37°42′11.47″N，海拔3718m。该物候相机采用垂直向下的方式采集数据，拍摄数据分辨率为2592*1944，本数据集中的物候照片是在每天12:10拍摄的，拍摄时间误差在±10 min。图片命名方式为BSDCJZ BEIJING_IR_Year_Month_Day_Time.
李小雁
归一化植被指数（Normalized Difference Vegetation Index , NDVI）广泛应用于植被监测。本数据集利用2000-2020年青藏高原区域所有可用的Landsat 5/7/8数据（影像10万+），通过MODIS-Landsat数据融合算法（gap filling and Savitzky–Golay filtering；GF-SG），重建了青藏高原植被区域2000-2020年高时空分辨率（30米-8天）NDVI时间序列数据集（QTP-NDVI30）（算法细节请参考论文）。 本数据集具有良好的验证精度。定量评价结果显示重建NDVI影像数据的平均绝对误差MAE为0.02，平均相关系数R为0.96，图像结构相似性SSIM为0.94。选取典型区域与PlanetScope 3米空间分辨率影像比较，空间细节信息得到了较好的保持（产品评价细节请参考论文）。 本数据集地理坐标系为GCS_WGS_84, 空间范围覆盖青藏高原植被区域，植被区域定义为7-9月平均NDVI大于0.15。
曹入尹, 徐子超, 陈洋, 沈妙根, 陈晋
1）数据内容：祁连山典型小流域植被-土壤-岩石三维空间结构CT扫描数据集，数据包括祁连山典型小流域不同深度苔藓层体积密度、土壤大孔隙度和土壤石砾体积密度数据；2）数据来源及加工方法：在祁连山典型小流域采集苔藓层和苔藓覆盖下深度为30 cm的原状土柱，利用工业X射线三维显微镜对苔藓层和原状土柱进行扫描；3）数据质量描述：苔藓层分辨率40 μm，原状土柱分辨率68 μm；4）数据应用成果及前景：祁连山典型小流域植被-土壤-岩石三维空间结构CT扫描数据集对于祁连山区的生态恢复、水资源管理和利用均有着重要意义，可为阐述祁连山的水源涵养功能及机理提供基础数据和理论支撑。
胡霞
该数据集包含了2021年7月22日至2021年9月5日的黑河水文气象观测网中游大满超级站叶面积指数观测数据。站点（100.376° E, 38.853° N）位于甘肃省张掖市大满灌区内，海拔1556m，下垫面是玉米。观测样方共计3个，每个样方大小约30m×30m，经纬度分别为（100.374°E, 38.855°N）、（100.371° E, 38.854°N）、（100.369°E, 38.854°N）。每个样方内布设4个冠层下节点和1个冠层上节点。 本数据集由叶面积指数无线传感网（LAINet）获取，该仪器原始观测数据为仪器自动获取的每个节点逐日逐小时的光照数据（Level0），利用LAINet软件对原始观测数据进行处理，逐节点计算每天LAI（Level1），进一步对无效值识别与填充，并5天滑动平均消除天气变化对LAI计算的影响（Level2），对有多个LAINet节点的观测子区，节点的均值为该子区的最终观测值（Level3）。 本次发布的数据集为处理后的Level3产品，数据以*.xls格式存储。 黑河流域地表过程综合观测网或站点信息请参考Liu et al. (2018)，观测数据处理请参考Qu et al. (2014)。
刘绍民, 车涛, 屈永华, 徐自为, 谭俊磊
该数据集包含2021年5月2日至12月26日黑河流域地表过程综合观测网下游四道桥超级站的物候相机观测数据，该仪器由北京师范大学自主研发并进行处理。物候相机集成数据获取与数据传输功能。该物候相机采用垂直向下的方式采集数据，拍摄数据分辨率为1280*720，可指定拍摄时间频率。对于绿度指数物候期计算，需要根据感兴趣区域计算相对绿度指数（GCC, Green Chromatic Coordinate公式为GCC=G/（R+G+B）, R、G、B为图像红、绿、蓝三通道像元值），然后进行无效值填充和滤波平滑，最后根据生长曲线拟合确定关键物候期参数，如生长季起始日、顶峰、生长季结束日等；对于覆盖度，首先进行数据预处理，选择光照不太强的图像，然后将图像分割为植被和土壤，计算每张图像的植被像素占计算区域内的比例作为该图像对应的覆盖度，在时间序列数据提取完成以后，再按用户指定的时间窗口对原始覆盖度数据进行平滑滤波，滤波后的得结果为最终的时间序列覆盖度。本数据集包括相对绿度指数（Gcc）。 黑河流域地表过程综合观测网或站点信息请参考Liu et al. (2018)。
刘绍民, 屈永华, 车涛, 徐自为, 任志国
该数据集包含2021年1月1日至12月31日黑河流域地表过程综合观测网中游大满超级站的物候相机观测数据，该仪器由北京师范大学自主研发并进行处理。物候相机集成数据获取与数据传输功能。该物候相机采用垂直向下的方式采集数据，拍摄数据分辨率为1280*720，可指定拍摄时间频率。对于绿度指数物候期计算，需要根据感兴趣区域计算相对绿度指数（GCC, Green Chromatic Coordinate公式为GCC=G/(R+G+B), R、G、B为图像红、绿、蓝三通道像元值），然后进行无效值填充和滤波平滑，最后根据生长曲线拟合确定关键物候期参数，如生长季起始日、顶峰、生长季结束日等；对于覆盖度，首先进行数据预处理，选择光照不太强的图像，然后将图像分割为植被和土壤，计算每张图像的植被像素占计算区域内的比例作为该图像对应的覆盖度，在时间序列数据提取完成以后，再按用户指定的时间窗口对原始覆盖度数据进行平滑滤波，滤波后的得结果为最终的时间序列覆盖度。本数据集为相对绿度指数（Gcc）。 黑河流域地表过程综合观测网或站点信息请参考Liu et al. (2018)。
刘绍民, 屈永华, 车涛, 徐自为, 谭俊磊, 任志国
该数据集包含2021年1月1日至12月31日黑河流域地表过程综合观测网中游阿柔超级站的物候相机观测数据，该仪器由北京师范大学自主研发并进行处理。物候相机集成数据获取与数据传输功能。该物候相机采用垂直向下的方式采集数据，拍摄数据分辨率为1280*720，可指定拍摄时间频率。对于绿度指数物候期计算，需要根据感兴趣区域计算相对绿度指数（GCC, Green Chromatic Coordinate公式为GCC=G/(R+G+B), R、G、B为图像红、绿、蓝三通道像元值），然后进行无效值填充和滤波平滑，最后根据生长曲线拟合确定关键物候期参数，如生长季起始日、顶峰、生长季结束日等；对于覆盖度，首先进行数据预处理，选择光照不太强的图像，然后将图像分割为植被和土壤，计算每张图像的植被像素占计算区域内的比例作为该图像对应的覆盖度，在时间序列数据提取完成以后，再按用户指定的时间窗口对原始覆盖度数据进行平滑滤波，滤波后的得结果为最终的时间序列覆盖度。本数据集包括相对绿度指数（Gcc）。 黑河流域地表过程综合观测网或站点信息请参考Liu et al. (2018)。
刘绍民, 屈永华, 车涛, 徐自为, 张阳
森林是陆地上重要的生态系统，约占陆地总面的三分之一，在调节气候，为物种提供栖息地和维持全球生态系统平衡等方面发挥着重要作用。而树冠覆盖度的动态变化会影响森林生态系统的结构、组成和功能。利用长时间序列的Landsat数据，基于机器学习方法获得了1990-2020年尺度的30m空间分辨率的树冠覆盖度数据。利用年尺度的树冠覆盖度数据，生成了1990-2020年东喜马拉雅树冠覆盖度变化速率数据集。结果显示，该地区平均树冠覆盖度从40.67%（1990年）增加到43.43%（2020年），增加了2.76%，表明该地区森林在过去几十年里有所改善。
王春玲, 王建邦, 何卓昱, 冯敏
青藏高原及其周边高山地区孕育了高度的植物多样性，其成分来源复杂，既是现代高山植物的分布中心，也与其它地区的植物有着千丝万缕的联系。生长在这一地区的植物具有适应高原环境的独特基因资源，但受限于技术的发展，对这一地区植物的基因资源挖掘和利用仍然处于起步阶段。通过对龙胆科植物卵萼花锚和大花花锚开展比较基因组学研究，可解析植物交配系统进化的基因组效应，发掘与自交相关的关键基因，探讨植物混合交配系统的维持机制。本次数据汇交的内容主要为：卵萼花锚和大花花锚的基因组原始数据，包含卵萼花锚和大花花锚的三代Pacbio测序数据以及卵萼花锚和大花花锚的二代illumina测序数据。
段元文
森林变化（包含森林损失和恢复）是受自然和人类活动影响的复杂生态过程，对全球物质循环和能量流动具有重要的影响。基于长时间序列树冠覆盖度（tree-canopy cover, TCC）数据，采用双时相类概率模型对森林变化进行检测，得到1986-2018年中国东北天然林保护工程区森林变化数据集（空间分辨率为30米，时间分辨率为1年）。使用分层随机采样方法在保护区范围内选取1000样点并进行目视解译，对森林变化提取结果进行精度评价，结果显示森林损失（Producer’s accuracy = 85.21%；User’s accuracy = 84.26%）和森林恢复（Producer’s accuracy = 87.74%；User’s accuracy = 88.31%）精度均较高，可以有效反映保护区森林变化状态。
王建邦, 何卓昱, 王春玲, 冯敏, 庞勇, 余涛, 李新
植被初级生产力（Net Primary Production, NPP）数据集，源数据来自MODIS产品(MOD17A3H)，经过数据格式转换、投影、重采样等预处理。现有格式为TIFF格式，投影为Krasovsky_1940_Albers投影，单位为kg C/m2/year，空间范围为整个青藏高原。数据空间分辨率为500米，时间分辨率为每5年，时间范围是2001到2020年。青藏高原NPP整体呈现从西北向东南逐渐增加的趋势。
朱军涛
本数据集包含的气象、土壤水分、土壤温度、腾发和渗漏数据均在西藏自治区拉萨市澎波灌区监测获得。数据集包含了西藏澎波灌区2019~2022年以小时为序列的气象数据，由全自动气象站NHQXZ601监测获取，其中包括降雨、气温和相对湿度数据等。利用东方智感墒情仪监测青稞地、燕麦地和草地土壤水分及土壤温度变化，数据采集间隔以小时记，实测时间为2019~2022年。土壤温度和土壤水分数据较为详实，利用统计学方法可以反映出土壤水分和温度在时、天、月、季、年不同时间尺度的变化规律，也可较好的满足农田水热运移模型的率定和验证需求。数据集还包括了作物腾发数据和渗漏数据，利用LYS80蒸渗仪实测获得，此数据优助于解析西藏高寒地区农作物在整个生育期耗水量及不同生长阶段的耗水量及渗漏量，对明晰不同农田系统的水量平衡发挥重要作用。该数据集提供的西藏澎波灌区气象，土壤水分、土壤温度、蒸腾和渗漏数据，有助于揭示农田尺度、灌区尺度的水转化过程和充分认识西藏高寒区SPAC系统的水热传输过程，作物生长状态。
汤鹏程
碳氮磷硫钾等是生态系统重要的基本生命元素，揭示其区域变异与空间格局对人类活动的影响及其未来生态系统可持续发展具有重要作用。青藏高原具有独特的高寒植被类型以及丰富的垂直带地貌和地表覆盖类型，其地表元素（碳氮磷硫钾）的生物地理格局是驱动高寒生态系统碳氮水循环过程耦合和相关机制的重要表现形式。本数据集聚焦青藏高原东南缘和横断山区复杂生态系统中地表物质（植物叶-枝-干-根和凋落物）的分配模式和空间变异，以期为区域模型模拟和生态管理提供数据支撑。
李明旭
