2000-2024年中国高精度月度植被覆盖指数数据(Tif)

最新推荐文章于 2025-09-30 15:00:00 发布
原创 最新推荐文章于 2025-09-30 15:00:00 发布 · 483 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #机器学习 #大数据 #业界资讯 #分类

 数据简介

      今天我们分享的数据是2000-2024年的中国月度NDVI数据，归一化差值植被指数（NDVI）是植被研究中最常用的遥感指标之一。长期NDVI数据对植被变化研究具有重要意义。该数据集是中国区域2000至2024年月度植被覆盖度产品，空间分辨率250米，合成方式采用月最大值合成，每年12期，共299期，该数据为便于存储栅格值是放大了一万倍的，实际使用需要缩小到万分之一。 

      该数据集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，实现植被覆盖度计算。其中除去除湖泊、河流、冰川/永久积雪等区域。

数据详情

数据来源：国家青藏高原科学数据中心

数据跨度：2000-2024

数据精度：250m

数据频度：月度

数据范围：全国

数据格式：Tif

数据概览

下图为我国2024年12月的NDVI图示例：

图片

数据引用

[1]高吉喜, 史园莉, 张宏伟, 陈绪慧, 张文国, 申文明, 肖桐, 张玉环. (2022). 中国区域250米植被覆盖度数据集（2000-2024）. 国家青藏高原科学数据中心.

