- 简介全球30米年度不透水面产品（Global Impervious Surface Area, GISA）基于300多万景Landsat影像构建时序、光谱特征，利用MODIS和ESA_CCI自动生成多时序高置信度样本；全球按照2°地理格网划分，局部建立分类模型生产。该数据集是一个用来描述地球表面不透水面积分布的数据集。它基于高分辨率遥感影像，使用计算机算法分析得出。不透水面是指人工和自然... 简介全球30米年度不透水面产品（Global Impervious Surface Area, GISA）基于300多万景Landsat影像构建时序、光谱特征，利用MODIS和ESA_CCI自动生成多时序高置信度样本；全球按照2°地理格网划分，局部建立分类模型生产。该数据集是一个用来描述地球表面不透水面积分布的数据集。它基于高分辨率遥感影像，使用计算机算法分析得出。不透水面是指人工和自然...
- 简介中国雪深长时间序列数据集（1979-2020）提供1979年1月1日到2020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，是“中国雪深长时间序列数据集（1978-2012）”的升级版本。前言 – 人工智能教程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（1979-1987年)，SSM/I（1987-2007年)和SSMI... 简介中国雪深长时间序列数据集（1979-2020）提供1979年1月1日到2020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，是“中国雪深长时间序列数据集（1978-2012）”的升级版本。前言 – 人工智能教程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（1979-1987年)，SSM/I（1987-2007年)和SSMI...
- 简介：中国陆地生态系统服务价值空间分布产品是以全国陆地生态系统类型遥感分类为基础，生态系统类型包括：旱地、农田、针叶林、针阔混交林、阔叶林、灌木林、草原、灌草丛、草甸、湿地、荒漠、裸地、水系、冰川积雪、人工表面（包括建筑用地、工矿用地）15个二级类（农田、森林、草地、湿地、荒漠、水域6个一级类）。前言 – 人工智能教程参考谢高地等生态服务价值当量因子法，依据全国净初级生产力NPP、降水量... 简介：中国陆地生态系统服务价值空间分布产品是以全国陆地生态系统类型遥感分类为基础，生态系统类型包括：旱地、农田、针叶林、针阔混交林、阔叶林、灌木林、草原、灌草丛、草甸、湿地、荒漠、裸地、水系、冰川积雪、人工表面（包括建筑用地、工矿用地）15个二级类（农田、森林、草地、湿地、荒漠、水域6个一级类）。前言 – 人工智能教程参考谢高地等生态服务价值当量因子法，依据全国净初级生产力NPP、降水量...
- 简介：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,用以预测全球变化情景下生态系统结构与功能的变化。前言 – 人工智能教程目前，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... 简介：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,用以预测全球变化情景下生态系统结构与功能的变化。前言 – 人工智能教程目前，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...
- 简介：中国区域地面气象要素驱动数据年度合成产品，包括近地面气温、近地面气压、近地面空气比湿、近地面全速、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，时间分辨率为年，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。前言 – 人工智能教程气象要素是指大气层中各种物理量或者化学成分，它们是描述大气现象和气象预报的基本单位和要素，主要包括以下几个... 简介：中国区域地面气象要素驱动数据年度合成产品，包括近地面气温、近地面气压、近地面空气比湿、近地面全速、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，时间分辨率为年，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。前言 – 人工智能教程气象要素是指大气层中各种物理量或者化学成分，它们是描述大气现象和气象预报的基本单位和要素，主要包括以下几个...
- 简介：中国区域2000至2022年月度植被覆盖度产品的空间分辨率250米，合成方式采用月最大值合成。本产品采用基于归一化植被指数（NDVI）像元二分模型，根据土地利用类型确定纯植被像元值和纯裸土像元值，计算中去除湖泊、河流、冰川/永久积雪等区域，实现植被覆盖度计算。通过时空变化趋势分析检验法分析，该数据集符合时间变化趋势和空间变化趋势。前言 – 人工智能教程植被覆盖度是指在某一区域内，植物... 简介：中国区域2000至2022年月度植被覆盖度产品的空间分辨率250米，合成方式采用月最大值合成。本产品采用基于归一化植被指数（NDVI）像元二分模型，根据土地利用类型确定纯植被像元值和纯裸土像元值，计算中去除湖泊、河流、冰川/永久积雪等区域，实现植被覆盖度计算。通过时空变化趋势分析检验法分析，该数据集符合时间变化趋势和空间变化趋势。前言 – 人工智能教程植被覆盖度是指在某一区域内，植物...