充分利用多源植被分类/土地覆盖分类产品各自的优势，通过专门设计与青藏高原植被类型相适应的植被分类体系，选用集成分类方法，在数据可靠性的基础上遵循一致性的原则，制作了青藏高原现状植被图，其在现势性、分类体系的针对性和分类精度上均表现更优。从分类结果的现势性来看，青藏高原现状植被图较早期中国植被图能更好地反映青藏高原植被覆盖现状；从分类体系的针对性来看，青藏高原现状植被图采用了针对青藏高原植被专门设计的分类体系，有利于从多源数据产品中充分提取出具备高可靠性和一致性的植被覆盖信息；从分类精度来看，青藏高原现状植被图的总体精度（78.09%，Kappa系数0.75）较已有相关数据产品提高了18.84% ~ 37.17%，特别是对草地、灌丛等植被类型的分类精度有明显提升。
张慧, 赵涔良, 朱文泉
制图范围：张镱锂等2002版青藏高原范围。 数据源：1980年代青藏高原植被图，气候、地形、地貌、土壤数据等。 制图方法：复原植被图是反映未受人类经济活动破坏以前的原始植被分布状况的植被图。由于缺乏青藏高原早期植被分布图，在本项目组编制的1980年代青藏高原植被图的基础上，通过以下方法编制近似复原植被图。采用1980年代青藏高原植被图，使用1980年的WorldClim19个生物气候数据，分析生物气候数据与自然植被的关系，确定各类自然植被分布所对应的气候数据变化范围。对于1980年代植被图中的人工植被，使用最早的1960年的WorldClim19个生物气候数据，根据人工植被分布区的气候数据，以及上面得到的植被分布与气候关系，判断对应的自然植被，将该区人工植被替换为自然植被。在此基础上，进一步考虑植被分布地带性规律及其与地形、地貌、土壤的关系，依据人工植被周边残存的自然植被、周边地带性植被，对前面的判断结果进行分析，交叉验证人工植被替换结果的准确性，并进行适当修正。对于1980年代植被图中的自然植被，如针叶林、阔叶林、灌丛、荒漠、草原、草甸等则保持不变。综合以上分析结果，获得近似复原植被图。植被分类单位与1980年代青藏高原植被图相同。基于制图使用数据精度，本图出图比例尺最大为1:50万。
周继华, 郑元润, 宋长青, 程昌秀, 高培超, 沈石, 叶思菁
1980年代青藏高原植被图制图说明： 制图范围：张镱锂等2021版青藏高原范围。 数据源：1980-1988年Landsat 4-5 TM 影像（空间分辨率约30米）、野外调查数据、1:100万植被图、Google Earth影像、气候、地形、地貌、土壤、土地覆盖数据等。 制图方法：（1）初步图斑分割，采用面向对象的方法初步分割遥感影像，形成初步制图斑块；（2）目视解译，综合野外调查数据、1:100万植被图、Google Earth影像、气候、地形、地貌、土壤、土地覆盖数据等，对初步制图斑块进行目视解译制图；（3）交叉验证，使用地形图、1:100万植被图、土地利用图进行逻辑验证；（4）图例系统，采用《中华人民共和国植被图 (1:1, 000, 000)，2007》的分类标准、图例单位和系统，包括植被型组、植被型2个单位，制图区域共有植被型组11个，植被型46个，无植被地段10个；（5）植被图整饰，采用图斑和数字相结合的方法，表示不同植被类型和制图单位；（6）基于制图使用数据精度，本图出图比例尺最大为1:50万。
周继华, 郑元润, 宋长青, 程昌秀, 高培超, 沈石, 叶思菁
碳氮磷硫钾等是生态系统重要的基本生命元素，揭示其区域变异与空间格局对人类活动的影响及其未来生态系统可持续发展具有重要作用。青藏高原具有独特的高寒植被类型以及丰富的垂直带地貌和地表覆盖类型，其地表元素（碳氮磷硫钾）的生物地理格局是驱动高寒生态系统碳氮水循环过程耦合和相关机制的重要表现形式。本数据集聚焦青藏高原水塔区和喜马拉雅山区复杂生态系统中地表物质（植物叶-枝-干-根和凋落物）的分配模式和空间变异，以期为区域模型模拟和生态管理提供数据支撑。
李明旭
青藏高原及周边地区孕灾、致灾、承灾数据集包含了地貌数据、归一化植被指数数据、年均气温与降雨数据、承灾价值等级数据，覆盖656万平方公里的范围。该数据集主要是为了进行灾害、风险评价而准备。由于覆盖范围巨大，地貌数据采用了150m空间分辨率，其他数据采用了1000m空间分辨率。地貌、植被指数、气温降雨数据主要通过加工开源数据生产，承灾价值等级数据为叠加计算生产，综合考虑了人口数据、夜间灯光指数、建筑物、地表覆被类型。
唐晨晓
本数据集是基于青藏高原多年冻土分布区1114个样点的土壤调查数据，重点考虑了古气候在估算青藏高原土壤碳储量中的重要作用，在综合了气候（古气候和现代气候条件）、植被、土壤（土层厚度和土壤理化属性等）和地形等因素后，通过机器学习算法重新评估得到的青藏高原3m深度土壤碳储量。结果集表明当前陆地生态系统模型普遍低估了青藏高原冻土碳库大小，模型中缺乏对古气候影响的考虑是导致模拟偏差的重要原因。因此，未来模型模拟土壤碳循环应该将古气候的作用考虑在内。
丁金枝
本数据集整理和收集了青藏高原及周边地区500米空间分辨率的地表植被类型数据，数据源来自于美国地质调查局（USGS）官网（https://lpdaac.usgs.gov/products/mod12q1v006/），此数据是是MODIS三级数据的土地利用与覆被产品，空间分辨率为500m。通过使用Terra和Aqua反射率数据的监督分类得到的。通过将平滑样条应用于天底双向反射率分布函数（BRDF）-调整后的反射（NBAR）时间序列，第6版MCD1201产品开发出新的缺口填充光谱时间特征。而且，第6版产品还使用了隐马尔可夫模型（HMM），可减少类别标签中的虚假变化。该数据集中包含了17个主要土地覆盖类型，根据国际地圈生物圈计划（IGBP），其中包括11个自然植被类型，3个土地开发和镶嵌的地类和3个非草木土地类型定义类。其分别为：1-常绿针叶林；2-常绿阔叶林；3-落叶针叶林；4-落叶阔叶林；5-混交林；6-稠密灌丛；7-稀疏灌丛；8-木本稀树草原；9-稀树草原；10-草地；11-永久湿地；12-农用地；13-城市和建筑区；14-农用地/自然植被拼接；15-雪和冰；16-裸地；17-水。
邱海军
该数据集包含2021年1月9日至2021年12月31日疏勒河流域兰州大学寒旱区科学观测网络瓜州站的物候相机观测数据，观测点的经纬度是95.673E，41.405N，海拔2014m。该数据使用北京师范大学自主研发的软件包进行处理。该物候相机采用向下的方式采集数据，拍摄数据分辨率为2592*1944，可指定拍摄时间频率。对于绿度指数物候期计算，需要根据感兴趣区域计算相对绿度指数（GCC, Green Chromatic Coordinate公式为GCC=G/(R+G+B), R、G、B为图像红、绿、蓝三通道像元值），然后进行无效值填充和滤波平滑，最后根据生长曲线拟合确定关键物候期参数，如生长季起始日、顶峰、生长季结束日等；对于覆盖度，首先进行数据预处理，选择光照不太强的图像，然后将图像分割为植被和土壤，计算每张图像的植被像素占计算区域内的比例作为该图像对应的覆盖度，在时间序列数据提取完成以后，再按用户指定的时间窗口对原始覆盖度数据进行平滑滤波，滤波后的得结果为最终的时间序列覆盖度。本数据集包括相对绿度指数（GCC）。该站点物候相机于2021年8月10日调整过拍摄角度。
赵长明, 张仁懿
该数据集包含2021年1月1日至2021年12月31日柴达木盆地哈尔腾河流域兰州大学寒旱区科学观测网络苏干湖站的物候相机观测数据，观测点的经纬度是94.125°E，38.992N，海拔2798m。该数据使用北京师范大学自主研发的软件包进行处理。该物候相机采用向下的方式采集数据，拍摄数据分辨率为2592*1944，可指定拍摄时间频率。对于绿度指数物候期计算，需要根据感兴趣区域计算相对绿度指数（GCC, Green Chromatic Coordinate公式为GCC=G/(R+G+B), R、G、B为图像红、绿、蓝三通道像元值），然后进行无效值填充和滤波平滑，最后根据生长曲线拟合确定关键物候期参数，如生长季起始日、顶峰、生长季结束日等；对于覆盖度，首先进行数据预处理，选择光照不太强的图像，然后将图像分割为植被和土壤，计算每张图像的植被像素占计算区域内的比例作为该图像对应的覆盖度，在时间序列数据提取完成以后，再按用户指定的时间窗口对原始覆盖度数据进行平滑滤波，滤波后的得结果为最终的时间序列覆盖度。本数据集包括相对绿度指数（GCC）。该站点物候相机于2021年8月12日调整过拍摄角度。
赵长明, 张仁懿
该数据集包含2021年2月1日至2021年9月15日黑河流域兰州大学寒旱区科学观测网络寺大隆站的物候相机观测数据，观测点的经纬度是99.926E，38.428N，海拔3146m。该数据使用北京师范大学自主研发的软件包进行处理。该物候相机采用向下的方式采集数据，拍摄数据分辨率为2592*1944，可指定拍摄时间频率。对于绿度指数物候期计算，需要根据感兴趣区域计算相对绿度指数（GCC, Green Chromatic Coordinate公式为GCC=G/(R+G+B), R、G、B为图像红、绿、蓝三通道像元值），然后进行无效值填充和滤波平滑，最后根据生长曲线拟合确定关键物候期参数，如生长季起始日、顶峰、生长季结束日等；对于覆盖度，首先进行数据预处理，选择光照不太强的图像，然后将图像分割为植被和土壤，计算每张图像的植被像素占计算区域内的比例作为该图像对应的覆盖度，在时间序列数据提取完成以后，再按用户指定的时间窗口对原始覆盖度数据进行平滑滤波，滤波后的得结果为最终的时间序列覆盖度。本数据集包括相对绿度指数（GCC）。
赵长明, 张仁懿
该数据集包含2021年3月1日至2021年12月31日石羊河流域兰州大学寒旱区科学观测网络民勤站的物候相机观测数据，观测点的经纬度是103.668E，39.208N，海拔1020m。该数据使用北京师范大学自主研发的软件包进行处理。该物候相机采用向下的方式采集数据，拍摄数据分辨率为2592*1944，可指定拍摄时间频率。对于绿度指数物候期计算，需要根据感兴趣区域计算相对绿度指数（GCC, Green Chromatic Coordinate公式为GCC=G/(R+G+B), R、G、B为图像红、绿、蓝三通道像元值），然后进行无效值填充和滤波平滑，最后根据生长曲线拟合确定关键物候期参数，如生长季起始日、顶峰、生长季结束日等；对于覆盖度，首先进行数据预处理，选择光照不太强的图像，然后将图像分割为植被和土壤，计算每张图像的植被像素占计算区域内的比例作为该图像对应的覆盖度，在时间序列数据提取完成以后，再按用户指定的时间窗口对原始覆盖度数据进行平滑滤波，滤波后的得结果为最终的时间序列覆盖度。本数据集包括相对绿度指数（GCC）。
赵长明, 张仁懿
该数据集包含2021年1月1日至2021年12月31日大通河流域兰州大学寒旱区科学观测网络连城站的物候相机观测数据，观测点的经纬度是102.737E，36.692N，海拔2903m。该数据使用北京师范大学自主研发的软件包进行处理。该物候相机采用向下的方式采集数据，拍摄数据分辨率为2592*1944，可指定拍摄时间频率。对于绿度指数物候期计算，需要根据感兴趣区域计算相对绿度指数（GCC, Green Chromatic Coordinate公式为GCC=G/(R+G+B), R、G、B为图像红、绿、蓝三通道像元值），然后进行无效值填充和滤波平滑，最后根据生长曲线拟合确定关键物候期参数，如生长季起始日、顶峰、生长季结束日等；对于覆盖度，首先进行数据预处理，选择光照不太强的图像，然后将图像分割为植被和土壤，计算每张图像的植被像素占计算区域内的比例作为该图像对应的覆盖度，在时间序列数据提取完成以后，再按用户指定的时间窗口对原始覆盖度数据进行平滑滤波，滤波后的得结果为最终的时间序列覆盖度。本数据集包括相对绿度指数（GCC）。
赵长明, 张仁懿