获取方式

关注后，后台发送数据编号D239

GEE高阶应用python wxee 和eemont——MODIS 中生成NDVI 数据的月度时序影像
此星光明博客
03-03 256
谷歌地球引擎是一种基于云的服务，用于矢量和栅格数据的地理空间处理。地球引擎平台拥有 JavaScript 和 Python API，可使用不同方法处理地理空间对象。谷歌地球引擎还提供了一个巨大的 PETABYTE 级栅格和矢量数据目录，用户可以在线处理这些数据（如 Landsat 任务图像集、Sentinel 任务图像集、MODIS 产品图像集、世界保护区数据库等）。
全球GIMMS NDVI 1982-2022植被归一化指数逐年逐月批量处理
Krrying的博客
02-04 5791
全球1982-2022年最长时间序列GIMMS NDVI归一化植被覆盖度指数栅格数据集，年度/月度Python批量合成代码。
【数据分享】2000—2023年我国250米分辨率逐月植被覆盖度（FVC）栅格数据
weixin_63042008的博客
09-03 1019
【数据分享】2000—2023年我国250米分辨率逐月植被覆盖度（FVC）栅格数据
【2024年已更新】中国区域逐年250米植被覆盖度数据集（2000-2024）
m0_63269495的博客
11-19 1140
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，实现植被覆盖度计算。本数据集采用基于归一化植被指数（NDVI）像元二分模型，根据不同土地利用类型确定纯植被像元值和纯裸土像元值，进而计算植被覆盖度；然后根据土地利用数据去除湖泊、河流、冰川/永久积雪等区域，得到最终的植被覆盖度产品。[2]朱文泉,潘耀忠,张锦水.中国陆地植被净初级生产力遥感估算[J].植物生态学报,2007(03):413-424.缩放比例0.0001。
MODIS 2024年中国250m植被指数（NDVI）空间分布数据集
03-08
该植被指数数据来源于美国NASA定期发布的MODIS数据系列，原始数据集为MOD13Q1。MOD13Q1的空间分辨率为250m，时间分辨率为16d。经过提取子数据集、拼接、投影栅格、换算单位、裁剪得到16d 250m的NDVI数据后，再利用最大合成法（MVC，Maximum Value Compositing）生成对应年份的NDVI数据。 地区：中国 时间分辨率：年 空间分辨率：250m 投影坐标系：Albers conical equal area 椭球：WGS84 变形比例：1.0 中央经线：105 标准纬线：25 标准纬线：47 引用：Didan, K. (2015). MOD13Q1 MODIS/Terra Vegetation Indices 16-Day L3 Global 250m SIN Grid V006 [Data set]. NASA EOSDIS Land Processes DAAC. Accessed 2022-04-13 from https://doi.org/10.5067/MODIS/MOD13Q1.006
2001-2023年月最大NDVI数据集（1km）
m0_63269495的博客
03-07 1005
中国月度1KM植被指数（NDVI）空间分布数据集是基于SPOT/VEGETATION NDVI卫星遥感数据，在旬（每10天）数据基础上采用最大值合成法生成的2001年以来的月度植被指数数据集。该数据集有效反映了全国各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1-3旬NDVI数据数值的平均值，数据空间覆盖范围为全国，数据获取时间为2000年4月—至今。数据为tiff格式，空间分辨率为1km。
GEE：如何批量处理并下载指定时间范围的月尺度NDVI数据集(MOD09GA为例)
炒茄子的博客
06-08 2932
运行上述代码，通过显示在图层上的各个行政区划，将鼠标状态切换到Inspector，点击指定区域获取该位置的行政区划要素的属性信息。这里仅说明如何查找GAUL数据集的各个行政区划的属性信息，特别是行政区划的名称.时间有限，很多代码的相关讨论并没有进行。如有问题，私聊或者评论.
2000-2020年阿克苏地区500米分辨率植被净初级生产力数据集
本数据集提供了2000年至2020年间中国新疆阿克苏地区的500米空间分辨率的NPP数据，采用GeoTIFF格式存储，坐标系统为AEA_WGS_1984（等积圆锥投影），具备较高的地理空间精度和时间连续性，适用于区域尺度的生态环境...
提示工程+卫星遥感：环境监测大范围数据解读的新范式，架构师深度剖析
AI天才研究院
07-30 1202
（注：受篇幅限制，场景二、三的实现细节略，完整内容将包含海洋塑料的光谱特征（500-600nm反射峰）、高分辨率影像预处理（WorldView-3）、Few-shot提示设计（提供3个塑料垃圾样本）、结果与海洋环流模型的结合分析等。LLM通过海量文本训练，掌握了环境领域的“术语体系”（如“生物多样性丧失”“生态系统服务功能”）和“因果关系”（如“森林砍伐→水土流失→河流含沙量增加”），可将遥感数据的数值特征转化为人类可理解的结论。
【地理空间数据大师】：Sentinel-5P数据裁剪与拼接的高级技巧
Sentinel-5P数据具有高时空分辨率、宽覆盖范围和快速的全球数据更新能力，使得这些数据在环境监测和科学研究领域具有极高的应用价值。它可以帮助科学家和政策制定者更好地理解和解决与空气质量相关的环境问题。 ## ...
MODIS 2021年中国1km植被指数（NDVI）空间分布数据集
03-18
该植被指数数据来源于美国NASA定期发布的MODIS数据系列，原始数据集为MOD13A3。MOD13A3的空间分辨率为1km，时间分辨率为monthly。经过提取子数据集、拼接、投影栅格、换算单位、裁剪得到逐月1km的NDVI数据后，再利用最大合成法得到对应年份的NDVI数据。 地区：中国 时间分辨率：年 空间分辨率：1km 投影坐标系：Albers conical equal area 椭球：WGS84 变形比例：1.0 中央经线：105 标准纬线：25 标准纬线：47 引用：Didan, K. (2015). MODIS/Terra Vegetation Indices Monthly L3 Global 1km SIN Grid V006, NASA EOSDIS Land Processes DAAC.https://doi.org/10.5067/MODIS/MOD13A3.006该植被指数数据来源于美国NASA定期发布的MODIS数据系列，原始数据集为MOD13A3。MOD13A3的空间分辨率为1km，时间分辨率为monthly。经过提取子数据集、拼接、投影栅格、换算单位、
2017中国植被覆盖指数（NDVI）.rar
01-06
数据为2017中国归一化植被覆盖指数（NDVI），数据为栅格数据，可以用来计算相关生态植被指数，可以来康康。
卫星图像分析在供应链金融量化投资中的应用
AI天才研究院
07-30 872