- 简介：中国30米年度土地覆盖产品（annual China Land Cover Dataset, CLCD）是基于三十万景Landsat影像，结合现有产品自动稳定样本和目视解译样本生产获得。前言 – 人工智能教程该数据集基于5463个独立参考样本，产品整体精度为79.31% 。该数据集反映了中国快速的城市化和一系列生态工程，揭示了在气候变化下人类活动对区域地表覆盖的影响。土地覆盖和土地利... 简介：中国30米年度土地覆盖产品（annual China Land Cover Dataset, CLCD）是基于三十万景Landsat影像，结合现有产品自动稳定样本和目视解译样本生产获得。前言 – 人工智能教程该数据集基于5463个独立参考样本，产品整体精度为79.31% 。该数据集反映了中国快速的城市化和一系列生态工程，揭示了在气候变化下人类活动对区域地表覆盖的影响。土地覆盖和土地利...
- 简介：中国逐年干燥度指数，空间分辨率为1km，时间为1901-2022，为比值，没有单位。该数据集是基于中国1km逐月潜在蒸散发（PET）和降水量（PRE）采用比值法计算式得到（年AI =年PET/年PRE）。AI是表征一个地区干湿程度的指标，一般来说，根据AI分类可以概括地把区域分为湿润（AI<1，相当于森林）、半湿润（AI在1-1.5，相当于森林草原）、半干旱（AI在1.5-4，相当... 简介：中国逐年干燥度指数，空间分辨率为1km，时间为1901-2022，为比值，没有单位。该数据集是基于中国1km逐月潜在蒸散发（PET）和降水量（PRE）采用比值法计算式得到（年AI =年PET/年PRE）。AI是表征一个地区干湿程度的指标，一般来说，根据AI分类可以概括地把区域分为湿润（AI<1，相当于森林）、半湿润（AI在1-1.5，相当于森林草原）、半干旱（AI在1.5-4，相当...
- 简介：中国1km土壤特征数据集（2010）是基于第二次全国土壤调查的中国1:1000000比例尺土壤图和8595个土壤剖面图，以及美国农业部（USDA）中国区域土地和气候模拟标准，开发了一个多层土壤粒度分布数据集（砂、粉土和粘土含量）。采用多边形链接方法，结合土壤剖面和地图多边形之间的距离、剖面的样本大小和土壤分类信息，推导出砂、粉土和粘土的含量分布图。该数据集分辨率为1公里，可用于区域范... 简介：中国1km土壤特征数据集（2010）是基于第二次全国土壤调查的中国1:1000000比例尺土壤图和8595个土壤剖面图，以及美国农业部（USDA）中国区域土地和气候模拟标准，开发了一个多层土壤粒度分布数据集（砂、粉土和粘土含量）。采用多边形链接方法，结合土壤剖面和地图多边形之间的距离、剖面的样本大小和土壤分类信息，推导出砂、粉土和粘土的含量分布图。该数据集分辨率为1公里，可用于区域范...
- 简介：中国逐月降水量数据集（1901-2021）是根据CRU发布的全球0.5°气候数据集以及WorldClim发布的全球高分辨率气候数据集，通过Delta空间降尺度方案在中国地区降尺度生成的。使用了496个独立气象观测点数据进行验证，验证结果可信。数据集的空间分辨率为0.0083333°（约1km），降水单位为0.1mm，包含全国主要陆地（包含港澳台地区），不含南海岛礁等区域。https:... 简介：中国逐月降水量数据集（1901-2021）是根据CRU发布的全球0.5°气候数据集以及WorldClim发布的全球高分辨率气候数据集，通过Delta空间降尺度方案在中国地区降尺度生成的。使用了496个独立气象观测点数据进行验证，验证结果可信。数据集的空间分辨率为0.0083333°（约1km），降水单位为0.1mm，包含全国主要陆地（包含港澳台地区），不含南海岛礁等区域。https:...
- 简介：中国1km分辨率月最低温和高温度数据集（1901-2020）是根据CRU发布的全球0.5°气候数据集以及WorldClim发布的全球高分辨率气候数据集，通过Delta空间降尺度方案在中国地区降尺度生成的。使用了496个独立气象观测点数据进行验证，验证结果可信。数据集的空间分辨率为0.0083333°（约1km），时间为1901.1-2020.12，数据单位为0.1℃。包含全国主要陆地... 简介：中国1km分辨率月最低温和高温度数据集（1901-2020）是根据CRU发布的全球0.5°气候数据集以及WorldClim发布的全球高分辨率气候数据集，通过Delta空间降尺度方案在中国地区降尺度生成的。使用了496个独立气象观测点数据进行验证，验证结果可信。数据集的空间分辨率为0.0083333°（约1km），时间为1901.1-2020.12，数据单位为0.1℃。包含全国主要陆地...