该数据集包含2021年1月1日至2021年12月31日石羊河流域兰州大学寒旱区科学观测网络西营河站的物候相机观测数据，观测点的经纬度是101.855E，37.561N，海拔3616m。该数据使用北京师范大学自主研发的软件包进行处理。该物候相机采用向下的方式采集数据，拍摄数据分辨率为2592*1944，可指定拍摄时间频率。对于绿度指数物候期计算，需要根据感兴趣区域计算相对绿度指数（GCC, Green Chromatic Coordinate公式为GCC=G/(R+G+B), R、G、B为图像红、绿、蓝三通道像元值），然后进行无效值填充和滤波平滑，最后根据生长曲线拟合确定关键物候期参数，如生长季起始日、顶峰、生长季结束日等；对于覆盖度，首先进行数据预处理，选择光照不太强的图像，然后将图像分割为植被和土壤，计算每张图像的植被像素占计算区域内的比例作为该图像对应的覆盖度，在时间序列数据提取完成以后，再按用户指定的时间窗口对原始覆盖度数据进行平滑滤波，滤波后的得结果为最终的时间序列覆盖度。本数据集包括相对绿度指数（GCC）。
赵长明, 张仁懿
通过不同层次的旅游点、旅游线和旅游区的考察，形成景点、景区、廊道和重要的旅游交通节点、旅游村、旅游城镇等的旅游资源、旅游服务和旅游设施等的照片、视频数据，记录旅游发展状况，发现旅游发展中的问题，并形成相应的世界旅游目的地建设的思路；数据来源为无人机、行车记录仪和摄像机、手机、GPS，并按照景区、数据类别分成不同文件夹；数据资料经过多次核对，确保真实无误；本数据可为青藏高原世界旅游目的地建设提供可追溯的依据。
时珊珊
本数据库包含西南高山峡谷21世纪以来的报道和调查的约800种大型真菌的1,487条分布记录，涉及4省39县，分别是青海（10条记录）、四川（949条记录）、西藏（448条记录）和云南（80条记录）。数据资料主要来自项目长期野外工作的积累及国内著名植物相关网站，如横断山生物多样性数据库。数据集包括本地区大型真菌的物种名、属名、科名、目名、纲名，以及分布省和分布县信息。本数据初步摸清了西南高山峡谷区域大型真菌的多样性现状及其分布，为大型真菌保护、规划以及大型真菌资源的可持续利用提供了坚实的数据基础。
孙航
本数据库为西南高山峡谷种子植物物种名录及其分布数据集，包含本区域近8,300种植物的1977年至2018年的34,696条分布记录。本数据库的物种分布信息主要获取自野外第一手数据及国内著名植物相关网站，如横断山维管植物。此数据主要涉及本地区植物的物种名、科属名、经纬度、海拔及其生境等信息。此数据可用于探讨西南高山峡谷的植物区系、区划，亦为西南地区乃至东亚地区的植物多样性、生态系统等研究奠定了坚实基础。
孙航
本数据是研究团队采用新方法定量重建获得的末次冰盛期以来青藏高原不同样点的植被变化数据。首先收集、整理青藏高原及其周边17个植被带1802条现代孢粉数据作为训练集，采用随机森林算法建立基于孢粉数据重建青藏高原植被的模型，该模型预测现代孢粉样点的植被时，与实际植被对比，显示出较高的一致性（>76%）。与传统的生物群区化法相比，新建立的随机森林模型基于孢粉数据预测青藏高原现代植被的准确性更高。随后，将新建立的随机森林模型用于青藏高原51条孢粉化石序列的古植被重建。用贝叶斯方法重新建立各孢粉化石序列的深度-年代模型，并用线性插值方法获取500年间隔的孢粉化石数据。最终用随机森林模型重建出青藏高原22000年以来500年间隔的植被时空格局变化。本数据可以为理解过去高寒植被的变化过程和机制提供依据，为研究过去气候变化对青藏高原植被的影响提供证据，为气候模拟提供边界条件。
秦锋, 赵艳, 曹现勇
植被指数（NDVI, Normalized Difference Vegetation Index）可以准确反映地表植被覆盖状况。目前，基于SPOT/VEGETATION以及MODIS等卫星遥感影像得到的NDVI时序数据已经在各尺度区域的植被动态变化监测、土地利用/覆被变化检测、宏观植被覆盖分类和净初级生产力估算等研究中得到了广泛的应用。藏东南1KM植被指数（NDVI）空间分布数据集是在MODIS（https://ladsweb.modaps.eosdis.nasa.gov/）16天1KM地表反射率数据（MOD13）基础上，采用最大值合成法生成的2000年以来的月度植被指数数据集。该数据集有效反映了藏东南地区在空间和时间尺度上的植被覆盖分布和变化状况，对植被变化状况监测、植被资源合理利用和其它生态环境相关领域的研究有十分重要的参考意义。月度NDVI数据为每月NDVI数据数值的最大值，数据获取时间为2000年2月—2018年12月。下载的数据为GRID格式，空间分辨率为1km。
王浩
沱沱河源区植被类型图是基于 319 个地面采样点数据结合随机森林(RF)分类方法进行创建的。随机森林分类器的16个输入变量包括了Landsat-8的可见光、短波红外和热红外波段值及其反演的植被指数和地表温度数据等。根据研究区的植被特征及多年冻土模拟的需要，该图对高寒沼泽草甸(alpine swamp meadow)、高寒草甸(alpine meadow)、高寒草原(alpine steppe)和高寒沙漠(alpine desert )等4种植被类型进行了分类。图件的空间分辨率为30 m，可以提供更细节的植被类型的位置信息。
邹德富, 赵林, 刘广岳, 杜二计, 胡国杰, 李智斌, 吴通华, 吴晓东, 陈杰
2018-2021年高山冰缘带植物功能性状分解数据库是项目组于2018-2021年对青藏高原冰缘带科学考察的系列成果之一。数据库包含青藏高原冰缘带植物物种名录，及野外实测和依据《中国植物志》、《西藏植物志》、《云南植物志》、《青海植物志》、《横断山区维管植物》等资料收集的植物根、茎、叶、花、果等关键性状信息。数据为研究高山冰缘带的功能多样性、物种适应性、高山生态系统对气候变化的响应等研究提供了重要的基础数据。
孙航
青藏高原植物群落样方调查数据集（2019）由第二次青藏科考任务三专题六的科考队于2019年8月野外调查完成，空间跨度为：北纬36.02°- 38.07°，东经91.45°- 100.84°。数据集覆盖了森林、灌丛、草地、荒漠和农田等植被类型，共48个样地。数据集由四部分组成，包括样地信息、乔木层样方、灌木层样方和草本层样方。其中乔木层数据2条，灌木层数据63条，草本层数据101条。调查条目包括物种组成，物种分盖度，物种平均高度，灌丛平均冠幅和群落总盖度。
黄永梅, 霍佳璇, 任梁
利用野外调查和文献调研收集到的青海沙蜥（Phrynocephalus vlangalii）分布点，结合五个来自于WorldClim数据库的气候因子，分别将当前（1960-1990年）和未来（2061-2080年）的气候数据输入训练好的物种分布模型，对当前和未来的适宜栖息地进行预测。预测结果表明，在青海沙蜥在气候变化下将会丧失大量原有栖息地，针对青海沙蜥的保护措施应重点关注青藏高原东缘，柴达木盆地北部和东部这些地区。模型也预测在气候变化后，新的适宜栖息地将在原本不适宜青海沙蜥生存的地区出现。然而，由于爬行动物的扩散能力非常有限（文献记录的最大年扩散距离不足500m），新出现的适宜栖息地不一定能被青海沙蜥利用。同时，通过野外工作收集三个海拔种群青海沙蜥的生理、生活史、行为及形态数据并结合微气候数据，利用机制生态位模型预测了气候变化在当前适宜分布区对青海沙蜥造成的生理后果。模型预测的结果表明，无论在SSP245还是SSP585气候变化情景下，青海沙蜥的活动时间在当前适宜分布区的大部分范围（> 93%）内都会增加，热安全阈在当前适宜分布区的所有地点都会减少。高海拔种群的活动时间增幅小于低海拔种群，而其热安全阈减少的幅度却大于低海拔种群。研究结果揭示了气候变化可能对分布在高海拔地区的蜥蜴种群造成更大影响。
曾治高
于2020年8月~9月在西藏自治区的河湖源区开展规范的野外调查，共调查样点25个，75个样方。数据集包括样点编号、样方号、经纬度、海拔、样方的地上生物量、物种数和盖度，数据格式为Excel表。调查样方面积为100cm*100cm，每个样点（site）有3个样方，命名为Plot1、Plot2、Plot3。数据全为实地采集和测量数据，野外调查按照植被调查规范确保数据质量完好。该数据集为合理利用草地资源提供理论依据，并为综合评估典型土地利用变化的环境效应提供数据支撑。
汪霞
本数据集记录了沙化土地植被恢复重建技术模拟区（宁夏/中卫/沙坡头）2021.01-2021.12的气象要素以及不同深度土壤三参数数据，以及为探明咸海高矿化度咸水用于植被建设的可行性，课题成员于2020-2021年在新疆塔里木河下游农二师31团2连、甘泉堡、克拉玛依、轮台、图木舒克等盐碱地开展咸水灌溉种植盐地碱蓬试验，用以研究不同植物在高矿化度咸水灌溉下的表型特征。收集到的数据包括土壤含水量、电导率、土壤盐分等土壤理化性质以及耐盐植物生理等数据。
李新荣, 何明珠, 赵振勇
数据采集于海北高寒草甸生态系统研究站样地（101°19′E，37°36′N，海拔3250m），位于青藏高原东北隅祁连山北支冷龙岭东段，高寒草甸是该地区主要的植被类型。数据记录了高山植物冠层上方光照、空气温湿度以及风温风速数据。通过LI-190R 光合有效辐射传感器（LI-COR，Lincoln NE，USA）和LR8515数据采集器（Hioki E. E. Co., Nagano, Japan）记录高山植物冠层上方辐射强度，记录间隔为每秒一次。用S580-EX温湿度记录仪（深圳华图）以及万向风速记录仪（北京天建华仪）记录空气温湿度以及风温风速的日动态，记录间隔为每三秒一次。记录时间为从北京时间7月13日10点至8月17日21点，由于每日需要使用USB存储时间以及更换电池，所以每日有3-5min的数据缺失，缺失的时间段不固定。目前该数据暂未发表。通过研究该数据可以进一步探讨高山植物叶片所处的微环境以及可能的对叶片生理反应的影响。
唐艳鸿, 郑天宇
该数据集包含了2020年青藏高原草原水平及垂直样带土壤和植被碳氮含量。土壤中碳（C）、氮（N）元素作为植物生长发育所需的重要营养元素，其含量高低及其化学计量特征不仅可以反映植物制造同化产物的能力和养分利用效率，还能判断影响植物生长发育的限制性元素。其中，C:N是判定叶片光合作用固碳能力的重要依据，因此分析高原地区水平及垂直样带上土壤及植物的碳氮含量，对生态环境建设具有重要意义。该数据主要是通过2020年的样带考察时实地观测获得（此后在实验室内进行分析测定）。获得样方植物样品后利用中科院植物所分析中心元素分析仪及总碳/总氮分析仪测试。其中，土壤有机碳及总氮为三个重复取样所得平均数。共获得了8个样点不同草地类型水平样带样点的土壤碳氮含量及22个水平样带样方、5个垂直样带样方的植被叶片碳氮含量。
许振柱
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。
周广胜, 周怀林, 王玉辉
本数据集是2017年8月-9月于阿里地区采集的典型地物光谱测量数据。高光谱数据使用ASD便携式地物光谱仪FieldSpec 4测量。进行光谱测量时基本为光线稳定的晴天，测量时记录了云量情况。测量前使用白板进行校准；并使用GPS记录经纬度坐标；记录了测量的植被类型；同时测量了周围土壤的光谱数据。地物光谱仪记录的DN值为.asd格式文件，可使用ViewSpecPro软件读取，并利用EXCEL结合白板数据转换为反射率。光谱数据用于提取不同植被类型光谱特征、植被分类、反演植被覆盖度等。
刘林山, 张炳华