在传统的供应链金融量化投资中，基金经理们主要依赖企业财报、银行流水、行业研报等数据。要么滞后（财报往往滞后一个季度），要么容易“化妆”（企业可能粉饰数据）。就像你想知道同学是不是真的在学习，却只能看他期末的成绩单（滞后），或者听他自己说“我很努力”（可能造假）。
中国区域250米归一化植被指数数据集（2000-2023）
国科大硕士在读，分享Python/GEE/Matlab/R专业代码实践，涵盖数据分析、算法开发与应用技巧等，以代码会友。
04-27 1288
该数据集是中国区域2000至2023年月度归一化植被指数产品，空间分辨率250米，合成方式采用月最大值合成，每年12期，共287期。本产品是基于Aqua/Terra-MODIS卫星传感器MOD13Q1产品以及土地利用数据，经单期影像同类地物噪声像元初步重建、长时间序列影像S-G滤波、保留高质量像元、16天合成月度产品及中国范围拼接等过程生成。该数据集能够为全国区域生态质量评价、重要生态空间调查评估等工作提供数据参考。
中国生长季1KM植被指数（NDVI）空间分布数据集
CCfz566的博客
04-04 753
中国生长季1KM植被指数（NDVI）空间分布数据集是在SPOT/VEGETATION PROBA-V 1 KM PRODUCTS（http://www.vito-eodata.be）旬1KM植被指数数据基础上，在月数据基础上采用最大值合成法生成的1998年以来的生长季植被指数数据集。生长季NDVI数据为3-11 月份（春、夏、秋三季）NDVI数据数值的最大值，数据空间覆盖范围为全国，数据获取时间为1998年—2019年。由于2020年只有1-6月的数据，因此2020年的数据暂缺。
2000-2024年逐月平均NDVI数据集（500m）
m0_63269495的博客
03-20 535
中国月度500M植被指数（NDVI）空间分布数据集是基于NASA定期发布的MOD13A1产品提取得到的16天500mNDVI数据经过平均处理得到的栅格数据。该数据集有效反映了全国各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。目前，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。数据为tiff格式，空间分辨率为500m。
中国逐月最大NDVI数据集（250m）
m0_63269495的博客
11-22 685
归一化植被指数（NDVI）是一种衡量地表植被绿度（生物量）的重要指标，它反映了植被对太阳辐射的吸收情况和光合作用的强度。NDVI的值范围一般在-1到1之间，值越接近1，表明植被覆盖度越高，生物量越大。NDVI的计算公式为：NDVI = (NIR - R) / (NIR + R)，其中NIR表示近红外波段的反射率，R表示可见光波段的反射率。该数据集主要以为中国逐月最大NDVI数据集，空间分辨率为250M。该数据集在生态质量评价、生态空间调查评估和农业管理中具有广泛的应用价值。
中国NDVI数据（2000-2023年）
最新发布
PPdata_Academy的博客
09-30 791
该数据集是高吉喜学者在国家青藏高原科学数据中心平台分享的2000-2023年中国月度NDVI数据，空间分辨率250米，共287期。NDVI是植被研究常用指标，该数据通过像元二分模型计算植被覆盖度，已去除水体等非植被区域。数据格式为Tif，覆盖全国范围，采用月最大值合成方式，对植被变化研究具有重要价值。使用者可通过指定网址获取并引用该免费数据集。
2000-2024年中国1KM分辨率年度植被指数（NDVI、EVI）数据集
hu397313168的博客
07-31 549
中国2000-2024年1KM分辨率年度植被指数数据集基于MODIS MOD13Q1.061产品生成，包含NDVI和EVI两种指数。该数据集采用最大值合成法和重采样处理，形成空间分辨率为1KM×1KM的年度栅格数据（ArcGIS grid格式），数值范围为-2000至10000（NDVI扩大10000倍）。该数据能准确反映全国植被覆盖时空变化特征，广泛应用于植被动态监测、土地利用变化检测、植被分类及生态系统研究等领域，为生态环境研究提供了重要基础数据支撑。
WRF植被数据
04-11
### WRF 模型中植被数据的处理与应用 WRF（Weather Research and Forecasting Model）作为一种广泛使用的数值天气预报模型，其内部包含了多种陆面过程参数化方案，这些方案依赖于详细的植被覆盖信息来描述地表特征及其对大气的影响。以下是关于 WRF 模型中植被数据的处理与应用的具体说明： #### 1. 植被数据的作用 在 WRF 模型中，植被数据主要用于描述地表特性以及地表与大气之间的能量交换和水分循环。具体来说，植被覆盖率、植被类型、叶面积指数（LAI）、根区深度等参数会影响地表通量计算，进而影响整个模式的模拟精度[^1]。 #### 2. 植被数据的主要来源 WRF 模型中的植被数据通常来源于以下几种途径： - **MODIS 数据集**：Moderate Resolution Imaging Spectroradiometer (MODIS) 提供了高分辨率的地表分类产品（如 MOD12Q1 和 MCD12C1），可以用来生成土地利用/土地覆盖（Land Use/Land Cover, LULC）地图。 - **USGS 地图**：United States Geological Survey (USGS) 提供的土地覆被数据也可以作为输入源。 - **自定义数据**：对于特定研究区域，可以通过遥感影像解译或地面调查获得更为精确的植被分布数据。 #### 3. 植被数据的预处理 为了使外部植被数据能够适配 WRF 模型的需求，需要对其进行一系列预处理操作： - **重采样**：将原始植被数据的空间分辨率调整至与 WRF 网格相匹配。这一过程中可能需要用到双线性插值或其他空间分析工具。 - **格式转换**：将植被数据从常见的地理信息系统（GIS）格式（如 GeoTIFF 或 Shapefile）转换成 WRF 支持的 NetCDF 格式。 - **属性映射**：根据所选的陆面参数化方案（例如 Noah LSM 或 RUC LSM），将通用的植被类别映射为对应的模式变量。 #### 4. 在 WRF 模型中的实现 完成上述准备工作之后，可通过 geogrid 工具将经过处理的植被数据集成到 WRF 的地理数据库中。随后，在 namelist.input 文件中指定相关选项以启用改进后的植被配置。例如： ```fortran &geog_data_res landuse = 'modis', / ``` 此外，如果希望进一步细化某些地区的植被结构，则可以在 dynamical_init 阶段引入额外的 LAI 时间序列文件，以便更好地捕捉季节变化效应[^2]。 #### 5. 应用实例 基于改进的植被数据，WRF 模型已被成功应用于多个领域，包括但不限于： - 城市热环境评估； - 极端降水事件预测； - 生态系统碳收支估算； - 农业产量趋势分析。 --- ###
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值