近日，中山大学全球变化与陆地生态系统模型研究团队（负责人：袁文平教授）通过国家生态科学数据中心生态网络云平台发布了1982-2012年全球土壤呼吸/地下异养呼吸/地下自养呼吸数据集（0.5度）、1982-2013年全球多年平均地上凋落物通量数据集（0.5度）、2015年中国东北水稻种植分布数据集（500米）、2016年中国灌溉农田分布数据集（500米）、2016-2020年中国冬小麦30米分辨率种植分布数据集和2016-2020年全国双季稻10米分辨率种植分布数据集，用户可在线获取数据。相关研究成果已发表在Environmental Research Letters、Remote Sensing of Environment、Remote Sensing、Earth System Science Data期刊。

研究团队数据发布主页：点击这里

（1） 1982-2012年全球土壤呼吸、地下异养呼吸、地下自养呼吸数据集

基于全球超过1000个站点的观测数据，使用随机森林模型生成了全球陆地生态系统土壤呼吸、地下异养呼吸和自养呼吸的全球网格数据集，数据集的空间分辨率为0.5度，数据单位为 gC/m^2，数据集格式为NetCDF格式。

图1 1982-2012年全球土壤呼吸模拟分布

论文信息：Haibo Lu, Shihua Li, Minna Ma, Vladislav Bastrikov, Xiuzhi Chen, Philippe Ciais, Yongjiu Dai, Akihiko Ito, Weimin Ju, Sebastian Lienert, Danica Lombardozzi, Xingjie Lu, Fabienne Maignan, Mahdi Nakhavali, Timothy Quine, Andreas Schindlbacher, Jun Wang, Yingping Wang, David Wårlind, Shupeng Zhang and Wenping Yuan,2021. Comparing machine learning-derived global estimates of soil respiration and its components with those from terrestrial ecosystem models. Environmental Research Letters 16(5): 054048.

数据链接：点击这里

（2） 1982-2013年全球多年平均地上凋落物通量数据集

利用1079个全球地上凋落物通量观测数据、全球气候再分析数据集和遥感植被指数数据，使用随机森林模型生成了全球陆地生态系统地上凋落物通量数据集。该数据集提供的地上凋落物通量是开展模型区域和全球精度评价的基础数据。数据集的空间分辨率为0.5度，数据单位为g C m-2 yr-1，数据集格式为Mat格式。

图2 随机森林模型生成的地上凋落物通量分布

论文信息：Li SH, Yuan WP, Ciais P, Viovy N, Ito A, Jia BR, Zhu D. 2019. Benchmark estimates for aboveground litterfall data derived from ecosystem models. Environmental Research Letters, 14 084020, https://doi.org/10.1088/1748-9326/ab2ee4.

数据链接：点击这里

（3） 2015年中国东北水稻种植分布数据集

本数据集通过建立亚像元尺度识别水稻种植比例的方法，得出中国东北地区2015年水稻种植分布数据结果，结果解释无人机调查区域84％的水稻种植比例变异性，与县级和地级市统计数据相关性分别达到78％和85％。数据集空间分辨率为500米。

图3 2015年中国东北水稻种植分布图（RAP：500米像元的水稻面积比例）

论文信息：Wei Liu, Jie Dong, Kunlun Xiang, Sen Wang, Wei Han, Wenping Yuan, 2018. A sub-pixel method for estimating planting fraction of paddy rice in Northeast China. Remote Sensing of Environment 205: 305-314.

数据链接：点击这里

（4） 2016年中国灌溉农田分布数据集

本数据集通过对比灌溉农田、自然森林植被和非灌溉农田的遥感植被冠层水分状况，得出了2016年全国灌溉农田数据集，结果能够反映87%和59%的省级和地市级的灌溉农田面积，其精度同样优于其他灌溉产品。数据集空间分辨率为500米。

图4 2016年中国灌溉农田分布图

论文信息：Xiang KL, Ma MN, Liu W, Dong J, Zhu XF and Yuan WP. 2019. Mapping irrigated areas of northeast China in comparison to natural vegetation. Remote Sensing, 11, 825; doi:10.3390/rs11070825.

数据链接：点击这里

（5） 2016-2020年中国冬小麦30米分辨率种植分布数据集

本数据集用基于时间权重的动态时间规划方法，通过比较已知冬小麦田块和未知地物类型的季节变化曲线的相似程度，得出了2016–2020年全国11个省（种植面积占全国冬小麦面积的99%以上）30米空间分辨率的冬小麦种植面积。经过野外调查样本的验证，冬小麦识别总体精度达到89.88%，生产者精度和用户精度分别为89.30%和90.59%。

图5 2018年中国冬小麦种植分布图

论文信息：Jie Dong, Yangyang Fu, Jingjing Wang, Haifeng Tian, Shan Fu, Zheng Niu, Wei Han, Yi Zheng, Jianxi Huang, and Wenping Yuan, 2020. Early-season mapping of winter wheat in China based on Landsat and Sentinel images. Earth System Science Data, 12(4): 3081-3095.

数据链接：点击这里

（6） 2016-2020年全国双季稻10米分辨率种植分布数据集

基于Sentinel-1遥感数据，利用基于物候特征识别方法制作了全国10米分辨率的双季稻种植位置数据集。具体而言，该数据集基于合成孔径雷达（SAR）数据，使用基于时间权重的动态时间规划法，结合省级水稻统计面积，生成了2016-2020年中国南方9个省份（种植面积占全国99%以上）的双季稻种植面积分布图，空间分辨率为10米。基于145210个实地调查样本和县级统计数据，对该数据集精度进行验证。基于实地调查样本进行像元尺度验证，9个省的早稻识别总体精度从88.07%到95.97%；9个省的晚稻识别总体精度从88.25%到95.68%。基于县级统计面积进行区域尺度验证，对于早稻而言，各省四年平均决定系数（R2）的范围从0.50到0.87，均方根误差（RMSE）的范围从1.53到6.94，相对误差（RMAE）的范围从22%到59%。晚稻的区域尺度验证精度和早稻类似。

图6 2018年中国双季稻种植分布图

论文信息：Pan B, Zheng Y, Shen R, Ye T, Zhao W, Dong J, Ma H, Yuan W. High Resolution Distribution Dataset of Double-Season Paddy Rice in China. Remote Sens. 2021, 13, 4609. https://doi.org/10.3390/rs13224609.

数据链接：点击这里