本数据为“泛第三极环境变化与绿色丝绸之路建设”专项数据中的生态供给NPP数据集。该数据集基于植被光合作用模型（Vegetation Photosynthesis Model，VPM）模型遥感反演生成，其中，VPM （Vegetation Photosynthesis Model） 模型是一个基于卫星遥感数据和通量观测数据发展起来的光能利用率模型，模型的主要遥感驱动数据是EVI（Enhanced Vegetation Index）与LSWI（Land Surface Water Index）时间序列数据。NPP数据集的时间尺度为2000-2015年，空间分辨率为500 m，空间范围为“一带一路”沿线国家。该数据集表现出良好的模拟能力，可用于“一带一路”地区及其中个别国家的生态供给量、生态承载力等的准确估算，以及陆地生态系统碳循环的时空动态研究。
胡云锋
1） 数据内容：该数据是对青藏高原林芝地区立定遗址文化层堆积剖面进行研究产生的古DNA数据，包括4个层位10个堆积物古DNA样本的HiseqX宏基因组预测序数据。可以用来初步分析林芝立定遗址堆积物古DNA记录的物种组成的历时性变化，揭示当地古代农业发展的历程。 2） 数据来源及加工方法：课题组自有数据，利用Pair-end建库测序方法和illumina HiseqX测序平台检测获取。 3） 数据质量：20.3MB数据量，Q30>85%。 4） 数据应用成果及前景：数据用于探索遗址堆积物古DNA在揭示青藏高原古代农业发展历程中的研究潜力。
杨晓燕
1) 数据内容（包含的要素及意义）：数据包含气温（℃）、降水（mm）、相对湿度（%）和风速（m/s）和辐射（W/m2）四个指标的日值。 2) 数据来源及加工方法：气温、相对湿度、辐射和风速为日均值，降水为日累计值；数据采集地点为色季拉山东坡林线附近：29°39′25.2″N，94°42′25.62″E，4390m；下垫面为自然草地；采集器型号：Campbell Co CR1000，采集间隔时长：10分钟。数字化自动采集数据。气温和相对湿度仪器探头为HMP155A；风速传感器为05103；降水为TE525MM；辐射为Li200X。 3) 数据质量描述：气温、相对湿度和风速原始数据为10分钟一个的平均值，降水为10分钟的累积值；分别通过算术平均或求和得到日平均气温、相对湿度、降水量和风速。由于传感器限制，冬季降水量可能有一定的误差。 4) 数据应用成果及前景：此数据是已有数据《色季拉山气象数据（2007-2017）》和《中科院藏东南站色季拉山东坡林线基本气象数据（2018）》的更新，数据时间尺度跨度大，方便大气物理、生态、大气环境等方面的科学家或研究生使用。每年会不定期更新此数据。
罗伦
冠层微细立体结构三维观测仪（CanoMIS）示范数据集包含了CanoMIS在张掖大满站、祁连山生态站、沈阳清原站、北京市区等采集的玉米、向日葵、云松、千金榆、水曲柳、胡桃楸、桃树、鸡树条等代表性植物标准枝数据。CanoMIS安装到云台上，架设到地面或者生态观测塔上，通过操作终端计算机访问CanoMIS，对感兴趣标准枝进行原位采样，获取无背景干扰的标准枝二维强度图像和距离图像（三维图像），解决了传统成像技术易受背景干扰和丢失距离信息难以量化的问题，为标准枝原位分析提供了新的技术手段。
王新伟
数据采集地点包括甘肃祁连山森林站和党寨林场（2020年8月），东北虎豹国家森林公园西北沟及东侧（2020年10月）。数据采集要素有树种、胸径(cm)、树芯质量(g)、树芯长度(cm)、生材密度(g/cm^3) 。对树木1.3米处用生长锥进行了钻芯取样，树芯质量由电子天平测量得到，树芯长度由游标卡尺测量得到，树木生材密度数据通过测量计算得到。活立木密度观测仪收发天线放置在树木两侧，输入树种、胸径后每棵树采集5次数据，分别对每棵树5次测量结果进行平均后保存测量结果。
吴方明
叶面积指数，是生态系统的一个重要结构参数，用来反映植物叶面数量、冠层结构变化、植物群落生命活力及其环境效应，为植物冠层表面物质和能量交换的描述提供结构化的定量信息，并在生态系统碳积累、植被生产力和土壤、植物、大气间相互作用的能量平衡，植被遥感等方面起重要作用。数据来源于项目自主研发的分布式叶面积指数仪（基于半球图像），定时、定点、自下向上拍摄林冠的半球图像，并通过无线网络上传。本数据采集为原始的半球图像，需进一步处理才可计算叶面积指数，可使用Hemiview等软件处理。
苏宏新
通过设计高精度位移传感器和温度补偿算法，研制了一种能在野外高频率、高精度自动记录DBH的记录仪，并通过云平台实时评估树木生长动态。数据集是应用研发的树木径向生长自动观测仪在甘肃祁连山站、北京森林站进行野外测试和示范收集的数据，数据表包括人工测量对照值、不同站点不同树号采集Vi（位移）、Ri（树木周长）和Ci（树木直径）的测量值。通过计算获得树木胸径变化动态，推进我国植被生态监测的自动化、智能化水平和自主创新，服务于国家生态系统监测网络，服务于国家“两屏三带”生态安全屏障建设以及对脆弱生态区的大范围、全天候、立体化监测需求，对推进我国生态文明建设具有重要支撑作用。
张琳, 高立瑶, 吴冬秀
黑河大满站植物物候自动观测仪示范数据集数据是植物物候观测仪在黑河大满站搜集的玉米物候观测数据集，植物物候观测仪可通过基于多光谱成像仪和无线传输模块的物候观测硬件系统采集物候图像，通过在线计算与可视化的图像管理、物候信息处理和系统控制软件，实现对植物个体和群落尺度关键物候期的自动识别。通过植物物候自动观测仪采集的数据可以计算植被绿度指数、NDVI指数等指标，可以监测植物关键物候期变化过程，可以反映植被物候变化规律。
宋创业, 高立瑶, 吴冬秀
20世纪70年代末，我国采用植物-生境分类方法，在全国范围内开展统一的草地资源调查工作，历时近10年，1988年才完成了全国草地资源调查工作。到20世纪90年代初期，辅以航、卫片校核，汇编完成县级1:50000或1:100000草地类型图，并缩编成1:1000000全国草地资源图。该数据集为三江源1990年代1km×1km栅格的草地类型空间分布数据。 b. 数据的时间范围： 1990年代 c. 数据的空间范围、投影方式： 空间范围：三江源地区 投影参数： ProjectedCoordinateSystem: WGS_1984_Albers Projection: Albers false_easting: 0.00000000 false_northing: 0.00000000 central_meridian: 105.00000000 standard_parallel_1: 25.00000000 standard_parallel_2: 47.00000000 latitude_of_origin: 0.00000000 Linear Unit: Meter Geographic Coordinate System: GCS_WGS_1984 Datum: D_WGS_1984 Prime Meridian: Greenwich Angular Unit: Degree d. 数据类型（文献、属性、矢量、栅格、文本等）： 栅格（GeoTIFF）
施建军
本数据为黑河中游大满站（38.85551N，100.37223E）制种玉米2020年生长期的植被覆盖度（%）、生物量（克/株）、叶面积指数以及株高（厘米）的地面连续观测数据集。地面观测在3块样地开展：其中，生物量包括地上生物量鲜重和干重、地下生物量鲜重和干重（根的鲜重和干重）的观测，植被覆盖度采用数码相机拍照法进行观测，叶面积指数采用LAI 2200进行观测，株高采用卷尺进行观测。观测时间段为2020年5月31日-9月22日，观测参数在7月31日以前每5天观测一次，7月31后每10天观测一次，整个生长期共开展了19次观测。该数据集可为地表植被参数反演和验证提供数据基础。
耿丽英, 车涛
本数据为黑河中游大满站（38.85551N，100.37223E）制种玉米2019年生长期的植被覆盖度（%）、生物量（克/株）、叶面积指数以及株高（厘米）的地面连续观测数据集。地面观测在3块样地开展：其中，生物量包括地上生物量鲜重和干重、地下生物量鲜重和干重（根的鲜重和干重）的观测，植被覆盖度采用数码相机拍照法进行观测，叶面积指数采用LAI 2200进行观测，株高采用卷尺进行观测。观测时间段为2019年5月17日-9月23日，其中LAI自6月11日开始，观测参数在7月31日以前每5天观测一次，7月31后每10天观测一次，整个生长期共开展了20次观测（LAI为15次）。该数据集可为地表植被参数反演和验证提供数据基础。
耿丽英, 车涛
本数据为黑河中游大满站（38.85551N，100.37223E）大田玉米2018年生长期的植被覆盖度（%）、生物量（克/株）、叶面积指数以及株高（厘米）的地面连续观测数据集。地面观测在3块样地开展：其中，生物量包括地上生物量鲜重和干重、地下生物量鲜重和干重（根的鲜重和干重）的观测，植被覆盖度采用数码相机拍照法进行观测，叶面积指数采用LAI 2200进行观测，株高采用卷尺进行观测。观测时间段为2018年5月26日-9月26日，其中LAI自5月31日开始，观测参数在7月31日以前每5天观测一次，7月31后每10天观测一次，整个生长期共开展了22次观测（LAI为20次）。该数据集可为地表植被参数反演和验证提供数据基础。
耿丽英, 车涛
本数据为黑河中游大满站（38.85551N，100.37223E）制种玉米2017年生长期的植被覆盖度（%）、生物量（克/株）、叶面积指数以及株高（厘米）的地面连续观测数据集。地面观测在3块样地开展：其中，生物量包括地上生物量鲜重和干重、地下生物量鲜重和干重（根的鲜重和干重）的观测，植被覆盖度采用数码相机拍照法进行观测，叶面积指数采用LAI 2200进行观测，株高采用卷尺进行观测。观测时间段为2017年5月15日-9月21日，其中LAI自6月6日开始，观测参数在7月31日以前每5天观测一次，7月31后每10天观测一次，整个生长期共开展了21次观测（LAI为17次）。该数据集可为地表植被参数反演和验证提供数据基础。
耿丽英, 车涛
本数据为黑河中游大满站（38.85551N，100.37223E）制种玉米2016年生长期的植被覆盖度（%）、生物量（克/株）、叶面积指数以及株高（厘米）的地面连续观测数据集。地面观测在3块样地开展：其中，生物量包括地上生物量鲜重和干重、地下生物量鲜重和干重（根的鲜重和干重）的观测，植被覆盖度采用数码相机拍照法进行观测，叶面积指数采用LAI 2200进行观测，株高采用卷尺进行观测。观测时间段为2016年5月19日-9月5日，其中LAI自5月30日开始，观测参数在7月31日以前每5天观测一次，7月31后每10天观测一次，整个生长期共开展了18次观测（LAI为9次）。该数据集可为地表植被参数反演和验证提供数据基础。
耿丽英, 车涛
1）数据内容包含65国植被覆盖与生物措施因子B栅格数据，空间分辨率为1km。2）基础数据源为2014~2016年的MODIS MOD13Q1产品，空间分辨率250m；24个半月降雨侵蚀力比例；上级子课题提供的土地利用类型。根据MOD13Q1产品计算得到3年平均的24个半月植被覆盖度栅格数据，然后按土地利用类型计算土壤流失比例，进一步利用24个半月的降雨侵蚀力进行加权平均，得到植被覆盖与生物措施B因子栅格图。3）MOD13Q1遥感植被数据侧重进行了去云预处理，计算的B因子按地类进行统计并进行合理性分析，最终取得的数据质量良好。4）植被覆盖与生物措施B因子反映了地表土地利用/植被覆盖对土壤侵蚀的影响，是65国的土壤侵蚀模拟及其空间格局分析的基础。
章文波
本数据为黑河中游大满站（38.85551N，100.37223E）制种玉米2015年生长期的植被覆盖度（%）、生物量（克/株）、叶面积指数以及株高（厘米）的地面连续观测数据集。地面观测在3块样地开展：其中，生物量包括地上生物量鲜重和干重、地下生物量鲜重和干重（根的鲜重和干重）的观测，植被覆盖度采用数码相机拍照法进行观测，叶面积指数采用LAI 2200进行观测，株高采用卷尺进行观测。观测时间段为2015年5月10日-9月21日，其中LAI自5月25日开始，观测参数在7月31日以前每5天观测一次，7月31后每10天观测一次，整个生长期共开展了21次观测（LAI为18次）。该数据集可为地表植被参数反演和验证提供数据基础。