- 简介长序列高时空分辨率月尺度温度和降水数据集，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°（~2.5km）格点数据集（简称LZU0025）。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。基于ANUSPLIN插值后的月值气象要素.nc文件包括... 简介长序列高时空分辨率月尺度温度和降水数据集，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°（~2.5km）格点数据集（简称LZU0025）。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。基于ANUSPLIN插值后的月值气象要素.nc文件包括...
- 简介植被蒸腾是指植物通过根系吸收土壤中的水分，并将其输送至叶片，然后在叶片表面蒸发，将水分释放到空气中的过程。这是一种重要的水循环过程，对于维持生态系统的平衡和稳定性具有重要作用。前言 – 人工智能教程植被蒸腾的过程中，植物通过根系吸收土壤中的水分，并将其通过细胞间隙和导管输送至叶片。在叶片表面，水分蒸发成为水蒸气，然后释放到大气中。这个过程不仅能够帮助植物保持水分平衡，还能够影响大气环... 简介植被蒸腾是指植物通过根系吸收土壤中的水分，并将其输送至叶片，然后在叶片表面蒸发，将水分释放到空气中的过程。这是一种重要的水循环过程，对于维持生态系统的平衡和稳定性具有重要作用。前言 – 人工智能教程植被蒸腾的过程中，植物通过根系吸收土壤中的水分，并将其通过细胞间隙和导管输送至叶片。在叶片表面，水分蒸发成为水蒸气，然后释放到大气中。这个过程不仅能够帮助植物保持水分平衡，还能够影响大气环...
- 简介中国土壤有机质数据集分辨率为30弧秒（赤道处约1公里），包括以下土壤理化性质：pH值、有机质含量、阳离子交换量、根系丰度、总氮（N）、总磷（P）、总钾（K）、碱解氮、速效磷、速效钾、可交换H+、Al3+、Ca2+、Mg2+、K+、Na+、土层厚度、土壤剖面深度、砂、淤泥和C。铺设部分、岩石碎片、体积密度、孔隙、结构、稠度和土壤颜色。土壤性质的垂直变化由8层记录，深度为2.3 m（即0-... 简介中国土壤有机质数据集分辨率为30弧秒（赤道处约1公里），包括以下土壤理化性质：pH值、有机质含量、阳离子交换量、根系丰度、总氮（N）、总磷（P）、总钾（K）、碱解氮、速效磷、速效钾、可交换H+、Al3+、Ca2+、Mg2+、K+、Na+、土层厚度、土壤剖面深度、砂、淤泥和C。铺设部分、岩石碎片、体积密度、孔隙、结构、稠度和土壤颜色。土壤性质的垂直变化由8层记录，深度为2.3 m（即0-...
- 缺乏长期一致的大尺度观测水文数据集给中国水文气候研究带来了很大的不确定性。本文描述了0-25年中国每天0.25°×05.1°的陆地水文数据集（VIC-CN1961.2017）。该数据集由最新的可变入渗能力（VIC）模型模拟，并由纯站大气强迫和基于野外调查的高分辨率土壤参数驱动。使用多个观测（原位和遥感）产品和五个统计指标，包括偏差、相对误差（RE）、均方根误差（RMSE）、... 缺乏长期一致的大尺度观测水文数据集给中国水文气候研究带来了很大的不确定性。本文描述了0-25年中国每天0.25°×05.1°的陆地水文数据集（VIC-CN1961.2017）。该数据集由最新的可变入渗能力（VIC）模型模拟，并由纯站大气强迫和基于野外调查的高分辨率土壤参数驱动。使用多个观测（原位和遥感）产品和五个统计指标，包括偏差、相对误差（RE）、均方根误差（RMSE）、...
上滑加载中
推荐直播
-
在昇腾云上部署使用DeepSeek2025/02/14 周五 16:30-18:00
Hao-资深昇腾云解决方案专家
昇腾云上有多种方法部署DeepSeek，讲师一步步演示，解析配置参数的含义和推荐的选择。学完一起动手搭建自己的DeepSeek环境吧！
回顾中
热门标签