耿丽英, 车涛
Accurate estimation of the gross primary production (GPP) of terrestrial vegetation is vital for understanding the global carbon cycle and predicting future climate change. Multiple GPP products are currently available based on different methods, but their performances vary substantially when validated against GPP estimates from eddy covariance data. This paper provides a new GPP dataset at moderate spatial (500 m) and temporal (8-day) resolutions over the entire globe for 2000–2016. This GPP dataset is based on an improved light use efficiency theory and is driven by satellite data from MODIS and climate data from NCEP Reanalysis II. It also employs a state-of-the-art vegetation index (VI) gap-filling and smoothing algorithm and a separate treatment for C3/C4 photosynthesis pathways. All these improvements aim to solve several critical problems existing in current GPP products. With a satisfactory performance when validated against in situ GPP estimates, this dataset offers an alternative GPP estimate for regional to global carbon cycle studies.
张尧
Satellite-retrieved solar-induced chlorophyll fluorescence (SIF) has shown great potential to monitor the photosynthetic activity of terrestrial ecosystems. However, several issues, including low spatial and temporal resolution of the gridded datasets and high uncertainty of the individual retrievals, limit the applications of SIF. In addition, inconsistency in measurement footprints also hinders the direct comparison between gross primary production (GPP) from eddy covariance (EC) flux towers and satellite-retrieved SIF. In this study, by training a neural network (NN) with surface reflectance from the MODerate-resolution Imaging Spectroradiometer (MODIS) and SIF from Orbiting Carbon Observatory-2 (OCO-2), we generated two global spatially contiguous SIF (CSIF) datasets at moderate spatiotemporal (0.05∘ 4-day) resolutions during the MODIS era, one for clear-sky conditions (2000–2017) and the other one in all-sky conditions (2000–2016). The clear-sky instantaneous CSIF (CSIFclear-inst) shows high accuracy against the clear-sky OCO-2 SIF and little bias across biome types. The all-sky daily average CSIF (CSIFall-daily) dataset exhibits strong spatial, seasonal and interannual dynamics that are consistent with daily SIF from OCO-2 and the Global Ozone Monitoring Experiment-2 (GOME-2). An increasing trend (0.39 %) of annual average CSIFall-daily is also found, confirming the greening of Earth in most regions. Since the difference between satellite-observed SIF and CSIF is mostly caused by the environmental down-regulation on SIFyield, the ratio between OCO-2 SIF and CSIFclear-inst can be an effective indicator of drought stress that is more sensitive than the normalized difference vegetation index and enhanced vegetation index. By comparing CSIFall-daily with GPP estimates from 40 EC flux towers across the globe, we find a large cross-site variation (c.v. = 0.36) of the GPP–SIF relationship with the highest regression slopes for evergreen needleleaf forest. However, the cross-biome variation is relatively limited (c.v. = 0.15). These two contiguous SIF datasets and the derived GPP–SIF relationship enable a better understanding of the spatial and temporal variations of the GPP across biomes and climate.
张尧
本数据包括第二次青藏高原野外综合科学考察的影像资料。影像资料内容包括科考途中自然保护区采集样方的样地照片，云南西北部和四川西部自然保护区的森林生态系统，草地生态系统，湖泊生态系统的影像，植被情况，野生动植物生境，保护区内的动物，植物和真菌类数据。此外，影像数据还包括科考的样品采集过程和社区调查中科考队员入户调查以及与当地保护部门访谈的影像资料。数据来源于无人机和相机拍摄，可为科学研究提供佐证和参考。
苏旭坤
本植被含水量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，包括：（1）70 km×12 km 典型试验区（南北航线）的17个样区；（2）165 km×5 km复杂试验区（东北—西南航线）的8个样区；（3）地基微波辐射计观测的6个样区。地物类型包括草地、玉米、土豆、莜麦和胡萝卜。数据测量时间为2018年9月13日到2018年9月26日。植被含水量的测量方法为收获法，行播作物按照长度进行收获，草地按照面积进行收获。本数据集经过称重、烘干和植被含水量计算等步骤处理得到。
郑兴明, 姜涛
该数据集包括中国2001~2018年月尺度或年尺度的地表短波波段反照率、植被光合有效辐射吸收比、叶面积指数、森林覆盖度和非森林植被覆盖度、地表温度、地表净辐射、地表蒸散发、地上部分自养呼吸、地下部分自养呼吸、总初级生产力和净初级生产力。空间分辨率为0.1°。此外，还包括在气候驱动下（无人类干扰）的以上11个生态系统参量在2001~2018年间的时空变化。因此，该数据集可以反映气候变化与人类活动对21世纪中国陆地生产系统的影响。
陈永喆, 冯晓明, 田汉勤, 武旭同, 高镇, 冯宇, 朴世龙, 吕楠, 潘乃青, 傅伯杰
该数据集包含2020年3月1日至2020年12月31日大通河流域兰州大学寒旱区科学观测网络连城的物候相机观测数据，观测点的经纬度是102.737E，36.692N，海拔2903m。该数据使用北京师范大学自主研发的软件包进行处理。该物候相机采用向下的方式采集数据，拍摄数据分辨率为2592*1944，可指定拍摄时间频率。对于绿度指数物候期计算，需要根据感兴趣区域计算相对绿度指数（GCC, Green Chromatic Coordinate公式为GCC=G/(R+G+B), R、G、B为图像红、绿、蓝三通道像元值），然后进行无效值填充和滤波平滑，最后根据生长曲线拟合确定关键物候期参数，如生长季起始日、顶峰、生长季结束日等；对于覆盖度，首先进行数据预处理，选择光照不太强的图像，然后将图像分割为植被和土壤，计算每张图像的植被像素占计算区域内的比例作为该图像对应的覆盖度，在时间序列数据提取完成以后，再按用户指定的时间窗口对原始覆盖度数据进行平滑滤波，滤波后的得结果为最终的时间序列覆盖度。本数据集包括相对绿度指数（GCC）和覆盖度。因物候相机内置时钟错误，3月1日之前的影像为夜间拍照，照片无法使用，因此数据缺失。
赵长明, 张仁懿
该数据集包含了2020年01月01日至2020年12月31日青海湖流域地表过程综合观测网高寒草甸草原混合超级站的物候相机观测数据。站点位于青海省天峻县苏里路旁侧，下垫面是高寒草甸和高寒草原的混合。观测点经纬度为：东经 98°35′41.62″E，北纬 37°42′11.47″N，海拔3718m。该物候相机采用垂直向下的方式采集数据，拍摄数据分辨率为2592*1944，本数据集中的物候照片是在每天12:10拍摄的，拍摄时间误差在±10 min。图片命名方式为BSDCJZ BEIJING_IR_Year_Month_Day_Time.
李小雁
该数据集包含了2020年7月25日至2020年10月20日的黑河水文气象观测网下游四道桥超级站叶面积指数观测数据。站点位于内蒙古额济纳旗四道桥，海拔870 m，下垫面是柽柳。观测在四道桥超级站（101.1374E, 42.0012N）旁开展，样方1个，大小约30m×30m，每个样方内布设5个冠层下节点和1个冠层上节点。 本数据集由叶面积指数无线传感网（LAINet）获取，该仪器原始观测数据为仪器自动获取的每个节点逐日逐小时的光照数据（Level0），利用LAINet软件对原始观测数据进行处理，逐节点计算每天LAI（Level1），进一步对无效值识别与填充，并7天滑动平均消除天气变化对LAI计算的影响（Level2），对有多个LAINet节点的观测子区，节点的均值为该子区的最终观测值（Level3）。 本次发布的数据集为处理后的Level3产品，数据以*.xlsx格式存储。 黑河流域地表过程综合观测网或站点信息请参考Liu et al. (2018)，观测数据处理请参考Qu et al. (2014)。
刘绍民, 屈永华, 车涛, 徐自为, 任志国
该数据集包含了2020年7月26日至2020年10月20日的黑河水文气象观测网下游混合林站叶面积指数观测数据。站点位于内蒙古额济纳旗四道桥，海拔870 m，下垫面是胡杨与柽柳混合。观测在混合林站（101.1335E, 41.9903N）旁开展，样方大小约30m×30m，每个样方内布设5个冠层下节点和1个冠层上节点。 本数据集由叶面积指数无线传感网（LAINet）获取，该仪器原始观测数据为仪器自动获取的每个节点逐日逐小时的光照数据（Level0），利用LAINet软件对原始观测数据进行处理，逐节点计算每天LAI（Level1），进一步对无效值识别与填充，并7天滑动平均消除天气变化对LAI计算的影响（Level2），对有多个LAINet节点的观测子区，节点的均值为该子区的最终观测值（Level3）。 本次发布的数据集为处理后的Level3产品，数据以*.xlsx格式存储。 黑河流域地表过程综合观测网或站点信息请参考Liu et al. (2018)，观测数据处理请参考Qu et al. (2014)。
刘绍民, 屈永华, 车涛, 徐自为, 任志国
该数据集包含了2020年5月31日以前，和2020年9月2日以后的黑河流域地表过程综合观测网下游四道桥超级站的物候相机观测数据。2020年5月31日至2020年9月2日，由于物候相机供电故障，造成时间缺失，另外，在9月2日重新安装相机时，由于相机经过移动重新安装，造成视场内的目标物与5月31日以前有所变化，可能会造成前后数据的不一致性。站点位于内蒙古额济纳旗达来呼布镇四道桥，下垫面是柽柳。观测点的经纬度是101.1374E, 42.0012N，海拔873m。仪器由北京师范大学自主研发并进行处理。物候相机集成数据获取与数据传输功能。相机采用垂直向下的方式采集数据，拍摄数据分辨率为1280*720，可指定拍摄时间频率。对于物候期的计算，首先，根据感兴趣区计算物候指标，如相对绿度指数(GCC, Green Chromatic Coordinate公式为GCC=G/(R+G+B), R、G、B为图像红、绿、蓝三通道像元值)。然后对数据进行质量控制、无效值填充和滤波平滑。最后根据生长曲线拟合确定关键物候期参数，如生长季起始日、顶峰、生长季结束日等。本数据集为该站点2020年相对绿度指数（GCC）。 黑河流域地表过程综合观测网或站点信息请参考Liu et al. (2018)。
刘绍民, 屈永华, 车涛, 徐自为, 任志国
该数据集包含了2020年1月1日至2020年12月31日的黑河流域地表过程综合观测网上游阿柔超级站的物候相机观测数据。站点位于青海省祁连县阿柔乡草达坂村，下垫面是亚高山山地草甸。观测点的经纬度是100.4643E, 38.0473N，海拔3033m。仪器由北京师范大学自主研发并进行处理。物候相机集成数据获取与数据传输功能。相机采用垂直向下的方式采集数据，拍摄数据分辨率为1280*720，可指定拍摄时间频率。对于物候期的计算，首先，根据感兴趣区计算物候指标，如相对绿度指数(GCC, Green Chromatic Coordinate公式为GCC=G/(R+G+B), R、G、B为图像红、绿、蓝三通道像元值)。然后对数据进行质量控制、无效值填充和滤波平滑。最后根据生长曲线拟合确定关键物候期参数，如生长季起始日、顶峰、生长季结束日等。本数据集为该站点2020年相对绿度指数（GCC）。 黑河流域地表过程综合观测网或站点信息请参考Liu et al. (2018)。
刘绍民, 屈永华, 车涛, 徐自为, 张阳
该数据集包含2020年1月1日至2010年12月31日黑河流域地表过程综合观测网中游大满超级站的物候相机观测数据，该仪器由北京师范大学自主研发并进行处理。物候相机集成数据获取与数据传输功能。相机采用垂直向下的方式采集数据，拍摄数据分辨率为1280*720，可指定拍摄时间频率。对于物候期的计算，首先，根据感兴趣区计算物候指标，如相对绿度指数(GCC, Green Chromatic Coordinate公式为GCC=G/(R+G+B), R、G、B为图像红、绿、蓝三通道像元值)。然后对数据进行质量控制、无效值填充和滤波平滑。最后根据生长曲线拟合确定关键物候期参数，如生长季起始日、顶峰、生长季结束日等。本数据集为该站点2020年相对绿度指数（GCC）。 黑河流域地表过程综合观测网或站点信息请参考Liu et al. (2018)。
刘绍民, 屈永华, 车涛, 徐自为, 谭俊磊, 任志国
该数据集包含了2020年7月10日至2020年9月20日的黑河水文气象观测网中游大满超级站叶面积指数观测数据。站点(100.376° E, 38.853° N)位于甘肃省张掖市大满灌区内，海拔1556m，下垫面是玉米。观测样方共计6个，每个样方大小约30m×30m，经纬度分别为(100.376°E, 38.853°N)、(100.377° E, 38.858°N)、(100.374°E, 38.855°N)、(100.374°E, 38.858°N)、(100.371°E, 38.854°N)、(100.369°E, 38.854°N)。每个样方内布设5个冠层下节点和1个冠层上节点。 本数据集由叶面积指数无线传感网（LAINet）获取，该仪器原始观测数据为仪器自动获取的每个节点逐日逐小时的光照数据（Level0），利用LAINet软件对原始观测数据进行处理，逐节点计算每天LAI（Level1），进一步对无效值识别与填充，并7天滑动平均消除天气变化对LAI计算的影响（Level2），对有多个LAINet节点的观测子区，节点的均值为该子区的最终观测值（Level3）。 本次发布的数据集为处理后的Level3产品，数据以*.xls格式存储。 黑河流域地表过程综合观测网或站点信息请参考Liu et al. (2018)，观测数据处理请参考Qu et al. (2014)。
刘绍民, 屈永华, 车涛, 徐自为, 谭俊磊, 任志国
该数据集包含2020年8月11日至2020年12月31日石羊河流域兰州大学寒旱区科学观测网络民勤站的物候相机观测数据，观测点的经纬度是103.668E，39.208N，海拔1020m。该数据使用北京师范大学自主研发的软件包进行处理。该物候相机采用向下的方式采集数据，拍摄数据分辨率为2592*1944，可指定拍摄时间频率。对于绿度指数物候期计算，需要根据感兴趣区域计算相对绿度指数（GCC, Green Chromatic Coordinate公式为GCC=G/(R+G+B), R、G、B为图像红、绿、蓝三通道像元值），然后进行无效值填充和滤波平滑，最后根据生长曲线拟合确定关键物候期参数，如生长季起始日、顶峰、生长季结束日等；对于覆盖度，首先进行数据预处理，选择光照不太强的图像，然后将图像分割为植被和土壤，计算每张图像的植被像素占计算区域内的比例作为该图像对应的覆盖度，在时间序列数据提取完成以后，再按用户指定的时间窗口对原始覆盖度数据进行平滑滤波，滤波后的得结果为最终的时间序列覆盖度。本数据集包括相对绿度指数（GCC）。该站物候相机安装时间为2020年8月11日。
赵长明, 张仁懿
该数据集包含2020年1月1日至2020年12月31日石羊河流域兰州大学寒旱区科学观测网络西营河站的物候相机观测数据，观测点的经纬度是101.855E，37.561N，海拔3616m。该数据使用北京师范大学自主研发的软件包进行处理。该物候相机采用向下的方式采集数据，拍摄数据分辨率为2592*1944，可指定拍摄时间频率。对于绿度指数物候期计算，需要根据感兴趣区域计算相对绿度指数（GCC, Green Chromatic Coordinate公式为GCC=G/(R+G+B), R、G、B为图像红、绿、蓝三通道像元值），然后进行无效值填充和滤波平滑，最后根据生长曲线拟合确定关键物候期参数，如生长季起始日、顶峰、生长季结束日等；对于覆盖度，首先进行数据预处理，选择光照不太强的图像，然后将图像分割为植被和土壤，计算每张图像的植被像素占计算区域内的比例作为该图像对应的覆盖度，在时间序列数据提取完成以后，再按用户指定的时间窗口对原始覆盖度数据进行平滑滤波，滤波后的得结果为最终的时间序列覆盖度。本数据集包括相对绿度指数（Gcc）。
赵长明, 张仁懿
该数据集包含2020年1月1日至2020年12月31日柴达木盆地哈尔腾河流域兰州大学寒旱区科学观测网络苏干湖站的物候相机观测数据，观测点的经纬度是94.125°E，38.992N，海拔2798m。该数据使用北京师范大学自主研发的软件包进行处理。该物候相机采用向下的方式采集数据，拍摄数据分辨率为2592*1944，可指定拍摄时间频率。对于绿度指数物候期计算，需要根据感兴趣区域计算相对绿度指数（GCC, Green Chromatic Coordinate公式为GCC=G/(R+G+B), R、G、B为图像红、绿、蓝三通道像元值），然后进行无效值填充和滤波平滑，最后根据生长曲线拟合确定关键物候期参数，如生长季起始日、顶峰、生长季结束日等；对于覆盖度，首先进行数据预处理，选择光照不太强的图像，然后将图像分割为植被和土壤，计算每张图像的植被像素占计算区域内的比例作为该图像对应的覆盖度，在时间序列数据提取完成以后，再按用户指定的时间窗口对原始覆盖度数据进行平滑滤波，滤波后的得结果为最终的时间序列覆盖度。本数据集包括相对绿度指数（Gcc）。
赵长明, 张仁懿
该数据集包含2020年2月3日至2020年12月31日黑河流域兰州大学寒旱区科学观测网络寺大隆站的物候相机观测数据，观测点的经纬度是99.926E，38.428N，海拔3146m。该数据使用北京师范大学自主研发的软件包进行处理。该物候相机采用向下的方式采集数据，拍摄数据分辨率为2592*1944，可指定拍摄时间频率。对于绿度指数物候期计算，需要根据感兴趣区域计算相对绿度指数（GCC, Green Chromatic Coordinate公式为GCC=G/(R+G+B), R、G、B为图像红、绿、蓝三通道像元值），然后进行无效值填充和滤波平滑，最后根据生长曲线拟合确定关键物候期参数，如生长季起始日、顶峰、生长季结束日等；对于覆盖度，首先进行数据预处理，选择光照不太强的图像，然后将图像分割为植被和土壤，计算每张图像的植被像素占计算区域内的比例作为该图像对应的覆盖度，在时间序列数据提取完成以后，再按用户指定的时间窗口对原始覆盖度数据进行平滑滤波，滤波后的得结果为最终的时间序列覆盖度。本数据集包括相对绿度指数（GCC）。2月3日之前的照片因设备故障无法使用。
赵长明, 张仁懿
该数据集包含2020年3月10日至2020年12月31日疏勒河流域兰州大学寒旱区科学观测网络瓜州站的物候相机观测数据，观测点的经纬度是95.673E，41.405N，海拔2014m。该数据使用北京师范大学自主研发的软件包进行处理。该物候相机采用向下的方式采集数据，拍摄数据分辨率为2592*1944，可指定拍摄时间频率。对于绿度指数物候期计算，需要根据感兴趣区域计算相对绿度指数（GCC, Green Chromatic Coordinate公式为GCC=G/(R+G+B), R、G、B为图像红、绿、蓝三通道像元值），然后进行无效值填充和滤波平滑，最后根据生长曲线拟合确定关键物候期参数，如生长季起始日、顶峰、生长季结束日等；对于覆盖度，首先进行数据预处理，选择光照不太强的图像，然后将图像分割为植被和土壤，计算每张图像的植被像素占计算区域内的比例作为该图像对应的覆盖度，在时间序列数据提取完成以后，再按用户指定的时间窗口对原始覆盖度数据进行平滑滤波，滤波后的得结果为最终的时间序列覆盖度。本数据集包括相对绿度指数（GCC）。3月10日之前的数据由于存储卡到达上限已覆盖；5月31日调整摄像头方位。
赵长明, 张仁懿
本数据集包括祁连山区域2020年1月-12月月度最大值合成的30m空间分辨率地表植被净初生产力产品。利用 Landsat8 OLI 和sentinel 2多光谱遥感影像的红光和近红外两个通道的反射率数据，计算NDVI实现对地表月度NDVI产品的合成，进而利用经验模型计算NPP。最后，采用最大值合成 (Max value composition, MVC) 方法对月度植被净初生产力求取最大值输出月度NPP产品。
吴俊君, 仲波
本数据集包括祁连山区域2020年1月-12月月度最大值合成的30m空间分辨率地表植被指数产品。利用 Landsat8 OLI 和sentinel 2多光谱遥感影像的红光和近红外两个通道的反射率数据，计算NDVI实现对地表月度NDVI产品的合成。最后，采用最大值合成 (Max value composition, MVC) 方法对月度植被指数求取最大值输出月度NDVI分幅产品，数据集共计25.7GB。
吴俊君, 仲波
本数据集包括祁连山区域2020年1月-12月月度最大值合成的30m空间分辨率地表叶面积指数产品。利用 Landsat8 OLI 和sentinel 2多光谱遥感影像的红光和近红外两个通道的反射率数据，计算NDVI实现对地表月度NDVI产品的合成，进而利用经验模型计算LAI。最后，采用最大值合成 (Max value composition, MVC) 方法对月度叶面积指数求取最大值输出月度LAI产品，
吴俊君, 仲波
本数据集包括祁连山区域2020年1月-12月月度最大值合成的30m空间分辨率地表植被覆盖度产品。利用 Landsat8 OLI 和sentinel 2多光谱遥感影像的红光和近红外两个通道的反射率数据，计算NDVI实现对地表月度NDVI产品的合成，进而利用像元二分法计算FVC。最后，采用最大值合成 (Max value composition, MVC) 方法对月度植被覆盖度求取最大值输出月度FVC产品，
吴俊君, 仲波
在青海和西藏的荒漠带实地调查了52个样点，于2019年和2020年7-8月植被生长最大时期对植被地上生物量进行实地采样。同时，利用手持 GPS设备，记录了实验位点的经度、纬度和海拔等信息。样方的野外设置方法为：选取一块植被均匀的地段，当植被相对茂盛时样地设置为10米x10米的正方形样地，当植被相对稀疏时样地设置为30米x30米的正方形样地或者30米x90米的长方形样地；在设置好的样地中随机投掷3-5个小样方框（1米x1米），采用样方收割法收集植物样品：在1平方米的样方面积内，登记植物的物种名目，每个物种的株数等信息。并将样方内的各种植物分种齐地面刈割，带回实验室内, 在恒温干燥箱内65℃条件下烘干至恒重, 测定植物样本的干重，计算样方地上生物量。 此外，还通过采样点的经度纬度提取了该52个样点的2种遥感净初级生产力数据。(1) 2000-2018年的增强型植被指数(EVI)，并计算年整合增强型植被指数(iEVI)，iEVI与净初级生产力(NPP)具有高相关性，可作为净初级生产力的替代指标(He et al. 2021, Science of The Total Environment)。(2) 2001-2020年遥感净初级生产力(NPP)及其质量控制百分比(QC)，遥感NPP数据来自MOD17A3HGF Version 6 product (https://lpdaac.usgs.gov/products/mod17a3hgfv006/)，由净光合值（总初级生产力-植物维持呼吸）计算得到。植被覆盖度低的样点，遥感净初级生产力可能存在空值(NA)。
叶建圣
地表反照率是地表能量平衡的重要参量之一。本数据集为2020年植被生长季（6-10月）逐月的黑河流域典型站点无人机遥感地表反照率数据（花寨子站8月份的数据由于实验开展的技术问题缺失）。地表反照率算法为统计回归方法，即基于6S模型和大量的典型地物光谱反射率数据，建立的从窄波段反射率到宽波段反照率的经验回归模型。将该回归模型应用于无人机多光谱遥感传感器获得的地表反射率，最终得到0.2 m空间分辨率的地表反照率数据。本数据集经过了辐射定标、几何校正，与地面站点实测数据的验证结果显示，均方根误差为0.029。本数据集提供了超高分辨率的地表反照率数据，可以作为卫星遥感尺度和地面观测尺度之间的“桥梁”，并为从事高分辨率和超高分辨率遥感数据工作的科研工作者提供数据支持。
刘绍民, 周纪, 董惟琛
本数据为“Major turnover of biotas across the Oligocene/Miocene boundary on the Tibetan Plateau” （中文标题“青藏高原渐新世——中新世界线生物群的重大转换”）论文的全文相关图片数据。 数据来源为论文作者绘制或拍摄的原创图片的高清原图版本。 数据加工方式：原始图片未经二次加工。 数据可作为青藏高原隆升、环境及生物群变化等研究的参考资料。 该论文数据可在征得论文相关作者同意及注明出处的前提下引用。
邓涛
数据包括青藏高原与西北干旱区33个湖泊表层沉积物中植物DNA的原始测序文件。我们使用德国Qiagen公司的PowerMax土壤试剂盒提取DNA，并采用通用植物引物g-h (Taberlet et al., 2007) 对样品中叶绿体trnL (UAA) 内含子区的P6环进行PCR扩增，PCR产物随后送至瑞士Fasteris公司进行第二代高通量双端测序，测序仪器为Illumina NextSeq 550。数据质量分数Q30为81.97。
刘兴起, 贾伟瀚
本数据为青藏高原CHNZ020号网格植物多样性与分布数据，包含此网格中植物的中文名、拉丁名、纬经度、海拔、采集编号、分子材料份数、标本份数、行政区划、小地点、采集人、采集时间及创建者等信息。该数据获取自e科考网站（http://ekk.kib.ac.cn/web/index/#/），并部分完成鉴定。此数据已涵盖本区系中87科129属150种植物名录和具体分布信息。此数据既可用于本区域的区系性质研究，亦可用于探讨本区域植物水平和垂直梯度格局等。
邓涛
本数据集是2020年8月三江源地区典型地物高光谱测量数据。使用大疆M600搭载Cubert S185高光谱成像仪拍摄。包括2020年在三江源区域观测的典型地物高光谱测量数据。高光谱拍摄当天为晴天，飞行前进行了白板校准；并使用差分GPS记录经纬度坐标，用于几何精确校准。无人机高光谱相机记录的dn值，可使用Spectronon Pro软件转换为反射率。高光谱数据用于提取不同植被类型光谱特征、植被分类、反演植被覆盖度等。
刘林山, 谷昌军, 崔伯豪, 魏博
1)数据内容 包括采样点的观测年份、经纬度、海拔、生态系统类型、不同土层（SOC0-100 (kg Cm-2)； 0-100代表土层）、地下生物量含量。 2）数据来源 此部分数据是从文献中获取,具体文献来源参考说明文档。 3）数据质量描述 数据观测覆盖范围广，包含指标全面，展示了不同土层下的土壤有机碳含量，具有较高的完整性和精确性，能满足对青藏高原草地土壤碳储量的估算。 4）数据应用成果及前景 为预测未来青藏高原土壤的碳源–汇效应及实现生态系统碳可持续发展提供基础数据。
胡中民
1)数据内容 包括采样点的观测年份、经纬度、生态系统类型、年降雨量、干旱指数、年净初级生产力、地上生物量、地下生物量等数据。 2）数据来源 一部分来源于文献（1980-1995），另一部分来源于实地采样（2005-2006）。 3）数据质量描述 数据观测年份长，时间跨度大，覆盖范围广，包含指标多，具有较高的完整性和精确性，能满足对青藏高原草地植被碳储量的估算。 4）数据应用成果及前景 为预测未来青藏高原的碳源–汇效应及实现生态系统碳可持续发展提供基础数据。
胡中民
该数据集是基于16个动态全球植被模式（TRENDY v8）在S2情景下（CO2+Climate）模拟的GPP，表征生态系统总初级生产力。数据来源于Le Quéré et al. (2019)，具体信息和方法参见文章。源数据范围为全球，本数据集选取了青藏高原区域，空间上用最近邻方法插值到0.5度，时间上保持了原有的月尺度。该数据集是标准的模型输出数据，常被用作评定总初级生产力的时间和空间格局，且与其它遥感观测、通量观测等数据进行比较和参考，具有实际意义和理论价值。
Stephen Sitch
本数据集为青藏高原城镇化地区（湟水流域、黑河流域及青藏高原主要城镇）主要植被类型的光合作用相关参数与叶面积指数数据集。 1） 测量目的 生态调查数据可以用于青藏高原城镇化地区生态水文模型研究的参数化与验证工作。 2） 测量仪器 LI-6800便携式光合作用测量仪，LAI2200冠层分析仪。 3） 测量时间与地点 2019年7-8月在黑河流域测量，2020年7-8月在湟水流域及青藏高原重点城镇地区测量。 4） 测量参数与数据处理 根据生态水文模型实际需要，我们从Li-6800与LAI-2200测量的原始数据中筛选出E：蒸腾速率（mol m⁻² s⁻¹），A：净光合速率（µmol m⁻² s⁻¹）， Ci：胞间CO2浓度（µmol mol⁻¹）等12个主要指标。 5）数据存储 数据集采用Excel格式进行存储，配套数据包括测量样地的经纬度、主要植被类型等。
何春阳, 刘志锋, 陈奔新
本数据为青藏高原地区季度合成卫星遥感影像集，通过对Sentinel-2表观反射率时间序列产品进行去云合成处理得到，含可见光和近红外共4波段，空间分辨率约为10米。每年按1月-3月、4月-6月、7月-9月、10月-12月分为4个季度，综合利用Sentinel-2数据的可见光波段、卷云波段、气溶胶波段及近红外波段信息得到各时相影像的云掩膜，并按中位数原则对一个季度内所有掩膜后的影像进行合成，得到青藏高原地区的无云卫星遥感影像。
龙腾飞
数据集为第二次青藏高原综合科学考察青海省祁连县地区植被样方调查照片。包括2020年祁连县地区的28个样点的调查照片，以手机或相机拍摄。每个样点的照片放置在单独的一个文件夹内，文件夹命名为样点的编号，每个样点的照片包括采样点周围的景观照片，采样样方内植物群落的照片以及优势种的特写照片，可观察到样方内植被群落状况，土壤表面状况以及周围采样区的坡向坡度、人为干扰情况等等，照片均为原图，jpg格式。采样点的具体经纬度信息在压缩包内的单独Excel表格中，可对照查看。
尚占环
数据包含每个采样点5个样方的样方群落物种调查信息，包括物种名称、盖度、高度（5株）和株数，共28个样点（28个Excel表格），命名方式从QZKK-03-001到QZKK-03-028，在一个压缩文件包内，另外三个文件为分种的物种地上生物量、地下生物量以及采样点的经纬度信息，需相互对照使用（物种高度、盖度、株数、地上/地下生物量的采集调查样方面积为1m*1m，每个样点有10个样方，其中2、4、6、8、10等样方为分种采集样方，以P2、P4、P6、P8、P10表示，盖度以百分比表示，高度为厘米cm，株数以物种数量表示，每个样方（plot）的根系生物量分为3层，每层10cm，每项指标的单位均在标题标注）。数据全为实地采集和测量数据，高度为卷尺量取，盖度为估算法获取。数据质量完好，可用于计算生物多样性和物种分布等方向。
尚占环
数据包括2019年拉萨市和那曲地区的47个样点、2020年阿里和那曲地区的49个样点的调查照片，每个样点的照片包括采样点周围的景观照片，采样样方内植物群落的照片以及优势种的特写照片，可观察到样方内植被群落状况，土壤表面状况以及周围采样区的坡向坡度、人为干扰情况等等，照片均为原图，jpg格式，以手机或相机拍摄，采样点的具体经纬度信息在压缩包内的单独Excel表格中，可对照查看。
田大栓
数据包含采样点的基本调查数据，样方的群落物种盖度、高度和密度，以及分种的物种地上生物量、0-10cm表层土壤的温度、水分、PH、有效氮、有效磷、全碳、全氮含量（样点基本信息中有采集地点、日期、采集地的土壤状况，处理中的CK不分种采样的样方（5个），D是退化草地分种采样的样方（5个），凋落物、立枯、覆沙…盐碱斑的信息分别用0代表没有、1代表少，2代表多，裸地面积为百分比；物种高度、盖度、密度、地上生物量的采集调查样方面积为50cm*50cm，每个样点（site）有10个样方（sample），盖度以百分比表示，高度为厘米cm，密度以物种数量表示，0-10cm表层土壤信息每个样点（site）有3个重复，退化程度分为高度退化（HG）、中度退化(MG)、轻度退化(LG)，利用率有重（Heavy）轻（Light）,每项指标的单位均在标题标注）。数据全为实地采集和测量数据，全碳为元素分析法、全氮为凯氏定氮法，有效氮为碱解扩散法，有效磷为浸提—钼锑抗比色法，PH为电位法，温度和水分为土温计和土壤水分仪测定。数据质量完好，可用于计算生物多样性和物种存在的驱动因素分析等方向。
田大栓
青海可可西里地区的草地资源，数据来源于1990年5月-8月开展的对可可西里地区的综合科学考察，植物区系的特征形成与演变，不仅与植物的进化有关，而且也严格地受到过去和现代生态条件的制约。可可西里地区由于高寒、干旱，现在的植物区系比较贫乏，青海可可西里地区的草地，是一个基本上未被人类干扰的自然生态系统。在这个系统中，草地牧草是各类草食野生动物和放牧家畜赖以生存和繁衍的物质基础。因此，了解和掌握该区草地资源的数、质量及分布特征，是合理利用草地资源及建立自然保护区的基本条件。
冯祚建
本数据集包括6个数据文件，分别是：(1)高寒草甸海拔梯度土壤温度和水分数据_西藏当雄（2019-2020），该数据是2019-2020年西藏当雄高寒草甸海拔4400m，4500m，4650m，4800m，4950m，5100m不同土壤深度（5cm和20cm）的温度和含水量的逐小时观测数据。(2)色季拉山林线气象环境数据_西藏林芝(2019)，该数据是2019年西藏林芝色季拉山林线（包括阴坡林外、阴坡林内、阳坡林外、阳坡林内）的逐小时气象环境（包括风速、距离地表1m气温、距离地表1m相对湿度、距离地表3m气温、距离地表3m相对湿度、大气压、总辐射、净辐射、光合有效辐射、660nm红光辐射、730nm红外辐射、地表温度、大气长波辐射、地表长波辐射、地下5cm\20cm\60cm热通量、地下5cm\20cm\60cm土壤温度和湿度、雨量、雪厚）逐小时观测数据，其中由于高原地区设备电力故障，导致部分观测数据缺失，已在数据中说明。(3)主要气象站点的植被NDVI_青藏高原（2020），包括青藏高原25个气象站点附近的植被NDVI调查数据和计算平均值。(4)土地利用调查数据集_川藏铁路沿线(2019)，包括川藏铁路沿线35个调查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。(5)叶面积指数调查数据_川藏铁路沿线（2019），包括川藏铁路沿线主要植被类型的叶面积指数调查数据和计算平均值，使用Sunscan冠层分析仪和LAI-2200测量。(6)土壤温湿度调查数据_川藏铁路沿线(2019)，包括川藏铁路沿线34个调查点：地点、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。
周广胜, 吕晓敏, 罗天祥, 杜军, 王玉辉, 周怀林
本数据集是2019年9月川藏铁路沿线典型植被无人机高光谱观测数据，使用的是大疆M600 Resonon成像系统的机载光谱仪。包括2019年在拉萨的草原区域观测的高光谱数据，自带经纬度。高光谱调查时基本为晴天。飞行前进行了白板校准；采集数据时设有靶标（即适于草地的标准反光布），用于光谱校准；设有地面标志点（即有字母的泡沫板照片），并记录了每个标志点的经纬度坐标，用于几何精确校准。无人机高光谱相机记录的dn值，可使用Spectronon Pro软件转换为反射率。高光谱数据用于提取不同植被类型光谱特征、植被分类、反演植被覆盖度等。
周广胜, 汲玉河, 吕晓敏, 宋兴阳
该数据集包含了3类数据，分别是：（1）2020年青藏高原热熔塌陷区土壤理化指标和碳氮、植物碳氮和微生物碳氮数据。这些数据为评估青藏高原碳氮循环过程提供了重要参考。该数据主要是通过2020年在青海刚察考察时实地观测获得。获得的植物和土壤样品带回实验室后进行初步分类、去除杂质，再放入65°C的烘箱中烘干至恒重。测量土壤和植物中的碳氮组分。共获得了4个典型样点的40个样方。该数据可用于揭示土壤和植物碳氮组分的空间变化规律，理解碳氮组分在土壤-植物-微生物体系中的分配情况。 （2）2019年青藏高原草原水平样带土壤营养成分的数据。该数据主要是通过2019年的样带考察时实地打土钻获得。样方土壤样品带回实验室进行初步分类、去根、筛去杂碎石头等杂质。将土壤样品自然风干，然后混合均匀平均分成两份（每份100g左右），一份用2mm土壤筛过筛获得过筛样，另一份使用球磨仪进行土样研磨获得研磨样。包含的内容要素有：壤全C、N、P、K、Fe、Mn 、Cu、Zn、Ca、Na 和全Mg的含量；土壤速效P、K、Fe、Mn、Cu、Zn、Ca、Na 和Mg的含量。土壤全C、全N的测定：对研磨样进行包样，然后采用CHNOS元素分析仪（Vario EL III，GmbH, Hanau, Germany）测定全C、全N的含量。土壤全量元素测定：使用压片机对研磨样进行压片，然后采用X射线荧光光谱仪（XRF, PANalytical Axios mAX, Almelo, The Netherlands）测定样品的全P、K、Fe、Mn 、Cu、Zn、Ca、Na 和全Mg的含量。土壤速效态元素测定：对过筛样进行浸提处理，提取滤液通过电感耦合等离子体发射光谱仪（iCAP 6300, Thermo Electron Corporation, Waltham, MA, USA）测定速效P、K、Fe、Mn、Cu、Zn、Ca、Na 和Mg的含量。共获得了13个样带样点。39个样方，每个样方获得三个土壤层次（即0~10，10~20，20~30cm的土壤层次）。因此，每个样方的每个土壤营养元素共有117个数据(C、N、P、Mn、Zn等)；该该数据是此此科考获得的直接获得的实地土壤样品，风干过筛研磨后通过相关分析仪（上述）按相应测试规范测定，质量可靠，可供分析不同区域土壤碳氮含量或密度的分布规律、评估土壤养分状况、生态系统的可持续性等，特别是可供降水变化驱动的碳氮循环研究及其建模使用，具有较为广泛的使用价值和应用前景。 （3）2019年青藏高原草原水平样带植被生产力数据。该数据主要是通过2019年的样带考察时实地观测获得。获得样方植物样品后带回实验室进行初步分类、去除碎石等杂质，再放入65°C的烘箱中烘干至恒重。根据其样方生物量换算为生态系统碳循环关键要素--植被生产力（NPP）。共获得了13个样带样点，39个样方的观测数据。数据的内容要素包含地上、地上生物量及NPP。单位为克每平方米；该数据是此此科考获得的实地观测资料，质量可靠，可供分析不同区域植被生产力的分布规律、植被覆盖、生态系统的碳储量评估等，特别是供降水变化驱动的碳循环研究及其建模使用，具有较为广泛的使用价值和应用前景。
许振柱, 杨元合, 张峰
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05000491号 | All Rights Reserved
｜ 
京公网安备11010502040845号
数据中心技术支持: 数云软件
